IA no centro da estratégia: como o tempo de reação mudou para os bancos no combate a fraudes
A popularização de sistemas de pagamentos instantâneos, como o Pix, reduziu de forma significativa o intervalo entre uma transação e a conclusão da transferência, obrigando instituições financeiras a repensarem a maneira como combatem fraudes. Com transações que se completam em segundos, os bancos deixaram de operar apenas com análises posteriores e passaram a exigir decisões em tempo real, combinando dados, inteligência artificial, automação e monitoramento contínuo para decidir rapidamente se uma operação deve ser autorizada, passar por análise adicional ou ser bloqueada.
Esse novo cenário foi detalhado por Carlos Cruz, líder de Estratégia de Dados e Inteligência Artificial da IBM na América Latina, em entrevista ao Olhar Digital. Segundo o executivo, os bancos estavam habituados a utilizar tecnologias para se proteger de ataques que não aconteciam em tempo real, com sistemas gerando alertas depois que a operação já havia sido processada. O Pix mudou essa lógica ao comprimir a janela de reação das instituições, exigindo uma atuação preventiva e automatizada.
A percepção dos executivos do setor financeiro sobre o papel da inteligência artificial aparece em uma pesquisa do IBM Institute for Business Value, realizada em parceria com a Oxford Economics. O levantamento, conduzido em maio de 2025, ouviu 100 executivos de bancos com responsabilidades em risco, compliance e validação nos Estados Unidos, Reino Unido, Austrália, Índia, Singapura e Alemanha. Os participantes foram divididos igualmente entre as funções de diretor de risco, diretor de compliance e diretor de validação. Do total, 61% apontaram a detecção de risco de fraude como a aplicação de IA com maior potencial de gerar valor para o negócio, seguida por cibersegurança, com 52%, e pelos processos de KYC (Know Your Customer, ou "Conheça seu Cliente") e AML (Anti-Money Laundering, ou "Prevenção à Lavagem de Dinheiro"), com 45%.
Para Cruz, um dos grandes desafios atuais é calibrar os alertas para que o sistema consiga capturar criminosos sem afetar o uso dos recursos por clientes legítimos. Ele lembra que, no passado, a inteligência artificial era usada principalmente como ferramenta de reação, gerando sinais após a ocorrência de eventos suspeitos. Hoje, as instituições combinam estratégias de dados, modelos de IA, automação inteligente e monitoramento transacional para acompanhar tanto o comportamento do cliente ao longo do tempo quanto o caminho percorrido por uma transação antes de sua conclusão.
A pesquisa também revela que a adoção da tecnologia exige mecanismos para validar modelos e controlar riscos. Enquanto 61% dos executivos apontam a validação como uma área crítica para investimentos em pessoas e habilidades, 46% fazem a mesma avaliação em relação ao controle de riscos. Entre as prioridades de risco e compliance para escalar o uso da IA em toda a empresa, 63% dos entrevistados consideram simulações de testes de estresse a principal, seguidos por 48% que destacam os controles de risco em tempo real. Apesar disso, apenas 25% dos profissionais afirmam aplicar de forma consistente o monitoramento em tempo real a casos de uso de IA de alto risco.
Conhecer bem o cliente tornou-se parte essencial da prevenção. Cruz explica que um dos principais desafios das instituições é consolidar informações para construir uma visão consistente da chamada entidade cliente, ou seja, ter clareza sobre quem é aquela pessoa para o banco. Esse conhecimento facilita a identificação de fraudes, de uso indevido de canais e de instrumentos de pagamento. O problema se torna mais complexo com o avanço do Open Finance, já que os dados financeiros de um mesmo cliente podem estar distribuídos em diferentes instituições, dificultando uma visão completa do comportamento financeiro.
Os processos de KYC e AML também aparecem no levantamento como os mais difíceis de transformar com inteligência artificial, segundo 43% dos executivos, à frente da detecção de fraude, com 36%, e de áreas como cibersegurança, crédito e precificação e compliance reporting, todas com 33%. Ao mesmo tempo, 45% dos entrevistados afirmam que a IA deve transformar significativamente os processos de KYC e AML, mostrando que, mesmo diante da dificuldade de implementação, há expectativa de impacto relevante.
A estratégia de combate a crimes financeiros não se resume a um único modelo de inteligência artificial. Cruz explica que diferentes tecnologias podem ser posicionadas de acordo com a função que precisam desempenhar. Em etapas de autorização em tempo real, recursos mais próximos da estatística e modelos determinísticos podem ser usados para avaliar padrões e decidir se uma operação pode ser autorizada. Já em atividades de investigação, outros tipos de modelos podem ser empregados. O executivo destaca que a IA generativa, por não ser determinística, apresenta respostas menos previsíveis, o que exige dos bancos um entendimento mais aprofundado sobre onde cada tecnologia se encaixa melhor na esteira de combate às fraudes.
Os criminosos também passaram a utilizar ferramentas de inteligência artificial generativa para sofisticar ataques, incluindo a produção de deepfakes, simulações de voz e identidades sintéticas, inclusive em etapas como o cadastro de novos clientes. Além da tecnologia, Cruz aponta uma demanda crescente por profissionais capazes de combinar conhecimentos de fraude financeira, dados, tecnologia, legislação e operação, um perfil difícil de encontrar justamente por exigir domínio de áreas distintas. "Desde a parte de detecção até você tomar uma atitude, essa esteira tem que funcionar de forma integrada", afirmou o executivo, resumindo o desafio que os bancos enfrentam para equilibrar velocidade, precisão e segurança em um ambiente financeiro cada vez mais instantâneo.
