Joel Winteregg, CEO da Vyntra – Série de Entrevistas

Joel Winteregg, CEO da Vyntra, é um executivo de tecnologia financeira e engenheiro de software com quase duas décadas de experiência desenvolvendo tecnologia para prevenção de fraudes, detecção de crimes financeiros e segurança de transações. Antes de assumir a liderança da Vyntra em junho de 2025, atuou como CEO do Grupo Intix e passou mais de 18 anos como CEO e co‑fundador da NetGuardians, onde ajudou a construir soluções de inteligência artificial e aprendizado de máquina para instituições financeiras. No início de sua carreira, Winteregg trabalhou como engenheiro de redes e software no Institute for Information and Communication Technologies, focando em plataformas de gerenciamento de segurança de código aberto e correlação de eventos em tempo real. Ele agora lidera a Vyntra após a combinação da Intix e da NetGuardians.

Vyntra é uma empresa de tecnologia financeira que fornece inteligência de transações impulsionada por IA para bancos, provedores de serviços de pagamento, empresas fintech e outras instituições financeiras. Formada pela união de 2025 da NetGuardians e da Intix, a empresa combina observabilidade de transações em tempo real com prevenção de crimes financeiros, permitindo que as instituições monitorem fluxos de pagamento, identifiquem anomalias operacionais, detectem fraudes, rastreiem riscos de lavagem de dinheiro e investiguem ameaças internas. Sua plataforma centraliza dados de transações em diferentes sistemas e formatos, aplicando análises comportamentais e inteligência coletiva para ajudar as organizações a responderem aos riscos sem interromper desnecessariamente pagamentos legítimos. Vyntra relata atender a mais de 130 instituições financeiras em mais de 60 países.

Você passou quase duas décadas construindo a NetGuardians como um player reconhecido na prevenção de fraudes impulsionada por IA, e mais recentemente liderou a Intix antes de se tornar CEO da Vyntra. Como sua perspectiva sobre crimes financeiros evoluiu ao longo desses cargos, e que lacuna estratégica a Vyntra pretende preencher hoje?

O crime financeiro não é mais um problema operacional isolado. Tornou‑se um risco sistêmico para as instituições financeiras. Ao longo da NetGuardians, Intix e agora Vyntra, a mudança tem sido bastante clara. A fraude passou de um problema de TI para uma questão ao nível do conselho. Antes, ficava principalmente abaixo do nível executivo, sob responsabilidade das equipes de TI e cibersegurança. As consequências financeiras, reputacionais e regulatórias agora são suficientemente relevantes para que estejam firmemente na agenda dos conselhos e executivos C‑suite, e a resposta exigida mudou consequentemente. A fraude também deixou de ser apenas a detecção de transações suspeitas dentro de uma única instituição. Agora opera através de sistemas, instituições e canais, evoluindo continuamente, o que expõe uma lacuna entre como a fraude se comporta e como costuma ser tratada.

A Vyntra está focada em fechar essa lacuna, baseada na experiência de trabalhar com mais de 130 instituições em mais de 60 países, onde prevenção de fraudes e observabilidade de transações estão na mesma plataforma. Isso significa ir além de controles estáticos e dados isolados, rumo a inteligência em tempo real, compreensão comportamental e uma visão de risco mais conectada. O objetivo é intervir antes que a fraude ocorra, ao mesmo tempo em que oferece às instituições melhor visibilidade ao longo de todo o ciclo de vida da transação.

As perdas globais por fraudes bancárias agora chegam a centenas de bilhões anualmente, com campanhas de golpes cada vez mais sofisticadas. Do seu ponto de vista, quais mudanças estruturais transformaram a fraude em algo que parece um sistema industrializado em vez de atividade criminosa isolada? 

A mudança definidora é a escala. A fraude tornou‑se organizada, repetível e cada vez mais industrializada, e não é mais uma série de incidentes isolados. Por anos, a fraude foi compreendida principalmente em termos de volume. Mais ataques exigiam mais controles, e as instituições responderam refinando regras de detecção e reforçando a autenticação. Essa abordagem agora atingiu seu limite.

