Análisis predictivo en el cumplimiento normativo: Guía 2026

Resumen rápido: El análisis predictivo en el cumplimiento normativo transforma los programas reactivos tradicionales en sistemas proactivos de gestión de riesgos, aprovechando el aprendizaje automático, los patrones de datos históricos y la monitorización en tiempo real para anticipar las infracciones regulatorias antes de que se produzcan. Las organizaciones que utilizan análisis predictivos de cumplimiento normativo logran una precisión de detección del 961 % y reducen el fraude en un 401 %, al tiempo que se anticipan a la evolución de los requisitos regulatorios y minimizan las costosas infracciones.

Los equipos de cumplimiento han pasado décadas a la defensiva. Esperando a que salgan a la luz las infracciones. Esforzándose por subsanar las deficiencias tras las notificaciones de los reguladores. Reaccionando ante el fraude una vez que este vacía las cuentas.

Ese modelo ya no funciona.

El entorno regulatorio evoluciona con demasiada rapidez, los delitos financieros se vuelven cada vez más sofisticados y el costo del fracaso es demasiado elevado. Según investigaciones académicas, las pérdidas financieras globales por fraude ascienden a unos 4,4 billones de dólares anuales. Tan solo la trata de personas genera unos 236 mil millones de dólares anuales para las organizaciones criminales mediante el trabajo forzoso, la explotación sexual y el tráfico de órganos.

El análisis predictivo transforma el paradigma de cumplimiento, pasando de una perspectiva retrospectiva a una prospectiva. En lugar de analizar qué salió mal el trimestre pasado, los equipos ahora anticipan qué transacciones activarán alertas la próxima semana, qué relaciones con proveedores conllevan riesgos ocultos y dónde se endurecerán los requisitos regulatorios antes de que comiencen las acciones coercitivas.

Sin embargo, hay algo importante: el cumplimiento predictivo no se trata solo de instalar software nuevo. Requiere cambios fundamentales en la forma en que las organizaciones recopilan datos, entrenan modelos y actúan en función de la información obtenida.

Comprender el análisis predictivo en el cumplimiento normativo

El análisis predictivo aplica algoritmos estadísticos y técnicas de aprendizaje automático a datos históricos de cumplimiento, identificando patrones que permiten predecir riesgos futuros. Este enfoque difiere notablemente del monitoreo de cumplimiento tradicional, que detecta las infracciones una vez que ocurren.

Los programas de cumplimiento tradicionales operan de forma reactiva. Los equipos revisan las transacciones completadas, auditan las comunicaciones pasadas y responden a las consultas regulatorias sobre eventos que ya ocurrieron. El proceso se asemeja a conducir mirando únicamente por el espejo retrovisor.

El análisis predictivo de cumplimiento examina datos históricos (registros de transacciones, interacciones con proveedores, patrones de comportamiento de los empleados, presentaciones regulatorias, acciones de cumplimiento) para crear modelos que identifiquen señales de alerta temprana. Cuando surgen patrones similares en flujos de datos en tiempo real, el sistema alerta a los equipos de cumplimiento antes de que se concreten las infracciones.

La pila tecnológica combina varios componentes:

• Algoritmos de aprendizaje automático que mejoran la precisión a medida que procesan más datos.
• Procesamiento del lenguaje natural para el análisis de comunicaciones no estructuradas y textos normativos.
• Integración de datos en tiempo real, extraídos de sistemas de transacciones, bases de datos de recursos humanos, plataformas de gestión de proveedores y fuentes de información regulatoria externas.
• Motores de puntuación de riesgos que priorizan las alertas en función de la gravedad y la probabilidad.

La investigación académica indica que los sistemas implementados correctamente alcanzan una precisión de detección del 961% (TP3T) y reducen el fraude en un 401% (TP3T). Estas métricas representan mejoras sustanciales con respecto a los procesos de revisión manual, que generalmente detectan las infracciones solo después de que se produce un daño significativo.

Aplicar análisis predictivos en cumplimiento con la IA superior

IA superior Desarrollan modelos predictivos a partir de datos regulatorios y operativos para respaldar los flujos de trabajo de monitoreo, detección de anomalías e informes. Se centran en modelos que se integran en los sistemas existentes, comenzando con la evaluación de datos y un prototipo funcional antes de su escalado.

