--- title: Aproveitando a IA em investigações de fraude: por que os investigadores são os próximos criadores source_page: https://www.sardine.ai/pt/media/fraud-forward/episodes/leveraging-ai-for-fraud-investigations canonical: https://www.sardine.ai/pt/media/fraud-forward/episodes/leveraging-ai-for-fraud-investigations format: text/markdown date: 2026-10-28T01:01:00.000Z description: O uso de IA em investigações de fraude funciona melhor quando os investigadores estão no comando. Saiba como criar ferramentas de IA confiáveis e preservar o conhecimento institucional… --- **Quick links:** [Human page](https://www.sardine.ai/pt/media/fraud-forward/episodes/leveraging-ai-for-fraud-investigations) · [Home](https://www.sardine.ai) · [Customers](https://www.sardine.ai/pt/customers) · [Blog](https://www.sardine.ai/pt/blog) · [Demo](https://www.sardine.ai/pt/demo) --- # Aproveitando a IA em investigações de fraude: por que os investigadores são os próximos criadores **Published:** 2026-10-28T01:01:00.000Z O uso de IA em investigações de fraude funciona melhor quando os investigadores estão no comando. Saiba como criar ferramentas de IA confiáveis e preservar o conhecimento institucional… Olá, combatentes da fraude! Sejam bem-vindos de volta ao Fraud Forward! Conheci Assaf Kipnis por meio do trabalho dele na internet e, mais recentemente, ele compartilhou uma publicação sobre ter percebido que era mais do que um investigador. Assaf tem 13 anos de experiência nas áreas de segurança, confiança e proteção e fraude, tendo desempenhado funções de investigação no LinkedIn, Facebook, Google e ElevenLabs. Atualmente, dirige a sua própria consultora, especializada em investigações, desenvolvimento de soluções de IA e inteligência de ameaças. Na nossa conversa, levanta uma questão que eu ainda não tinha considerado. Enquanto nós, enquanto setor, debatemos se a IA irá substituir os investigadores de fraude, quem comete fraudes está a usar a IA para experimentar, inovar e aperfeiçoar as suas operações. O que acontecerá se eliminarmos precisamente as pessoas que nos ajudam a manter a dianteira? Falamos sobre como aproveitar a IA em investigações de fraude de uma forma em que os investigadores possam realmente confiar. Isso inclui as ferramentas de IA que estão sendo desenvolvidas para investigar fraudes, por que o contexto importa mais do que as alucinações, o que realmente significa manter um ser humano no processo e como uma base de conhecimento sobre fraudes pode evitar que o conhecimento institucional se perca quando alguém deixa a empresa. Vamos ao que interessa. O que você vai ouvir neste episódio: Por que as operações de fraude modernas funcionam como empresas, com metas, líderes e recrutamento, e por que derrubar mil contas não as desacelera Por que substituir investigadores de fraudes por IA pode se tornar uma desvantagem competitiva para as equipes antifraude Como Assaf criou uma ferramenta de investigação de código aberto que conecta fontes de OSINT e salva evidências no disco Por que as alucinações representam um risco menor do que a IA tomar decisões com base em um contexto incompleto ou desatualizado O que human in the loop e human on the loop significam na prática e por que revisar todas as decisões da IA não é escalável Por que a maior parte de uma solução de IA deve ser composta por código determinístico e onde um modelo de linguagem realmente agrega valor Como a mentalidade adversarial de um investigador ajuda no desenvolvimento com IA, inclusive ao tratar o modelo como um agente mal-intencionado Como uma base de conhecimento sobre fraudes registra o conhecimento de investigadores experientes e o preserva mesmo após sua saída O que os líderes de combate à fraude devem fazer em vez de simplesmente adicionar IA aos processos existentes Você deveria ouvir este episódio se: Quer saber se a IA substituirá os investigadores de fraudes ou recebeu a tarefa de automatizar investigações Lidera uma equipa de combate à fraude e procura um caminho prático para uma transformação com IA que preserve os seus conhecimentos especializados É investigador ou analista, sente-se limitado por não saber programar e quer descobrir o que muda com a IA Quer aprender a criar ferramentas de investigação de fraudes com IA, com mecanismos de proteção e evidências rastreáveis Preocupa-se com o que acontece ao conhecimento da sua equipa quando pessoas experientes saem ### Notas do episódio As operações fraudulentas funcionam como empresas Assaf passou anos em algumas das maiores plataformas e me disse que a imagem de um fraudador agindo sozinho está ultrapassada desde cerca de 2020. Hoje, as operações fraudulentas têm uma estrutura empresarial. Há pessoas encarregadas do