Este post dá início à nossa série Fraud Ops 2026, na qual exploramos as práticas que ajudam as equipes de fraude a operar com mais precisão, confiança e agilidade. Nas próximas semanas, vou detalhar os fluxos de trabalho, controles e ferramentas que diferenciam programas reativos de fraude de equipes que estão realmente preparadas para 2026 e além.
O ciclo de hype da IA está em pleno andamento, e empresas de todos os portes estão correndo para encontrar maneiras de aproveitar essa nova tecnologia para turbinar seus negócios.
Tenho certeza de que você já viu inúmeras postagens no LinkedIn e painéis em conferências sobre todas as maneiras pelas quais as equipes de risco deveriam estar usando IA. Ainda assim, por algum motivo, quase todos os casos de uso se concentram em copilotos para investigações, tratamento de alertas e explicabilidade de modelos de ML.
Não me entenda mal. Esses são ótimos casos de uso (todos eles são suportados pela Sardine). Mas se é aqui que a sua imaginação para, então você está só arranhando a superfície do que a prevenção de fraude com IA pode fazer pela sua equipe de fraude!
Se você é um líder de risco com visão de futuro, aqui estão cinco casos de uso práticos de IA para equipes de fraude que vão muito além do básico.
Uso de rotulagem por IA para transações recusadas
Um dos desafios mais complexos em operações de fraude é rotular corretamente as transações recusadas.
Por um lado, é difícil identificar com precisão os falsos positivos e otimizar o seu sistema para evitá-los no futuro. Por outro lado, também é difícil rotular corretamente as tentativas reais de fraude (os verdadeiros positivos) que você conseguiu bloquear, ao mesmo tempo em que mede seu desempenho com precisão.
Esse é um desafio antigo no mundo da prevenção a fraudes e, embora existam diferentes métodos para aproximar esses rótulos, eles nunca funcionam tão bem quanto o necessário.
Avaliação das abordagens comuns para rotular eventos recusados | ||||
Método | Precisão | Escalabilidade | Cobertura | Eficácia |
Dados de chargeback (feedback atrasado) | Alto | Alto | Transações aprovadas | A |
Revisões manuais (por investigadores) | Alto | Baixo | Verificações/amostras pontuais, além de janelas de tempo selecionadas | B |
Contestações de clientes (rótulos atrasados) | Médio | Médio | Apenas incidentes reportados | C |
Fortes ligações a casos de fraude conhecidos | Alto | Alto | Transações aprovadas e recusadas | A |
Este é um excelente caso de uso para LLMs assumirem, pois conseguem manter níveis de precisão semelhantes aos de investigadores humanos, mas em escala. Mesmo que você não confie em um copiloto de LLM para tomar decisões de forma autônoma, sem intervenção humana, este caso de uso é diferente. Porque você está apenas rotulando eventos que serão bloqueados de qualquer forma, você usa a saída apenas para monitorar e retreinar o seu sistema. Essas tarefas também são mais “tolerantes” a erros, pois dependem mais do “panorama geral” do que de rótulos individuais, e não disparam nenhuma ação voltada ao cliente.
Com uma população rotulada como “fraude recusada”, você agora consegue saber se o seu novo modelo candidato ainda bloqueia os mesmos níveis de fraude. Você também pode pesquisar regras ou mudanças de UX que reduzam o impacto sobre clientes legítimos.
Usando IA como mecanismo de recomendação de regras
Equipes diferentes enfrentam desafios diferentes quando se trata de escrever regras de fraude precisas e resilientes. Algumas equipes não conseguem acompanhar o monitoramento de centenas de regras e garantir que elas sejam otimizadas quando apresentam baixo desempenho. Outras equipes têm dificuldade em escrever regras precisas que não sobrecarreguem o sistema com falsos positivos. E algumas equipes nem sabem por onde começar.
Independentemente da dimensão e do nível de especialização da sua equipa, é muito provável que a IA consiga reduzir a fricção que estão a sentir. Embora as regras sejam acionadas automaticamente em produção, a própria criação de regras envolve muitos processos manuais, como pesquisa, otimização, validação, monitorização e atualização da lógica. Todos estes processos podem ser simplificados, se não totalmente substituídos, por agentes de IA. Por exemplo, no vídeo abaixo pode ver como o Anomaly Detection da Sardine está a alimentar um agente de IA que recomenda regras com base em padrões suspeitos emergentes.
