Em uma recente postagem no blog, o CEO da Sardine, Soups Ranjan, compartilhou como ele usou nosso Agente de IA Analista de Dados para desmantelar um esquema de fraude que ele estava investigando.
Apenas uma semana depois, nossa equipe de análise de fraude estava usando o mesmo agente para investigar um esquema de fraude diferente, mas desta vez com resultados ainda mais impressionantes.
Tudo começou quando percebemos que um de nossos clientes de on-ramp de criptomoedas estava passando por um aumento repentino de fraudes. Nossa equipe investigou o caso, encontrou a origem do problema e o resolveu. Chegamos até a usar o Data Analyst Agent para identificar todas as contas impactadas, reproduzindo o processo da investigação anterior do Soups.
As coisas ficaram ainda mais interessantes no dia seguinte, quando um de nossos analistas percebeu que outra on-ramp havia registrado um aumento substancial de atividade durante o mesmo período.
Ela suspeitava que o mesmo grupo estivesse atacando novamente.
A diferença? Desta vez ela decidiu conduzir toda a investigação apenas com o Agente Analista de Dados.
Primeiro passo: o agente de IA confirma a anomalia de fraude
O prompt inicial era bastante aberto. Ele forneceu ao agente o período de tempo relevante, mas nada além disso.
Inicialmente, o agente concentrou-se em sessões marcadas como de alto risco, pensando que encontraria ali um pico de fraude, mas, em geral, tudo o que é marcado como de alto risco já está sendo bloqueado. Com uma rápida correção do analista, o agente conseguiu confirmar uma anomalia de volume:
Evidentemente, embora o número de sessões de risco médio fosse quase idêntico, as sessões de baixo risco quase dobraram de valor durante o período suspeito. Com isso, o agente conseguiu fornecer mais algumas informações:
Depois de constatar que algo estava acontecendo, era hora de descobrir exatamente o quê.
Passo dois: Aprofundando a análise da anomalia
Para localizar a origem do pico, o analista solicitou que o agente segmentasse ainda mais as sessões de baixo risco:
Essa segmentação define a população suspeita para que o agente possa começar a analisar seus padrões de comportamento.
O objetivo desta linha de questionamento é definir a população suspeita com detalhes suficientes para que o agente possa, posteriormente, começar a analisar seu padrão de comportamento.
Mas, por enquanto, precisamos entender de onde isso está vindo. Aqui estão alguns trechos da resposta do agente.
Primeiro, ele começou segmentando as fraudes de acordo com o estado da conta. Isso mostrou um claro aumento na atividade fraudulenta vinda da Pensilvânia e de Nova Jersey, embora esses não tenham sido os únicos estados identificados:
Em seguida, ele mostrou a distribuição dos valores das transações, que acabou sendo ainda mais interessante:
Havia duas anomalias altamente suspeitas aqui. Como o agente observa na parte inferior do gráfico:
- Há um aumento enorme em valores NULL, possivelmente indicando algum tipo de teste de cartões em grande escala.
- O agente identificou uma concentração anormal em valores muito específicos, como US$ 1.555 ou US$ 933. Isso não é aleatório, mas uma clara indicação de intenção revelada pela escala.
Embora a segunda constatação fosse interessante, o agente parecia ter rotulado incorretamente o motivo por trás da primeira. Não se tratava de teste de cartão; na verdade, eram simplesmente eventos de cadastro que, naturalmente, não tinham valores associados. Mais tarde, o analista corrigiu o agente para ajudá‑lo a entender melhor o contexto dos dados que estava interpretando.
Por fim, o agente também plotou as transações dos estados afetados identificados em uma linha do tempo, facilitando a identificação das datas exatas do ataque:
Perceba que não houve múltiplos prompts nem redirecionamento do agente. Todas essas descobertas, visualizações e insights foram resultado de um único prompt. Isso demonstra o poder dos sistemas verdadeiramente agênticos: a capacidade de raciocinar, planejar e adaptar seu curso de ação à medida que avançam em sua tarefa.
Diferente de um simples chatbot, o Agente Analista de Dados funciona como um trabalhador totalmente autônomo, disponível 24 horas por dia, 7 dias por semana. Assim como um analista profissional, ele produziu um resumo claro de suas descobertas, identificando por fim dois padrões distintos de fraude.
Embora o resumo acima já seja incriminador por si só, nosso analista apontou preocupações ainda mais profundas. Esse ataque apresentava semelhanças marcantes com a campanha de fraude que neutralizamos recentemente para outro cliente.