trabalho operacional, líderes e equipes responsáveis pelo recrutamento e pela infraestrutura. Ele não acredita que derrubar mil contas cause grandes danos a uma operação desse tipo. Os invasores também têm mais facilidade do que nós. Eles não precisam se preocupar com falsos positivos nem com crescimento. Só precisam encontrar uma forma de entrar, e a fraude é todo o seu negócio. Comentei que, em um banco comunitário ou uma cooperativa de crédito, muitas vezes estamos apenas tentando impedir uma única fraude. O argumento dele era que não podemos nos defender bem de algo até entendermos sua verdadeira dimensão. Por que reduzir o número de investigadores pode nos fazer perder a corrida Perguntei ao Assaf sobre a tendência de usar a IA para reduzir o número de funcionários e automatizar as investigações. Ele vê riscos reais nisso. Criar uma ferramenta de IA é um projeto de desenvolvimento de software, e um modelo não conhece os detalhes da sua organização. Se retirarmos as pessoas que sabem combater fraudes, acabamos com decisões automatizadas para as quais não estamos preparados. Ele também me lembrou que os agentes não se recordam do dia anterior como uma pessoa e não têm ideias novas por conta própria. Enquanto isso, quem comete fraudes não está reduzindo as suas equipes. Está colocando pessoas para trabalhar com IA e experimentar coisas novas. Certa vez, um executivo bancário me disse que essas ferramentas são excessivamente complacentes para tomar boas decisões. Sem pessoas envolvidas, acabamos ocupados, mas sem avançar. A ferramenta que Assaf criou e por que as evidências são importantes As investigações de fontes abertas exigem muita paciência. Assaf criou uma ferramenta para tratar do trabalho mais moroso. A ferramenta liga-se a várias fontes e APIs de OSINT, incluindo o VirusTotal e a Spamhaus, e segue o método de investigação que ele aprendeu ao longo dos anos. Quando abre um caso, a ferramenta cria as pastas de provas e envia um conjunto de agentes para encontrar ligações, entidades associadas e atividades relacionadas. Tudo é guardado no disco e nada permanece no contexto do modelo, porque ele não confia nisso. Assaf mantém-se envolvido durante todo o processo. Questiona o que a ferramenta encontra e, quando necessário, orienta-a numa nova direção. Quando termina, a ferramenta produz um documento com capturas de ecrã e fontes que lhe permitem rastrear a origem de cada descoberta. Adoro esse pormenor. Um investigador pode confiar numa ferramenta quando cada descoberta é acompanhada pelas respetivas provas. O contexto representa um risco maior do que a alucinação Assaf foi cauteloso neste ponto. Ele não quer que ninguém saia pensando que as alucinações não são importantes, porque elas acontecem, sobretudo quando ele trabalha fora do seu próprio sistema. O que mais o preocupa é um modelo fazer uma avaliação com base num contexto incompleto ou incorreto. Ele comparou isso a um analista que lê um relatório de há dez anos e baseia toda uma decisão nele. O modelo não está a mentir. Simplesmente recorreu aos dados errados. Ele também não confia apenas no que um modelo aprendeu durante o treino. Em vez disso, pede-lhe primeiro que pesquise o tema e depois usa essa pesquisa para tomar a decisão. Comparei isso a pedir a um investigador que analise um caso sem lhe dizer de que tipo de fraude se trata. Ninguém esperaria bons resultados. O mesmo se aplica à IA. Uma decisão só é tão boa quanto o contexto em que se baseia. A supervisão humana é mais do que uma mera formalidade Assaf considera que “human-in-the-loop” se tornou uma expressão da moda. Se isso significar que alguém analisa cada resultado gerado pela IA, o trabalho avança a passo de caracol. Ele descreveu dois tipos de ciclos. No desenvolvimento, quer que a IA o avise quando algo falha ou quando chega a uma decisão que não está autorizada a tomar. Em matéria de fraude e segurança, o ciclo está mais relacionado com falsos positivos e com a revisão final. Para manter a supervisão sob controlo, desenvolve a maior parte de uma ferramenta com código convencional e utiliza o modelo apenas em pontos específicos. Não pede a um modelo que leia uma pilha de registos. Pede-lhe que escreva um script para os analisar e, depois, que raciocine sobre os padrões encontrados. Um sim, um não ou um número devem vir do código. O que retirei disto é que o verdadeiro trabalho consiste em decidir onde a IA pode tomar uma decisão e onde não pode. Os investigadores são os próximos criadores Durante anos, Assaf deparou-se sempre com a mesma limitação. Tinha ideias, mas, sem conhecimentos de programação, precisava de recorrer a engenheiros que levavam tempo a compreender o que ele queria dizer. A IA eliminou essa