As equipes de combate a crimes financeiros estão à beira do colapso.
Não porque a fraude seja algo novo ou porque a lavagem de dinheiro tenha se tornado de repente mais difícil de detectar. Mas porque a escala do crime financeiro agora está fundamentalmente desalinhada com a forma como a maioria das instituições é estruturada e operada.
Uma típica empresa de serviços financeiros tem uma enorme porcentagem de sua força de trabalho envolvida em fluxos de trabalho intensivos em investigação: operações de fraude, monitoramento de transações, revisão de sanções, conformidade de onboarding, disputas e atendimento ao cliente.
A fraude não está apenas aumentando, está acelerando mais rápido do que qualquer equipe humana consegue responder.
Golpistas estão usando IA. Deepfakes estão ficando mais baratas e mais convincentes. Os ciclos de ataque estão encurtando.
E, ainda assim, na maioria das instituições, a realidade do dia a dia parece a mesma: filas de alertas dominadas por falsos positivos, clientes bloqueados sem motivo claro e empresas legítimas presas em um limbo de revisão.
Há apenas dois anos, a única alavanca que bancos e fintechs podiam acionar para lidar com isso era colocar ainda mais pessoas trabalhando no problema.
Mas estamos em 2026, e o setor está fazendo o que sempre faz quando o trabalho manual deixa de ser escalável: está recorrendo à automação. Só que, desta vez, ele realmente tem os meios para isso com a IA Agente.
Especificamente, sistemas de IA que podem reunir evidências, interpretar o contexto, produzir conclusões prontas para investigação e, em alguns casos, até agir de forma autônoma.
E, ainda assim, apesar de toda a empolgação, a maioria das primeiras implementações de agentes de IA em crimes financeiros fracassa.
Não porque os modelos sejam fracos, mas porque a forma como são implementados está errada.
Como assim?
Em ambientes regulados, um agente que produz narrativas confiantes sem salvaguardas não reduz o risco, cria um novo.
E, surpreendentemente, as equipes de risco não gostam de risco.
Essas equipes rapidamente percebem que acabam passando o tempo validando, corrigindo e guiando de perto os agentes de IA.
Eles não se tornam mais eficientes. Eles não passam a dedicar seu tempo a tarefas mais importantes. A frustração aumenta, o projeto emperra ou, no pior dos casos, acaba sendo completamente deixado de lado.
Mas e se você implementá-lo corretamente?
Quando fizemos testes A/B na própria plataforma de on-ramp da Sardine, descobrimos que os fluxos apoiados por agentes de IA não apenas reduziram o trabalho manual. Eles também apresentaram um tempo para geração de receita 49% mais rápido. Isso é um impacto mensurável no crescimento do negócio, não apenas uma economia de eficiência.
Por que as equipes de combate a crimes financeiros fracassam com IA Agente
Depois de criar e implantar agentes de IA em fluxos de trabalho reais de fraude e AML, vimos três modos de falha previsíveis aparecerem repetidas vezes.
Se você está considerando agentes de IA para fraude, AML ou monitoramento de transações, entender esses modos de falha é o que diferencia construir um multiplicador de força de construir uma responsabilidade.
Os 3 modos de falha dos agentes de IA
Modo de falha nº 1: O Investigador Alucinado
O erro mais comum que as equipes cometem é implantar agentes de IA com contexto e capacidades em excesso.
O raciocínio é compreensível: “Temos muitos dados. Vamos alimentar o modelo com tudo. Ele vai dar um jeito.””
Na prática, esse é o caminho mais rápido para a alucinação.
O problema não é que os modelos modernos sejam incapazes. O problema é que as investigações de crimes financeiros são fundamentalmente adversariais e baseadas em evidências, e prompts longos e abertos aumentam a chance de o modelo preencher lacunas com suposições.
Se você pedir a um agente para “analisar todo o perfil deste cliente e determinar se isso é suspeito”, você terá dado a ele uma tarefa vaga demais, ampla demais e interpretativa demais.
E o modelo fará o que os modelos fazem de melhor: ele gerará uma narrativa plausível.
Mesmo que essa narrativa esteja errada.