Etapa três: Análise de padrões na quadrilha de fraude
Depois de confirmar que um ataque estava em curso e localizar sua origem, era hora de pedir ao agente que descrevesse o padrão de fraude em um nível tático. Precisávamos saber: que tipo de sinais comportamentais deveríamos sinalizar e bloquear?
Mais uma vez, embora tivéssemos uma boa ideia do que iríamos descobrir por ser o mesmo grupo, o analista optou por dar instruções mínimas ao agente.
Em troca, apresentou este resumo de suas descobertas:
Observe que, quando o agente analisou os descritores do ataque, ele na verdade encontrou outro padrão de fraude suspeito dentro da população.
No entanto, o nosso analista considerou que esse outro padrão era pequeno e, em grande medida, já tinha sido sinalizado como de alto risco pelo nosso sistema. Por esse motivo, decidiu ignorar essa parte do relatório do agente.
Isso ilustra bem como o modelo com humano no circuito é a forma preferencial de trabalhar com agentes de IA. Embora o agente seja competente em coletar dados e tomar decisões táticas, é necessário um operador humano para fornecer contexto e orientação.
Essa combinação mantém as operações eficientes, mas também atentas ao contexto empresarial mais amplo.
Resumo da investigação: o que aprendemos
Investigar esse pico levou menos de 20 minutos a partir do momento em que a anomalia foi detectada. A partir daí, a investigação foi conduzida principalmente pelo Agente Analista de Dados, com apenas três prompts do nosso analista.
Depois que as conclusões foram verificadas e validadas, entrámos em contacto com o nosso cliente e partilhámos com ele o resumo do agente, bem como algumas sugestões de regras que ajudariam a pôr fim ao ataque.
Mais um dia, mais um dólar (poupado).
Mas, ao concluirmos mais uma tentativa de fraude frustrada, eu queria compartilhar algumas reflexões sobre a experiência da nossa equipe neste caso:
IA agente pode conduzir investigações de fraude de ponta a ponta
Isso pode parecer trivial, até algo que já ouvimos dezenas de vezes nos últimos 18 meses. Mas quando falamos de investigação, geralmente nos referimos a um único caso de investigação.
Este é diferente. Nossa investigação não foi um alerta sobre um evento específico. Foi uma investigação sobre um aumento repentino de fraudes em grande escala.
Mesmo quando Soups compartilhou sua própria experiência com o Data Analyst Agent, não se tratava de um fluxo de trabalho completo, de ponta a ponta. Nesse caso, o Data Analyst Agent mostrou que consegue trabalhar com muito poucos dados para começar, e apenas com orientações gerais. O papel do analista humano foi mais o de ajudar a fazer o agente abandonar linhas de investigação que não deveria continuar perseguindo.
Isso foi uma novidade para nós.
Vai demorar um pouco para a gente se acostumar com isso
Usar agentes de IA para fazer o trabalho que estamos acostumados a fazer por conta própria não é algo natural. Agora que os analistas de fraude podem delegar algumas de suas tarefas à IA, sua rotina diária está prestes a mudar.
Nossa equipe não é exceção. Só usamos o agente para uma investigação completa na segunda vez. Quando detectamos o primeiro pico, usamos o agente apenas para descobrir a extensão do esquema depois que nosso analista já havia concluído a investigação manual.
Só durante o segundo pico é que usamos o agente desde o início. Pelo visto, velhos hábitos custam a desaparecer.
Mas e quanto às equipes que não têm analistas de fraude treinados? E quanto às equipes que não estão preparadas para conduzir investigações completas, baseadas em dados, de ponta a ponta? Para elas, essa mudança será ainda mais impactante.
Agentes de fraude com IA agente encadeada: isto é apenas o começo
Não faz muito tempo, Soups escreveu sobre o conceito de encadear agentes, a ideia de que cada agente de IA deve se concentrar em um contexto específico e trabalhar em conjunto com outros agentes para formar fluxos de trabalho impactantes.
O que leva a pensar: se um Agente Analista de Dados pode investigar anomalias conhecidas, o que acontece se o encadearmos após um agente especializado em detecção de anomalias?
Quando você começa a pensar em sistemas de prevenção de fraude baseados em agentes dessa forma, o futuro das equipes de fraude fica muito nebuloso. E essa é a parte empolgante. Estamos construindo esse futuro AGORA.