Detecção de fraudes por IA em 2026: como as instituições financeiras protegem as transações em tempo real.

A detecção de fraudes em tempo real está mudando rapidamente porque os pagamentos instantâneos praticamente não deixam margem para recuperação. Uma atualização notável ocorreu em 2 de setembro de 2026, quando a Visa anunciou um serviço A2A Protect aprimorado que combina as tecnologias da Visa e da Featurespace em uma pontuação de fraude unificada para pagamentos entre contas. A questão não é que um único produto resolva a fraude. A mudança mais ampla reside no fato de que as instituições financeiras estão combinando cada vez mais inteligência artificial (IA) em nível de transação com sinais comportamentais e inteligência de rede antes que o dinheiro saia de uma conta.

Isso é importante porque agora um pagamento pode ser transferido do remetente ao destinatário em segundos. Um banco não pode esperar que um processamento em lote leve a noite toda para decidir se uma transferência é suspeita. O sistema antifraude precisa coletar sinais, avaliar o risco, aplicar políticas e escolher uma ação dentro do prazo de autorização ou pagamento — e ainda aprovar transações legítimas rapidamente.

O anúncio da Visa, referente a setembro de 2026, está disponível no comunicado A2A Protect . Trata-se de um exemplo de uma tendência mais ampla do setor em direção à tomada de decisões em tempo real, informadas pela rede, em vez de depender apenas de regras estáticas dentro de uma única instituição.

O que a detecção de fraudes por IA realmente faz

A detecção de fraudes por IA utiliza modelos estatísticos e de aprendizado de máquina para estimar se uma atividade é legítima ou suspeita. Em pagamentos, o modelo raramente funciona sozinho. Normalmente, ele está inserido em um sistema de decisão mais amplo que também inclui regras determinísticas, controles de autenticação, limites de velocidade, sanções ou verificações de conformidade e investigação humana.

Para uma compra com cartão, a instituição pode estar decidindo se aprova, recusa ou solicita autenticação mais robusta. Para uma transferência instantânea entre contas, pode estar decidindo se permite o pagamento, o suspende (caso o sistema de pagamento e a legislação o permitam), solicita confirmação adicional do cliente ou encaminha o evento para uma equipe de prevenção a fraudes.

A visão geral atual da Visa sobre detecção de fraudes por IA descreve sistemas em tempo real que analisam dados de transações e comportamento, em vez de dependerem apenas de regras estáticas ou listas negras. Essa arquitetura básica é duradoura, mesmo com mudanças em modelos e fornecedores específicos.

Por que os pagamentos em tempo real aumentam a importância da tecnologia?

Os programas tradicionais de combate à fraude tinham mais tempo, em alguns fluxos de pagamento, para analisar atividades incomuns posteriormente. Os pagamentos instantâneos reduzem esse tempo. O serviço FedNow do Federal Reserve, por exemplo, permite que as instituições participantes enviem e recebam pagamentos 24 horas por dia, com os destinatários tendo acesso imediato aos fundos.

Em junho de 2025, o Federal Reserve Financial Services adicionou um recurso de limite de atividade da conta ao FedNow. As instituições participantes podem definir limites de valor em dólares e velocidade de transação por segmento de cliente. Essa é uma ilustração útil da defesa moderna contra fraudes: a IA é uma camada, enquanto controles simples, como limites de valor e frequência, continuam valiosos porque são rápidos, transparentes e fáceis de combinar com as pontuações do modelo. Veja o anúncio do Federal Reserve Financial Services .

O Pipeline de Detecção de Fraudes em Tempo Real

1. Capturar o contexto da transação

O sistema começa com o próprio pagamento: valor, comerciante ou destinatário, horário, canal, tipo de pagamento, moeda e identificadores da conta. Uma compra de supermercado de US$ 12 e uma transferência de US$ 12.000 para um novo destinatário não devem entrar no mesmo fluxo de decisão simplesmente porque ambas são pagamentos.

2. Adicionar sinais comportamentais e de dispositivos

O pagamento é comparado com o comportamento recente da conta. Sinais úteis podem incluir histórico de login, identidade do dispositivo, características do IP ou da rede, consistência da geolocalização, tempo decorrido desde alterações de senha ou dados de contato, idade da conta, velocidade de transação, destinatários anteriores e valores típicos de pagamento.

