Na parte 1 da nossa série sobre a ascensão das Operações de Fraude Agêntica, mostramos por que a pilha de fraude que você usa hoje foi construída para um adversário que já não existe mais e por que a pressão por corte de custos que você está sentindo e a deterioração do seu sistema de fraude são, na verdade, o mesmo problema disfarçado.
Principais conclusões
- Cada camada de uma pilha de prevenção a fraudes começa a se degradar no momento em que é colocada em produção: regras em poucos dias, listas de bloqueio na mesma velocidade e modelos de ML ao longo de semanas e meses.
- A eficácia é uma função de quão recentemente o sistema aprendeu, não de quão sofisticado ele era no momento do design. O principal KPI é o ciclo de reação, o tempo entre observar uma lacuna e implementar uma correção.
- A IA agente é a única forma de comprimir esse ciclo à velocidade das máquinas, porque adiciona capacidades que nenhuma equipe humana teria largura de banda para oferecer: rotulagem em tempo real, agrupamento de alertas em nível de toque e reconfiguração contínua.
- A exigência de corte de custos vinda das finanças é o mecanismo de financiamento para a reconstrução. Use-a de forma deliberada ou apenas a absorva e acabe menor e em pior situação.
Todo líder de fraude com quem conversei este ano recebeu alguma versão do mesmo memorando do financeiro: cortar custos.
Você já teve essa discussão. Você explicou que fraude não é um centro de custo típico, que os cortes propostos vão custar mais em perdas do que vão economizar em pessoal, que sua equipe já está operando de forma enxuta. Nada disso mudou a resposta. Os cortes estão acontecendo em toda a empresa, e vão acontecer na sua área quer você resista ou não.
Então quero apresentar um argumento diferente aqui, um que é mais difícil de defender para o seu CFO, mas mais fácil de colocar em prática depois que você o internalizar: use a pressão.
Sua organização de combate a fraudes estará significativamente diferente em dois anos, quer você a reconstrua ativamente ou não. O sistema que você está operando hoje foi projetado para um adversário que se movia em velocidade humana, e esse adversário está sendo rapidamente substituído.
A equipe que você construiu em torno desse sistema vai ficar sob pressão independentemente do que o financeiro fizer neste trimestre, porque o que está quebrando é o sistema, não o orçamento.
A ordem de corte de custos e a deterioração da sua pilha de prevenção a fraudes são o mesmo problema visto por dois ângulos. Se você encarar a ordem como o gatilho para a reconstrução que já deveria ter começado, os cortes passam a financiar a transformação.
Mas se você encarar isso como uma luta para defender o status quo, você perde a luta, sua equipe é reduzida e o sistema que sobra continua quebrando, só que menor.
É essa mudança de perspectiva que eu quero que você leve para a sua próxima reunião de planejamento. A pergunta não é "como reduzimos os custos de operações de fraude?". É "com que rapidez o nosso sistema aprende?". Porque tudo o que importa, incluindo custos, perdas, falsos positivos, taxas de aprovação e como será a sua equipe daqui a dois anos, depende desse único número.
Mas é o seguinte: a resposta para ambas as perguntas também é a mesma: "com a ajuda de uma IA agente."
Cada componente do seu sistema de fraude está se deteriorando neste exato momento
Olhe para qualquer stack de fraude e você encontrará a mesma arquitetura: modelos de ML na base pontuando a população em geral, regras no meio capturando o que os modelos deixam passar e revisão manual no topo lidando com a zona cinzenta que sobra. É o bolo de três camadas: é familiar por um bom motivo e, quando é bem mantido, funciona.
Mas aqui está o que sempre é deixado de lado em todo diagrama de arquitetura que já vi: cada camada desse bolo começa a se degradar no momento em que entra em produção.
As regras se degradam mais rápido. No minuto em que você coloca uma em produção, o adversário começa a testá-la por todos os lados, e o padrão que ela foi criada para detectar muda em poucos dias. As blocklists apodrecem do mesmo jeito, já que uma defesa estática, por definição, mira em um alvo em movimento.
Modelos de ML se degradam mais lentamente, mas são muito mais caros de atualizar. E uma atualização de modelo tem um efeito colateral que a maioria das equipes subestima: quando o novo modelo entra em produção, a distribuição de scores muda, e toda regra a jusante que foi calibrada com base na distribuição antiga de repente precisa ser reajustada. Centenas de regras podem falhar ou se comportar de forma imprevisível da noite para o dia, e é exatamente por isso que a maioria das equipes adia a atualização o máximo que pode.
