Na parte 3 da nossa série sobre a ascensão do Agentic Fraud Ops, analisamos o efeito de segunda ordem para o qual a maioria das equipes não está se preparando: por que a área de Análise de Fraudes não encolhe quando você adota IA agentiva — ela precisa crescer. Veja a parte 1 aqui ou a parte 2 aqui.
Todo líder de fraude com quem converso está sob a mesma pressão neste momento: usar IA para reduzir custos. E, ao falar em reduzir custos, estou falando em cortar pessoal. Mas, em operações de fraude, a busca por automação levanta uma questão perigosa: o que acontece quando as equipes reduzem exatamente a capacidade de análise de fraude necessária para governar sistemas automatizados?
A maioria das equipes já começou a mapear como será essa transição: mais automação, menos profissionais de combate à fraude e menor custo operacional. Mas, embora isso esteja na direção certa, há também muitas nuances em como conduzir essa transformação, em como o seu sistema deve ser ao final e em como a governança de analytics de fraude deve funcionar quando uma IA agente começar a fazer recomendações em grande escala.
Especificamente, há um efeito de segunda ordem para o qual quase ninguém está se preparando: uma função na sua equipe não diminui com a adoção de IA. Pelo contrário, ela na verdade precisa crescer, porque a automação da detecção de fraude cria novas exigências de supervisão para as quais a maioria das equipes hoje não tem pessoal suficiente. E, se você não levar isso em conta, acabará com uma equipe menor que não está preparada para governar todos os sistemas automatizados que opera.
Essa função é Análise de Fraude, e sem ela o seu sistema quebraria mais rápido do que você imagina. Em um ambiente de fraude com agentes autônomos, a análise se torna a camada de controle que detecta desvios, monitora decisões automatizadas e evita falhas silenciosas no pipeline de fraude.
Operações de Fraude | Análise de Fraudes | |
Trabalho principal de hoje | Revisão de alertas, decisões | Regras, monitoramento, relatórios |
O que a IA automatiza | Montagem de casos, consultas | Elaboração de regras, ajuste de limiares |
Novas responsabilidades | Revisar casos assistidos por IA | Governar todos os pipelines automatizados |
Direção de efetivo | ↓ Encolhe | ↑ Cresce |
As quatro funções de fraude: onde a análise de fraude se encaixa na equipe de fraude moderna
A maioria das equipes de fraude é composta por quatro funções:
Operações de Fraude é responsável pela investigação: revisar alertas, tomar decisões e gerenciar estornos.
Análise de Fraude é responsável pelas regras e monitoramento: criar lógica de detecção, acompanhar o desempenho e analisar padrões de ataque.
Estratégia de Fraude define o apetite de risco e as políticas de tratamento da população.
Ciência de Dados desenvolve e mantém modelos de ML.
Mas nem toda organização de fraude possui os quatro, já que o mínimo necessário hoje em dia é apenas a área de Operações de Fraude. Ou seja, é possível manter uma função de combate à fraude (de forma ineficiente, mas funcional) apenas com investigadores analisando alertas.
Ao mesmo tempo, a área de Análise de Fraudes existe na maioria das equipes de médio e grande porte, embora muitas vezes seja informal ou subdimensionada. Isso cria uma lacuna real de supervisão na automação de fraudes quando essas equipes começam a usar agentes de IA para rotular casos, sugerir regras, agrupar alertas ou recomendar tratamentos de risco em nível de população. Estratégia de Fraude e Ciência de Dados geralmente só aparecem nas equipes mais maduras e sofisticadas.
Isso deve servir como um sinal de alerta: se você precisa de competências analíticas para governar sistemas de fraude impulsionados por agentes, a maioria das equipes está atrás do ponto em que deveria estar. O papel tradicional do analista de fraude já era importante, mas, em um modelo operacional habilitado por IA, ele se torna central para a estabilidade dos sistemas de fraude com IA.
Mas por que acho que vamos precisar de uma função de Análise de Fraude maior na era da IA agente?Em uma palavra: governança.
