Cynthia Catlett (*)
A inteligência artificial está entre as ferramentas mais comentadas na detecção de fraudes, em razão de sua capacidade de analisar grandes volumes de dados com rapidez e escala, sobretudo em áreas como pagamentos, compras e investigações internas. Essa transformação é real: sistemas de IA conseguem identificar padrões e desvios que métodos tradicionais dificilmente captariam. Por exemplo, em serviços financeiros, soluções alimentadas por IA monitoram transações em tempo real, analisando comportamentos e sinais que poderiam indicar fraude antes que perdas financeiras ocorram. Estudos mostram que instituições bancárias que adotam IA conseguem reduzir falsos positivos e aprimorar a precisão na identificação de transações suspeitas, preservando tanto receitas quanto a confiança dos clientes.
No entanto, muitas organizações acabam soterradas por alertas que não levam a resultados relevantes. O problema não é a tecnologia em si, mas, frequentemente, a falta de compreensão clara de suas capacidades e limitações. Modelos mal calibrados ou mal inseridos nos processos decisórios geram volumes elevados de sinais de baixa qualidade, o que causa fadiga nas equipes, atrasos na resposta a riscos reais e decisões inconsistentes. Isso pode comprometer a credibilidade dos sistemas de compliance e gerar desafios regulatórios quando os critérios de escalonamento não são transparentes ou justificáveis.
Em setores como varejo e e-commerce, sistemas de IA já são usados para analisar transações e comportamento do cliente em tempo real, ajudando a proteger receitas e reduzir fraudes online. Em alguns casos práticos, empresas que adotam ferramentas de IA para detecção de fraudes conseguem equilibrar segurança com taxas mais baixas de rejeição de transações legítimas — um ponto crítico para manter a experiência do cliente e não comprometer vendas.
Uma das formas mais eficazes de melhorar o uso da IA na detecção de fraudes é não tratá-la como decisora, mas como ferramenta de triagem e apoio ao julgamento humano. A IA deve priorizar casos, identificar padrões sutis e revelar conexões em grandes volumes de dados, enquanto a avaliação de intenção, contexto e impacto permanece sob responsabilidade de especialistas humanos.
Organizações com melhores resultados são aquelas que combinam modelos bem projetados, governança robusta e revisão contínua com supervisão humana. Isso inclui testar modelos contra cenários legítimos, documentar decisões e incorporar feedback para ajustar continuamente os sistemas.
O verdadeiro diferencial competitivo não está em “mais IA”, mas em IA melhor utilizada: tecnologias que priorizam riscos relevantes, são explicáveis e ajustáveis com base em revisão humana e processos rigorosos de governança. Quando a IA é integrada dessa forma, a promessa de transformar a detecção de fraudes se torna realidade, entregando valor real, defendabilidade e confiança para programas de compliance mais eficazes e resilientes.
(*) Advogada e VP da Charles River Associates no Brasil.