Os únicos componentes do seu sistema de fraude que se degradam lentamente são aqueles que operam com dados atualizados, investigadores humanos analisando o que está bem à sua frente neste exato momento e, esta é a parte que a maioria das equipes ainda não internalizou totalmente, IA agente que faz exatamente a mesma coisa.
Todo o resto da sua stack está funcionando a partir de uma fotografia tirada semanas ou meses atrás.
Seu fluxo de trabalho de detecção de fraude é tão bom quanto a última vez que ele aprendeu
Aqui está a nova forma de enxergar as coisas em que o restante deste post se baseia:
A eficácia de um sistema de fraude, em qualquer momento, é função de quão recentemente ele aprendeu, não de quão sofisticado era quando foi implantado.
A maioria dos líderes avalia os sistemas de fraude em um eixo de sofisticação: modelos melhores, mais recursos, regras mais inteligentes, limites mais rígidos. Eles tratam a eficácia como se fosse determinada no momento do design. Mas a eficácia é, na verdade, determinada no momento do uso, e o intervalo entre esses dois momentos é a variável que controla o desempenho.
Uma regra simples enviada hoje de manhã superará uma regra sofisticada enviada há dois meses contra um padrão de ataque que surgiu na semana passada. A conclusão é direta: para evitar deterioração e garantir alto desempenho, nossos sistemas precisam aprender com mais frequência.
O ciclo de reação é o principal KPI do seu fluxo de trabalho de detecção de fraude
Se eu pudesse medir apenas uma coisa em uma equipe de fraude, seria o tempo que ela leva para identificar uma falha no sistema e implementar uma correção. Eu chamo isso de ciclo de reação, e ele tem seis etapas divididas em duas fases.
A fase de aprendizado abrange detectar a ameaça, definir seu escopo e encontrar a causa raiz. A fase de ação abrange projetar uma correção, testá-la e colocá-la em produção. Tudo o que fazemos como equipes de fraude acontece dentro desse ciclo: a tecnologia que usamos, os processos que seguimos, as habilidades do nosso time e as ferramentas que nos auxiliam.
Quer reduzir falsos positivos? Encurte o ciclo. Quer diminuir os chargebacks, aumentar as taxas de aprovação ou reduzir o acúmulo de investigações? A resposta é a mesma.
Não existe nenhuma forma de “melhorar os resultados de fraude” que não passe por esse ciclo, porque todos os outros indicadores que você reporta — precisão, recall, FPR, taxa de perda, conversão — são apenas reflexos a jusante de um único número a montante: a velocidade com que você reduz o intervalo entre observar algo e agir sobre isso.
Mas, se você perguntar a um líder de fraude qual é o ciclo de reação da equipe neste momento, vai receber um longo silêncio e, depois, um palpite. Quase nenhuma equipe mede isso explicitamente; em vez disso, elas medem tudo o que depende desse ciclo. E é exatamente por isso que a forma de falha é tão fácil de passar despercebida.
Os fraudadores não ficaram mais inteligentes, eles ficaram tão rápidos quanto as máquinas
Agora vamos considerar o que está acontecendo do outro lado. Os fraudadores não ficaram mais inteligentes nos últimos dois anos, eles ficaram mais rápidos.
O que as equipes de inteligência de ameaças começaram a sinalizar em 2025, e o que agora já vi confirmado em vários clientes da Sardine, é uma nova categoria de comportamento de ataque: adaptação em frações de segundo. Uma defesa entra em operação, e o ataque se transforma ao redor dela antes mesmo de a implantação ter sido concluída. Agentes de IA de fraude do outro lado estão lendo sinais de negação em tempo real, testando variações e ampliando rapidamente tudo o que funciona.
As equipes já foram obrigadas a recorrer a medidas drásticas, como suspender cartões de emissores inteiros por semanas seguidas ou bloquear uma parte significativa do tráfego de entrada, porque suas defesas não conseguiam se adaptar com rapidez suficiente.
Mas mesmo deixando de lado os ataques polimórficos mais sofisticados, a linha de base mudou. Fraudadores estão usando agentes de IA para as partes entediantes do trabalho deles, analisando o desempenho das campanhas, ajustando scripts, respondendo a e-mails de atendimento ao cliente para manter contas laranja ativas, e o tempo que esses agentes economizam agora está sendo usado para superar você.
O sistema em que todas as equipes de fraude operam atualmente foi projetado para um mundo em que a diferença entre a adaptação dos atacantes e a reação dos defensores era administrável.
O seu ciclo era lento, mas o deles também, porque o adversário era um humano trabalhando com ferramentas em escala humana, na velocidade humana. Essa suposição agora está morta, e o intervalo que antes era administrável está agora se ampliando em velocidade crescente.
