CEO da Vert Analytics e especialista em intelig\u00eancia artificial examina por que sistemas antifraude baseados em dados propriet\u00e1rios entregam resultados que solu\u00e7\u00f5es gen\u00e9ricas n\u00e3o conseguem replicar.<\/b><\/p>\n
O Brasil registrou 12 milh\u00f5es de ind\u00edcios de fraude em 2025, segundo levantamento da Quod com base no Registro Unificado de Fraudes do mercado financeiro. O n\u00famero n\u00e3o surpreende quem acompanha o setor de perto. Surpreende, sim, a velocidade com que a sofistica\u00e7\u00e3o dos ataques avan\u00e7ou: a fraude com intelig\u00eancia artificial cresceu mais de 800% no pa\u00eds em um ano, colocando nas m\u00e3os de criminosos tecnologias que antes eram exclusivas de grandes corpora\u00e7\u00f5es. Nesse cen\u00e1rio, organiza\u00e7\u00f5es que ainda dependem de sistemas antifraude baseados em regras fixas e valida\u00e7\u00e3o cadastral est\u00e3o operando com defesas projetadas para um problema que j\u00e1 \u00e9 diferente do que existe hoje. A intelig\u00eancia anal\u00edtica aplicada \u00e0 preven\u00e7\u00e3o de fraudes n\u00e3o \u00e9 mais diferencial competitivo para quem opera em alto volume. \u00c9 condi\u00e7\u00e3o de sobreviv\u00eancia operacional.<\/p>\n
Andr\u00e9 de Barros Faria, CEO da Vert Analytics, pensa sobre esse problema de dentro. A empresa desenvolveu tecnologia pr\u00f3pria de intelig\u00eancia anal\u00edtica e antifraude, com mais de 140 especialistas em dados e sistemas calibrados para os padr\u00f5es espec\u00edficos de cada opera\u00e7\u00e3o, n\u00e3o modelos gen\u00e9ricos aplicados indiscriminadamente. Os resultados acumulados, incluindo mais de 500 milh\u00f5es de reais em fraudes e despesas com contencioso evitados para as organiza\u00e7\u00f5es que atende, refletem o que acontece quando a intelig\u00eancia anal\u00edtica opera sobre dados reais de cada neg\u00f3cio, com governan\u00e7a que garante confiabilidade e auditabilidade de cada decis\u00e3o. “A fraude evoluiu para modelos que as regras fixas n\u00e3o conseguem mais capturar. Um sistema que aprende apenas com o padr\u00e3o m\u00e9dio do mercado vai identificar fraudes m\u00e9dias. A quest\u00e3o \u00e9 que as fraudes mais custosas n\u00e3o s\u00e3o m\u00e9dias.”<\/p>\n
Por que regras fixas n\u00e3o acompanham fraudes inteligentes?<\/b><\/p>\n
O modelo tradicional de antifraude funciona sobre um princ\u00edpio simples: definir regras que identificam comportamentos suspeitos e bloquear transa\u00e7\u00f5es que se encaixam nessas regras. Por anos, esse modelo funcionou razoavelmente bem. O problema \u00e9 que fraudadores tamb\u00e9m aprenderam a n\u00e3o se encaixar nas regras conhecidas. Com o uso de intelig\u00eancia artificial generativa, \u00e9 poss\u00edvel criar identidades sint\u00e9ticas com hist\u00f3rico de comportamento plaus\u00edvel, documentos visualmente perfeitos e padr\u00f5es de uso que passam pelos filtros tradicionais sem acionar nenhum alerta. O resultado \u00e9 que sistemas baseados em regras fixas aumentam os falsos positivos, bloqueando clientes leg\u00edtimos, sem necessariamente capturar as fraudes mais sofisticadas.<\/p>\n