barreira. Agora, pode ser o tipo de analista-construtor que sempre quis contratar. Segundo ele, a sua mentalidade adversarial dá-lhe uma vantagem quando desenvolve algo. Trata o modelo como um agente malicioso. O modelo não tem intenções maliciosas, mas acabará por fazer algo que ele não esperava, e Assaf prepara-se para esse momento. Quando algo corre mal durante o desenvolvimento, ele para e faz uma análise da causa raiz, tendo transformado esse processo numa competência. Os investigadores fazem boas perguntas e detetam os problemas cedo, e ele acredita que isso fará deles a próxima vaga de criadores. Adorei ouvir isso. Mostra-me que os investigadores têm mais para oferecer do que aquilo que lhes reconhecemos. Transformando o conhecimento das pessoas em infraestrutura Perguntei a Assaf como podemos captar aquela intuição que um investigador experiente tem quando algo em um processo parece estranho. A resposta dele foi: uma base de conhecimento. Todos os relatórios e conclusões são registrados nela. As pessoas conversam com o modelo enquanto trabalham, e ele aprende com as perguntas delas. Quando alguém sai da equipe, ou simplesmente esquece o que fez no mês passado, a equipe pode perguntar o que aconteceu da última vez que surgiu algo parecido. Isso também resolve o problema do “você leu a wiki?”. A resposta vem do conhecimento acrescentado durante o trabalho. Assaf reconheceu que é difícil construir isso em grande escala e também fazer esse trabalho retroativamente, e que as pessoas continuam sendo necessárias. Alguém precisa cometer erros e aprender com eles. Para os líderes, o conselho dele foi sentar-se com cada investigador, decompor o trabalho e reconstruí-lo com IA. Incorporar IA aos processos atuais é tentador porque é rápido e barato. Ele espera que, daqui a cinco anos, as pequenas tarefas estejam suficientemente automatizadas para que os investigadores possam se concentrar em decisões mais importantes. Esse é um futuro que eu gostaria de ver. ### Principais conclusões As operações fraudulentas funcionam como empresas organizadas, e desativar contas individuais raramente as atrasa. Substituir os investigadores de fraudes por IA elimina o conhecimento especializado necessário para desenvolver e orientar ferramentas de IA. A IA não conhece sua organização, não se lembra do que aprendeu e não consegue inovar sem as pessoas. Evidências rastreáveis são o que torna uma ferramenta de investigação com IA confiável. Salve as descobertas fora do contexto do modelo. O contexto representa um risco maior do que a alucinação, pois um modelo que encontra os dados errados tomará a decisão errada. Human-in-the-loop significa decidir em que situações a IA pode tomar decisões e quando deve pedir ajuda, em vez de revisar cada resultado. A maior parte de uma solução de IA deve ser composta por código determinístico, com o modelo sendo usado em pontos específicos e controlados. A mentalidade adversarial de um investigador ajuda no desenvolvimento com IA, e a análise da causa raiz transforma falhas em aprendizados. Uma base de conhecimento sobre fraudes preserva o conhecimento institucional quando as pessoas saem, e ainda é necessário contar com pessoas para alimentá-la e corrigi-la. Os líderes de combate à fraude devem reformular os processos em conjunto com os seus investigadores e evitar simplesmente acrescentar IA ao que já existe. ### Conclusão final Passamos muito tempo a falar sobre o que a tecnologia pode fazer. Assaf lembra-nos de que ela funciona melhor quando capacita as pessoas que compreendem o problema. A sua equipa já detém conhecimentos que talvez nunca tenham sido documentados, desde o padrão que parece estranho até à história por detrás de uma decisão tomada há anos. Antes de decidir onde a IA se enquadra, pergunte-se como pode captar esse conhecimento especializado e colocá-lo em prática, e como os seus investigadores podem ajudar a conceber o que virá a seguir. A necessidade de investigadores não vai desaparecer. Recursos e links do episódio Quer receber mais conteúdo sobre o combate a fraudes na sua caixa de entrada? Assine a The Monday Fraud Fix, minha newsletter semanal com as tendências, histórias e principais aprendizados que estou acompanhando. Assine aqui. Conecte-se com Assaf Kipnis | LinkedIn Proprietário e consultor-chefe da ASK Consulting Conecte-se com Hailey Windham, CFCS | LinkedIn Apresentadora do podcast Fraud Forward Líder da comunidade bancária na Sardine Especialista certificada em crimes financeiros (CFCS) Destaque do setor de cooperativas de crédito em 2023, CU Magazine Prêmio de Melhoria Contínua, SAFE Federal Credit Union, 2023 Uma dos 20 melhores profissionais com menos de 40 anos, The Sumter Item, 2022