Isso piora pelo fato de que alucinações em fraudes e em AML costumam ser sutis. O agente pode inferir incorretamente uma categoria de negócio, presumir uma relação entre duas contrapartes ou afirmar que uma transação é incomum quando ela é completamente normal para aquele setor.
É por isso que a IA agente em crimes financeiros precisa ser construída sobre um princípio que parece quase contraintuitivo: menos contexto muitas vezes produz conclusões mais confiáveis.
Em outras palavras, evite implantar um “superagente” que sabe tudo. Em vez disso, implemente um conjunto de agentes especializados, cada um sabendo fazer uma única coisa extremamente bem.
Esta é uma das razões pelas quais a Sardine está focada em desenvolver o que chamamos de “agentes atômicos”, ou agentes de IA projetados em torno de primitivas específicas de investigação. Por exemplo:
- Um agente Analista de Dados que consegue interpretar dados transacionais
- Um agente de OSINT que pode realizar pesquisas externas e resumir as descobertas
- Um agente KYB que pode validar a identidade empresarial e as relações de propriedade
- Um agente Analista de Grafos que pode interpretar redes de entidades e identificadores compartilhados
A filosofia de design fundamental é que os agentes não substituem os humanos, mas sim uma habilidade específica. Como as investigações de fraude atuais exigem uma variedade de habilidades, cada etapa do processo requer um agente de IA dedicado.
Essa abordagem reduz drasticamente o risco de alucinações porque cada agente opera dentro de um limite de decisão menor. Em vez de “adivinhar” o que é importante, ele é instruído a recuperar, interpretar e resumir dados específicos em um contexto específico.
É assim que você constrói sistemas que não são apenas inteligentes, mas também confiáveis.
Modo de falha nº 2: o agente excessivamente desconfiado
O segundo modo de falha é mais operacional do que técnico. Mesmo quando os agentes de IA não alucinam, eles frequentemente sofrem de outro problema: são rápidos demais em presumir que algo é nefasto.
Isso não acontece porque os modelos são “paranoicos”. A detecção de fraude é, por natureza, orientada por padrões, e os modelos são treinados para reconhecer sinais. Mas, em crimes financeiros, o reconhecimento de sinais sem um embasamento contextual leva a um resultado previsível: excesso de escalonamento.
O agente vê um pagamento de alto valor para uma contraparte estrangeira e o sinaliza.
O agente vê várias entidades conectadas por endereços compartilhados e presume que se trata de uma rede de empresas de fachada.
O agente observa fluxos circulares e sugere camadas de ocultação.
Para um revisor humano, o resultado parece inteligente. Ele usa o vocabulário correto e “soa” como um investigador experiente. Mas muitas vezes deixa de captar a realidade mais importante das operações de crimes financeiros: a maioria dos alertas são falsos positivos.
É aqui que muitas implementações de IA acabam criando, sem querer, um novo gargalo ao aumentar a carga de trabalho em vez de reduzi-la. Porque agora seus analistas não estão apenas revisando os alertas, eles também estão revisando o raciocínio do agente, que muitas vezes é excessivamente suspeito.
Esse modo de falha aparece de forma mais clara no monitoramento de transações, onde uma grande porcentagem dos comportamentos sinalizados não é criminosa.
Um bom exemplo é o autonegócio.
Autonegociação é um dos padrões mais comuns que geram alertas, especialmente para empresas com alto volume de operações. Pode parecer um movimento circular suspeito, mas na realidade muitas vezes é apenas dinheiro circulando entre contas relacionadas, subsidiárias ou entidades internas.
Para um agente de IA treinado em “sinais de fraude”, isso pode parecer anomalias suspeitas. Para um investigador de verdade, são operações normais de negócios.
Por que isso acontece?
Tendemos a achar que treinar IA em grandes conjuntos de dados pode ensinar tudo o que ela precisa saber. Mas, na realidade, a verdadeira especialização em um domínio são os insights que temos sobre esses dados. E esses insights, por padrão, estão fora do conjunto de dados.
Mexer no conjunto de dados ou nos prompts só leva você até certo ponto. Para incorporar a verdadeira expertise de domínio do mundo real, precisamos projetar agentes que sejam explicitamente treinados e limitados a fazer as perguntas certas:
- Esta categoria de contraparte faz sentido para este negócio?