A intelig\u00eancia anal\u00edtica resolve esse problema de uma forma diferente: em vez de comparar uma transa\u00e7\u00e3o a uma lista de padr\u00f5es conhecidos, analisa continuamente o comportamento da opera\u00e7\u00e3o em tempo real, identifica anomalias em rela\u00e7\u00e3o ao hist\u00f3rico espec\u00edfico daquele cliente ou daquela transa\u00e7\u00e3o e emite alertas proporcionais ao n\u00edvel de risco detectado. Esse modelo aprende com o que acontece na opera\u00e7\u00e3o real, n\u00e3o com o que estava previsto nas regras iniciais. Andr\u00e9 de Barros Faria descreve a diferen\u00e7a em termos pr\u00e1ticos. “Regra fixa captura o fraudador que j\u00e1 foi visto antes. Intelig\u00eancia anal\u00edtica captura o fraudador que est\u00e1 fazendo algo novo porque identifica que o comportamento n\u00e3o faz sentido no contexto daquela opera\u00e7\u00e3o, mesmo que nunca tenha visto aquele padr\u00e3o antes.”<\/p>\n
O problema dos falsos positivos <\/b><\/p>\n
Um dos aspectos mais subestimados do custo da fraude nas organiza\u00e7\u00f5es brasileiras n\u00e3o \u00e9 o valor das transa\u00e7\u00f5es fraudulentas que passam. \u00c9 o valor das transa\u00e7\u00f5es leg\u00edtimas que s\u00e3o bloqueadas por sistemas mal calibrados. Cada falso positivo tem um custo duplo: a perda imediata da transa\u00e7\u00e3o e o custo de relacionamento com o cliente que foi impedido de operar. Em opera\u00e7\u00f5es de alto volume, onde milh\u00f5es de transa\u00e7\u00f5es s\u00e3o processadas diariamente, mesmo uma taxa de falso positivo de 0,5% representa um volume significativo de clientes leg\u00edtimos bloqueados por dia.<\/p>\n
Sistemas de intelig\u00eancia anal\u00edtica bem calibrados resolvem esse problema pela especificidade: quando o modelo conhece profundamente os padr\u00f5es de comportamento daquela opera\u00e7\u00e3o espec\u00edfica, ele distingue com mais precis\u00e3o o que \u00e9 anomalia real do que \u00e9 varia\u00e7\u00e3o leg\u00edtima. Isso reduz falsos positivos sem aumentar falsos negativos, o que representa ganho duplo: menos fraude passando e menos cliente leg\u00edtimo 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, n\u00e3o com bases gen\u00e9ricas de mercado. O resultado \u00e9 um sistema que conhece o padr\u00e3o daquela opera\u00e7\u00e3o e identifica o que \u00e9 an\u00f4malo com uma precis\u00e3o que um modelo gen\u00e9rico n\u00e3o consegue replicar por defini\u00e7\u00e3o.<\/p>\n
Tecnologia pr\u00f3pria como vantagem que modelos gen\u00e9ricos n\u00e3o t\u00eam<\/b><\/p>\n
H\u00e1 uma limita\u00e7\u00e3o estrutural nos sistemas antifraude baseados em plataformas globais que raramente aparece nas apresenta\u00e7\u00f5es comerciais: eles s\u00e3o treinados com dados de muitos clientes diferentes, o que significa que o modelo aprende os padr\u00f5es m\u00e9dios de muitas opera\u00e7\u00f5es, n\u00e3o os padr\u00f5es espec\u00edficos de nenhuma em particular. Para fraudes que exploram exatamente as especificidades de cada opera\u00e7\u00e3o, esse \u00e9 um problema relevante.<\/p>\n
Tecnologia desenvolvida sobre os dados reais de cada organiza\u00e7\u00e3o produz um modelo que conhece aquela opera\u00e7\u00e3o em profundidade: os hor\u00e1rios de pico, os perfis de usu\u00e1rio, os padr\u00f5es de transa\u00e7\u00e3o, as varia\u00e7\u00f5es sazonais. Quando algo foge desse padr\u00e3o espec\u00edfico, o sistema identifica. Quando \u00e9 uma varia\u00e7\u00e3o dentro do normal para aquela opera\u00e7\u00e3o, n\u00e3o gera alerta desnecess\u00e1rio. Essa especificidade \u00e9 o que transforma intelig\u00eancia anal\u00edtica em vantagem operacional real, e n\u00e3o em mais uma camada de seguran\u00e7a que a equipe de risco precisa gerenciar manualmente. “Um modelo que conhece profundamente uma opera\u00e7\u00e3o \u00e9 fundamentalmente diferente de um modelo que conhece superficialmente muitas opera\u00e7\u00f5es. A diferen\u00e7a aparece exatamente nos casos que mais importam: as fraudes sofisticadas e os falsos positivos que custam clientes”, afirma Andr\u00e9 de Barros Faria.<\/p>\n
