André de Barros Faria, da Vert Analytics, examina como a inteligência analítica está mudando a equação de risco em operações de alto volume

CEO da Vert Analytics e especialista em inteligência artificial examina por que sistemas antifraude baseados em dados proprietários entregam resultados que soluções genéricas não conseguem replicar.

O Brasil registrou 12 milhões de indícios de fraude em 2025, segundo levantamento da Quod com base no Registro Unificado de Fraudes do mercado financeiro. O número não surpreende quem acompanha o setor de perto. Surpreende, sim, a velocidade com que a sofisticação dos ataques avançou: a fraude com inteligência artificial cresceu mais de 800% no país em um ano, colocando nas mãos de criminosos tecnologias que antes eram exclusivas de grandes corporações. Nesse cenário, organizações que ainda dependem de sistemas antifraude baseados em regras fixas e validação cadastral estão operando com defesas projetadas para um problema que já é diferente do que existe hoje. A inteligência analítica aplicada à prevenção de fraudes não é mais diferencial competitivo para quem opera em alto volume. É condição de sobrevivência operacional.

André de Barros Faria, CEO da Vert Analytics, pensa sobre esse problema de dentro. A empresa desenvolveu tecnologia própria de inteligência analítica e antifraude, com mais de 140 especialistas em dados e sistemas calibrados para os padrões específicos de cada operação, não modelos genéricos aplicados indiscriminadamente. Os resultados acumulados, incluindo mais de 500 milhões de reais em fraudes e despesas com contencioso evitados para as organizações que atende, refletem o que acontece quando a inteligência analítica opera sobre dados reais de cada negócio, com governança que garante confiabilidade e auditabilidade de cada decisão. “A fraude evoluiu para modelos que as regras fixas não conseguem mais capturar. Um sistema que aprende apenas com o padrão médio do mercado vai identificar fraudes médias. A questão é que as fraudes mais custosas não são médias.”

Por que regras fixas não acompanham fraudes inteligentes?

O modelo tradicional de antifraude funciona sobre um princípio simples: definir regras que identificam comportamentos suspeitos e bloquear transações que se encaixam nessas regras. Por anos, esse modelo funcionou razoavelmente bem. O problema é que fraudadores também aprenderam a não se encaixar nas regras conhecidas. Com o uso de inteligência artificial generativa, é possível criar identidades sintéticas com histórico de comportamento plausível, documentos visualmente perfeitos e padrões de uso que passam pelos filtros tradicionais sem acionar nenhum alerta. O resultado é que sistemas baseados em regras fixas aumentam os falsos positivos, bloqueando clientes legítimos, sem necessariamente capturar as fraudes mais sofisticadas.

A inteligência analítica resolve esse problema de uma forma diferente: em vez de comparar uma transação a uma lista de padrões conhecidos, analisa continuamente o comportamento da operação em tempo real, identifica anomalias em relação ao histórico específico daquele cliente ou daquela transação e emite alertas proporcionais ao nível de risco detectado. Esse modelo aprende com o que acontece na operação real, não com o que estava previsto nas regras iniciais. André de Barros Faria descreve a diferença em termos práticos. “Regra fixa captura o fraudador que já foi visto antes. Inteligência analítica captura o fraudador que está fazendo algo novo porque identifica que o comportamento não faz sentido no contexto daquela operação, mesmo que nunca tenha visto aquele padrão antes.”

O problema dos falsos positivos

Um dos aspectos mais subestimados do custo da fraude nas organizações brasileiras não é o valor das transações fraudulentas que passam. É o valor das transações legítimas que são bloqueadas por sistemas mal calibrados. Cada falso positivo tem um custo duplo: a perda imediata da transação e o custo de relacionamento com o cliente que foi impedido de operar. Em operações de alto volume, onde milhões de transações são processadas diariamente, mesmo uma taxa de falso positivo de 0,5% representa um volume significativo de clientes legítimos bloqueados por dia.

Sistemas de inteligência analítica bem calibrados resolvem esse problema pela especificidade: quando o modelo conhece profundamente os padrões de comportamento daquela operação específica, ele distingue com mais precisão o que é anomalia real do que é variação legítima. Isso reduz falsos positivos sem aumentar falsos negativos, o que representa ganho duplo: menos fraude passando e menos cliente legítimo bloqueado. A Vert Analytics opera com essa premissa no desenvolvimento dos seus sistemas de antifraude, construindo modelos treinados com os dados reais de cada cliente, não com bases genéricas de mercado. O resultado é um sistema que conhece o padrão daquela operação e identifica o que é anômalo com uma precisão que um modelo genérico não consegue replicar por definição.

Tecnologia própria como vantagem que modelos genéricos não têm

Há uma limitação estrutural nos sistemas antifraude baseados em plataformas globais que raramente aparece nas apresentações comerciais: eles são treinados com dados de muitos clientes diferentes, o que significa que o modelo aprende os padrões médios de muitas operações, não os padrões específicos de nenhuma em particular. Para fraudes que exploram exatamente as especificidades de cada operação, esse é um problema relevante.

Tecnologia desenvolvida sobre os dados reais de cada organização produz um modelo que conhece aquela operação em profundidade: os horários de pico, os perfis de usuário, os padrões de transação, as variações sazonais. Quando algo foge desse padrão específico, o sistema identifica. Quando é uma variação dentro do normal para aquela operação, não gera alerta desnecessário. Essa especificidade é o que transforma inteligência analítica em vantagem operacional real, e não em mais uma camada de segurança que a equipe de risco precisa gerenciar manualmente. “Um modelo que conhece profundamente uma operação é fundamentalmente diferente de um modelo que conhece superficialmente muitas operações. A diferença aparece exatamente nos casos que mais importam: as fraudes sofisticadas e os falsos positivos que custam clientes”, afirma André de Barros Faria.

O que a equação de risco exige em 2026?

O cenário de fraude em 2026 combina volume crescente, sofisticação acelerada pela IA e regulação que exige rastreabilidade e explicabilidade de cada decisão automatizada. Para organizações que processam alto volume de transações, essa combinação cria uma pressão que sistemas tradicionais não conseguem absorver: mais fraudes sofisticadas para detectar, menos tolerância a falsos positivos que prejudicam clientes legítimos e mais obrigações de documentar e explicar cada bloqueio.

Inteligência analítica com governança integrada é a resposta técnica para essa equação. Não porque seja a tecnologia mais nova disponível no mercado, mas porque é a abordagem que resolve os três problemas simultaneamente: detecta com mais precisão porque conhece a operação em profundidade, gera menos falsos positivos porque distingue anomalia de variação legítima e documenta cada decisão com a rastreabilidade que a regulação exige. Para André de Barros Faria, essa convergência entre performance analítica e governança não é uma escolha estratégica opcional. É o que define se um sistema antifraude vai funcionar nos próximos anos ou vai se tornar um custo operacional sem retorno proporcional.

A OESP não é(são) responsável(is) por erros, incorreções, atrasos ou quaisquer decisões tomadas por seus clientes com base nos Conteúdos ora disponibilizados, bem como tais Conteúdos não representam a opinião da OESP e são de inteira responsabilidade da Agência Saftec