Fraude digital em meios de pagamento: como combinar IA, biometria e análise comportamental

A mesma tecnologia que barateou o ataque é hoje a única capaz de sustentar a defesa. Essa leitura deixou de ser previsão e virou consenso operacional no setor financeiro brasileiro.

Os números explicam a urgência. Um estudo da Microsoft com executivos do setor financeiro aponta que 93% acreditam que a Inteligência Artificial (IA) tornou as fraudes mais sofisticadas, 90% consideram a tecnologia a próxima grande vulnerabilidade explorável do sistema financeiro e 84% afirmam que suas instituições já sofreram ataques envolvendo IA agêntica, percentual acima da média global. O Brasil registra a maior taxa de exposição a golpes de engenharia social com deepfakes entre os países latino-americanos pesquisados, com 64%. Em resposta, 93% das organizações já usam ou planejam implementar controles de fraude baseados em IA.

A reflexão deixou de ser se a IA entra na defesa, mas como fazê-la entregar segurança de verdade.

Por que a fraude migrou da transação para o comportamento?

Porque atacar a pessoa ficou mais barato do que atacar a infraestrutura. Tokenização, autenticação forte, biometria e reconhecimento de dispositivo fecharam boa parte dos vetores técnicos, Mas o crime não desistiu, apenas mudou de alvo.

Levantamento da Quod registrou mais de 9 milhões de indícios de fraude no primeiro semestre de 2026, alta de 10,26% sobre o semestre anterior, com a engenharia social respondendo por cerca de 3,6 milhões de ocorrências, o equivalente a 40% do total. O celular aparece em 78% dos casos e o Pix é o meio de movimentação em 85%. Foram 3,1 milhões de vítimas, das quais cerca de 799 mil caíram mais de uma vez.

Por que os controles tradicionais não veem

Quando o golpe é por engenharia social, a transação chega ao motor antifraude com dispositivo correto, credencial correta, geolocalização correta e autenticação bem-sucedida. Nada é anômalo, porque quem autorizou foi mesmo o titular. Modelos transacionais respondem à pergunta “esta operação é anômala?”. Na fraude por manipulação, a resposta é não.

O que a IA passa a enxergar

A Inteligência Artificial muda o patamar da defesa, porque esses sinais são fracos, numerosos e só fazem sentido em conjunto – precisamente o tipo de padrão que regra fixa não captura e modelo captura bem:

• Biometria comportamental: ritmo de digitação, pressão e trajetória de toque, forma de segurar o aparelho. Difere entre o titular e alguém sob instrução externa.
• Análise de sessão: hesitação atípica, alternância entre o aplicativo e uma chamada ativa, tempo de leitura muito acima do habitual em telas conhecidas.
• Grafos de relacionamento: contas de destino que concentram recebimentos de vítimas sem vínculo entre si revelam redes de laranjas que a análise transação a transação nunca expõe.
• Modelos de linguagem aplicados a narrativa de golpe: reconhecimento dos padrões de urgência, autoridade e medo em canais de atendimento e em fluxos de contestação.

Nenhum desses sinais existe no registro da transação. Todos existem na sessão e no relacionamento. Quem instrumentou apenas a transação não os coletou e nenhum modelo compensa dado que não foi capturado.

Como manter um modelo eficaz quando o fraudador aprende junto?

Reconhecendo que este não é um problema de drift estatístico comum, e sim de adaptação adversarial. A distinção é operacional. No drift tradicional, a distribuição muda por razões alheias ao modelo. Na fraude, ela muda porque o modelo entrou em produção: o adversário observa o que passa, infere a regra e a contorna. Todo modelo antifraude começa a se degradar no dia em que sobe, e a velocidade dessa degradação é definida por quem está do outro lado.

Quatro práticas sustentam eficácia ao longo do tempo.

Encurtar o ciclo de retreino

Retreino trimestral em um vetor que muda em semanas não é eficaz. A cadência deve ser definida pela degradação observada, não pelo calendário do time de dados.

Preservar rótulos não enviesados

É o ponto mais negligenciado. O modelo só recebe desfecho das operações que aprovou; das que bloqueou, nunca se sabe se eram fraude. Sem um pequeno grupo de controle aprovado deliberadamente, com risco assumido e medido, o modelo aprende apenas com a própria decisão anterior e confirma os próprios erros.

Separar o que muda rápido do que muda devagar

Regras determinísticas absorvem o vetor novo em horas. Modelos capturam padrão estrutural e resistem a ruído. Resolver tudo com modelo demora demais para reagir; resolver tudo com regra acumula exceções que ninguém audita.

