Na parte 2 da nossa série sobre a ascensão das Operações de Fraude Agêntica, Chen Zamir apresenta a sequência de cinco etapas para entregar o seu ciclo de reação a fraudes a agentes de IA e explica por que a ordem é tão importante quanto as próprias etapas.Veja a parte 1 aqui.
A maioria das equipes de fraude que começou a usar IA agentiva começou pelo lugar certo. Elas estão testando agentes dentro do processo de investigação: enriquecendo alertas, estruturando casos e propondo resoluções para os investigadores validarem. Em geral, estão vendo ganhos claros de eficiência com isso.
O problema é que quase ninguém está indo além.
Em um post anterior, argumentei que o principal KPI em fraude não é precisão nem exatidão. É o ciclo de reação – o tempo que o seu sistema leva para detectar uma falha e implementar uma correção.
E, enquanto os fraudadores estão utilizando IA para se adaptar mais rapidamente, as equipes de combate à fraude devem usar IA agente para acompanhar essa velocidade.
Automatizar partes do seu processo de investigação é apenas o primeiro passo nessa jornada.
Comprimir essa única etapa enquanto as outras quatro ainda operam em velocidade humana lhe dá uma função de investigação mais rápida, mas com o mesmo ciclo quebrado. As regras que seus investigadores estão perseguindo continuam se degradando. Os rótulos que alimentam seus modelos ainda estão chegando com semanas de atraso.
Mas quando todo o ciclo roda em velocidade de máquina, o sistema se torna algo diferente. As decisões passam a acontecer em nível de população e de anel, em vez de um evento por vez. Uma única investigação rotula 150.000 contas. Uma proposta de política substitui dezenas de revisões manuais. O custo por decisão cai em uma ordem de grandeza.
Chegar lá exige cinco etapas, e a ordem é mais importante do que a maioria dos líderes de fraude imagina. Cada etapa gera uma entrada de que a próxima precisa ou desenvolve a capacidade de que a equipe precisa para governá-la.
Se você pular etapas, acabará com automação de regras rodando em rótulos desatualizados, automação de políticas que ninguém sabe como governar e um ano de orçamento gasto em sistemas que não geraram efeito cumulativo.
A sequência que você deve seguir é a seguinte:
- Investigação: enriquecer alertas, estruturar casos, propor resoluções
- Casos: agrupar alertas relacionadas em casos de nível de anel
- Rótulos: gerar sinal de treinamento continuamente
- Segmentação: automatizar políticas de tratamento da população
- Detecção: automatizar propostas de regras e modelos
O que se segue explica cada etapa e por que ela aparece onde aparece.
Por onde começar: Investigação de Fraudes com Agentes
É aqui que a IA agente está mais madura hoje, onde a especialização da sua equipe provavelmente está concentrada e onde as economias aparecem primeiro. Especificamente, você quer cobrir três áreas:
Enriquecimento passa do investigador para o agente. Os 15 minutos de coleta de dados do dispositivo, contexto de IP, histórico da conta e consultas externas são realizados em paralelo e anexados ao caso antes de o investigador abri-lo.
Resultado do caso torna-se estruturado. Em vez de parágrafos digitados em um campo de comentários que nada mais consegue ler, os casos passam a ser registrados em um formato consistente e legível por máquina. Esta é a parte que mais importa para tudo o que vem depois.
E, por fim, o agente propõe resoluções com seu raciocínio. O papel do investigador deixa de ser gerar a chamada e passa a ser validá-la. Essa é uma nova habilidade, e este é o contexto de menor risco para a sua equipe começar a desenvolvê-la.
O ganho de eficiência é real: uma investigação de 30 minutos cai para cerca de cinco. O ganho mais profundo é que o resultado da investigação fica melhor estruturado, padronizado e legível por máquina.
Em seguida, crie casos a partir dos alertas
Depois que os casos são estruturados, os agentes de IA podem começar a agrupá-los. Novos alertas são associados a casos conhecidos (quadrilhas de fraude) à medida que chegam, com base em impressão digital do dispositivo, padrão de financiamento ou assinatura comportamental. As correspondências são atribuídas ao caso existente. As que não correspondem tornam-se candidatas a um novo caso.