¿Busca utilizar análisis predictivos en el cumplimiento normativo?

AI Superior puede ayudar con:

• evaluación de datos regulatorios y operativos
• construcción de modelos predictivos
• Integración de modelos en sistemas existentes
• refinar los resultados en función de los resultados

👉 Contacta con IA Superior para analizar su proyecto, los datos y el enfoque de implementación.

El cambio de un cumplimiento reactivo a uno proactivo

La evolución del cumplimiento normativo refleja la transformación más amplia que se está produciendo en todas las disciplinas de gestión de riesgos. Las organizaciones ya no aceptan que sea necesario que se produzcan infracciones para que se tomen medidas.

Los programas de cumplimiento reactivos comparten características comunes. Dependen en gran medida de auditorías periódicas: revisiones trimestrales, evaluaciones anuales y controles aleatorios provocados por eventos externos. Los equipos de cumplimiento dedican la mayor parte de su tiempo a documentar lo sucedido en lugar de prevenir lo que pueda ocurrir a continuación.

Cuando se detectan infracciones, los programas reactivos inician medidas correctivas. Se sanciona a los empleados. Se rescinden las relaciones con los proveedores. Se presentan informes de medidas correctivas ante los organismos reguladores. El ciclo se repite, y cada incidente se trata como un evento aislado en lugar de un dato que revele patrones más amplios.

El cumplimiento proactivo, impulsado por el análisis predictivo, funciona de manera diferente. Los sistemas monitorean continuamente los flujos de datos, aplicando patrones aprendidos para identificar riesgos emergentes. Cuando los patrones de pago de un proveedor cambian de forma que en el pasado precedieron a fraudes, se activan alertas de inmediato. Cuando las comunicaciones de los empleados contienen lenguaje asociado con infracciones anteriores, las revisiones de cumplimiento comienzan antes de que se produzca cualquier infracción real.

Aquí es donde la cosa se pone interesante. Los sistemas proactivos no solo señalan riesgos individuales, sino que revelan vulnerabilidades sistémicas. Los modelos predictivos pueden identificar que ciertos tipos de transacciones, cuando se procesan a través de canales específicos en momentos determinados, conllevan un riesgo elevado. Los equipos de cumplimiento rediseñan entonces los flujos de trabajo para eliminar esas ventanas de vulnerabilidad, en lugar de simplemente detectar las infracciones una vez que ocurren.

Tecnologías clave que impulsan el cumplimiento predictivo

El análisis predictivo del cumplimiento normativo se basa en varias tecnologías fundamentales, cada una de las cuales aporta capacidades específicas al sistema en su conjunto.

Algoritmos de aprendizaje automático

El aprendizaje automático constituye el motor analítico. Los algoritmos de aprendizaje supervisado se entrenan con datos históricos etiquetados: transacciones marcadas como conformes o fraudulentas, comunicaciones señaladas durante investigaciones anteriores, relaciones con proveedores que terminaron en infracciones.

Estos modelos aprenden qué características se correlacionan con los incumplimientos normativos. Importes de pago, momento de la transacción, patrones geográficos, características de la contraparte, percepción de la comunicación: cientos de variables se incorporan a modelos predictivos que asignan puntuaciones de riesgo a las nuevas actividades.

El aprendizaje no supervisado complementa este enfoque al identificar anomalías. Cuando los patrones de transacción se desvían de las normas establecidas, incluso si no coinciden con firmas de violación conocidas, los modelos no supervisados los señalan para su revisión.

Procesamiento natural del lenguaje

El cumplimiento normativo implica cada vez más el análisis de texto no estructurado. Correos electrónicos de empleados, mensajes de chat, contratos con proveedores, documentos de orientación normativa, descripciones de medidas coercitivas: estas fuentes contienen señales de riesgo críticas que los datos estructurados por sí solos no detectan.

El procesamiento del lenguaje natural extrae el significado del texto, identifica cambios de sentimiento, detecta lenguaje prohibido y reconoce cuándo las comunicaciones tratan sobre actividades que requieren una revisión de cumplimiento. Los modelos avanzados de PLN analizan las actualizaciones de textos regulatorios, asignando automáticamente los nuevos requisitos a los flujos de trabajo de cumplimiento existentes e identificando las deficiencias.

