As taxas de fraude não aumentaram drasticamente desde que a IA generativa se popularizou. Se você comparar o seu painel de chargebacks de dois anos atrás com o de hoje, os números provavelmente não serão muito diferentes.
E, ainda assim, estamos começando a ver os sinais de uma mudança que se aproxima.
Os ataques mais perigosos, aqueles que não são visíveis às medidas clássicas de detecção, têm recentemente assumido uma forma diferente. Mais rápidos, mais dinâmicos e extremamente precisos ao explorar vulnerabilidades.
Ainda é cedo. Os fraudadores ainda estão descobrindo como criar e lançar esses ataques em grande escala, e a maioria ainda não dominou isso completamente. Mas os ataques que funcionam são fundamentalmente diferentes de tudo o que as equipes de prevenção à fraude já tiveram de enfrentar antes.
Quando essas técnicas se espalharem, e essa é a nossa previsão atual, as equipes que não tiverem atualizado sua forma de pensar vão sentir isso em seus números.
Estes são ataques de fraude polimórficos.
Veja o que são, por que rompem com a pilha de prevenção a fraudes convencional e o que você realmente precisa fazer a respeito.
Como é realmente um ataque de fraude polimórfico
Em um ataque de fraude convencional, os fraudadores escolhem uma tática e a mantêm até que os mecanismos de detecção a alcancem. Isso inclui sua infraestrutura de dispositivos e rede, o alvo e o vetor de ataque, bem como a sequência exata de ações.
Assim que o seu sistema detecta o ataque (rapidamente, espera-se), ele o bloqueia. Nesse momento, o fraudador precisa se reorganizar e repensar suas opções. Deve trabalhar em uma variação do ataque e tentar novamente, ou seguir em frente para outro alvo?
Um ataque polimórfico não funciona dessa forma. Em vez de uma pessoa ditar como ele será executado, isso é delegado a um sistema de fraude de IA agente. A pessoa define a estratégia, o que deseja obter, quais recursos estão disponíveis para os agentes e o orçamento.
Mas a verdadeira ameaça não é tanto a automação, e sim o tempo de reação.
Quando um agente de IA é bloqueado, ele lê o sinal de negação, ajusta seus parâmetros e tenta novamente. Não ao longo de dias ou mesmo horas, mas em ataques de fraude em frações de segundo.
Cada tentativa bloqueada se torna um ponto de dados sobre onde está o seu limite de prevenção a fraudes, e o ataque se reconfigura em tempo real para ficar logo abaixo desse limite.
Pense no que isso significa na prática. As equipes de prevenção a fraudes raramente conseguem reagir em poucos dias, às vezes só em semanas depois de identificarem um novo ataque. Agora o adversário está reagindo em milissegundos.
Essa luta nunca foi justa, mas agora está ficando ainda pior.
Na prática, as únicas opções que muitas equipes acabam tendo são ruins: aceitar perdas contínuas enquanto tentam criar uma resposta mais rápida, ou recorrer a algo drástico, como bloquear o tráfego de toda uma região geográfica ou suspender categorias inteiras de cartões.
Ambas as opções são sintomas de uma defesa criada para um tipo diferente de adversário.
Por que a fraude com IA agente torna o problema de acessibilidade ainda pior
Executar ataques automatizados sofisticados costumava exigir um nível técnico elevado. Era necessário tanto conhecimento em programação quanto compreensão de como funcionam os sistemas de prevenção a fraudes.
De fato, assim como acontece com as melhores equipes de prevenção a fraudes, ataques sofisticados costumavam exigir uma equipe inteira para serem executados com eficácia. O conjunto de habilidades necessário era simplesmente amplo demais. Com isso, aumentava o investimento inicial e o nível de entrada ficava ainda mais alto.
Os frameworks agênticos mudaram isso.
