Detecção de Fraude por IA e o Futuro da Segurança de Pagamentos

Um sistema de segurança de pagamentos pode parecer quase perfeito enquanto falha em sua tarefa mais importante. Se a fraude representa apenas uma pequena fração das transações, um algoritmo que aprova tudo estará correto na maior parte do tempo. Os clientes podem experimentar menos interrupções, mas os criminosos não encontrarão resistência.

Essa tensão está no centro de uma nova revisão sistemática de Herlina Manurung e Dyah Rizki Arinengsih, publicada em Social Sciences & Humanities Open.¹ Ao sintetizar 38 estudos sobre relatórios financeiros, pagamentos e detecção de fraude baseada em rede, as pesquisadoras argumentam que proteção confiável requer mais do que pontuações de referência impressionantes.

Para bancos, redes de pagamento e investidores, as implicações são práticas. Uma detecção de fraude aprimorada poderia proteger a receita e reduzir os custos operacionais. Contudo, esses benefícios dependem de sistemas que distinguem comportamentos suspeitos de atividades legítimas, permanecem úteis à medida que os criminosos se adaptam e fornecem evidências que os investigadores possam usar.

Por que Alta Precisão Pode Ocultar uma Detecção de Fraude Fraca

Considere uma plataforma de pagamentos hipotética que processa 100.000 transações, das quais 100 são fraudulentas. Um modelo que rotula todas as transações como legítimas atinge 99,9% de precisão sem detectar nenhuma fraude.

Agora imagine um sistema que captura 80 transações fraudulentas, mas marca incorretamente 1% das 99.900 legítimas. Ele gera 1.079 alertas, incluindo 999 falsos alarmes. Apenas cerca de 7,4% de seus alertas identificam fraude real. Esses números ilustram o problema; não são resultados da revisão.

Tal sistema ainda pode evitar perdas substanciais, dependendo dos valores das transações e de como os alertas são tratados. Contudo, sua utilidade não pode ser avaliada apenas pela precisão. Os investigadores precisam processar os alertas, os clientes podem enfrentar desafios desnecessários e os comerciantes podem perder vendas legítimas.

Portanto, a revisão enfatiza precisão, recall e avaliação sensível a custos. Precisão mede quantos casos sinalizados realmente envolvem fraude. Recall mede quanto da fraude o sistema captura. Nenhuma métrica substitui a necessidade de compreender as consequências financeiras dos erros.

O objetivo comercial é reduzir o dano total: perdas por fraude, despesas de investigação, atrito com clientes e receita perdida devido a recusas equivocadas.

O Que a Revisão de Detecção de Fraude Encontrou

Os autores organizam suas descobertas em torno de quatro dimensões: lidar com eventos raros e custos de erro desiguais, manter avaliação confiável, resistir a condições mutáveis e manipulação deliberada, e usar relacionamentos e evidências interpretáveis.

Sua análise descritiva revela uma lacuna entre modelagem sofisticada e testes de resiliência documentados.

Essas categorias se sobrepõem. As contagens representam frequências mínimas apoiadas pelos resumos de origem dos autores, portanto um método não relatado não deve ser automaticamente considerado ausente.

A revisão também tem limitações. Suas evidências provêm principalmente de pesquisas indexadas na Scopus e em língua inglesa, e registros históricos de triagem incompletos limitam sua trilha de auditoria. Diferenças entre conjuntos de dados, definições de fraude e métodos de avaliação impediram a agregação quantitativa. Ela oferece uma estrutura de design útil, em vez de provar que um algoritmo supera consistentemente todas as alternativas.

Por que Modelos de Fraude Devem Ser Testados para o Futuro

Um modelo treinado com as transações de ontem enfrenta dois tipos de mudança. O comportamento legítimo varia à medida que os clientes viajam, os comerciantes lançam promoções e os hábitos de pagamento evoluem. Os criminosos também modificam suas estratégias para evitar a detecção. A revisão distingue mudanças de distribuição de comportamento adversário deliberado, mostrando por que ambos são importantes.

Os testes podem ocultar inadvertidamente esses desafios. Uma divisão aleatória de transações históricas pode colocar registros estreitamente relacionados tanto nos conjuntos de treinamento quanto de avaliação. O modelo então se beneficia de clientes ou padrões familiares que não estariam necessariamente disponíveis ao enfrentar uma atividade realmente nova.

Testar em períodos posteriores, ou separar entidades entre treinamento e avaliação, oferece uma avaliação mais exigente. Mesmo assim, o desempenho deve ser monitorado após a implantação.

Isso sugere uma forma diferente de avaliar a tecnologia de fraude: perguntar quão rapidamente a deterioração se torna visível e quão seguramente o sistema pode se recuperar. Uma pontuação inicial alta tem valor limitado se um novo ataque permanecer indetectado por semanas.