Integración de datos en tiempo real

El análisis predictivo requiere un flujo continuo de datos. El procesamiento por lotes, que analiza las transacciones del día anterior, impide aprovechar las oportunidades de prevención. La integración en tiempo real extrae datos de sistemas de transacciones, plataformas de recursos humanos, bases de datos de gestión de proveedores, fuentes de información regulatoria externa y fuentes de datos de mercado.

Los motores de procesamiento de datos en tiempo real aplican modelos predictivos a los datos entrantes de forma inmediata, generando alertas en cuestión de minutos o segundos ante actividades potencialmente problemáticas. Esta velocidad transforma el cumplimiento normativo, pasando de ser una función de revisión periódica a una capacidad de gestión de riesgos siempre activa.

Marco de implementación

La implementación de análisis predictivos de cumplimiento requiere una planificación sistemática. Las organizaciones que omiten los pasos fundamentales suelen terminar con modelos sofisticados que generan alertas en las que nadie confía ni actúa en consecuencia.

Evaluación de la infraestructura de datos

Comience por identificar las fuentes de datos existentes. ¿Dónde se almacenan los registros de transacciones? ¿Cómo se documentan las relaciones con los proveedores? ¿Qué sistemas registran las comunicaciones de los empleados? ¿Se realiza un seguimiento de los requisitos normativos en bases de datos estructuradas o están dispersos en diversos documentos de políticas?

Los modelos predictivos necesitan datos limpios, consistentes y accesibles. Las organizaciones suelen descubrir que los datos críticos de cumplimiento normativo se encuentran en sistemas aislados que no se comunican entre sí, o en formatos que requieren una transformación exhaustiva antes de que sea posible analizarlos.

La fase de evaluación identifica deficiencias. Quizás los metadatos de las transacciones carezcan del etiquetado geográfico necesario para los modelos de detección de sanciones. Tal vez las evaluaciones de riesgo de los proveedores se realicen anualmente, pero los modelos predictivos requieran actualizaciones trimestrales. El trabajo en la infraestructura de datos, poco atractivo pero esencial, subsana estas deficiencias.

Desarrollo y capacitación de modelos

La creación de modelos predictivos eficaces requiere la colaboración entre expertos en cumplimiento normativo que comprendan los patrones de riesgo y científicos de datos que dominen las técnicas algorítmicas. Ninguno de los dos grupos puede lograrlo por sí solo.

Los equipos de cumplimiento identifican las infracciones que la organización debe prevenir con mayor urgencia. ¿Multas regulatorias? ¿Pérdidas por fraude? ¿Daños a la reputación por mala conducta de los proveedores? La priorización es fundamental, ya que los modelos optimizados para un tipo de riesgo pueden tener un rendimiento deficiente en otros.

Los científicos de datos seleccionan los algoritmos adecuados, extraen características de los datos brutos, entrenan los modelos con ejemplos históricos y validan su rendimiento con conjuntos de datos de prueba. Este proceso iterativo continúa hasta que los modelos alcanzan una precisión aceptable sin generar tantos falsos positivos que los equipos de cumplimiento ignoren las alertas.

La investigación académica indica que los sistemas correctamente ajustados alcanzan una precisión de detección del 961% de los errores de tipo 3 (TP3T). Sin embargo, los 41% restantes de los errores de tipo 3 (TP3T) son importantes, ya que los modelos no detectarán algunas infracciones y marcarán algunas actividades legítimas. Las organizaciones deben calibrar su tolerancia para ambos tipos de errores.

Integración con flujos de trabajo de cumplimiento normativo

Los modelos predictivos generan valor solo cuando las alertas activan las respuestas adecuadas. La integración implica conectar los resultados analíticos con sistemas de gestión de flujos de trabajo que enrutan las alertas, realizan el seguimiento de las investigaciones, documentan las decisiones y cierran los ciclos de retroalimentación.

Cuando un modelo identifica una transacción como de alto riesgo, ¿qué sucede después? ¿Quién la revisa? ¿En qué plazo? ¿Qué pasos de investigación se llevan a cabo? ¿Cómo se documentan las decisiones? Estos flujos de trabajo existían antes de la llegada del análisis predictivo, pero probablemente necesiten actualizarse para gestionar un mayor volumen de alertas en tiempo real.

