Conecte Dados para Combater Crimes Digitais

Durante muitos anos, combater fraude significou, essencialmente, criar normas. Estipulavam-se um valor de transação, muitas tentativas em poucos minutos, um acesso vindo de uma localização incomum ou uma transferência para uma conta recém-cadastrada. Hoje, uma transação isolada pode parecer perfeitamente legítima: o dispositivo é conhecido, a senha está correta, o valor está dentro do padrão e nenhuma regra evidente foi violada. O risco surge quando começamos a conectar os sinais e percebemos que aquele evento aparentemente normal faz parte de outro muito maior.

Pesquisa do Gartner publicada em março de 2023 aponta que mais de um terço dos bancos consegue detectar menos de 60% das transações fraudulentas antes que elas provoquem perdas, enquanto apenas 31% alcançam índice de detecção preventiva superior a 80%. Mais revelador ainda: 53% dos bancos aumentaram seus orçamentos de prevenção à fraude em pelo menos 5% nos últimos três anos, mas 70% continuam registrando crescimento das perdas. Ou seja, investir mais em ferramentas não significa necessariamente enxergar melhor a fraude, mas o que faz a diferença é a capacidade de relacionar dados, comportamentos e contexto.

Segundo o Rogério Sartori, engenheiro de vendas de observabilidade full stack na Cisco/Splunk com mais de 20 anos de experiência na área de tecnologia, as fraudes modernas raramente ocorrem em um único sistema ou canal. Um ataque pode começar com informações obtidas fora da organização, passar pela apropriação de uma identidade, utilizar um novo dispositivo, realizar pequenas transações de teste e, somente depois, executar a fraude principal. Individualmente, cada evento pode representar baixo risco; juntos, têm grandes chances de sucesso.

O problema é que os elementos dessa história normalmente estão espalhados: transações em um sistema, autenticação em outro, informações sobre dispositivos em uma terceira plataforma, além de dados de clientes, APIs, aplicações, redes e mecanismos antifraude. Portanto, a questão é se conseguimos conectar os dados rápido o suficiente para compreender o que está acontecendo.

Sartori dá um exemplo prático: Pensemos em uma compra de R$ 10,00. Isoladamente, dificilmente despertaria atenção. Mas imagine que o mesmo dispositivo tenha tentado utilizar 80 cartões diferentes nos últimos cinco minutos, pertencentes a clientes sem relacionamento entre si; que a maioria das operações tenha sido recusada; que os valores sejam pequenos e semelhantes; e que as tentativas ocorram em intervalos de poucos segundos. Aquela compra deixou de ser simplesmente uma transação de R$ 10,00 e passou a fazer parte de um comportamento. Essa mudança de perspectiva é fundamental para a próxima geração de prevenção à fraude: deixar de analisar apenas eventos para compreender entidades, relacionamentos, comportamentos e sequências.

Isso também muda a rotina das equipes responsáveis pela investigação. Criar mais uma regra é relativamente simples; investigar milhares de alertas diariamente, não. Quando chega um aviso, o analista deveria receber o contexto necessário para responder rapidamente quem é aquele cliente, quais contas estão relacionadas a ele, quais dispositivos foram utilizados, de quais endereços IP vieram os acessos, se outras identidades utilizaram o mesmo dispositivo, se aquele comportamento já aconteceu e qual é o potencial impacto financeiro.

Quanto mais tempo o profissional gastar procurando essas respostas em sistemas diferentes, maior será o custo da investigação — e maior poderá ser a janela de oportunidade do fraudador.

Existe, portanto, uma discussão anterior à própria inteligência artificial: fraude também é um problema de dados. Podemos desenvolver modelos extremamente sofisticados, mas um excelente algoritmo analisando somente informações transacionais continuará enxergando apenas parte da história. Quando acrescentamos identidade, dispositivo, aplicação, comportamento digital, histórico, localização, infraestrutura e relacionamentos entre entidades, a capacidade de análise muda substancialmente.

É nesse ponto que a IA pode provocar uma transformação interessante. Em vez de simplesmente gerar mais um score ou outro alerta, ela pode ajudar a construir uma narrativa investigativa. Um analista poderia perguntar por que determinada operação é suspeita e receber, em segundos, uma explicação: o cliente normalmente transaciona no Brasil; minutos antes houve autenticação em um dispositivo nunca utilizado; esse dispositivo aparece relacionado a outras quatro contas; duas delas registraram fraude nas últimas 24 horas; depois da autenticação, um novo beneficiário foi cadastrado; e, em seguida, ocorreu uma transferência muito acima do comportamento histórico.

Com isso, deixamos de entregar ao investigador uma coleção de eventos técnicos e passamos a entregar contexto para a decisão. Isso não significa substituir regras, modelos ou profissionais, mas conectar essas capacidades.

O objetivo final, portanto, não deveria ser apenas descobrir rapidamente que uma fraude aconteceu. Deveria identificar sinais suficientes para interromper sua progressão. Isso exige combinar dados, comportamento, contexto, analytics, investigação, automação e IA em uma arquitetura capaz de observar o todo, e não apenas cada evento isoladamente. Quando essas capacidades trabalham separadas, enxergamos transações e alertas. Quando trabalham juntas, começamos a enxergar comportamentos. E, quando conseguimos compreender esses comportamentos em tempo real, surge a oportunidade mais valiosa: agir antes que eles se transformem em perda. A próxima evolução do antifraude talvez não venha de uma regra mais sofisticada nem de um algoritmo milagroso, mas da capacidade de conectar sinais que hoje permanecem separados. Porque fraude raramente é um único evento.

Por Bruno Pereira, Líder de Arquitetura de Cibersegurança e Observabilidade na Teletex