Não ensinar o adversário

Mensagens de recusa detalhadas e limites facilmente inferíveis por tentativa e erro entregam o mapa ao fraudador. Explicabilidade é obrigação interna e regulatória, não conteúdo de tela.

Falso positivo ou perda por fraude: qual erro custa mais?

Os dois custam. O que os diferencia é a visibilidade: a perda por fraude aparece no resultado, tem dono e gera comitê. O falso positivo não aparece em lugar nenhum, porque o cliente legítimo é recusado, não reclama e vai embora.

O relatório Scamscope, da ACI Worldwide com a GlobalData, indica que uma em cada quatro vítimas de golpe afirma que trocará de instituição financeira, e projeta perdas de até cerca de R$ 11 bilhões com golpes do Pix no Brasil até 2028. Se a experiência de ser vítima produz esse efeito sobre a permanência, ser tratado como fraudador sem ter feito nada tende a produzir algo próximo.

O ganho real da IA não está no limiar

Aqui está o ponto que costuma se perder na discussão executiva. Ajustar o ponto de corte apenas troca um erro pelo outro: aperta-se o limiar, a fraude cai e o falso positivo sobe; afrouxa-se, ocorre o inverso. É um jogo de soma zero.

O que a IA bem aplicada faz é diferente: ela aumenta o poder de discriminação e derruba os dois erros ao mesmo tempo. Um modelo que enxerga sinal comportamental e de rede separa melhor cliente legítimo de fraudador do que um que só enxerga a transação e, com isso, permite aprovar mais e perder menos simultaneamente.

É o que diferencia um projeto de IA que entrega segurança de um que apenas automatiza a decisão anterior.

Os três números que decidem a calibragem

Definido o modelo, o ponto de corte ainda exige valor médio do cliente legítimo perdido, perda média por fraude aprovada e custo médio de uma revisão manual. Sem eles, o limiar é opinião.

E nenhum desses valores é constante. Recusar um cliente na primeira compra custa diferente de recusar quem está há oito anos na base. Um limiar único aplicado à operação inteira é, ele próprio, o erro — e é a configuração mais comum em produção.

Quais dados precisam existir antes de qualquer modelo funcionar?

A maior parte dos fracassos em projetos antifraude não é de modelagem, é de dado. Cinco condições precedem qualquer discussão sobre algoritmo, veja a seguir quais são: 

Rótulo confiável

Fraude confirmada, fraude suspeita, perda assumida e contestação improcedente são coisas diferentes e costumam ocupar o mesmo campo. Modelo treinado com rótulo sujo aprende o ruído da operação, não o comportamento do fraudador.

Correção temporal das variáveis

Cada atributo precisa refletir o que era conhecido no instante da decisão, não o estado atual da base. Vazamento temporal é o defeito mais frequente e o mais traiçoeiro: gera desempenho excelente em validação e medíocre em produção.

Granularidade de evento

Agregados servem para relatório. Detecção comportamental exige o evento bruto, com carimbo de tempo, sessão, dispositivo e sequência preservada — sinal comportamental vive na ordem dos acontecimentos, e agregação destrói ordem.

Orçamento de latência declarado

Uma variável que leva três segundos não existe em uma decisão de trezentos milissegundos. Viabilidade em tempo real é critério de projeto do atributo, não descoberta na implantação.

Ciclo de retorno fechado

Contestação, chargeback, acionamento do MED, encerramento por irregularidade e reversão de decisão precisam voltar como rótulo, de forma automática e com prazo conhecido.

O ponto de chegada

A defesa deixou de ser detecção de anomalia e passou a ser leitura de contexto. Isso muda o que se coleta, a que velocidade o modelo aprende e quais números precisam existir antes de qualquer decisão de limiar.

Em uma das maiores operações de e-commerce e fintech do Brasil, com picos superiores a mil transações por minuto, as soluções de mercado cobriam entre 85% e 90% das operações, limitação decorrente da dependência de bases genéricas comuns a todo o setor. A Objective construiu um modelo treinado sobre dados exclusivos da operação, combinado à ferramenta já em uso, e a taxa de chargeback caiu de 2,8% para 0,3%, sem impacto negativo em vendas, que é precisamente o efeito de aumentar discriminação em vez de apertar limiar. Leia o case completo.

A Objective atua na construção de sistemas de decisão em ambientes regulados e de alto volume, integrando engenharia de dados, IA aplicada e governança. Fale com um especialista.

Perguntas frequentes sobre o tema