Agora você pode usar agentes de IA para realizar ataques de fraude complexos em velocidade de máquina e em grande escala, sem escrever uma única linha de código ou saber como funciona a prevenção de fraude do outro lado.
A barreira para realizar fraudes sofisticadas está aos poucos deixando de ser a habilidade e passando a ser a intenção.
A consequência não é apenas ataques maiores dos mesmos agentes. É um número maior de agentes, padrões de ataque menos previsíveis e uma superfície de ameaça mais ampla. Quando o volume aumenta e o perfil médio do atacante muda em direção a pessoas com menos experiência e menos sofisticação, os ataques se tornam mais caóticos e difíceis de modelar.
Por fim, também há algo a dizer sobre como os ataques agênticos “ajudam” a reduzir as inibições morais ao criar uma distância entre o fraudador e sua vítima. Isso é especialmente verdadeiro em casos de abuso de políticas, fraude de identidade sintética, tomada de controle de contas e fraude de pagamento. Tipos de ataques que muitas vezes são percebidos como fraudes “sem vítimas”.
Por que sua pilha de prevenção a fraudes convencional não consegue acompanhar ataques de fraude em velocidade de máquina
A arquitetura convencional de fraude, um mecanismo de regras sobreposto a um modelo de aprendizado de máquina, foi projetada para um mundo em que os atacantes se adaptam ao longo de dias ou semanas.
Você identifica um padrão, documenta, cria uma regra e a coloca em produção por meio do sistema de regras antifraude. Mas mesmo equipes excelentes teriam dificuldade para reagir em menos de 24 horas. Muitas vezes vejo isso levar até uma semana para as equipes.
As re-treinagens de modelos são ainda piores. Você precisa acumular um conjunto de dados novo e grande o suficiente (incluindo rótulos) para realmente fazer diferença. Isso pode facilmente levar meses.
Até agora, as equipes de alguma forma conseguiam sobreviver com esse tempo de reação porque o adversário também era humano. O ciclo de adaptação deles também era lento. Você estava sempre um passo atrás, mas a diferença era administrável.
Ataque em ritmo humano | Ataque polimórfico/agentivo | |
Ciclo de adaptação | Horas para dias | Milissegundos |
Variação de ataque | Manual, deliberado | Automatizado, em tempo real |
Habilidade necessária | Alta especialização técnica | Somente intenção |
Aprendendo com blocos | Reorganizar e repensar | Lê o sinal de negação e se ajusta instantaneamente |
Superfície de detecção | Padrões repetitivos | Parâmetros em mudança, eventos limítrofes |
Lacuna de defesa | Gerenciável | Não é mais gerenciável |
Mas a lacuna já não é mais administrável.
O problema aqui é o design. Nenhuma quantidade de analistas mais rápidos ou limites mais rígidos corrige um sistema mal projetado. Um sistema de fraude que precisa de um humano no circuito para responder em velocidade de máquina já nasce em desvantagem.
Para conseguir acompanhar os fraudadores, as equipes de combate à fraude precisam repensar completamente sua abordagem. E sua arma secreta é a mesma dos agentes mal-intencionados: IA agêntica.
O básico ainda precisa funcionar primeiro
A resposta óbvia aos ataques em velocidade de máquina é um sistema de detecção mais rápido e automatizado. Falamos sobre isso em nosso webinar recente, você pode conferir aqui.
Mas aqui está o dilema que continuo encontrando ao conversar com equipes de fraude sobre isso: um sistema mais rápido, construído sobre bases frágeis, não ajuda em nada. Ele só acelera o ruído.
Se os seus ciclos de aprendizagem não forem à prova de falhas, adicionar agentes não vai fechar essa lacuna. Se as suas etiquetas estiverem com três meses de atraso, ou se você não souber quantos falsos positivos produz, agentes de IA apenas o farão chegar mais rapidamente às decisões erradas.
