Thiago Labliuk (*)
Durante muitos anos, as áreas de Prevenção a Fraudes e de Prevenção à Lavagem de Dinheiro (PLD) conviveram com um mesmo dilema: o volume de eventos sempre cresceu em ritmo superior à capacidade humana de interpretá-los. Esse descompasso nunca foi novo, mas, no ambiente digital atual, ele atingiu uma escala sem precedentes.
Estamos inseridos em um ecossistema de transações instantâneas, impulsionado por pagamentos em tempo real, como o Pix, e pela expansão de modelos de embedded finance. A velocidade do dinheiro passou a desafiar diretamente a capacidade de resposta dos mecanismos tradicionais de prevenção. Ao mesmo tempo em que o sistema financeiro ganha fluidez, conveniência e escala, os fraudadores ampliam sua superfície de ataque, sua capacidade de adaptação e sua eficiência operacional.
Nesse contexto, o uso de deepfakes, documentos sintéticos, engenharia social assistida por inteligência artificial e identidades híbridas, parcialmente reais, parcialmente fabricadas, deixou de ser uma ameaça emergente para se tornar parte do cotidiano das instituições financeiras. O desafio deixou de ser apenas verificar se um documento “parece verdadeiro” e passou a exigir algo mais sofisticado: compreender se a narrativa digital por trás de um usuário é coerente.
Nos últimos anos, a adoção de modelos de machine learning em processos de validação de identidade, autenticação e monitoramento transacional representou um avanço decisivo. Modelos supervisionados e não supervisionados passaram a identificar padrões raros, desvios comportamentais e anomalias com uma sensibilidade muito superior à lógica tradicional baseada em regras estáticas. Esse salto elevou significativamente a capacidade de detecção e a sofisticação analítica das organizações.
Mas esse avanço também trouxe novos desafios. Modelos mais sensíveis exigem ciclos contínuos de calibração, governança e interpretação. Sem isso, o risco é claro: aumento de falsos positivos, fadiga operacional e perda de eficiência, um problema que muitas instituições já enfrentam na prática.
É nesse cenário que a inteligência artificial generativa (GenAI) começa a ocupar um papel transformador. Seu valor não está apenas em processar grandes volumes de dados com rapidez, mas em algo mais profundo: ampliar a capacidade cognitiva das equipes e democratizar o acesso à análise. Ao encurtar a distância entre a dúvida e o insight, a GenAI permite que investigações comecem com uma pergunta bem formulada, e não necessariamente com uma cadeia complexa de interações entre diferentes áreas técnicas.
Diferentemente das abordagens tradicionais, a GenAI detecta padrões e também os interpreta. Ao sintetizar comportamentos históricos, organizar o conhecimento acumulado em investigações anteriores e sugerir critérios de priorização, ela transforma grandes volumes de alertas em narrativas compreensíveis. Mais do que isso, contribui para a construção de uma memória institucional estruturada, baseada em padrões recorrentes, justificativas de decisão, sinais combinados e indicadores de eficácia.
Essa evolução muda a natureza da operação. O que antes era um fluxo fragmentado de análises passa a se consolidar como uma base de conhecimento viva, capaz de fornecer contexto, recomendação e priorização às equipes.
Empresas como a Edenred já utilizam plataformas baseadas em inteligência artificial generativa que atuam como um “copiloto” dos analistas de PLD e prevenção a fraudes, permitindo investigar dados por meio de linguagem natural e automatizar análises complexas – materializam esse novo paradigma. A partir de uma arquitetura multiagentes e de uma interface conversacional, essas plataformas eliminam barreiras técnicas entre analistas e dados. O investigador deixa de depender exclusivamente de conhecimentos avançados em dados para interagir com o sistema: perguntas em linguagem natural passam a gerar análises históricas consolidadas e acionáveis. Trata-se, na prática, da transformação da operação em memória institucional ativa.
Os impactos dessa mudança vão além da investigação. Times de estratégia e otimização passam a correlacionar elementos antes dispersos em silos tecnológicos, e o monitoramento deixa de ser puramente transacional para se tornar contextual. O futuro do PLD aponta justamente nessa direção do enriquecimento da leitura de transações com camadas de contexto comportamental, identidade digital, vínculos operacionais e inteligência relacional.
A GenAI acelera esse movimento ao viabilizar investigação assistida, sumarização de casos, geração de hipóteses e leitura ampliada de cenários complexos. Mais do que uma ferramenta, ela representa uma mudança estrutural na forma como organizações lidam com risco.
O que está em curso não é apenas uma evolução tecnológica, mas uma transformação de paradigma. Se antes o desafio central era detectar desvios, agora passa a ser compreender narrativas digitais em tempo real. E, nesse novo cenário, a capacidade de interpretar, e não apenas identificar, será o principal diferencial competitivo das instituições financeiras.
(*) Gerente de Riscos e Prevenção a Atos Ilícitos da Edenred Brasil.
