As equipes de combate a fraudes estão sendo pressionadas de todos os lados.
Os volumes de ataques continuam teimosamente altos, enquanto a complexidade só aumenta. E ainda assim, apesar dessa pressão implacável, profissionais de fraude em todo o mundo se preparam para orçamentos menores, menos contratações e uma demanda crescente para fazer mais com menos.
Este é o cenário que emerge do Relatório Global de Pagamentos e Fraude no eCommerce 2026 do MRC, em sua 27ª edição, copatrocinado pela Visa Acceptance Solutions, CyberSource, Verifi e conduzido pela empresa de pesquisa de mercado B2B International.
Mais de 1.200 comerciantes de e-commerce em 37 países foram entrevistados no final de 2025. É um dos retratos anuais mais completos do cenário de operações de fraude e, se você ainda não leu, deveria.
Naturalmente, minha atenção ficou quase totalmente voltada para uma seção específica: “Estratégias e Desafios de Gestão de Fraude”. Seu resumo tem duas partes que, quando lidas em conjunto, contam uma história que o próprio relatório nunca chega a concluir.
Essa história é sobre IA agente, embora não da forma como o setor normalmente a apresenta.
O orçamento deu o seu veredito
Vamos começar pelo número que me deixou sem palavras.
Em 2024, 10% dos comerciantes citaram a redução dos custos operacionais como sua principal prioridade na gestão de fraudes. Mas em 2026, apenas dois anos depois, esse número quase triplicou, chegando a 29%.
Pela primeira vez na história das pesquisas do MRC, as três prioridades centrais convergiram: reduzir fraudes e estornos, melhorar a experiência do cliente e minimizar os custos operacionais agora ocupam o topo das prioridades, com participações aproximadamente iguais entre os comerciantes.
Esta é uma mudança enorme. A minimização de custos ficou em um distante terceiro lugar durante anos.
Então, o que mudou?
A resposta simples é macroeconomia. O início de 2026 não tem sido um grande ano para a economia. Mas eu contestaria essa forma de enquadrar a situação. Nada no ambiente atual é dramaticamente pior do que em 2023 ou 2024.
A interpretação mais honesta é que algo estrutural mudou. Conselhos e equipes executivas têm observado a IA agente transformar o suporte ao cliente nos últimos dois anos, reduzindo significativamente o número de funcionários enquanto mantém a produtividade. A expectativa agora é generalizada: se a IA consegue fazer isso com o suporte ao cliente, também pode fazer com as operações de fraude. Essa expectativa já está incorporada nas decisões de headcount que estão sendo tomadas neste exato momento.
Os dados confirmam isso: 52% dos comerciantes esperam que os gastos com equipe e talentos de gestão de fraude se mantenham estáveis ou diminuam nos próximos dois anos. Quase o mesmo número (44%) diz o mesmo sobre seus gastos com ferramentas e tecnologias.
No conjunto, esses dados traçam um quadro contundente de profissionais de gestão de fraude sendo obrigados a lidar com uma ameaça crescente com recursos cada vez mais limitados.
E é improvável que isso se reverta no futuro.
Não vamos voltar aos níveis de efetivo de operações de fraude de 2022 ou 2023.
A questão não é se as equipes de fraude vão continuar pequenas. É como se espera que elas façam seu trabalho?
A resposta óbvia é adotar IA agente para preencher essas vagas em aberto e permitir que equipes menores façam mais.
Essa também é a conclusão do relatório? Não diretamente, mas ele também não deixa ao leitor outras opções ou lições a tirar. Afinal, no ambiente atual, a IA agente é a resposta padrão para tudo.
O verdadeiro problema é o dos dados
Agora vem a parte do relatório que acho mais interessante:
Embora a pressão de custos seja o obstáculo imediato, a maior frustração para os líderes de fraude não é exatamente o dinheiro. E é aqui que a história da IA agente fica mais complexa e, eu diria, mais convincente.
Quando confrontados com 15 diferentes desafios de gestão de fraude, os comerciantes em 2025 apontaram problemas de dados e tecnologia como quatro dos seis principais. No total, 80% dizem que estão enfrentando dificuldades com pelo menos um desafio relacionado a dados e tecnologia.