Dois tipos de governança de fraude em sistemas de IA agente
Nem toda IA agente cria o mesmo tipo de trabalho, e entender essa diferença é o que explica por que certas funções na sua equipe crescem enquanto outras encolhem.
Quando as equipes de fraude começam a implementar IA agente, elas normalmente começam com assistência à investigação: o agente reúne o caso e propõe uma solução, o investigador revisa e aprova. Esse fluxo de trabalho não é tão diferente de gerenciar um analista júnior. O agente faz o trabalho pesado e o investigador usa seu julgamento para validar. Sua equipe já sabe como fazer isso.
Mas pipelines totalmente automatizados são diferentes.
Rotulagem automática, agrupamento de casos, recomendações de regras, re-treinamento de modelos – nada disso conta com um humano revisando cada resultado. Esses processos rodam continuamente, operam em grande escala e, quando dão errado, falham silenciosamente.
Um agente de rotulagem que começa a classificar errado não levanta a mão. Ele continua rotulando até que alguém verifique. Uma regra construída com base em uma correlação coincidental parece correta no backtest. Um algoritmo de agrupamento de casos que agrupa alertas de forma incorreta devido a um problema de qualidade de dados continua rodando, e cada decisão tomada com base nesses agrupamentos herda o erro.
Esses sistemas falham silenciosamente, falham em grande escala e falham rapidamente. Diferente de um investigador humano, que percebe quando algo parece errado, um pipeline automatizado não sente nada.
A governança de que precisam não é apenas julgamento contextual. É o mesmo tipo de monitoramento analítico que as equipes de fraude já aplicam aos seus sistemas de detecção: KPIs, alertas, revisão sistemática de desempenho, monitoramento automatizado de pipelines e análise de causa raiz quando algo sai do esperado.
Parece familiar? Observar o desempenho do sistema por meio de dados, perceber problemas, entender o que os causa e corrigi-los: isso é trabalho de Análise de Fraude.
O que acontece com os empregos em análise de fraude à medida que as equipes adotam IA agente
A divisão de governança se reflete diretamente no número de funcionários. A suposição óbvia, quando você começa a implementar IA agentiva, é que a equipe de fraude encolhe. Para uma função, isso é verdade. Para outra, é exatamente o oposto.
Os investigadores são os que mais diretamente se beneficiam do que os agentes automatizam. A parte do dia deles que consumia mais tempo — obter detalhes de transações, fazer consultas de IP, verificar o histórico de dispositivos, cruzar informações entre contas — é exatamente o que os agentes passam a fazer. Uma investigação que antes levava 30 minutos agora leva cinco.
Quando você passa a construir casos em nível de quadrilha em vez de revisar alertas individualmente, uma única decisão pode cobrir o que antes exigia uma equipe trabalhando por horas em alertas individuais.
Os ganhos de eficiência são claros, porque tarefas que antes eram feitas manualmente agora estão automatizadas. Naturalmente, a função precisa de menos pessoas.
Mas a Análise de Fraudes, por outro lado, segue na direção oposta.
Neste momento, a equipe observa os dados, compila relatórios, escreve regras quando surgem novos ataques e ajusta os limites de pontuação quando necessário. Mas, quando os agentes assumirem essas tarefas, todos os pipelines automatizados que acabamos de descrever se tornarão responsabilidade deles.
Você pode pensar: “eu não automatizaria os processos manuais que os analistas de fraude usam para fazer o trabalho?” e você estaria certo em pensar assim. Mas é preciso lembrar que, embora parte do trabalho deles agora esteja automatizada, toda a nova automação que você implantou – tanto em análise quanto em operações – também passará a ser responsabilidade deles.
Em vez de escrever regras, a equipe avalia se as regras que os agentes estão propondo são realmente sólidas ou apenas estatisticamente válidas com base em um padrão coincidente.