O que a equa\u00e7\u00e3o de risco exige em 2026?<\/b><\/p>\n
O cen\u00e1rio de fraude em 2026 combina volume crescente, sofistica\u00e7\u00e3o acelerada pela IA e regula\u00e7\u00e3o que exige rastreabilidade e explicabilidade de cada decis\u00e3o automatizada. Para organiza\u00e7\u00f5es que processam alto volume de transa\u00e7\u00f5es, essa combina\u00e7\u00e3o cria uma press\u00e3o que sistemas tradicionais n\u00e3o conseguem absorver: mais fraudes sofisticadas para detectar, menos toler\u00e2ncia a falsos positivos que prejudicam clientes leg\u00edtimos e mais obriga\u00e7\u00f5es de documentar e explicar cada bloqueio.<\/p>\n
Intelig\u00eancia anal\u00edtica com governan\u00e7a integrada \u00e9 a resposta t\u00e9cnica para essa equa\u00e7\u00e3o. N\u00e3o porque seja a tecnologia mais nova dispon\u00edvel no mercado, mas porque \u00e9 a abordagem que resolve os tr\u00eas problemas simultaneamente: detecta com mais precis\u00e3o porque conhece a opera\u00e7\u00e3o em profundidade, gera menos falsos positivos porque distingue anomalia de varia\u00e7\u00e3o leg\u00edtima e documenta cada decis\u00e3o com a rastreabilidade que a regula\u00e7\u00e3o exige. Para Andr\u00e9 de Barros Faria, essa converg\u00eancia entre performance anal\u00edtica e governan\u00e7a n\u00e3o \u00e9 uma escolha estrat\u00e9gica opcional. \u00c9 o que define se um sistema antifraude vai funcionar nos pr\u00f3ximos anos ou vai se tornar um custo operacional sem retorno proporcional.<\/p>\n
A OESP<\/b> n\u00e3o \u00e9(s\u00e3o) respons\u00e1vel(is) por erros, incorre\u00e7\u00f5es, atrasos ou quaisquer decis\u00f5es tomadas por seus clientes com base nos Conte\u00fados ora disponibilizados, bem como tais Conte\u00fados n\u00e3o representam a opini\u00e3o da OESP<\/b> e s\u00e3o de inteira responsabilidade da Ag\u00eancia Saftec<\/b><\/p>\n","protected":false},"excerpt":{"rendered":"CEO da Vert Analytics e especialista em intelig\u00eancia artificial examina por que sistemas antifraude baseados em dados propriet\u00e1rios entregam resultados que solu\u00e7\u00f5es gen\u00e9ricas n\u00e3o conseguem","protected":false},"author":1,"featured_media":133323,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[525],"tags":[],"class_list":["post-133322","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-saftec-digital"],"acf":[],"_links":{"self":[{"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/posts\/133322","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/comments?post=133322"}],"version-history":[{"count":0,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/posts\/133322\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/media\/133323"}],"wp:attachment":[{"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/media?parent=133322"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/categories?post=133322"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bluestudio.estadao.com.br\/agencia-de-comunicacao\/wp-json\/wp\/v2\/tags?post=133322"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}