INTELIGENCIA ARTIFICIAL Y FRAUDE RETAIL: REVISIÓN SISTEMÁTICA 2019–2026

Objetivo: Analizar las aplicaciones de inteligencia artificial desarrolladas o evaluadas para la detección y predicción de fraude en el sector retail, identificando las técnicas más utilizadas, los tipos de fraude abordados, el canal de implementación, el enfoque aplicado y el desempeño reportado. Métodos: Revisión sistemática de la literatura conforme a PRISMA 2020, sin metaanálisis. La búsqueda se ejecutó en Scopus y Web of Science con una ecuación de tres bloques, restringida a enero 2019–julio 2026 e idiomas inglés y español. De 150 registros identificados, tras remover 23 duplicados, cribar 127 y evaluar la elegibilidad de 33 textos completos, se incluyeron 11 estudios primarios. Resultados: Las técnicas más frecuentes fueron la visión computacional YOLO, la detección de anomalías basada en pose y los métodos de ensemble (18,2% cada una). El 90,9% de los estudios abordó fraude externo y solo el 9,1% fraude interno. El 81,8% adoptó detección reactiva y el 18,2% predicción proactiva. La distribución por canal fue equilibrada: 54,5% físico y 45,5% digital. Conclusión: La evidencia confirma la aplicabilidad de la inteligencia artificial para gestionar el riesgo de fraude retail en ambos canales, con desempeños que alcanzan F1 de 0,932 en fraude interno de punto de venta y AUC-ROC de 0,995 en crimen retail organizado (fraude externo), pero revela vacíos relevantes: la escasa cobertura del fraude interno, el predominio de la detección reactiva y la falta de estandarización en el reporte de métricas.