Ciberseguridad en sistemas de banca móvil en Ecuador: análisis de vectores de ataque y mecanismos de detección basados en machine learning

Resumen

La expansión acelerada de la banca móvil en Ecuador (del 4,2% al 44,7% de las transacciones bancarias entre 2019 y 2023) ha ampliado la superficie de ataque disponible para los ciberdelincuentes. Este estudio analiza los principales vectores de ataque que afectan a los sistemas de banca móvil ecuatorianos y evalúa el desempeño de los mecanismos de detección de fraude basados en machine learning documentados en la literatura científica reciente. Mediante un enfoque cualitativo descriptivo-analítico, se realizó una revisión sistemática en IEEE Xplore, ScienceDirect, SpringerLink, ACM Digital Library y arXiv (2020-2026), complementada con un análisis crítico del marco normativo ecuatoriano. Los resultados muestran que los modelos híbridos y de ensamblado alcanzan las tasas de detección más altas (97,2%-98,6%), aunque estudios con datos bancarios reales evidencian una brecha entre la precisión reportada y la capacidad efectiva de recuperar fraudes en producción. El phishing, el smishing, el intercambio fraudulento de tarjeta SIM y los troyanos bancarios se identifican como los vectores con mayor documentación en el contexto ecuatoriano, favorecidos por la combinación de vulnerabilidades técnicas y factores conductuales de los usuarios. Asimismo, se identifica una brecha regulatoria: pese a que la Superintendencia de Bancos exige un sistema de gestión de seguridad basado en ISO 27000, ninguna disposición vigente establece requisitos técnicos específicos sobre mecanismos de detección basados en inteligencia artificial. Se concluye que la adopción de machine learning puede reducir los tiempos de detección de fraude, pero su implementación efectiva requiere superar limitaciones operativas y avanzar hacia un marco regulatorio más explícito.