Pense no que um agente polimórfico realmente precisa do lado defensor. Ele precisa ler sinais de negação, aprender com eles e se adaptar mais rápido do que o atacante consegue sondar. Isso exige pipelines de dados limpos, lógica de detecção que você consiga observar e ciclos de feedback que se fechem.
Mas a maioria das equipes de prevenção a fraudes, especialmente aquelas que dão suporte a sistemas que operam em velocidade humana, muitas vezes não dispõe dessa infraestrutura básica. Os dados costumam estar fragmentados em diferentes sistemas, não são processados para consumo por máquinas e às vezes são compartilhados apenas em conversas presenciais.
A ideia de que a IA é uma solução mágica capaz de superar essas limitações sozinha é um equívoco. Ou, pelo menos, não sem custos extras, tempo e desempenho degradado.
O principal erro que vejo as equipes de fraude cometerem quando correm para aproveitar a IA é tomar essa decisão antes de verificarem se estavam preparadas para isso.
Os seus dados são limpos e bem estruturados? Podem ser acessados e processados em um único ambiente? As suas rotulações são precisas? Você consegue implementar alterações nas regras de forma estável, segura e rápida?
Nada disso é glamoroso. Limpar pipelines de dados e encurtar ciclos de rotulagem não rende apresentações internas empolgantes. Mas é o pré-requisito para todo o resto.
Um sistema de detecção agente que não consegue aprender com sinais limpos e oportunos é apenas mais um sistema que se degrada mais rápido do que o atacante se adapta.
O que realmente é necessário para reagir
Neste ponto, você pode estar pensando: se o ataque se adapta em milissegundos, o que conseguir rótulos mais rápido realmente alcança? Mesmo o feedback quase em tempo real não chega perto de uma resposta em milissegundos.
Isso é justo. Mas isso deixa de lado algo importante sobre como esses ataques realmente se parecem na prática.
Ataques polimórficos muitas vezes não são tão invisíveis quanto parecem.
Cada evento individual pode parecer limítrofe por si só. Mas, em grande escala, esses ataques deixam um rastro claro, com centenas ou milhares de tentativas compartilhando a mesma impressão digital subjacente, mesmo quando os parâmetros específicos mudam. Quando você observa o quadro completo, o ataque geralmente se torna óbvio.
E é isso que torna tudo tão frustrante: ele simplesmente aprendeu a operar abaixo dos limites que você definiu. O problema não é que você não consiga vê-lo. É que o seu sistema não foi feito para enxergar no nível certo.
Chegar lá exige três coisas funcionando ao mesmo tempo.
Primeiro: agrupe os eventos em casos.
Sua detecção é acionada por transações individuais, que é exatamente o que os ataques polimórficos exploram. Cada evento permanece no limite, enquanto o conjunto é inconfundível.
Um agente que agrupa eventos aparentemente não relacionados por características, comportamento e timing do dispositivo oferece a unidade de análise correta. Quando você passa a olhar para o anel em vez dos eventos isolados, o ataque geralmente fica fácil de enxergar.
Segundo: analise o caso para identificar o padrão.
Quando você estiver no nível do caso, precisará de um agente que consiga consultar todos os dados, identificar as anomalias e comparar o que está vendo com ataques anteriores.
Ataques polimórficos são frequentemente versões evoluídas de algo que já o atingiu. Reconhecer que um novo ataque está fortemente ligado a um ataque conhecido é quase um pré-requisito para agir contra ele.
Caso contrário, você corre um risco muito grande de recusar usuários legítimos.
Terceiro: transforme o padrão em uma mudança de regra, com segurança.
Detectar o ataque só é útil se você puder agir rapidamente. Isso significa ter um agente que consiga acessar o seu mecanismo de regras, entender seus recursos e fazer backtests de uma mudança proposta usando dados históricos antes que ela seja implantada.
Sem isso, o risco de implementar uma alteração que introduza uma quantidade catastrófica de falsos positivos é muito alto.