Los ciclos de retroalimentación son especialmente importantes. Cuando los equipos de cumplimiento investigan las alertas y determinan los resultados (violación real, falso positivo, caso excepcional que requiere aclaración de políticas), esa información debe reinvertirse para mejorar el entrenamiento del modelo. Muchas organizaciones no logran cerrar este ciclo, dejando los modelos estancados con un entrenamiento inicial que se vuelve obsoleto a medida que evolucionan las operaciones comerciales y las tácticas de fraude.

Áreas de aplicación en el cumplimiento normativo moderno

El análisis predictivo transforma múltiples ámbitos de cumplimiento normativo, cada uno con requisitos y patrones de riesgo únicos.

Detección de fraude y lucha contra el blanqueo de capitales

Los delitos financieros representan el ámbito de aplicación más consolidado del cumplimiento predictivo. Los bancos y las instituciones financieras se enfrentan a requisitos regulatorios que les obligan a supervisar las transacciones para detectar el blanqueo de capitales, la financiación del terrorismo y el fraude, al tiempo que gestionan las tasas de falsos positivos, que suponen una carga para los equipos de investigación.

Los modelos predictivos analizan los patrones de transacción (cantidades, frecuencias, contrapartes, flujos geográficos, plazos) para identificar actividades sospechosas. Los sistemas de aprendizaje automático reconocen cuándo las secuencias de transacciones coinciden con tipologías de lavado de dinero conocidas o se desvían del comportamiento habitual del cliente de forma que sugieran fraude.

La investigación académica demuestra que los enfoques de aprendizaje automático en la lucha contra el blanqueo de capitales logran mejoras significativas con respecto a los sistemas basados en reglas. Las instituciones financieras invierten considerablemente en tecnología de elaboración de perfiles de clientes y monitoreo de transacciones para el cumplimiento de las normas contra el blanqueo de capitales.

El desafío reside en equilibrar la sensibilidad de detección con la carga operativa. Los modelos configurados de forma demasiado agresiva generan miles de alertas que los equipos de cumplimiento no tienen capacidad para investigar. Los modelos configurados de forma demasiado conservadora no detectan el blanqueo de capitales real. La optimización continua mantiene ese equilibrio a medida que evolucionan las tácticas delictivas.

Gestión del cambio normativo

Los entornos regulatorios cambian constantemente. Se aprueban nuevas leyes, las agencias emiten directrices actualizadas y las prioridades de cumplimiento varían. Los equipos de cumplimiento se esfuerzan por seguir estos cambios, evaluar su impacto y actualizar las políticas antes de que se produzcan infracciones.

El análisis predictivo aplica el procesamiento del lenguaje natural a las fuentes de información regulatoria, identificando las actualizaciones relevantes y relacionándolas con los requisitos de cumplimiento existentes. Los modelos predicen qué cambios regulatorios probablemente afectarán operaciones comerciales específicas, lo que permite a los equipos de cumplimiento priorizar los esfuerzos de implementación.

Algunos sistemas van más allá, analizando los patrones de las medidas coercitivas para predecir dónde se intensificará el escrutinio regulatorio. Si las agencias comienzan a sancionar infracciones en industrias o regiones adyacentes, los modelos predictivos señalan un mayor riesgo de que medidas coercitivas similares lleguen al sector de la organización.

Gestión de riesgos de terceros

Las relaciones con proveedores conllevan riesgos de cumplimiento que la debida diligencia tradicional suele pasar por alto. Las evaluaciones iniciales de los proveedores se realizan al inicio de la relación, con revisiones periódicas posteriores. Sin embargo, los perfiles de riesgo de los proveedores cambian: aumenta la presión financiera, se producen cambios en la propiedad, se acumulan las infracciones normativas y se deteriora la ciberseguridad.

El análisis predictivo supervisa continuamente a los proveedores, analizando sus informes financieros, la cobertura mediática, las acciones regulatorias, las calificaciones de ciberseguridad y los patrones de transacciones. Cuando aumentan los indicadores de riesgo, los modelos alertan a los equipos de cumplimiento para que realicen una debida diligencia actualizada antes de que los fallos de los proveedores generen riesgos de incumplimiento.

Los modelos también identifican características de riesgo en los proveedores de toda la cartera. Por ejemplo, los proveedores de ciertos sectores, que superan determinados umbrales de tamaño o que tienen estructuras de propiedad específicas generan sistemáticamente problemas de cumplimiento normativo. Estos patrones sirven de base para los procesos de selección de proveedores y negociación de contratos.