Essas características ajudam a distinguir o "incomum" do "fraudulento". Um cliente que compra uma passagem aérea de outro país pode parecer incomum isoladamente, mas normal quando o sistema também identifica uma reserva de viagem recente, um dispositivo conhecido e um relacionamento de longa data com o titular do cartão.

3. Adicionar inteligência de rede

Algumas fraudes são mais fáceis de detectar em uma rede do que dentro de uma única conta. Contas de laranjas, golpes coordenados, identidades sintéticas e estruturas de lavagem de dinheiro podem envolver muitos remetentes e destinatários espalhados por diversas instituições.

O Projeto Hertha do Banco de Compensações Internacionais (BIS), publicado em junho de 2025, explorou a análise de transações baseada em IA para sistemas de pagamento de varejo em tempo real. Em experimentos utilizando um conjunto de dados sintéticos com 1,8 milhão de contas e 308 milhões de transações, a adição de análises de sistemas de pagamento ajudou bancos e provedores de pagamento simulados a identificar 12% mais contas ilícitas, com uma melhoria de 26% na detecção de comportamentos nunca antes vistos. Esses foram resultados experimentais com dados sintéticos, e não garantias de desempenho para bancos em produção. O valor do projeto reside na lição de design: padrões de rede podem revelar relações que um banco individual não consegue visualizar em seu próprio livro-razão. Consulte o relatório do Projeto Hertha do BIS .

4. Produza uma ou mais pontuações de risco.

Os modelos convertem as características em probabilidade, pontuação ou categoria de risco. As instituições podem usar vários modelos simultaneamente — por exemplo, um para apropriação indevida de contas, outro para fraudes em transações sem a presença do cartão, outro para risco de golpes e um modelo de rede para relações suspeitas com destinatários.

A pontuação de um modelo não é automaticamente a decisão final. Um banco pode combiná-la com regras como "novo dispositivo + novo beneficiário + valor excepcionalmente alto" ou com limites de segmento de clientes. O objetivo é equilibrar as perdas por fraude com o custo de bloquear clientes legítimos.

5. Orquestrar uma ação

Os resultados típicos incluem aprovar, recusar, solicitar autenticação adicional, pedir confirmação, adiar quando permitido ou encaminhar para análise. Autenticação adicional significa solicitar comprovação mais robusta somente quando o risco for elevado — por exemplo, uma confirmação adicional no aplicativo ou outro fator de autenticação.

O mecanismo de decisão precisa ser rápido o suficiente para se integrar ao fluxo de pagamento. Plataformas de autorização de cartões geralmente tomam decisões de risco em milissegundos, enquanto sistemas de pagamento instantâneo normalmente levam apenas alguns segundos do início à liquidação.

Quais sinais de dados são mais importantes?

As regras ainda importam, mesmo com a IA.

É fácil descrever as regras como obsoletas e o aprendizado de máquina como seu substituto. Em sistemas de detecção de fraudes em produção, essa visão costuma ser simplista demais. As regras são excelentes para condições conhecidas que exigem ações determinísticas: países bloqueados, tipos de transação impossíveis, requisitos regulatórios, eventos duplicados, limites rígidos de valor ou controles de emergência recém-introduzidos.

A IA demonstra maior eficácia quando a decisão depende de combinações de sinais ou comportamentos que não podem ser expressos de forma clara em uma lista concisa de regras. Instituições consolidadas, portanto, utilizam uma abordagem em camadas: regras para políticas claras, aprendizado de máquina para riscos complexos, análise de redes para relacionamentos e revisão humana para casos ambíguos ou de alto impacto.

Por que os falsos positivos são uma métrica de segurança fundamental

Um sistema antifraude que bloqueia tudo é tecnicamente eficaz para impedir fraudes, mas inutilizável como sistema de pagamento. Um falso positivo é uma transação legítima classificada incorretamente como suspeita. Muitos falsos positivos geram atrito com o cliente, custos com centrais de atendimento, compras abandonadas e perda de confiança.

Por isso, as instituições monitoram mais do que apenas a taxa bruta de detecção de fraudes. As métricas importantes incluem perdas por fraude, taxa de recall ou detecção, precisão, taxa de falsos positivos, taxa de aprovação, taxa de atrito com o cliente, volume de revisão manual, latência e o custo financeiro de cada tipo de decisão.