Detalhando, os quatro principais desafios apontados pelos comerciantes são:
- Uso eficaz de dados para gerenciar fraudes - 31%
- Precisão da IA/ML na prevenção de fraudes - 31%
- Disponibilidade e acesso a dados - 29%
- Identificar e responder a novos tipos de fraude - 29%
Esses parecem quatro problemas distintos, mas na verdade são o mesmo problema visto de ângulos diferentes.
Observe o principal desafio: usar os dados de forma eficaz. Não acessá-los (isso é o terceiro da lista), e sim usá-los. Há uma grande diferença.
A maioria das equipes de fraude possui ferramentas que coletam dados. Muito poucas têm a infraestrutura analítica e o talento necessários para transformar esses dados em decisões em tempo real, pistas de investigação ou atualizações de regras em qualquer velocidade significativa.
Os dados existem, mas falta a capacidade de agir sobre eles.
O desafio da precisão em ML conta uma história semelhante. Os modelos de machine learning para prevenção de fraude não melhoraram substancialmente na última década e pode-se até dizer que chegaram a um platô. Por isso, quando as equipes desejam uma precisão maior, eu mesmo continuo cético de que isso realmente vá se concretizar.
Mas a questão mais interessante é por que as equipes o avaliam tão bem, considerando que é provável que elas também não tenham grandes expectativas.
Na minha opinião, a explicação é simples: porque isso resolve exatamente o mesmo problema que acabamos de discutir. Se os seus modelos resolvem automaticamente a fraude por você, você não precisa analisar os dados para fazer isso sozinho.
Então, o que eles realmente precisam não é de um modelo melhor. Eles precisam de sinais de entrada melhores e de processos de P&D mais inteligentes para identificar o que está faltando no modelo e gerar regras que cubram essas lacunas.
“Identificar e responder a novos tipos de fraude” é apenas um sintoma dos dois primeiros problemas. Se o seu pipeline de dados é fragmentado e a sua equipa já está sobrecarregada, manter-se à frente dos padrões emergentes é quase impossível.
Quando um analista humano identifica um novo ataque, formula uma hipótese, escreve uma regra, faz com que ela seja revisada e a coloca em produção, o ataque já se espalhou.
Eis a conexão que o relatório sugere, mas nunca explicita: IA agente é uma resposta única e coerente a todos esses quatro desafios. Mas somente se for usada corretamente.
A tentação é usar IA agente para automatizar o que você já está fazendo, assim como em operações de fraude.
Esse é um primeiro passo razoável. Ele economiza tempo e reduz o trabalho manual. Mas não é aí que está o verdadeiro valor.
O verdadeiro valor está nas capacidades “totalmente novas”: coisas que a sua equipa não faz hoje porque lhe faltam as pessoas, as competências ou a disponibilidade para as realizar.
Aqui está um exemplo concreto de como o “net new” se aplica à prevenção de fraudes:
1. Um agente de IA sinaliza uma anomalia nos padrões de transação.
2. Um segundo agente analisa essa anomalia como um humano faria, rotula cada caso suspeito e caracteriza o formato do ataque.
3. Um terceiro agente escreve uma regra para bloqueá-lo e a prepara para revisão antes da implantação.
Tudo isso acontece sem um analista de fraude, sem um ticket de backlog e sem um ciclo de sprint.
Mas esse fluxo de trabalho não existe em muitas equipes de fraude hoje, mesmo com humanos fazendo o trabalho.
Executá-lo exige uma combinação de habilidade analítica, conhecimento especializado em fraude e agilidade operacional que as equipes humanas não conseguem sustentar de forma realista, especialmente em um ambiente que exige menores custos e redução de pessoal.
A IA agente não apenas torna esse fluxo de trabalho mais rápido. Ela o torna possível.
Por baixo da superfície, é exatamente isso que os quatro desafios de MRC estão descrevendo.
As equipes não conseguem usar seus dados de forma eficaz porque isso exige habilidades e capacidade que elas não têm. A precisão de ML estagnou, então a próxima melhoria não virá do modelo, e sim de processos de P&D melhores.