O que vemos agora é algo diferente. Os fraudadores operam em escala com a coordenação e eficiência de negócios legítimos. Eles testam, refinam e otimizam suas abordagens. São ágeis, não limitados por conformidade ou obrigações legais, e experimentam constantemente novas ferramentas e táticas. Métodos bem‑sucedidos são reutilizados e compartilhados, e as campanhas são projetadas com foco em desempenho. A IA está acelerando isso, mas não é a causa raiz. Ela simplesmente turbina um sistema já organizado. Permite direcionamento mais rápido, comunicação mais convincente e maior personalização. Essa combinação torna a fraude mais escalável e significativamente mais difícil de detectar. Deixou de ser oportunista e começou a se assemelhar a uma indústria.

Uma parcela crescente de fraudes hoje envolve transações “autorizadas”, onde as vítimas são manipuladas a enviar fundos por conta própria. Por que as estruturas tradicionais de prevenção de fraudes têm dificuldade com essa categoria, e o que fundamentalmente precisa mudar?

As estruturas tradicionais são construídas em torno de atividades não autorizadas. Elas são projetadas para detectar violações, credenciais comprometidas ou padrões de acesso suspeitos. Com a fraude autorizada, o sistema funciona como previsto. O cliente autentica, a transação é confirmada e não há nenhuma anomalia técnica óbvia. Do ponto de vista do sistema, tudo parece legítimo.

A escala desse problema é significativa. De acordo com o último Relatório Anual de Fraudes da UK Finance, as perdas por fraude APP aumentaram 19% em 2025, chegando a £576,4 milhões, em 248.070 casos. O problema é que a fraude já ocorreu antes do pagamento. Ela acontece na interação, por meio de manipulação e engenharia social. O que precisa mudar é o foco. Em vez de observar apenas se uma transação está autorizada, as instituições precisam entender o contexto e a intenção. Isso requer insight comportamental e análise em tempo real, não apenas verificações ao nível da transação.

Os sistemas de pagamentos instantâneos estão acelerando globalmente, mas também comprimem a janela de detecção de fraudes para segundos. Como as instituições financeiras devem repensar a gestão de risco em um mundo onde as transações são irreversíveis quase imediatamente? 

A velocidade tornou‑se um dos fatores definidores tanto na fraude quanto na prevenção. Muitos golpes agora se desenrolam dentro de um único dia, e uma vez que os fundos são transferidos, frequentemente são movimentados ou retirados em minutos. Ao mesmo tempo, a infraestrutura de pagamentos foi projetada para oferecer imediatismo, e a regulação está acelerando essa mudança. O Regulamento de Pagamentos Instantâneos da UE exige que todos os provedores de serviços de pagamento da zona euro enviem transferências de crédito instantâneas e ofereçam serviços de Verificação de Beneficiário a partir de outubro de 2025.

Isso cria uma tensão entre velocidade e segurança. Nesse ambiente, a intervenção atrasada não é mais viável. A gestão de risco precisa operar em tempo real. Em vez de desacelerar os pagamentos, a detecção de risco, a tomada de decisão e a resposta precisam ser rápidas o suficiente para acontecer dentro do próprio fluxo de pagamento. Isso muda fundamentalmente a forma como as instituições precisam pensar sobre fraude. As instituições precisam mudar da análise pós‑evento para a prevenção em fluxo, interrompendo transações fraudulentas antes da liquidação, não investigando‑as depois.

A IA agora está sendo usada em ambos os lados da equação, por fraudadores para escalar ataques e por instituições financeiras para detectá‑los. Como será a próxima fase dessa corrida armamentista, e onde você vê o equilíbrio mudando? 