Na minha experiência, é nessa última etapa que a maioria das equipes subestima o risco. O instinto, quando um ataque está em andamento, é agir rápido. Um agente que consegue se mover rapidamente e mostrar o impacto de uma mudança de regra na sua taxa de falsos positivos antes de entrar em produção é o que realmente protege você.
Etapa | O que faz | Por que isso é importante |
1. Agrupar eventos em casos | Agrupa eventos relacionados com base em sinais compartilhados de dispositivo, comportamento e tempo | Revela as transações individuais limítrofes, bem como o esquema de fraude |
2. Analisar o caso | Consulta todos os dados, identifica anomalias e compara com ataques conhecidos | Reduz falsos positivos e conecta novos anéis a padrões anteriores |
3. Retrotestar alterações de regras | Testa a regra proposta em dados históricos antes da implantação | Permite que as equipes se movam rapidamente sem introduzir picos catastróficos de falsos positivos |
A lacuna é o risco
A maioria das pilhas de prevenção a fraudes vai enfrentar ataques polimórficos antes de estar preparada para eles. As equipes que sairão na frente não serão aquelas com as regras mais rígidas ou com os modelos mais precisos no momento do impacto.
Serão aqueles cujos sistemas conseguem aprender e se adaptar dentro da mesma janela de tempo em que o ataque está em operação.
A diferença entre a velocidade com que o ataque se adapta e a velocidade com que suas defesas conseguem responder é a métrica que realmente importa. Vale a pena descobrir quão grande é essa diferença na sua organização antes que você passe a medi-la em perdas durante um incidente.
Quer ter a visão completa?
O que você acabou de ler é uma visão geral de por que ataques polimórficos quebram a pilha tradicional de prevenção a fraudes.
Temos alguns recursos sobre este assunto:
Este webinar está disponível sob demanda e aprofunda o que faz os sistemas de fraude funcionarem e por que isso está mudando.
Nosso white paper The Rise of Agentic Fraud Ops vai além, mapeando todo o ciclo de reação, explicando como redesenhar cada etapa do seu sistema de operações de fraude para maximizar a velocidade de aprendizado e apresentando uma sequência em cinco fases para chegar lá sem comprometer o que já funciona.
Se você gerencia um programa de fraude e está pensando em como a IA realmente se encaixa nisso, esse é o lugar certo para ir em seguida.
Perguntas frequentes sobre ataques de fraude polimórfica
O que é um ataque de fraude polimórfico?
Um ataque de fraude polimórfico é um tipo de ataque de fraude que muda de comportamento em resposta às suas defesas. Em vez de repetir uma única tática até ser bloqueado, o ataque lê os sinais de negação, ajusta seus parâmetros e tenta novamente. Isso torna mais difícil para uma pilha de prevenção a fraudes convencional detectar o ataque com regras estáticas ou revisões manuais lentas.
Como a fraude com IA agente muda a prevenção de fraudes?
A fraude com IA agente muda a prevenção de fraudes porque os atacantes agora podem se adaptar em velocidade de máquina. Um fraudador humano pode levar horas ou dias para se ajustar depois de ser bloqueado. Um agente de IA pode testar, aprender e reconfigurar o ataque em milissegundos, pressionando as equipes de fraude que ainda dependem de ciclos de resposta em velocidade humana.
Por que os ataques de fraude em velocidade de máquina são mais difíceis de impedir?
Ataques de fraude em velocidade de máquina são mais difíceis de deter porque avançam mais rápido do que a maioria das equipes de operações de fraude consegue investigar, rotular, criar regras, testar mudanças e implementar correções. Se o seu mecanismo de regras de fraude, os rótulos e os ciclos de feedback funcionam lentamente, o invasor ganha mais oportunidades para testar os limites da sua prevenção à fraude antes que você consiga reagir.
Por que um ataque de fraude polimórfica quebra a pilha tradicional de prevenção a fraudes?