Em vez de definir limites de população uma vez por ano, é preciso que alguém avalie um fluxo contínuo de recomendações dos agentes sobre como diferentes grupos de usuários devem ser encaminhados por diferentes verificações de risco. Esse trabalho exige uma governança mais robusta de análise de fraude, não menos.
Nenhuma dessas responsabilidades aparece em qualquer organograma hoje, mas todas elas acabam em Analytics de Fraude.
O erro que a maioria das equipes vai cometer com a automação da detecção de fraude
Espero que o argumento que apresentei sobre por que você na verdade precisaria de mais analistas ao começar a automatizar tenha sido convincente até aqui. Mas a triste realidade é que a maioria das equipes não tem um time de analytics totalmente estruturado e, por isso, provavelmente não enxerga as consequências.
Se você não gerencia os pipelines automatizados existentes hoje, ou se a engenharia faz isso por você, é bem provável que você tenha um ponto cego aí.
Quando essas equipes atuam sob pressão de custos, o argumento para fazer cortes se escreve sozinho. A equipe de Fraud Analytics é pequena, não tem o número de pessoas que a torne um alvo visível no orçamento, e absolutamente ninguém está defendendo que ela cresça quando a ordem é cortar.
Então o sistema de investigação agente entra em produção, casos estão sendo montados, rótulos estão sendo gerados e regras estão sendo propostas. Mas a equipe de Analytics ainda está dimensionada para revisões trimestrais de regras. O pipeline de rotulagem não tem limites para a taxa de erro. A governança de detecção está acontecendo uma vez por mês quando deveria acontecer semanalmente. Ninguém está percebendo a deriva nos sistemas automatizados que, em velocidade humana, teria sido detectada em uma reunião semanal.
O sistema de fraude está mais automatizado, mas o seu ciclo de reação não é mais rápido. Pior ainda, o seu sistema está menos estável e menos seguro do que antes. Essa é a principal lacuna de supervisão na automação de fraudes: a automação escala, mas a governança não.
Esta é a versão mais comum de “adotamos IA, mas nada realmente mudou” – exceto que, nesta versão, as coisas na verdade pioraram. Porque é fácil esquecer que redesenhar o seu sistema também significa redesenhar a sua equipe, e não apenas reduzi-la.
O novo “mínimo indispensável” para a governança de análises de fraude
A capacidade de Análise de Fraudes que o modelo agêntico exige não é um custo adicional, mas sim uma realocação. As economias obtidas com a redução das Operações de Fraude devem financiar o crescimento da Análise de Fraudes.
Pode ser que o valor-alvo do orçamento seja mais alto do que o inicialmente previsto, mas é obrigatório construir a função da qual o novo sistema mais depende.
Em 2030, devemos esperar que as equipes de combate a fraudes tenham uma nova composição de competências consideradas o “mínimo indispensável”. As capacidades investigativas continuarão fazendo parte desse conjunto, mas não serão tudo. Além disso, as equipes precisarão incluir uma forte função analítica para operar seus agentes autônomos, monitorar pipelines automatizados, avaliar recomendações e manter a estabilidade dos sistemas de fraude com o apoio de IA.
Pense nos analistas de fraude como seus novos líderes de equipe de IA. Esse é o enquadramento correto.
Tenha uma visão completa sobre análise de fraude e governança de IA agente
A pressão de custos sobre as equipes de fraude não vai desaparecer e é provável que, nos próximos 12 meses, vejamos esses cortes sendo aplicados às equipes de Operações de Fraude em todo o mundo.
A questão é se as equipes vão manter e até expandir a área de Análise de Fraude ao mesmo tempo, e se elas entendem por que esse segundo movimento é o que torna o primeiro sustentável.
O que você acabou de ler é a explicação de por que esse reequilíbrio é importante. Se você quiser ir um nível mais fundo ou ter uma visão mais completa, você vai querer conferir o whitepaper de onde este post foi tirado.