- Esta transação é autonegociação ou com terceiros?
- As entidades estão conectadas por meio de participação societária, identificadores compartilhados ou estrutura operacional?
- Esse padrão é consistente com os fluxos normais do setor?
Quando os agentes são obrigados a raciocinar nesses modelos, eles se tornam muito menos propensos a “pular para a fraude” como conclusão padrão.
Modo de falha nº 3: O Agente Caixa-Preta
Mesmo que o seu agente de IA evite alucinações e excesso de desconfiança, ele ainda pode falhar da forma mais importante:
Ele pode produzir conclusões que não são defensáveis.
Em crimes financeiros, precisão não é suficiente. Se um agente sinaliza uma empresa como suspeita, a equipe de compliance ainda precisa responder:
- Que evidências o agente utilizou?
- De quais fontes de dados ele dependia?
- A decisão pode ser reproduzida?
- Um auditor aceitaria esse raciocínio?
- Um regulador aceitaria isso?
É aqui que muitas ferramentas de IA falham.
Eles produzem uma narrativa, mas não mostram a cadeia de evidências. Citam informações externas de forma vaga, sem indicar claramente as fontes. Fornecem uma recomendação sem documentar o porquê.
Mas em ambientes regulados, a IA não pode ser uma caixa‑preta. Ela precisa ser uma máquina de evidências. Um bom agente de IA deve se comportar menos como um chatbot e mais como um investigador estruturado:
- Ele deve obter dados de forma determinística (por exemplo, a partir de consultas definidas)
- Ele deve resumir as conclusões em formatos consistentes
- Deve explicar por que uma contraparte é relevante
- Deve destacar a incerteza em vez de a mascarar
Isso muda nossa definição do que significa “IA caixa-preta”. Não se trata mais de eu entender ou não a decisão ou o raciocínio de um modelo.
Quando agentes operam em fluxos de trabalho de investigação, como filas de alertas, gestão de casos e escalonamento para analistas, eles precisam produzir resultados que os humanos possam aprovar, defender e auditar.
É por isso que uma das capacidades mais importantes de um agente não é o raciocínio. É a documentação.
Como implementar agentes de IA para maximizar o ROI
Se alucinações, excesso de desconfiança e resultados de caixa-preta são os modos de falha previsíveis, então a solução não é um ajuste incremental. É estrutural.
Você não resolve esses problemas pedindo ao modelo para “ter mais cuidado”. Você os resolve redesenhando como o trabalho de investigação é decomposto, executado e documentado. Essa é a base por trás de como construímos Sardine’s AI Agent Garden, um conjunto de agentes atômicos, cada um substituindo uma habilidade específica de investigação, não um investigador inteiro.
Nosso objetivo não é criar um único “cérebro de fraude” onisciente que consiga fazer tudo. Em vez disso, estamos criando um sistema que se comporta como uma equipe de investigação experiente: especialistas que fazem a sua parte do trabalho, deixam um rastro bem organizado e passam para a próxima etapa.
Vamos ver alguns exemplos.
O Agente Analista de Dados: “O que aconteceu?”
A maioria das investigações começa com o mesmo problema: os dados brutos são ilegíveis na velocidade humana. O monitoramento de transações é o exemplo mais claro.
Você está olhando para centenas ou milhares de transferências e tentando responder a perguntas que são simples de fazer, mas dolorosas de responder: Quem são as principais contrapartes? Qual é a distribuição do risco? Qual é o fluxo de saída em comparação com o de entrada? Esse comportamento “estranho” é um padrão ou um caso isolado?
O Agente de Análise de Dados foi projetado para fazer essa primeira análise, de forma rápida. Ele produz uma visão estruturada da atividade, incluindo sessões e transações na janela de tempo recente, contrapartes classificadas, itens de alto valor e alto risco destacados primeiro e contexto como direcionalidade e timing.
Na nossa configuração de Monitoramento de Transações, isso começa com a recuperação determinística, ou seja, a extração de um conjunto definido de transações dentro de um intervalo de tempo específico, para que o agente não precise improvisar o que analisa.