Um ataque de fraude polimórfica quebra a pilha tradicional de prevenção à fraude porque essa pilha foi criada para adversários mais lentos. Uma configuração baseada em mecanismo de regras e modelo de aprendizado de máquina pode funcionar quando os atacantes se adaptam ao longo de dias ou semanas. Ela enfrenta dificuldades quando os ataques se transformam em tempo real e aprendem com cada tentativa bloqueada.
Que papel os ciclos de feedback de fraude desempenham na prevenção de fraudes com IA?
Os ciclos de feedback de fraude determinam a rapidez com que o seu sistema aprende com novos ataques. Se os rótulos estiverem desatualizados, os dados fragmentados ou a lógica de detecção for difícil de observar, a prevenção de fraude com IA fica mais fraca. Ciclos de feedback mais rápidos ajudam as equipes a identificar padrões, atualizar regras e se adaptar antes que o ataque já tenha causado perdas materiais.
Por que rótulos de fraude desatualizados são um problema para a detecção de fraude por IA?
Rótulos de fraude desatualizados são um problema porque ensinam seu sistema de fraude com base em padrões de ataque antigos. Se os rótulos chegam com semanas ou meses de atraso, sua detecção de fraude por IA está sempre aprendendo com o passado enquanto os fraudadores se adaptam no presente. A fraude polimórfica torna essa defasagem muito mais perigosa.
O que é necessário para uma prevenção de fraudes preparada para IA?
A prevenção de fraudes preparada para IA exige dados limpos, lógica de detecção observável, rótulos precisos, ciclos de feedback rápidos e implantação segura de regras. Adicionar agentes de IA sobre uma infraestrutura quebrada não resolve o problema; apenas ajuda o sistema a chegar mais rápido à decisão errada.
Como as equipes de prevenção a fraudes podem detectar fraudes polimórficas?
As equipes de prevenção a fraudes podem detectar fraudes polimórficas indo além das transações individuais e agrupando eventos relacionados em casos. Cada evento pode parecer apenas suspeito de forma isolada, mas o esquema de fraude mais amplo geralmente revela características de dispositivo em comum, sinais comportamentais, padrões de tempo ou outros vínculos que expõem o ataque.
Por que as equipes de fraude devem agrupar eventos em casos?
As equipes de fraude devem agrupar eventos em casos porque ataques polimórficos são projetados para ficar logo abaixo dos limites de detecção individuais. Quando as equipes agrupam eventos em casos, elas conseguem ver o padrão completo em vez de tentativas isoladas. Isso facilita a detecção de quadrilhas de fraude e oferece aos analistas uma unidade de análise melhor.
Como as regras de fraude testadas retrospectivamente ajudam na resposta em tempo real a fraudes?
Regras de fraude retrotestadas ajudam as equipes a agir rapidamente sem gerar falsos positivos desnecessários. Antes de uma alteração de regra entrar em vigor, as equipes de fraude podem testá-la em dados históricos para entender como ela afetaria usuários legítimos. Isso torna a resposta em tempo real a fraudes mais segura e precisa.
O que é velocidade de aprendizado em detecção de fraude?
A velocidade de aprendizado na detecção de fraude é a rapidez com que um sistema antifraude consegue observar um ataque, entender o padrão, atualizar sua lógica e responder. Em um mundo de ataques de fraude em frações de segundo, a diferença entre a adaptação do atacante e a resposta do defensor se torna uma das métricas de risco mais importantes.
O que é operações de fraude agentic?
Operações de fraude agênticas são um modelo de operações de fraude em que agentes de IA ajudam a detectar, investigar, rotular, agrupar e responder a ataques mais rapidamente do que fluxos de trabalho manuais tradicionais. Para ataques de fraude polimórficos, operações de fraude agênticas são importantes porque a defesa precisa aprender e se adaptar em um ritmo mais próximo da velocidade do ataque.