Identificar novos tipos de fraude exige análise quase em tempo real em grande escala, não equipes tão sobrecarregadas que mal conseguem dar conta das operações básicas.
A resposta unificada para todas essas preocupações? Uma IA agente implantada em uma plataforma com acesso aos dados certos.
Para que os agentes da Sardine foram criados
Já abordamos casos de uso específicos com mais detalhes neste blog, então não vou repetir tudo aqui. Mas há um ponto que vale a pena destacar diretamente no contexto do que o relatório do MRC revela.
O desafio das plataformas de fraude não é apenas automação de fluxos de trabalho, é também acesso a dados. Um agente só é tão útil quanto as informações às quais consegue ter acesso.
Um agente que consegue sinalizar uma anomalia, mas não consegue cruzá-la com sinais de fraude em nível de rede, comportamento do dispositivo e padrões históricos de transações, fica limitado no que realmente pode concluir.
O que diferencia os agentes da Sardine é que eles operam dentro da própria plataforma. Eles têm acesso nativo a todo o conjunto de dados: inteligência de dispositivo, detecção real de IP, sinais comportamentais, dados de grafos de rede e sinais de fraude entre diferentes comerciantes.
Um agente que roda sobre um wrapper genérico de LLM precisa importar dados, normalizá-los e trabalhar dentro de qualquer contexto que você tenha fornecido manualmente.
Um agente em execução dentro da plataforma da Sardine já sabe o que aconteceu, por que aconteceu e como eventos análogos se pareceram em toda a rede.
Isso é diretamente relevante para os desafios que o relatório apresenta. “Usar dados de forma eficaz” não se resolve apenas conectando um agente ao seu data warehouse.
Isso é resolvido por agentes que entendem o contexto de fraude e têm acesso aos próprios dados de fraude enriquecidos, seja a impressão digital do dispositivo, o comportamento de mascaramento de IP ou os padrões de velocidade.
Mas também quero ser direto sobre os limites aqui.
A IA agente não vai consertar uma pilha de prevenção a fraudes quebrada. Se os seus dados estiverem fragmentados, suas ferramentas desconectadas entre vários fornecedores e sua equipe não tiver procedimentos operacionais padrão claros para investigação, os agentes só vão herdar esses problemas. Lixo entra, lixo sai se aplica aqui tanto quanto em qualquer outro lugar.
Os dados da MRC mostram que 43% dos comerciantes estão priorizando a orquestração de fraude ao longo do próximo ano. Isso não é coincidência.
A orquestração é o pré-requisito. Automação sem orquestração apenas acelera o caos.
Também existem modos reais de falha a serem mencionados. Escrevemos sobre os três mais comuns no mesmo artigo de blog citado acima: conclusões alucinatórias, escalonamento excessivamente desconfiado e resultados que não podem ser defendidos perante as equipes de conformidade ou de operações.
Esses são riscos reais. A forma de mitigá-los é usar agentes dedicados para tarefas específicas e bem delimitadas, em vez de agentes de uso geral tentando conduzir investigações de ponta a ponta.
A IA agêntica recompensa as equipes que fizeram o trabalho fundamental de organizar dados limpos, sistemas coerentes e processos claros. Para as equipes que não fizeram isso, é provável que ela exponha esses problemas mais rápido do que os resolva.
Em resumo
O relatório de 2026 do MRC é um retrato de um setor em um ponto de inflexão.
Os orçamentos estão mais apertados, as equipes são menores e a fraude é mais complexa do que nunca.
E embora a IA agente seja a principal fonte de pressão sobre as equipes para reduzir custos, ela provavelmente também é a única solução viável.
Mas é o seguinte: as equipes que o usarem para automatizar seus fluxos de trabalho atuais só verão ganhos incrementais. Vale a pena fazer isso, não me entenda mal, mas não é o limite do que é possível.
As equipes que usam IA para criar capacidades que nunca tiveram antes, como P&D automatizado de fraude e identificação de padrões em tempo real, são as que realmente vão mudar a equação.
Então a verdadeira questão não é se a sua equipe deve adotar IA agentiva, mas o que vocês vão construir com ela que não conseguiam construir antes.