É aqui que o valor mais prático aparece: quando o agente comprime a consulta e a análise de dados em um único resumo que uma pessoa pode examinar rapidamente e saber imediatamente onde olhar em seguida.
O Agente de OSINT: “Qual é o contexto?”
Quando você consegue ver o que aconteceu, o próximo gargalo é a interpretação. A maioria das equipes de compliance não sofre com falta de dados, mas com falta de contexto. Um nome de contraparte, por si só, raramente diz se uma transação faz sentido. E, em monitoramento de transações, “fazer sentido” é o jogo inteiro.
O OSINT Agent foi criado para a tarefa mais simples, porém mais demorada, em investigações: transformar uma string de entidade em uma categoria de negócio inteligível e em uma verificação de credibilidade. Este é um negócio real? O que eles fazem? Estão plausivelmente conectados à linha de negócio do cliente? Apresentam sinais que indiquem incompatibilidade, comportamento de empresa de fachada ou até mesmo fabricação completa?
O mais importante é que isso não é feito para todas as contrapartes. É feito para aquelas que realmente importam: as contrapartes de maior risco e maior valor que foram identificadas anteriormente. É assim que você impede que OSINT se torne um buraco sem fundo (e um dreno de tokens) e o transforma em uma etapa investigativa repetível.
Um bom exemplo é quando um investigador humano está analisando um grafo de conexões empresariais e vê uma entidade de alto risco vinculada a um endereço em Genebra. No papel, o endereço parece “legítimo”, mas pode muito bem ser um escritório virtual, uma caixa postal ou um local de serviços compartilhados usado por dezenas de empresas sem qualquer relação entre si.
Em vez de obrigar um analista a pesquisar manualmente o endereço em várias fontes, o Agente OSINT é executado diretamente a partir do nó de endereço no grafo e produz um resumo estruturado do que aquele local realmente representa.
Neste caso, o agente encontra muitos dados que posicionam o endereço como um edifício de escritórios exclusivo localizado em uma área prestigiosa de Genebra. Mas também destaca o fato de que ele provavelmente está sendo usado como um centro de caixas postais que pode potencialmente abrigar atividades ilícitas.
Esse último ponto é fundamental. No combate a crimes financeiros, os investigadores não precisam apenas de mais dados, eles precisam saber quais dados são enganosos.
O Agente Analista de Grafos: “O que está conectado e não deveria estar?”
Se o Agente de OSINT lhe disser o que é um endereço, o Agente Analista de Grafos lhe dirá quem mais está usando esse endereço.
No exemplo acima, depois que o Agente de OSINT esclareceu o contexto do endereço em Genebra e destacou a possibilidade de uso compartilhado e de inconsistências nos dados, a próxima pergunta lógica não foi “esse endereço é prestigioso?”. Foi:quantas outras empresas estão realmente vinculadas a ele?
É aí que o Agente Analista de Grafos assume o controle.
Em vez de obrigar um investigador a analisar manualmente todas as entidades relacionadas uma a uma, o agente executa uma pesquisa completa no Connections Graph sobre a empresa e revela todas as entidades vinculadas por meio de identificadores compartilhados.
No caso mostrado, o gráfico imediatamente revelou várias empresas conectadas por endereços compartilhados, incluindo um endereço que era comum a um grande conjunto de entidades.
O que importa aqui não é a visualização em si. É o padrão.
Na captura de tela, você pode ver um nó de endereço central com numerosos nós de empresas ao redor ligados a ele. Esse tipo de aglomeração pode significar coisas muito diferentes dependendo do contexto. Pode indicar um edifício comercial legítimo com múltiplos inquilinos, um provedor de escritórios compartilhados ou um endereço virtual usado por dezenas de entidades sem relação entre si.
O Agente Analista de Grafos não depende de intuição. Ele resume a estrutura da rede — como quantos nós existem, quantos vínculos, quais identificadores são compartilhados com mais frequência e onde estão os agrupamentos mais densos — e então traduz essa estrutura em uma avaliação explícita de risco. Isso permite que um investigador veja rapidamente não apenas o que o agente concluiu, mas também por que chegou a essa conclusão.