A otimização não vai salvar o sistema atual
Quando você enfrenta esse tipo de pressão, o instinto é otimizar: reuniões mais curtas, painéis melhores, mais analistas, SLAs mais rígidos para a implementação de regras, forças-tarefa interfuncionais ou atualizações de modelos trimestrais passadas para mensais.
Tenho visto equipes colocarem muita energia em tudo isso, e nada disso gera o nível de agilidade que o momento exige. Por quê? Porque estão otimizando a camada errada.
Seu ciclo de reação não é lento porque as pessoas que o operam são lentas. Ele é lento porque foi projetado em torno de um aprendizado em velocidade humana. Os modelos são atualizados em ciclos trimestrais, as regras são revisadas em reuniões semanais de cadência, os limiares de segmentação são revisitados anualmente, se é que o são, e o feedback das investigações raramente retorna à camada de detecção de forma estruturada. E, quando retorna, chega semanas depois dos próprios eventos.
No melhor dos casos, você consegue extrair 20% a mais dessas etapas. Mas nenhum nível de otimização incremental corrige a suposição fundamental de design: operar em velocidade humana simplesmente não é mais suficiente.
A solução para a deterioração do fluxo de trabalho de fraude já está na mesa
Quero ter cuidado aqui, porque o setor está cheio de enquadramentos ruins nesse ponto. Não estou defendendo que você use IA para automatizar tarefas que hoje são feitas por humanos. Esse enquadramento é simplista demais, carece de direção e provavelmente está preparando a sua organização para o fracasso.
A afirmação real é mais específica: o próprio ciclo de aprendizado precisa operar em velocidade de máquina, em vez de velocidade humana.
Isso exige mais do que apenas “substituir pessoas por IA”. Trata-se de redesenhar o próprio sistema e como ele funciona. Para rodar ciclos de reação em velocidade de máquina, você precisa de uma arquitetura diferente, que permita aprendizados rápidos. A automação, sozinha, não levará você até lá.
Então, o que deixa de funcionar se você parar na automação? Sua equipe fica mais rápida no trabalho que já vinha fazendo, mas o trabalho que realmente impacta sua taxa de fraude é aquele que nenhum humano estava fazendo em primeiro lugar, e a automação não consegue criar um trabalho que não existia.
Ninguém na sua equipe está rotulando novas transações em tempo real, agrupando alertas de milhares de contas para encontrar a quadrilha a que pertencem ou ajustando continuamente os limites de segmentação conforme os grupos de usuários mudam.
Essas não são tarefas para automatizar, são capacidades que a maioria das equipes humanas nunca teve largura de banda para oferecer. Torne a revisão de casos três vezes mais rápida e você reduz o custo de investigação, mas o ciclo de reação não muda, porque o que limita o ciclo nunca foi a velocidade do trabalho dos investigadores. O problema é que os rótulos chegam com semanas de atraso, as regras são escritas de forma reativa e as atualizações de detecção chegam muito depois que o ataque já passou.
Ironicamente, a solução é a mesma que comprimiu o ciclo de adaptação do atacante de semanas para segundos. A IA agente já está dos dois lados do tabuleiro; a única questão é quem a utiliza de forma mais eficaz.
A IA agente pode agrupar alertas em casos de nível de anel, de modo que uma única decisão rotule milhares de eventos. Ela pode gerar rótulos continuamente a partir de dados novos, fechando o ciclo de feedback em poucos dias. Também pode propor novas regras e destacar candidatos a atualização de modelos já acompanhados de backtests.
O ciclo de reação se comprime porque o loop está se fechando em pontos onde antes ficava aberto, e agora você está reagindo em velocidade de máquina porque adicionou capacidades que sua equipe nunca teve.
Para um caso concreto de detecção de anéis com IA agente, veja como expusemos um esquema de fraude com 150 mil contas em 11 minutos.
A oportunidade, não a tendência
A pressão que você está sentindo do financeiro não vai desaparecer. Já expliquei por que enfrentá-la de frente é a estratégia errada, mas quero encerrar falando sobre o que torna este momento diferente de todos os outros ciclos de orçamento pelos quais você já passou.
A reconstrução e o corte de custos não precisam ser projetos separados.
Se você cortar 30% da equipe de Operações de Fraude isoladamente, continuará preso ao mesmo ciclo quebrado, só que com menos analistas. Os alertas se acumulam, a taxa de fraude aumenta e, em doze meses, você estará menor e em pior situação.
Mas, se você reconstruir o ciclo primeiro, a mesma redução de 30% no quadro de funcionários aparece do outro lado como consequência, e não como o primeiro passo. O financeiro enxerga o mesmo número, só que agora você tem um sistema que realmente funciona.
