A Inteligência Artificial (IA) está transformando a maneira como as instituições financeiras enfrentam fraudes, e essa mudança vai além dos sistemas de identificação de operações suspeitas. Devido à crescente velocidade das transações, os bancos precisam tomar decisões em intervalos de tempo muito menores, decidindo se devem bloquear uma operação, analisá-la mais profundamente ou deixá-la prosseguir.
No Brasil, o Pix serve como um exemplo proeminente dessa alteração. Carlos Cruz, líder de Estratégia de Dados e Inteligência Artificial da IBM na América Latina, informou ao Olhar Digital que os bancos estavam habituados a usar tecnologias de proteção contra ataques que não ocorriam em tempo real. O novo sistema de pagamentos encurtou drasticamente essa janela de reação, exigindo agora uma integração de dados, IA, automação e monitoramento transacional.
Um estudo conduzido pelo IBM Institute for Business Value (IBV) reforça esse cenário. Ele revelou que 61% dos executivos entrevistados consideram a detecção de risco de fraude como a aplicação de IA com maior potencial gerador de valor para o negócio. Em seguida, vieram a cibersegurança (52%), e KYC (Conheça seu Cliente) e AML (Prevenção à Lavagem de Dinheiro), ambas com 45% de menção.
Este levantamento foi feito em colaboração com a Oxford Economics e envolveu 100 executivos de bancos responsáveis por risco, compliance e validação, localizados nos Estados Unidos, Reino Unido, Austrália, Índia, Singapura e Alemanha. Os participantes foram distribuídos igualmente entre as funções de diretor de risco (CRO), diretor de compliance (CCO) e diretor de validação (CVO), e a pesquisa ocorreu em maio de 2025.
O principal desafio atual reside em converter a identificação de um risco em uma resposta imediata por parte do banco. Antigamente, sistemas de IA e outras ferramentas podiam emitir alertas somente após a ocorrência de uma transação, permitindo investigações e ações posteriores. Contudo, com as transações instantâneas, essa metodologia perde parte de sua eficácia.
Cruz esclarece que o Pix reduziu o lapso temporal entre uma fraude e o envio do dinheiro, forçando os bancos a avaliarem o risco em um período de tempo muito mais curto. Nesse contexto, a instituição precisa balancear a capacidade de detectar fraudes com o risco de impedir transações legítimas. O executivo aponta que isso marca uma mudança em relação ao uso histórico da tecnologia pelos bancos, questionando: «Como que eu regulo a minha régua de alertas para que eu capture o criminoso e não afete o uso dos recursos pelo cliente real?» Ele ressalta que, no passado, a IA era usada como ferramenta de reação, gerando alertas após o fato.
Atualmente, segundo Cruz, os bancos utilizam uma combinação de estratégias de dados, inteligência artificial, automação inteligente e monitoramento contínuo. Essas tecnologias conseguem rastrear tanto o comportamento do cliente ao longo do tempo quanto o trajeto de uma transação antes de sua conclusão.
A pesquisa da IBM indica que a detecção de fraude é vista pelos executivos como a área com maior potencial para a IA, mas a implementação tecnológica também requer mecanismos robustos para validar modelos e gerenciar riscos. Sessenta e um por cento apontam a validação como crucial para investimentos em pessoal e competências, enquanto 46% concordam sobre a necessidade de controle de riscos.
Para determinar rapidamente se uma transação é suspeita ou válida, o banco necessita de uma visão abrangente de quem está efetuando o pagamento. Cruz identifica isso como um desafio central das instituições: consolidar as informações necessárias para formar um panorama coerente da chamada entidade cliente. Ele detalha que, ao conhecer quem é o cliente para o banco, torna-se mais simples discernir o que pode ser fraude ou uso indevido do canal ou instrumento de pagamento.
A situação se complica quando os dados financeiros estão dispersos entre diversas entidades e serviços. Cruz menciona o avanço do Open Finance como um agravante, visto que informações sobre um mesmo cliente podem estar ligadas a múltiplas organizações, dificultando a obtenção de uma visão completa do perfil financeiro.
O estudo também destaca KYC e AML como os processos mais difíceis de serem transformados pela IA: 43% dos executivos os consideram os mais desafiadores, superando a detecção de fraude (36%), cibersegurança, crédito e precificação, e relatórios de compliance, todos com 33%. Paralelamente, 45% dos entrevistados esperam que a IA gere uma transformação significativa nesses processos de KYC e AML.
Para Cruz, uma estratégia de dados focada no conhecimento do cliente possibilita o monitoramento dos métodos de pagamento e a identificação de desvios comportamentais. A ideia é integrar essas informações com modelos de risco e tecnologias investigativas, criando uma sequência que vai desde a identificação do problema até a tomada de providências.
A estratégia de combate a crimes financeiros não exige o uso de um único modelo de IA em todas as fases. Cruz explica que diferentes tecnologias podem ser aplicadas conforme a função que devem exercer. Por exemplo, em uma fase de autorização em tempo real, são utilizados recursos mais próximos da estatística e de modelos determinísticos para avaliar padrões e autorizar ou não a operação. Já nas atividades de investigação, outros tipos de modelos são empregados.
A distinção, segundo o executivo, reside no nível de previsibilidade de cada tecnologia e na função que ela cumpre na estratégia antifraude. No caso da IA generativa, que não é determinística, suas respostas são menos previsíveis, levando os bancos a buscarem maior entendimento de como essas tecnologias operam em cada etapa do processo de combate a crimes financeiros, para saber onde utilizá-las melhor na proteção e onde são mais adequadas para investigação.
Cruz adiciona que a IA generativa pode ser valiosa em investigações, enquanto os modelos determinísticos são mais aptos a decisões sobre a natureza de uma fraude. Além disso, ferramentas de IA generativa podem ser exploradas por criminosos para refinar seus ataques, citando o uso dessas tecnologias para criar deepfakes, simulações de voz e identidades sintéticas, inclusive durante o cadastro de clientes.
Os mecanismos de controle também são prioridades apontadas pela pesquisa. Sessenta e três por cento dos executivos consideram simulações de testes de estresse como a principal prioridade de risco e compliance para escalar a IA na empresa, enquanto 48% destacam os controles de risco em tempo real. O levantamento também revela uma disparidade entre a importância dada ao monitoramento e sua aplicação prática: apenas 25% dos profissionais entrevistados afirmam aplicar o monitoramento em tempo real de forma consistente em casos de uso de IA de alto risco.
Adicionalmente à tecnologia, há uma demanda por profissionais que consigam unir conhecimentos de fraude financeira, dados, tecnologia, legislação e operação. Cruz observa que este perfil é escasso devido à exigência de domínio em áreas distintas. Ele descreve a situação como uma corrida assimétrica, onde os criminosos parecem estar sempre à frente devido ao baixo custo de certas tecnologias, enquanto os bancos lutam para encontrar pessoas capazes de gerenciar o tripé composto por tecnologia, dados e a parte legal e operacional.
Cruz conclui que «desde a parte de detecção até você tomar uma atitude, essa esteira tem que funcionar de forma integrada».