Os humanos podem e provavelmente devem continuar envolvidos no processo. Afinal, esses processos projetam soluções que tomam decisões automatizadas que afetam seus clientes.Toda saída de LLM deve ser observada e validada.
Mas as competências e os recursos necessários para verificar de forma criteriosa o desempenho de uma nova regra são apenas uma fração do que é preciso para pesquisá-la e escrevê-la em primeiro lugar. As regras, em especial, exigem uma combinação incomum de letramento em dados e conhecimento especializado do domínio, e as organizações que carecem de um desses elementos muitas vezes têm dificuldade em redigir regras. Os LLMs oferecem ambos — e a um custo baixo.
Usando IA para otimizar pontuações de ML
Qualquer equipe que trabalha com modelos de Machine Learning sabe que isso não é uma solução “plug-and-play”. Para usá-la de forma eficaz, é preciso analisar a curva ROC do desempenho do score e escolher cuidadosamente o ponto de corte para suas ações: acima de qual pontuação você deseja bloquear um evento, sinalizar para uma investigação mais detalhada ou enviar para um fluxo de autenticação.
Escolher corretamente esses pontos de corte pode ser uma tarefa de análise de dados bastante exigente, para a qual nem todas as equipes estão preparadas, e que nem todos os fornecedores oferecem como parte do seu serviço de onboarding. Mas isso ainda é só a ponta do iceberg.
A maioria das pontuações de ML, especialmente em empresas complexas que abrangem diferentes regiões, produtos e métodos de pagamento, exige ainda mais cuidado para evitar altas taxas de falsos positivos. É provável que cada segmento de população ao longo dessas dimensões exija um limite de corte diferente.
Nas figuras abaixo, você pode ver que, ao simplesmente sobrepor duas dimensões, regiões e produtos, agora precisamos estudar nove diferentes pontos de corte apenas para a ação de Bloqueio.
O motivo pelo qual precisamos fazer isso, e por que os próprios modelos não são automaticamente calibrados para fazê-lo, é que cada um desses segmentos carrega um contexto diferente. Diferente qualidade e disponibilidade de dados, diferentes níveis de pressão de fraude, diferentes padrões de fraude e diferentes fraudadores.
Mas os modelos são treinados em toda a população, não nesses segmentos individuais. É aí que a sua equipe de fraude entra em ação para tomar essas decisões de ajuste fino.
Mesmo as equipes mais proficientes têm grande dificuldade em investir tanto esforço em análise de dados, de modo que os modelos muitas vezes operam abaixo de seu verdadeiro potencial. No entanto, LLMs podem apoiar esse caso de uso da mesma forma que apoiam as recomendações de regras. Isso não apenas economiza tempo e recursos, mas para 9 em cada 10 equipes permitiria alcançar novos patamares de desempenho.
Usando IA para evitar viés na seleção de fornecedores
A seleção de fornecedores é sempre uma decisão delicada, especialmente em gestão de riscos, onde as diferenças entre os vários participantes muitas vezes são obscurecidas por um marketing vago. É um mundo complexo que se torna ainda mais com o surgimento de ameaças sofisticadas e de novos fornecedores que afirmam resolvê-las. Mesmo um especialista do setor, com muitos anos de experiência na área e profundo conhecimento de seus participantes, não conheceria todas as opções.
Mas não se trata apenas de mapear todos os provedores relevantes. Também é preciso selecionar aqueles que são realmente adequados para o seu negócio específico. Afinal, cada fornecedor se especializa em diferentes mercados, setores, casos de uso e portes de clientes, mesmo quando está vendendo a mesma coisa que todos os outros.
As equipes geralmente mapeiam as opções e eliminam os fornecedores irrelevantes em favor do que parece ser uma solução fácil. Talvez um dos executivos de nível C conheça alguém que oferece uma solução antifraude, talvez vocês tenham membros do conselho em comum, ou talvez você simplesmente escolha o fornecedor que o seu concorrente usa. Você só quer resolver isso logo e passar para a próxima tarefa.