O limite ideal é específico ao contexto. Uma compra de US$ 50 com cartão pode justificar uma tolerância diferente de uma transferência comercial de US$ 250.000 para uma nova conta. O controle de fraudes em tempo real é, portanto, um problema de otimização, e não meramente um problema de classificação.

Golpes de pagamento autorizado são mais difíceis do que fraudes com credenciais roubadas.

Algumas fraudes são relativamente simples: um criminoso rouba credenciais e inicia um pagamento que o cliente não autorizou. Outro tipo de fraude, frequentemente chamada de fraude de pagamento autorizado (APP, na sigla em inglês) , ocorre quando o cliente é manipulado para enviar o dinheiro pessoalmente.

Isso é mais difícil para a IA porque o login, o dispositivo, a autenticação e a confirmação final podem ser genuínos. Os sinais suspeitos podem, em vez disso, aparecer na rede de destinatários, no relato da transação, em um relacionamento incomum com o beneficiário, na velocidade do pagamento ou em um padrão de fraude mais amplo.

Essa é uma das razões pelas quais a inteligência em nível de rede está ganhando destaque. O lançamento do TRACE pela Mastercard em 2025, na rede de pagamentos em tempo real das Filipinas, e suas ferramentas antifraude A2A no Reino Unido são exemplos de provedores que buscam identificar riscos em diversas instituições, em vez de tratar os dados de cada banco como uma ilha isolada.

Desvio de modelo: os fraudadores mudam mais rápido do que os modelos estáticos.

A deriva do modelo ocorre quando a relação estatística entre os dados de entrada e os resultados da fraude muda ao longo do tempo. O comportamento do consumidor muda, novos produtos são lançados, os padrões sazonais se alteram e os criminosos exploram deliberadamente os controles para encontrar pontos fracos.

As instituições respondem com monitoramento, treinamento adicional, testes de campeões e desafiantes, ajuste de limites, atualizações de regras e feedback de casos de fraude confirmados. Rótulos de qualidade são especialmente importantes. O Projeto Hertha destacou dados de treinamento rotulados, ciclos de feedback robustos e algoritmos explicáveis ​​como fatores-chave para a eficácia.

Os sistemas em tempo real também precisam de salvaguardas contra rótulos adulterados ou de baixa qualidade. Se os clientes contestarem incorretamente transações legítimas ou se os investigadores classificarem os casos de forma inconsistente, um modelo pode aprender o padrão errado.

Explicabilidade e revisão humana ainda importam

As decisões relativas à detecção de fraudes afetam o acesso ao dinheiro, a experiência do cliente e as obrigações regulatórias. As instituições precisam de explicações suficientes para entender por que um modelo está se comportando de maneira diferente, investigar erros e justificar alterações nos limites ou nas políticas.

A explicabilidade não exige que todos os modelos sejam simples. Ela exige, sim, resultados operacionais úteis: quais sinais impulsionaram o risco, quais regras foram acionadas, como a pontuação mudou ao longo do tempo e se uma decisão foi consistente com a política aprovada.

Para eventos de alto risco ou ambíguos, a investigação continua sendo fundamental. A revisão humana pode incorporar contextos que um modelo não possui, identificar narrativas de fraude emergentes e criar rótulos mais precisos para a próxima atualização do modelo.

Em 2026, a governança do modelo é tão importante quanto a precisão do modelo.

Em abril de 2026, o OCC (Office of the Comptroller of the Currency), o Federal Reserve e o FDIC (Federal Deposit Insurance Corporation) emitiram uma versão revisada das diretrizes interinstitucionais para gerenciamento de riscos de modelos, enfatizando uma abordagem baseada em riscos. As diretrizes abordam o desenvolvimento e uso de modelos, validação e monitoramento, governança e controles, e modelos de terceiros. Também afirmam que a IA generativa e a IA agente não estão dentro do escopo dessas diretrizes específicas, por serem tecnologias inovadoras e estarem em rápida evolução.

