*Por Bruno Pereira
Durante muitos anos, combater fraude significou, essencialmente, criar regras. Estipula-se um valor de transação, muitas tentativas em poucos minutos, um acesso vindo de uma localização incomum ou uma transferência para uma conta recém-cadastrada. Hoje, uma transação isolada pode parecer perfeitamente legítima: o dispositivo é conhecido, a senha está correta, o valor está dentro do padrão e nenhuma regra evidente foi violada. O risco surge quando começamos a conectar os sinais e percebemos que aquele evento aparentemente normal faz parte de algo muito maior.
Pesquisa do Gartner publicada em março de 2026 aponta que mais de um terço dos bancos consegue detectar menos de 60% das transações fraudulentas antes que elas provoquem perdas, enquanto apenas 31% alcançam índice de detecção preventiva superior a 80%. Mais revelador ainda: 53% dos bancos aumentaram seus orçamentos de prevenção à fraude em pelo menos 5% nos últimos três anos, mas 70% continuam registrando crescimento das perdas. Ou seja, investir mais em ferramentas não significa necessariamente enxergar melhor a fraude. O que faz a diferença é a capacidade de relacionar dados, comportamentos e contexto.
Segundo Rogério Sartori, AI Sales Engineer de Fraud Prevention & Observability na Cisco, com mais de 20 anos de experiência em tecnologia, as fraudes modernas raramente ocorrem em um único sistema ou canal. Um ataque pode começar com informações obtidas fora da organização, evoluir para a apropriação de uma identidade, envolver o uso de um novo dispositivo, passar por pequenas movimentações de teste e, somente depois, culminar na fraude principal.
Individualmente, cada um desses eventos pode parecer legítimo ou representar baixo risco. Quando correlacionados e analisados em conjunto, porém, eles podem revelar uma cadeia de comportamentos que indica uma tentativa de fraude.
O problema é que os elementos dessa história normalmente estão espalhados: transações em um sistema, autenticação em outro, informações sobre dispositivos em uma terceira plataforma, além de dados de clientes, APIs, aplicações, redes e mecanismos antifraude. Portanto, a questão deixa de ser apenas quantos dados uma organização possui e passa a ser: conseguimos conectar esses dados rápido o suficiente para compreender o que está acontecendo?
Sartori dá um exemplo prático no contexto de lavagem de dinheiro. Imagine uma conta que permaneceu praticamente inativa por mais de 30 dias e, de repente, volta a movimentar recursos. Isoladamente, isso não caracteriza uma fraude: clientes podem voltar a utilizar uma conta por inúmeros motivos legítimos.
Agora, porém, acrescente contexto. Pouco depois da reativação, a conta começa a receber valores de diferentes origens. Em seguida, esses recursos são movimentados ou sacados rapidamente, em operações com valores muito semelhantes e realizadas em intervalos curtos. Parte relevante do dinheiro que entra deixa a conta poucos minutos depois.
Nenhum desses sinais, analisado individualmente, necessariamente comprova uma atividade ilícita. Uma conta voltar a ser utilizada é normal. Receber uma transferência é normal. Realizar um saque ou transferir dinheiro também é normal. O risco aparece na combinação, na frequência e na sequência desses comportamentos.
É nesse momento que aquela conta deixa de ser analisada apenas pelas transações individuais e passa a ser observada como uma entidade cujo risco é construído ao longo do tempo. Cada comportamento acrescenta contexto: o período de inatividade, a mudança repentina no padrão de movimentação, a origem dos recursos, a velocidade com que o dinheiro deixa a conta, a repetição dos valores e os relacionamentos com outras contas ou entidades.
Essa mudança de perspectiva é fundamental para a próxima geração de prevenção à fraude e à lavagem de dinheiro: deixar de perguntar apenas se uma transação é suspeita e começar a perguntar se a sequência de comportamentos daquela entidade conta uma história suspeita.
Isso também muda a rotina das equipes responsáveis pela investigação. Criar mais uma regra é relativamente simples; investigar milhares de alertas diariamente, não. Quando chega um aviso, o analista deveria receber junto o contexto necessário para responder rapidamente: quem é aquele cliente, quais contas estão relacionadas a ele, quais dispositivos foram utilizados, de quais endereços IP vieram os acessos, se outras identidades utilizaram o mesmo dispositivo, se aquele comportamento já aconteceu e qual é o potencial impacto financeiro.
Quanto mais tempo o profissional gastar procurando essas respostas em sistemas diferentes, maior será o custo da investigação e maior poderá ser a janela de oportunidade do fraudador.
Existe, portanto, uma discussão anterior à própria inteligência artificial: fraude também é um problema de dados e contexto. Podemos desenvolver modelos extremamente sofisticados, mas um excelente algoritmo analisando somente informações transacionais continuará enxergando apenas parte da história. Quando acrescentamos identidade, dispositivo, aplicação, comportamento digital, histórico, localização, infraestrutura e relacionamentos entre entidades, a capacidade de análise muda substancialmente.
É nesse ponto que a IA pode provocar uma transformação interessante. Em vez de simplesmente gerar mais um score ou outro alerta, ela pode ajudar a construir uma narrativa investigativa. Um analista poderia perguntar por que determinada operação é suspeita e receber, em segundos, uma explicação: o cliente normalmente transaciona no Brasil; minutos antes houve autenticação em um dispositivo nunca utilizado; esse dispositivo aparece relacionado a outras quatro contas; duas delas registraram fraude nas últimas 24 horas; depois da autenticação, um novo beneficiário foi cadastrado; e, em seguida, ocorreu uma transferência muito acima do comportamento histórico.
Com isso, deixamos de entregar ao investigador uma coleção de eventos técnicos e passamos a entregar contexto para decisão. Isso não significa substituir regras, modelos ou profissionais, mas conectar essas capacidades e permitir que cada uma delas contribua no momento certo da investigação.
O objetivo final, portanto, não deveria ser apenas descobrir rapidamente que uma fraude aconteceu. Deveria ser identificar sinais suficientes para interromper sua progressão. Isso exige combinar dados, comportamento, contexto, analytics, investigação, automação e IA em uma arquitetura capaz de observar o todo, e não apenas cada evento isoladamente.
Quando essas capacidades trabalham separadas, enxergamos transações e alertas. Quando trabalham juntas, começamos a enxergar comportamentos. E, quando conseguimos compreender esses comportamentos em tempo real, surge a oportunidade mais valiosa: agir antes que eles se transformem em perda.
A próxima evolução do antifraude talvez não venha de uma regra mais sofisticada nem de um algoritmo milagroso, mas da capacidade de conectar sinais que hoje permanecem separados. Porque fraude raramente é um único evento.
*Bruno Pereira, Líder de Arquitetura de Cibersegurança e Observabilidade na Teletex