LLMs, e especificamente agentes de IA, são uma solução natural para isso. Um agente de IA pode entrevistá-lo, transformar suas necessidades em uma lista de verificação clara, pesquisar fornecedores relevantes e criar uma lista restrita detalhada em questão de horas, se não menos.
A questão não é o tempo economizado, mas a confiança de que sua decisão se baseia em uma pesquisa de mercado adequada, menos sujeita a vieses causados por uma familiaridade (muitas vezes aleatória). E menos viés significa melhores resultados a longo prazo.
Usando IA para análise de causa raiz de incidentes
Um aspecto exaustivo da prevenção de fraude é ter de gerir constantemente alertas, pedidos e incidentes. As alterações de desempenho podem ocorrer diariamente e são influenciadas por uma grande variedade de fatores internos e externos, como lançamentos de código, lançamentos de produtos, sazonalidade, padrões de fraude novos ou em mudança e até campanhas de marketing. Além disso, há múltiplos indicadores a monitorizar, desde perdas e taxas de fraude até taxas de aprovação e conversão.
Como os tipos de incidentes que uma equipe de risco precisa avaliar são amplos, é difícil prever quais cenários podem se manifestar e, por sua vez, codificar uma resposta automatizada. Isso significa que, à medida que os incidentes acontecem diariamente, a equipe de risco acaba tendo que gerenciá-los em grande parte manualmente, desde a triagem em painéis durante a reunião matinal, passando pela análise da causa raiz, até a resolução em tempo hábil. E, enquanto a equipe se mobiliza para resolver um problema, suas metas para aquela semana acabam sendo prejudicadas.
Quando você considera as muitas possíveis causas-raiz, o processo se torna ainda mais difícil. Descobrir se a nova versão do modelo está se comportando mal vai exigir que você olhe em um lugar, enquanto entender se isso não é apenas um problema de sazonalidade significa olhar em outro.A menos que você tenha um palpite muito preciso desde o início, é possível passar por mais de cinco diferentes exercícios de análise antes de descobrir quem é o culpado.Mais uma vez, esses desafios são ainda mais acentuados em equipes que não têm experiência ou letramento em dados.
A IA agente pode preencher essa lacuna porque não depende de um conjunto predefinido de cenários que precisa monitorar.
Antes / Depois do fluxo de trabalho de causa raiz | |
Análise manual de incidentes hoje | Análise de causa raiz assistida por IA |
Analisar os dashboards durante a reunião matinal | Detecte anomalias automaticamente em todas as métricas |
Formule e teste uma hipótese de cada vez | Propor simultaneamente várias hipóteses classificadas |
Alternar entre regras, modelos, logs e relatórios de tráfego | Reúna sinais relevantes em uma única visualização de investigação |
Depender fortemente da intuição do analista e da experiência prévia | Priorize hipóteses com base nas mudanças observadas nos dados |
O tempo de resolução varia conforme o analista e o incidente | Reduza o tempo de resolução ao restringir o espaço de busca mais rapidamente |
Um framework para quando usar IA
A IA está apenas começando a causar impacto na gestão de riscos, e há muitos casos de uso a serem explorados. As cinco ideias apresentadas acima são apenas exemplos pensados para estimular a sua imaginação. Esperamos que elas tenham feito você refletir.
Mas e se você estiver enfrentando outros desafios no seu trabalho do dia a dia? Quais deles são adequados para LLMs? Como garantir que ainda não existam soluções comprovadas antes de começar a experimentar?
Se for esse o caso, considere algumas características de problemas em que a GenAI pode ser útil:
- Lidando com dados não estruturados
- Cenários de decisão que são fragmentados demais para serem automatizados
- Requisitos de análise de dados que vão além da configuração atual da sua equipe
Se um problema atender a pelo menos dois dos pontos acima, é provável que LLMs sejam úteis para fornecer uma solução com pouquíssimos recursos.
Fique ligado para o próximo artigo da nossa série Fraud Ops 2026: Como Publicar Regras de Fraude com Segurança.