Ele aborda em detalhes por que a migração para um modelo agentic é uma realidade à qual todas as equipes de fraude precisam despertar, como um sistema desse tipo deve ser estruturado, o quadro de pessoal e a combinação de competências que o novo sistema realmente exige, o modelo de governança que mantém o aprendizado contínuo seguro em grande escala e os padrões de implementação ao longo de dezoito meses — o que funciona, onde as equipes o comprometem e como defender essa sequência dentro da sua organização.
O que é análise de fraude?
A análise de fraude é a função que monitora dados de fraude, regras de detecção, desempenho dos sistemas, padrões de ataque, falsos positivos e sinais de risco operacional. Em um ambiente de fraude com uso de IA, a análise de fraude também ajuda a governar pipelines automatizados, validar recomendações de agentes e identificar quando os sistemas de fraude estão se desviando ou falhando de forma silenciosa.
Por que a análise de fraude é ainda mais importante com a IA agente?
A análise de fraude é ainda mais importante com IA agente, porque sistemas automatizados podem tomar decisões, gerar rótulos, sugerir regras e agrupar casos em grande escala. Sem supervisão analítica, esses fluxos podem falhar silenciosamente, amplificar erros e criar riscos antes que a equipe de fraude perceba todo o impacto.
O que é governança de análise de fraude?
A governança de analytics de fraude é o processo de monitorar, validar e aprimorar sistemas automatizados de detecção de fraude por meio de KPIs, alertas, revisões de desempenho, análise de causa raiz e detecção de desvio (drift). Ela oferece às equipes de fraude uma forma estruturada de supervisionar decisões orientadas por IA, em vez de presumir que a automação está funcionando corretamente.
Como a automação da detecção de fraudes muda o papel do analista de fraudes?
A automação da detecção de fraude desloca o papel do analista de fraude de revisar manualmente cada padrão ou escrever cada regra para passar a governar os resultados automatizados. Os analistas ainda precisam entender o comportamento fraudulento, mas seu trabalho passa cada vez mais a se concentrar em revisar as recomendações dos agentes, monitorar a saúde do pipeline, validar rótulos e garantir que a automação apoie as decisões de risco corretas.
O que são falhas silenciosas no pipeline de fraude?
Falhas silenciosas em pipelines de fraude acontecem quando um sistema automatizado de detecção de fraude quebra, sofre desvio ou faz recomendações ruins sem alertar imediatamente a equipe. Exemplos incluem um agente de rotulagem classificando casos de forma incorreta, uma recomendação de regra baseada em um padrão meramente coincidente ou um sistema de clusterização agrupando alertas de forma errada por causa de um problema de qualidade de dados.
Por que as equipes de prevenção a fraudes devem evitar reduzir as análises de fraude?
As equipes de fraude devem evitar cortar a área de analytics de fraude, porque a automação aumenta a necessidade de supervisão, em vez de reduzi-la. Se as equipes reduzirem o time de Operações de Fraude, mas não ampliarem a capacidade de analytics, podem acabar com menos investigadores, porém mais pipelines automatizados sem governança, ciclos de reação mais lentos e sistemas de prevenção à fraude menos estáveis.
Qual é a relação entre a governança de fraudes e a governança de IA agente?
A governança de fraude define como uma equipe gerencia o risco de fraude, o desempenho, os controles e a responsabilização. A governança de IA agêntica aplica esses mesmos princípios a fluxos de trabalho orientados por IA, garantindo que agentes, recomendações automatizadas, rótulos, regras e pipelines de re-treinamento sejam monitorados e controlados com segurança.
Como as equipes de prevenção a fraudes podem reduzir falsos positivos com análises mais avançadas?
As equipes de prevenção a fraudes podem reduzir falsos positivos usando análises de fraude para monitorar o desempenho das regras, revisar padrões de aprovação e recusa, analisar segmentos de clientes, acompanhar resultados posteriores e identificar onde usuários legítimos estão sendo bloqueados desnecessariamente. Análises robustas ajudam as equipes a reduzir o atrito sem enfraquecer os controles de fraude.