Essa interação é intencional. O Graph Agent identifica padrões estruturais como endereços compartilhados, nós recorrentes e agrupamentos, enquanto o OSINT Agent ajuda a contextualizar esses nós de alto sinal. Juntos, eles transformam o que normalmente seriam dezenas de buscas manuais em uma visão única e coerente de como uma empresa se insere em sua rede mais ampla.
Essa é a diferença entre uma interface chamativa e uma ferramenta prática de investigação.
O agente de KYB: “Essas empresas são realmente relacionadas?”
Uma quantidade surpreendente de fadiga de alertas é causada por uma limitação simples: a maioria dos sistemas de monitoramento não entende estruturas corporativas.
Quando um grupo opera com subsidiárias, veículos de financiamento interno, entidades de tesouraria, diretores compartilhados ou nomes associados à marca, o sistema trata essas transações como risco de terceiros.
Nosso Agente de KYB foi desenvolvido para responder a uma pergunta que os investigadores fazem o tempo todo, de forma constante e dolorosa: essas duas empresas estão realmente conectadas? Saber a resposta a essa pergunta pode mudar todo o processo de investigação.
Por exemplo, um analista observa uma transação transfronteiriça entre entidades húngaras e espanholas. O agente de KYB revela imediatamente que as duas são subsidiárias da mesma empresa-mãe. Além disso, uma delas atua como a função de tesouraria do grupo, o que fornece uma explicação perfeitamente legítima para a transação.
Encadeamento e agentes de IA híbridos
Se você parar em agentes individuais, acabará com um cinto de ferramentas de IA. Útil, mas não transformador. O verdadeiro poder vem de como implementamos esses agentes como fluxos de trabalho holísticos:
- O agente Analista de Dados produz a lista reduzida.
- O agente de OSINT enriquece a lista com dados externos.
- O agente de Análise de Grafos adiciona risco de rede.
- O agente KYB confirma relacionamentos.
- O resultado final torna-se uma narrativa que pode ser colada em um arquivo de caso.
Para isso, projetamos nossos agentes de IA para serem implementados com base em dois princípios centrais.
O primeiro é o encadeamento: conseguir conectar diferentes agentes para trabalharem de forma sequencial dentro da mesma investigação de caso.Isso é importante por três motivos.
Primeiro, isso mantém cada etapa bem definida e testável. Quando algo dá errado, você consegue localizar a falha.
Em segundo lugar, isso impede que o agente tire conclusões precipitadas, porque o sistema é literalmente projetado para reunir evidências antes de concluir.
E, em terceiro lugar, gera documentação como subproduto, que é o único tipo de resultado de IA que sobrevive à realidade regulada.
O segundo princípio é que cada agente de IA pode ser implantado em dois modos diferentes: copiloto ou totalmente autônomo.
Cada empresa tem diferentes níveis de conforto em relação às atividades que aceita deixar a IA resolver sozinha e aquelas em que prefere manter um humano no processo. Resolver verificações de IDV “verdes” com alta confiança é uma coisa, mas uma investigação complexa de monitoramento de transações é outra bem diferente.
É também por isso que tornámos o AI Garden utilizável em vários modos: APIs para integração em sistemas de gestão de casos existentes, gatilhos na fila de alertas para que o agente certo seja acionado no momento certo e um chat independente para investigações ad hoc.
Mas a filosofia permanece a mesma, independentemente da superfície: os agentes devem se comportar como especialistas, e o sistema deve funcionar como uma linha de investigação.
A verdadeira promessa da IA agente no combate a crimes financeiros
A IA agente não é apenas uma nova categoria de ferramenta.
É o começo de um novo modelo operacional.
Um mundo em que o trabalho de investigação não é mais limitado pela velocidade da pesquisa humana, em que as evidências são coletadas automaticamente. Falsos positivos não consomem equipes inteiras e os clientes não ficam bloqueados porque as filas de revisão estão sobrecarregadas.
Mas esse futuro não acontece automaticamente. Ele acontece quando agentes são implementados de forma cuidadosa, com salvaguardas, modularidade e um profundo respeito pelas realidades da tomada de decisão regulada.