A fila do investigador deixa de ser um amontoado de alertas desconexos e passa a ser um conjunto organizado de casos consolidados. A expansão dos anéis acontece automaticamente e libera a verdadeira eficiência da sua equipe, pois uma única decisão agora rotula milhares de eventos de uma só vez.
Esta etapa é impossível sem o trabalho de estruturação que foi feito antes. As equipes que pularam essa fase não conseguem criar nenhum tipo de clusterização.
Em seguida, automatize os rótulos de detecção de fraude
Até agora você pode ter ganhado em eficiência, mas seu ciclo de reação não está significativamente mais rápido. Esta etapa é o pré-requisito que muda tudo, e não consigo enfatizar o suficiente o quanto ela é importante.
O maior gargalo no seu ciclo de reação são os rótulos. Os chargebacks chegam semanas após a transação, às vezes meses, e quando você finalmente confirma a verdade dos fatos, o padrão de ataque já mudou.
Já vi equipes com detecção de última geração ainda terem desempenho abaixo do esperado por um motivo: o ciclo de feedback delas era simplesmente lento demais.
Com IA agente e seguindo as etapas na ordem correta, você pode fechar essa lacuna com relativa facilidade. Você já tem um agente de IA propondo resultados de investigações, e essas recomendações podem ser transformadas em rótulos em grande escala.
O motivo pelo qual isso funciona é que os rótulos usados para treinamento não precisam ser perfeitos. Nenhum cliente é recusado porque um analista classificou sua transação como suspeita. Esses rótulos servem apenas para re-treinar modelos e testar regras retroativamente, não para decisões que afetam diretamente o cliente.
Rótulos imperfeitos atribuídos incorretamente por analistas prejudicariam suas decisões? Na verdade, não, porque regras e modelos de ML já funcionam com dados ruidosos. Uma taxa de erro moderada de um analista não é pior do que o ruído que você já tem em chargebacks e decisões de investigação. E é justamente essa tolerância à imperfeição que torna possível a rotulagem contínua em grande escala.
Ao final desta etapa, a parte mais lenta do seu ciclo de reação passou de semanas para horas. É aí que as verdadeiras possibilidades se abrem.
Em seguida, assuma a segmentação de risco
A segmentação é a camada que decide como você vai processar e avaliar o risco de cada evento: quais regras serão acionadas, quais fornecedores serão chamados ou se a autenticação reforçada será disparada.
Muitas equipes tendem a ignorar essa etapa crucial e, mesmo as que não ignoram, geralmente acabam adotando práticas de “configurar e esquecer”. Mas é justamente nessa camada que você implementa sua estratégia de combate a fraudes, e ignorá-la reduz sua capacidade de reagir a novas ameaças à medida que surgem.
Uma palavra de cautela: é provável que a segmentação ainda não tenha um responsável definido, metas, KPIs ou um processo para mover populações entre segmentos.
A questão é que você simplesmente não consegue automatizar algo que ninguém está gerenciando manualmente antes. A equipe precisa aprender como é uma boa execução antes de poder supervisionar um agente que propõe mudanças.
Há mais uma diferença que vale destacar: este é um novo movimento para a sua equipe. As etapas anteriores seguiram todas o mesmo padrão, em que o agente observa o pipeline de dados em produção e processa o que passa por ele.
Mas recomendar uma mudança na sua segmentação de risco funciona de forma diferente. O agente analisa o desempenho histórico dos tratamentos em diferentes populações e propõe mudanças de política, não decisões em casos individuais. Isso não é apenas uma questão de semântica; muda a forma como você testa, valida e observa as decisões do agente.
A boa notícia é que o agente não está criando novos segmentos; ele está movendo populações entre os segmentos existentes. Por exemplo, um grupo de contas com 25 a 30 dias de idade sai do grupo de alto risco e entra no de médio risco porque seu comportamento se parece com o de usuários já estabelecidos.