Para as equipes de combate à fraude, a principal conclusão prática é que um modelo de alto desempenho não é suficiente. As instituições precisam de responsabilidade clara, uso pretendido documentado, testes, monitoramento, controle de mudanças, governança de dados e supervisão adequada dos modelos dos fornecedores. Consulte as diretrizes revisadas de 2026 do OCC sobre risco de modelo .

A estrutura voluntária de gestão de riscos de IA do NIST fornece uma estrutura intersetorial mais ampla em torno de Governar, Mapear, Medir e Gerenciar. Não se trata de regulamentação bancária, mas é útil para organizar questões sobre confiabilidade, transparência, privacidade, segurança e responsabilidade.

Onde a IA generativa se encaixa — e onde não se encaixa

A IA generativa pode ajudar investigadores a resumir casos, extrair informações de anotações, redigir narrativas de investigação ou pesquisar grandes repositórios de políticas e casos. Isso não significa que um modelo de linguagem complexo deva ser o único mecanismo de autorização a decidir se um pagamento é legítimo.

A avaliação de fraudes em tempo real geralmente depende de modelos estatísticos estruturados, otimizados para classificação de baixa latência, detecção de anomalias, análise de grafos e pontuações de risco calibradas. Sistemas generativos podem aprimorar o fluxo de trabalho, especialmente após um alerta, mas as instituições financeiras ainda precisam de controles determinísticos e comportamento mensurável do modelo ao longo do processo de transação.

O que os clientes percebem quando o sistema funciona

A maioria dos sistemas de detecção de fraude por IA é invisível. Um pagamento normal é aprovado sem etapas adicionais. Um pagamento um pouco incomum pode acionar uma confirmação no aplicativo. Uma transação de alto risco pode ser recusada ou encaminhada para análise. O objetivo é a fricção seletiva: adicionar segurança somente quando o risco justificar.

Para os clientes, isso significa que o sistema antifraude mais avançado pode parecer menos intrusivo do que um sistema mais antigo, pois consegue distinguir com mais precisão o comportamento normal da atividade suspeita. Para as instituições, o desafio é manter essa experiência enquanto respondem a novos padrões de fraude na mesma velocidade em que os pagamentos são processados.

Uma arquitetura prática para instituições financeiras

• Colete sinais de alta qualidade sobre transações, contas, dispositivos e comportamentos em tempo real.
• Utilize regras determinísticas para políticas claras e condições de alto risco conhecidas.
• Aplicar modelos de aprendizado supervisionado e de detecção de anomalias para avaliar o risco em nível de transação.
• Adicione análises gráficas ou de rede onde as relações entre o remetente e o destinatário sejam relevantes.
• Combine as pontuações em um mecanismo de decisão com limites específicos para cada segmento.
• Use autenticação de dois fatores ou revisão quando o risco for incerto, em vez de rejeitar automaticamente todas as anomalias.
• Integre ao sistema de monitoramento do modelo as informações sobre fraudes confirmadas, respostas de clientes e resultados de investigações.
• Monitore falsos positivos, taxas de aprovação, perdas por fraude, latência e volume de avaliações em conjunto.
• Validar modelos de materiais e monitorar desvios, qualidade dos dados e dependências de fornecedores.
• Mantenha canais de escalonamento claros para quando modelos, fluxos de dados ou sistemas de pagamento falharem.

A direção da viagem

A atualização do Visa A2A Protect de setembro de 2026, os controles de risco configuráveis ​​do FedNow e o Projeto Hertha do BIS apontam na mesma direção: a defesa contra fraudes está migrando de regras de transação isoladas para inteligência em camadas e em tempo real. Os sistemas mais robustos combinam comportamento individual, contexto da conta, dados do dispositivo, relações de rede, regras e conhecimento especializado humano.

A IA melhora a capacidade de classificar riscos rapidamente, mas não elimina as compensações. As instituições financeiras ainda precisam decidir quanta fricção é aceitável, como os modelos são validados, quais dados podem ser usados ​​legal e eticamente, como os sistemas de terceiros são governados e o que acontece quando o modelo é incerto.

Esse é o significado prático da detecção de fraudes por IA no setor financeiro em tempo real: não um único algoritmo que "sabe" sobre fraudes, mas um sistema de decisão projetado para converter continuamente evidências em constante mudança em ações proporcionais antes que uma transação se torne uma perda irrecuperável.