Perdas por fraudes financeiras no Brasil tiveram um aumento de 17% em 2024, causando prejuízo de R$ 10,1 bilhões, segundo a Federação Brasileira de Bancos (Febraban). Somente golpes envolvendo o Pix foram responsáveis por R$ 2,7 bilhões desse total. O uso de inteligência artificial (IA) pelos golpistas é hoje uma das principais ameaças à segurança das instituições e clientes. O tema ganha força entre os dias 17 e 23 deste mês, quando ocorre a Semana Internacional de Conscientização sobre Fraudes.
“Criminosos adotam IA, por exemplo, para sintetizar imagem e voz de alguém próximo da vítima para acelerar certos tipos de golpe. Porém, mesmo nesses casos, o comportamento transacional suspeito deixa rastros detectáveis”, afirma Carlos Santa Cruz, CTO e fundador da Lynx.
O executivo ressalta que, por outro lado, a IA é uma das principais ferramentas de prevenção contra os golpistas. “Soluções antifraude embarcadas com tecnologias de IA avançadas permitem combinar múltiplos sinais de risco — financeiros, digitais, biométricos e comportamentais — para identificar anomalias imperceptíveis aos sistemas tradicionais”.
De acordo com Santa Cruz, modelos de IA, quando bem implementados, podem atingir níveis de detecção de 60% a 70%, mencionando que há casos de redução de fraude de até 80%.
Com o movimento cada vez maior do setor em direção aos pagamentos instantâneos, aumentam as buscas por ferramentas antifraude com detecção em tempo real, capazes de reagir e de determinar um nível de risco para cada uma das transações em andamento antes da decisão ser tomada para autorizar ou não a operação.
“Existe uma demanda por soluções capazes de analisar o comportamento financeiro das pessoas, que consigam identificar se aquela transação ocorre dentro do seu padrão normal ou se é algo que corresponde a uma movimentação suspeita. Além disso, essas ferramentas devem contar com recursos de machine learning (ML) para se adaptarem constantemente à evolução das fraudes”, ressalta Santa Cruz.
O executivo da Lynx observa que não há um perfil pré-definido de pessoas com maior potencial de serem enganadas. “Na verdade, qualquer um de nós pode se tornar uma vítima, isso depende muito do momento em que estamos sendo atacados. Pode ser, por exemplo, em um momento de dificuldade ou fragilidade, daí a importância de considerar fatores como horários, valores, padrões históricos e contas beneficiárias”, alerta.
Essa preocupação vai ao encontro do aumento das chamadas “fraudes autorizadas”, em que o próprio cliente é induzido a realizar a transação ilícita. Esse fenômeno é impulsionado pelo crime organizado, que, por meio de “centrais de golpes”, operam esquemas sofisticados que combinam engenharia social, roubo de dispositivos e táticas psicológicas.
A seguir, Santa Cruz lista os principais recursos que devem ser considerados pelas instituições financeiras na hora de adotar uma ferramenta antifraude.
- Modelos adaptativos diários: devem ser atualizados continuamente com base no comportamento real dos usuários e nos novos padrões de fraude;
• Tomada de decisão precisa e rápida: perfis de autoaprendizagem devem utilizar dados de dispositivos, transações de cartão e conta, beneficiários, pagamentos recebidos e localização dos usuários;
- Interoperabilidade extensível: deve se adaptar a diversos formatos de dados de instituições financeiras, aprimorando modelos e reduzindo o tempo para geração de valor;
• Integração multicanal: deve oferecer uma visão 360° do usuário em todos os canais de transação, como online, mobile, telefonia, ATM, cartão presente, entre outros;
• Plataforma multifuncional de fraude: capaz de personalizar limites de risco por meio do motor de regras, utilizando funcionalidades de gerenciamento de casos e visualizando resultados em dashboards e análises em tempo real;
• Dados para analistas: instituições financeiras podem enviar, por meio de feeders, dados relevantes do perfil do usuário e, combinando isso com os dados transacionais de todos os canais, criar uma visão unificada que facilita decisões holísticas e rápidas;
• Governança de modelos: deve trabalhar em estreita colaboração com as equipes de governança de modelos de ML para garantir transparência na metodologia de treinamento e conformidade com padrões de governança.
“Vivemos num mundo de pagamentos imediatos que demandam análises e respostas imediatas, tanto para transações de saída quanto de entrada. Por isso, ferramentas precisam ser flexíveis e adaptáveis, já que modelos fixos rapidamente tornam-se obsoletos”, conclui Santa Cruz.