Conducta de los empleados y riesgo interno

Las amenazas internas —empleados que cometen fraude, filtran información confidencial o infringen las normas— plantean importantes desafíos en materia de cumplimiento normativo. La mayoría de las infracciones presentan señales de alerta antes de convertirse en violaciones graves, pero la supervisión manual rara vez detecta esas señales tempranas.

Los modelos predictivos analizan los patrones de comportamiento de los empleados e identifican anomalías que requieren investigación. Tiempos de acceso inusuales al sistema, descargas de datos elevadas, cambios en el tono de las comunicaciones y variaciones en los patrones de negociación de las cuentas personales: estas señales, en conjunto, indican un mayor riesgo de fraude por parte de personas con información privilegiada.

Las consideraciones de privacidad limitan esta aplicación. Las organizaciones deben equilibrar la detección de riesgos con los derechos de los empleados, garantizando que la monitorización se mantenga dentro de los límites legales y éticos. Los sistemas bien diseñados se centran en patrones de comportamiento realmente riesgosos en lugar de en una vigilancia generalizada.

Medición del retorno de la inversión y del rendimiento

El análisis predictivo del cumplimiento normativo supone una inversión considerable. Infraestructura de datos, plataformas de software, talento analítico, rediseño de flujos de trabajo: los costes se acumulan rápidamente. Las organizaciones necesitan métricas claras para evaluar si el análisis predictivo aporta valor.

La eficacia de la detección mide la capacidad de los modelos para identificar infracciones reales sin sobrecargar a los equipos con falsas alarmas. Los modelos que alcanzan una precisión de detección del 961% (TP3T) y mantienen los falsos positivos por debajo del 51% (TP3T) suelen justificar su coste operativo.

La eficiencia operativa permite evaluar cómo el análisis predictivo modifica la carga de trabajo de cumplimiento normativo. El tiempo de investigación de alertas, la proporción de revisiones automatizadas frente a manuales y la ampliación de la cobertura sin aumentar la plantilla son indicadores que revelan si el análisis mejora la productividad.

El impacto financiero resulta más fácil de cuantificar cuando los sistemas predictivos previenen pérdidas cuantificables. El fraude se bloquea antes de que los fondos salgan de las cuentas, se evitan multas gracias a la detección temprana de infracciones y se reducen los costos de remediación al detectar los problemas antes de que se agraven; todo esto se traduce directamente en cálculos de retorno de la inversión.

Pero esperen. Algunos beneficios se resisten a la cuantificación. Mejores relaciones regulatorias gracias a que los inspectores observan una supervisión sofisticada, una reputación reforzada al evitar infracciones que se hacen públicas, efectos disuasorios para los empleados al saber que los sistemas detectan la mala conducta: aquí existe un valor real, aunque su medición precisa resulte difícil.

Desafíos y limitaciones

El análisis predictivo del cumplimiento normativo ofrece beneficios sustanciales, pero su implementación se enfrenta a obstáculos reales.

Calidad y disponibilidad de los datos

Los modelos funcionan tan bien como lo permiten sus datos de entrenamiento. Las organizaciones con registros de transacciones incompletos, documentación de proveedores inconsistente o datos de comportamiento de los empleados aislados tienen dificultades para crear sistemas predictivos eficaces.

Los datos históricos pueden carecer de las etiquetas necesarias para el aprendizaje supervisado. ¿Qué transacciones pasadas fueron realmente fraudulentas y cuáles simplemente inusuales? ¿Qué relaciones con proveedores generaron problemas de cumplimiento? Sin ejemplos etiquetados, el entrenamiento del modelo se dificulta.

La disponibilidad de datos también plantea desafíos. Las normativas de privacidad restringen la supervisión de los empleados. Los proveedores se resisten a compartir datos operativos detallados. Las contrapartes de las transacciones proporcionan información mínima. Los modelos deben funcionar con datos incompletos, lo que reduce su precisión.

Sesgo del modelo y equidad

Los modelos predictivos entrenados con datos históricos perpetúan los sesgos inherentes a ese historial. Si en el pasado la aplicación de la normativa se centró de forma desproporcionada en determinadas zonas geográficas, sectores o grupos demográficos, los modelos pueden aprender a identificar características similares incluso cuando el riesgo real no lo justifique.

