DNA Paraguay — Aprendizaje automático para la detección de fraude aduanero

La Dirección Nacional de Aduanas (DNA) de Paraguay estableció un sistema de selectividad basado en riesgo para las inspecciones de importación mediante la Decisión N.º 643/2015, en sustitución de un proceso de asignación de inspecciones totalmente manual. La DNA se asoció con el Center for Effective Global Action (CEGA) de UC Berkeley, la Universidad de Wisconsin-Madison y la Universidad de Harvard, con financiación del International Growth Centre (IGC), para desarrollar y evaluar un algoritmo de aprendizaje automático destinado a identificar los envíos con mayor probabilidad de contener mercancías no declaradas o subvaloradas.

El objetivo era sustituir el criterio de los inspectores por una puntuación de riesgo basada en datos capaz de aumentar la tasa de detección de fraude en las inspecciones aduaneras, reduciendo a la vez el número de envíos inspeccionados físicamente.

El algoritmo de ML se puso a prueba mediante un ensayo controlado aleatorizado (RCT) integrado directamente en las operaciones reales de la DNA, utilizando datos administrativos estructurados —valores declarados, códigos arancelarios, historial del importador y país de origen— en lugar de datos biométricos o sociales.

El RCT determinó que el algoritmo de ML alcanzó una tasa de detección de fraude del 73%, frente al 18% de las inspecciones seleccionadas por personas, una mejora de cuatro veces, mientras que los inspectores procesaron un 70% menos de envíos para lograr una cobertura de auditoría equivalente. Extrapolado a todos los puertos aduaneros paraguayos, los investigadores estimaron que el sistema podría recuperar más de 200 millones de USD anuales en derechos aduaneros no pagados.

Se trata de uno de los sistemas de ML aduaneros evaluados externamente con mayor rigor en un contexto de país de ingreso medio-bajo, pero no se ha publicado documentación oficial sobre monitoreo continuo del desempeño, auditoría de sesgos o supervisión parlamentaria, dejando el marco de rendición de cuentas poco claro más allá del período de evaluación académica.