*Por Pedro Henrique Góes
A fraude em despesas corporativas não é um fenômeno recente. Há anos, empresas lidam com situações como quilometragens superestimadas, recibos alterados manualmente e despesas fora das políticas internas que acabam passando por falhas nos processos de conferência. A inteligência artificial não criou esse problema, mas ampliou a capacidade de produzir documentos falsificados, aumentou a sofisticação das manipulações e reduziu o custo necessário para realizá-las.
Ferramentas capazes de gerar ou modificar imagens permitem criar comprovantes com aparência realista em poucos segundos. Com isso, identificar uma fraude apenas por meio da análise visual tornou-se mais difícil. O risco também deixa de estar restrito a ocorrências isoladas e pode se misturar a processos aparentemente regulares, dificultando a identificação de irregularidades em grandes volumes de transações.
Dados da Sumsub apontam que as fraudes envolvendo deepfakes cresceram 126% no Brasil em 2025, com o país concentrando cerca de 39% dos casos registrados na América Latina. Já informações da Grant Thornton indicam que 63% das empresas brasileiras sofreram algum tipo de fraude recentemente, enquanto quase metade das organizações afetadas registrou perdas superiores a R$ 500 mil. O problema, portanto, não está apenas no aumento do número de tentativas, mas também na capacidade de produzir documentos nos quais os sinais de alteração já não são facilmente perceptíveis.
Esse cenário coloca em discussão os modelos tradicionais de auditoria de despesas. Durante décadas, boa parte dos controles corporativos esteve baseada na conferência visual de documentos e na análise por amostragem. Em ambientes com grande volume de transações e ferramentas capazes de produzir falsificações mais convincentes, essas práticas apresentam limitações. Examinar apenas uma parcela das despesas pode deixar irregularidades fora da análise, enquanto a avaliação humana isolada pode não identificar alterações incorporadas aos próprios arquivos digitais.
Uma das mudanças possíveis está na forma como os comprovantes são analisados. Em vez de considerar apenas informações visíveis, como valores, datas, estabelecimento e legibilidade, os controles podem incorporar elementos técnicos do arquivo. Metadados, histórico de edição e informações sobre a origem do documento podem ajudar a identificar intervenções que não aparecem visualmente.
Também ganham espaço padrões voltados à verificação da procedência de conteúdos digitais, como o C2PA, sigla para Coalition for Content Provenance and Authenticity. A proposta é criar mecanismos que permitam registrar informações relacionadas à origem e às alterações realizadas em conteúdos digitais. No caso de despesas corporativas, recursos desse tipo podem contribuir para diferenciar arquivos originais de documentos submetidos a processos de edição ou geração sintética.
Outro ponto é o momento em que a verificação ocorre. Quando uma possível irregularidade é identificada apenas no fechamento financeiro, o pagamento pode já ter sido realizado, aumentando os custos de investigação e dificultando eventual recuperação de valores. A adoção de verificações ao longo do processo, desde o registro da despesa até a autorização do pagamento, permite antecipar parte dessas análises.
Quilometragens informadas por funcionários, por exemplo, podem ser confrontadas com registros de localização quando esse tipo de controle for adotado dentro das regras aplicáveis. Sistemas também podem identificar comprovantes duplicados, padrões incomuns de despesas ou divergências entre valores declarados e informações disponíveis nas transações. Dessa forma, a análise deixa de depender exclusivamente da informação apresentada pelo usuário e passa a utilizar diferentes elementos de rastreabilidade.
A própria inteligência artificial assume uma posição contraditória nesse cenário. As mesmas tecnologias que facilitam a produção de documentos falsos também podem ser utilizadas para analisar grandes volumes de transações e procurar comportamentos atípicos. Modelos analíticos podem comparar despesas, horários, valores, fornecedores, frequência das transações e outros dados para atribuir níveis de risco e direcionar a análise humana para ocorrências consideradas fora do padrão.
Esses mecanismos não eliminam a possibilidade de fraude. A função principal é aumentar a capacidade de detecção e reduzir a dependência de verificações manuais em todas as etapas. A supervisão humana continua necessária, especialmente porque sistemas automatizados também podem produzir falsos positivos ou interpretar de forma incorreta determinadas situações.
A questão também ultrapassa o campo do compliance. Processos com pouca rastreabilidade tendem a gerar mais exceções, retrabalho e necessidade de auditorias posteriores. A automação de parte das verificações pode diminuir tarefas repetitivas e permitir que equipes financeiras concentrem esforços nos casos que efetivamente exigem investigação.
O avanço das fraudes apoiadas por inteligência artificial mostra, portanto, que a conferência visual de comprovantes e a auditoria por amostragem tendem a ter eficácia limitada quando utilizadas de forma isolada. A tendência é que os controles corporativos passem a combinar análise de dados, informações técnicas dos arquivos, rastreabilidade das transações e monitoramento ao longo de todo o processo de despesas. Nesse ambiente, a gestão deixa de se concentrar apenas em comprovar que uma despesa foi registrada e passa também a avaliar a confiabilidade das evidências utilizadas para justificá-la.
*Pedro Henrique Góes CEO da Paytrack