Perguntas operacionais úteis incluem:

• Quanto da fraude é detectada com um volume de alertas manejável?
• Com que frequência transações legítimas são interrompidas?
• O que acontece quando o comportamento muda ou os atacantes se adaptam?
• Os investigadores conseguem entender e verificar as evidências?

IA de Grafos Pode Revelar Redes de Fraude

Transações individuais raramente contam a história completa. Vários pagamentos aparentemente comuns podem se tornar suspeitos quando compartilham um dispositivo, se conectam à mesma conta de destino ou formam uma sequência incomum entre comerciantes.

Aprendizado baseado em grafos representa entidades como nós conectados, permitindo que os modelos examinem relacionamentos juntamente com os atributos das transações. Isso pode ajudar a identificar comportamentos coordenados que a pontuação isolada de transações ignora.

A importância mais ampla da análise relacional se estende à lavagem de criptomoedas e manipulação de mercado, onde atividades aparentemente independentes podem ocultar coordenação. As tarefas de detecção diferem, mas ambas ilustram por que a atividade agregada pode ser enganosa sem contexto.

Os grafos introduzem suas próprias vulnerabilidades. Criminosos podem criar conexões aparentemente legítimas para disfarçar contas suspeitas, enquanto relacionamentos desatualizados ou incompletos podem distorcer as avaliações de risco. Portanto, a revisão trata as informações estruturais como algo a ser validado e protegido, e não como garantia automática de melhores resultados.

Explicações também são importantes aqui. Mostrar a um investigador as contas ou os caminhos de transação por trás de um alerta pode tornar a evidência mais fácil de analisar. Isso, por si só, não comprova que a fraude ocorreu.

Detecção de Fraude Aprimorada Pode Proteger a Receita de Pagamentos

A oportunidade econômica envolve mais do que impedir roubos. Uma transação legítima indevidamente recusada pode levar o cliente a outro cartão ou comerciante. Alertas excessivos também consomem tempo da equipe que poderia ser dedicado a investigar ameaças mais graves.

Como demonstra a explicação da Securities.io sobre redes de cartões, emissores, adquirentes e processadores, os pagamentos envolvem múltiplas empresas com papéis diferentes. Melhorias nas decisões de autorização podem, portanto, gerar benefícios ao longo da cadeia de transação, embora esses benefícios não se distribuam igualmente a todos os participantes.

A discussão da Mastercard em 2026 sobre prevenção de fraudes em pagamentos por IA destaca a redução de revisões manuais e de falsos positivos como objetivos de negócio. Seu relato oferece contexto comercial, não validação independente da revisão acadêmica.

Uma implicação útil é que detecção e intervenção devem ser avaliadas em conjunto. Uma pontuação de risco pode acionar uma retenção temporária, autenticação adicional, revisão manual ou rejeição. Escolher a resposta apropriada pode ser tão importante quanto gerar a pontuação.

Mastercard Oferece Exposição à Segurança de Pagamentos por IA

Esses incentivos tornam a Mastercard uma empresa relevante para investidores interessados em infraestrutura financeira habilitada por IA.

Seu Decision Intelligence Pro combina técnicas de grafos e modelos de IA generativa para avaliar o risco de transações usando contexto comportamental e relacional. A Mastercard posiciona o serviço como focado em melhorar a detecção de fraudes enquanto reduz recusas falsas.

A conexão com a revisão é conceitual. O artigo não testa o produto da Mastercard nem verifica suas alegações comerciais. No entanto, a abordagem da empresa ilustra como informações de rede e análise contextual podem se transformar em serviços vendidos a instituições financeiras.

Para os investidores, a vantagem potencial reside na combinação de inteligência de transações, relacionamentos estabelecidos com clientes e integração aos fluxos de autorização. Se isso se tornará uma barreira competitiva durável depende da execução, governança de dados, serviços concorrentes e dos resultados mensuráveis dos clientes.

A Mastercard também oferece exposição mais ampla ao mercado de pagamentos, em vez de um investimento puro em detecção de fraudes. Sua avaliação e desempenho geral de negócios permanecem importantes ao avaliar a oportunidade.

Últimas Notícias e Desenvolvimentos da Mastercard (MA)

Detecção Confiável de Fraude por IA Exige Resultados Mensuráveis

A revisão sustenta o otimismo em relação a uma segurança financeira aprimorada, ao mesmo tempo que esclarece o que o progresso deve significar. O sucesso requer capturar mais atividades nocivas sem gerar interrupções desproporcionais, manter o desempenho à medida que as condições mudam e fornecer evidências úteis aos investigadores.

A próxima vantagem competitiva pode surgir ao conectar essas capacidades a operações confiáveis. Para as empresas de pagamento, o parâmetro significativo é quanto valor permanece protegido após considerar perdas por fraude, custos operacionais e atritos com o cliente.

Referências:

¹ Manurung, H., & Arinengsih, D. R. (2026). Aprendizado de máquina robusto para detecção de fraudes sob desequilíbrio, raridade e comportamento adversário: Evidências em relatórios financeiros, pagamentos e ecossistemas de grafos. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697