Abordar el sesgo requiere una vigilancia constante. Las auditorías periódicas de los modelos, los conjuntos de datos de entrenamiento diversos, las restricciones de equidad en el diseño de algoritmos y la revisión humana de decisiones de alto riesgo ayudan a mitigar los riesgos de sesgo. Sin embargo, su eliminación completa sigue siendo difícil, especialmente cuando existen diferencias en las tasas de infracción reales entre los grupos.

Adaptación adversaria

Los delincuentes sofisticados —estafadores, blanqueadores de dinero, empleados corruptos— adaptan sus tácticas cuando descubren la existencia de sistemas de detección. Los modelos predictivos entrenados con patrones pasados pueden pasar por alto nuevas estrategias diseñadas específicamente para evadir la detección.

La actualización continua de los modelos es útil, pero genera una dinámica de carrera armamentística. Los equipos de cumplimiento actualizan los modelos, los ciberdelincuentes ajustan sus tácticas y los modelos se actualizan de nuevo. Las organizaciones que utilizan análisis predictivos deben reconocer que están implementando herramientas contra adversarios inteligentes, no contra amenazas estáticas.

Incertidumbre regulatoria

Los marcos regulatorios en torno al análisis predictivo para el cumplimiento normativo siguen evolucionando. ¿Qué nivel de explicabilidad exigen los reguladores? ¿Qué estándares de validación se aplican? ¿Pueden las organizaciones ser responsables por infracciones que sus modelos no detectaron? En muchas jurisdicciones, estas preguntas carecen de respuestas definitivas.

La Ley de IA de la Unión Europea y otras normativas emergentes similares imponen requisitos a los sistemas de IA de alto riesgo, que pueden incluir análisis de cumplimiento normativo. Las organizaciones deben diseñar implementaciones lo suficientemente flexibles para adaptarse a requisitos regulatorios que aún no se han definido por completo.

Tendencias futuras y evolución

El análisis predictivo del cumplimiento normativo sigue madurando rápidamente. Varias tendencias marcan el rumbo que tomará este campo en el futuro.

• La IA generativa introduce nuevas capacidades y nuevos riesgos. Los grandes modelos lingüísticos analizan textos normativos con una sofisticación sin precedentes, generando automáticamente actualizaciones de las políticas de cumplimiento cuando cambian los requisitos. Pero la IA generativa también posibilita nuevas tácticas de fraude: identidades falsas (deepfake), patrones de transacciones sintéticas diseñados para evadir la detección y comunicaciones generadas por IA que eluden los filtros de contenido.
• Investigaciones recientes sugieren que las pérdidas por fraude atribuidas a la IA generativa podrían aumentar significativamente en los próximos años. Los análisis de cumplimiento normativo deben evolucionar para detectar infracciones facilitadas por la IA, aprovechando al mismo tiempo las capacidades analíticas de la IA generativa.
• El aprendizaje federado aborda las limitaciones del intercambio de datos. Las instituciones financieras pueden entrenar modelos de detección de fraude de forma colaborativa sin compartir datos reales de transacciones, preservando la privacidad y beneficiándose al mismo tiempo de un reconocimiento de patrones más amplio. Es posible que, con el tiempo, los marcos regulatorios exijan o fomenten este tipo de enfoques colaborativos para áreas de riesgo sistémico como el lavado de dinero.
• La IA explicable responde a las exigencias regulatorias de transparencia de los modelos. Los algoritmos de caja negra que predicen con precisión las infracciones, pero no pueden explicar su razonamiento, se enfrentan a un escrutinio cada vez mayor. Las nuevas técnicas generan explicaciones comprensibles para los humanos: ”Esta transacción fue marcada porque la cantidad, el momento y la combinación de contraparte coinciden con 87% casos históricos de fraude en esta categoría”.”
• La presentación de informes regulatorios en tiempo real podría, con el tiempo, reemplazar las presentaciones periódicas de cumplimiento. Los organismos reguladores con acceso directo a los resultados de los análisis predictivos podrían supervisar el cumplimiento de forma continua, en lugar de mediante inspecciones anuales. Algunas jurisdicciones ya están implementando estos enfoques a modo de prueba en ámbitos específicos.

Preguntas frecuentes