A maioria dos líderes de fraude está prestes a passar os próximos 18 meses ou resistindo à pressão por redução de custos ou absorvendo-a de forma desastrosa. O terceiro caminho (quando você o usa deliberadamente como fonte de financiamento para a reconstrução do sistema de que já precisa) exige que você entre na próxima reunião de liderança com um argumento diferente daquele que vem apresentando.
Não “não corte a minha equipe”, mas “me dê o mandato para reconstruí-la. A redução de pessoal será uma consequência.”
Esse é o argumento que quero que todo líder de fraude que esteja lendo isto esteja pronto para fazer. A equipe de fraude que você tem hoje vai quebrar sob a pressão dos próximos 18 meses de qualquer maneira.
A única questão é se o que a substituir será projetado por você ou montado por acaso.
Para uma visão interdisciplinar do mesmo argumento em velocidade de máquina aplicado à AML, veja a IA agêntica da Sardine para AML.
A reconstrução completa do fluxo de trabalho de detecção de fraude
O que você acabou de ler é uma reformulação ampla de por que a IA agente é o futuro das operações de prevenção a fraudes e não apenas um fator de pressão para baixo. Se você quiser se aprofundar mais um nível ou ter uma visão mais completa, confira o whitepaper do qual este post foi extraído.
Ele explica em detalhes por que a adoção de sistemas agentic é uma realidade à qual todas as equipes de fraude precisam despertar, incluindo:
Como um sistema desse tipo deve ser
- A quantidade de pessoal e a combinação de competências que o novo sistema realmente precisa
- O modelo de governança que mantém o aprendizado contínuo seguro em larga escala
- Os padrões de implementação em 18 meses, o que funciona e onde as equipes falham
- Como defender a sequência dentro da sua organização
Se você é a pessoa na sua empresa que vai financiar, organizar e defender esse trabalho internamente, vai encontrar muitas das respostas lá.
O que é o ciclo de reação a fraudes?
O ciclo de reação a fraudes é o tempo que uma equipe de fraude leva para identificar uma brecha no sistema e implementar uma correção. Ele tem seis etapas divididas em duas fases: uma fase de aprendizado (detectar, dimensionar, encontrar a causa raiz) e uma fase de ação (desenhar, testar, implementar). Todos os outros indicadores que uma equipe de fraude reporta — falsos positivos, chargebacks, taxas de aprovação, taxa de perda — são consequências diretas da velocidade com que esse ciclo se fecha.
Por que a IA agente é diferente de regras e ML na detecção de fraudes?
Tanto as regras quanto os modelos de ML começam a se degradar a partir do momento em que entram em produção: regras em poucos dias, modelos ao longo de semanas e meses. A IA agente opera continuamente com dados atualizados: ela rotula novas transações, agrupa alertas em casos no nível de anéis e destaca candidatos a atualização de modelos já acompanhados de backtests. A diferença não é que a IA agente seja mais inteligente, e sim que o sistema aprende com informações mais recentes.
O que é desvio de modelo na detecção de fraude?
O desvio de modelo ocorre quando um modelo de fraude de ML é treinado com base em um retrato momentâneo do comportamento de ataque e, depois, os atacantes mudam suas táticas. O modelo continua atribuindo pontuações da mesma forma que no momento da implantação, mas a população que ele está avaliando mudou, e o desempenho se degrada silenciosamente. Atualizar o modelo redefine a linha de base, mas também altera a distribuição das pontuações e obriga a retunagem de todas as regras a jusante, motivo pelo qual a maioria das equipes adia essa atualização.
Qual é o padrão de implantação ideal para IA agente em operações de fraude?
O padrão que funciona em produção é usar agentes especializados em tarefas específicas, não um único agente de ponta a ponta que tenta conduzir toda a investigação. Um agente de geração de rótulos em dados recentes, um agente de clusterização que encontra redes, um agente de verificação de sanções, um agente de redação de narrativas para o SAR. Cada um tem entrada, saída e avaliação bem definidas. O trabalho se potencializa porque cada agente faz bem o seu próprio trabalho, não porque um único agente tenta fazer tudo ao mesmo tempo.
Como a IA agente afeta o dimensionamento e a combinação de competências da equipe de prevenção a fraudes?
O número de pessoas geralmente diminui, mas o formato da equipe muda mais do que o tamanho. As áreas de detecção e engenharia de ML ganham participação, os analistas de nível 1 que fazem triagem de casos encolhem rapidamente, os investigadores se consolidam em um grupo menor e mais sênior focado em casos escalados pelos agentes, e surge uma nova função dedicada a avaliar os próprios agentes. Governança e risco de modelo também ganham participação. A conversa de planejamento na qual um líder de fraude entra deve descrever esse formato, não apenas a linha de custo.