Como os segmentos de risco são conhecidos e delimitados, eles são mais fáceis de testar e validar do que novas regras de detecção de fraude.
Deixe a camada de detecção por último
A detecção é a camada que classifica os eventos. Modelos de ML atribuem pontuações, regras são aplicadas por cima e, juntos, eles tomam a maioria das decisões automaticamente. Mas não devemos confundir a execução automática de regras com a criação automática dessas regras.
Automatizar a detecção por último é a decisão certa, por dois motivos.
O primeiro motivo nós já abordamos: combustível. A automação da detecção precisa de rótulos novos e confiáveis para ser útil. Sem uma rotulagem antecipada e automatizada já em funcionamento, um agente que propõe novas regras está apenas propondo regras erradas mais rapidamente.
O segundo motivo: governar agentes que criam e ajustam regras é algo complexo, especialmente se a sua equipe ainda não desenvolveu a habilidade de escrever as próprias regras ou de gerenciar agentes que fazem análises de dados profundas.
Ao contrário da segmentação, em que o agente escolhe entre opções existentes, a detecção é generativa. Ela propõe coisas que não existiam antes: novos padrões de regras, novos recursos e, possivelmente, novos modelos de ML.
Dominar a segmentação agêntica oferece à sua equipe a experiência de governança que a automação de detecção exige.
Mas, depois que você dominar essa etapa, seu ciclo de reação passa a operar em velocidade de máquina. Os alertas chegam, são agrupados em casos no nível de anel, são rotulados automaticamente e alimentam agentes que executam análises contínuas em busca de mudanças de segmento e novas recomendações de regras.
O que isso realmente exige
Sejamos honestos, isso não é um projeto de um trimestre só.
As equipes mais avançadas estão nesse processo há seis a doze meses e diriam que ainda têm muito trabalho importante pela frente. Cada etapa exige ferramentas, mudanças organizacionais e tempo da equipe para assimilar uma nova forma de trabalhar antes que a etapa seguinte faça sentido.
As equipes de prevenção a fraudes estão enfrentando um risco claro aqui. Por um lado, a pressão para adotar IA e reduzir o quadro de funcionários aumenta a cada dia, mas há pouca clareza sobre como fazer isso com segurança.
Em um ambiente de incertezas, é fundamental entender qual é o seu objetivo final: não apenas reduzir custos, mas construir uma organização melhor. Quando você sabe o que isso significa para o seu negócio, a sequência correta de ações se torna clara.
Como expliquei, a sequência não diz respeito apenas a onde você pode cortar mais custos. Ela também envolve eliminar dependências e desenvolver novos músculos na equipe. Ignore isso e você pode acabar tendo que recontratar às pressas a equipe que achou que fosse redundante. E todos nós sabemos que não é tão simples assim.
Tenha a visão completa
Este é um panorama do roteiro. Para ter a visão completa, confira o whitepaper em que este post se baseia.
Ele aborda por que as operações de fraude com agentes são uma realidade para a qual todas as equipes de fraude precisam se preparar, como esse tipo de sistema deve ser, o número de pessoas e a combinação de habilidades de que ele realmente precisa, o modelo de governança que mantém o aprendizado contínuo seguro em grande escala e os padrões de implementação em 18 meses: o que funciona, onde as equipes o comprometem e como proteger essa sequência dentro da sua organização.
Se você é a pessoa na sua empresa que vai financiar, organizar e defender esse trabalho internamente, você encontrará muitas das respostas lá.
Ao avaliar plataformas para essa sequência, peça aos fornecedores que respondam a cinco perguntas, nesta ordem: Como você verifica a identidade do agente? Como você infere a intenção do agente? Como você mede o comportamento em relação aos padrões esperados? Como você autoriza ações específicas e as revoga? Como você monitora continuamente as sessões ao longo da jornada do usuário?
Fornecedores que têm respostas para as cinco perguntas operam com um modelo de confiança completo. Fornecedores que têm respostas para duas ou três ainda estão construindo esse modelo.