A corrida armamentista está sendo acelerada pela IA, mas o resultado não será definido apenas pela tecnologia. Dependerá tanto de quão eficazmente a inteligência é compartilhada e aplicada. Os fraudadores já operam como redes altamente coordenadas, e as instituições financeiras precisam responder cada vez mais da mesma forma. Elas compartilham infraestrutura, dados e táticas, e quando uma abordagem é bloqueada, ela é rapidamente adaptada e implantada em outro lugar. A IA aprimora isso ao permitir iterações mais rápidas e campanhas mais convincentes e escaláveis.

No lado da defesa, há uma mudança clara de tratar a fraude como um problema de uma única instituição para reconhecê‑la como um desafio em nível de rede. Iniciativas como o FPAD da EBA CLEARING e desenvolvimentos da SWIFT refletem um movimento em direção à inteligência de fraude compartilhada e em tempo real, particularmente no contexto de pagamentos instantâneos. Isso é importante porque muitos dos sinais mais valiosos estão além de uma única instituição, seja contas de mula, anomalias comportamentais ou padrões emergentes. Quando essa inteligência é compartilhada e ingerida em tempo real, a detecção melhora. Quando não é, a fraude simplesmente se desloca para outro lugar. O equilíbrio favorecerá aqueles que podem combinar análise em tempo real com inteligência coletiva. Aqueles que operam isoladamente terão dificuldade em acompanhar.

A Vyntra enfatiza análises comportamentais e inteligência de transações em tempo real. Como isso difere dos sistemas baseados em regras, e por que o comportamento está se tornando o sinal crítico na detecção de fraudes? 

Sistemas baseados em regras são inerentemente estáticos. Eles dependem de condições predefinidas e padrões conhecidos. Isso funciona até certo ponto, mas torna‑se menos eficaz à medida que a fraude evolui. A análise comportamental é diferente. Ela observa como as ações se desviam dos padrões esperados em tempo real. Isso inclui como um usuário interage, como decisões são tomadas e como as transações se encaixam em um contexto mais amplo. O que torna a detecção comportamental moderna mais capaz é a combinação de abordagens trabalhando juntas. Aprendizado não supervisionado identifica anomalias sem precisar saber como a fraude se parece antecipadamente, aprendizado supervisionado utiliza padrões de fraude conhecidos para aprimorar a detecção ao longo do tempo, e aprendizado ativo alimenta resultados do mundo real de volta ao modelo continuamente, de modo que o sistema melhora a cada decisão que toma.

Isso é importante porque a fraude moderna é projetada para parecer legítima ao nível da transação. Em muitos cenários de fraude modernos, o comportamento torna‑se o indicador mais claro de que algo está errado, mesmo quando a própria transação parece legítima. Ao focar no comportamento e no contexto, as instituições podem identificar riscos mais cedo, muitas vezes antes que a transação seja concluída.

Há uma discussão crescente sobre “inteligência comunitária” ou dados de fraude compartilhados entre instituições. Na prática, quão realista é a colaboração em larga escala entre instituições financeiras dadas as restrições regulatórias, e quais modelos realmente funcionam? 

A colaboração está passando de opcional para essencial, mas precisa assumir uma forma viável. Isso não é um conceito novo para a Vyntra. A inteligência compartilhada faz parte da nossa abordagem há anos, pois a fraude nunca operou de forma limpa dentro dos limites institucionais. Alguns modelos estão surgindo na prática. Abordagens de consórcio ou utilidade compartilhada agrupam dados por meio de um órgão central. Projetos federados e que preservam a privacidade permitem que as instituições treinem em padrões compartilhados sem expor dados brutos de clientes. Iniciativas de inteligência em nível de rede, como o FPAD da EBA CLEARING, enviam sinais de fraude entre participantes em tempo real à medida que os pagamentos instantâneos escalam. Cada um funciona dentro dos quadros regulatórios existentes, em vez de contorná‑los, o que os torna viáveis em escala. Em nossa experiência, instituições que compartilham inteligência dentro de uma rede confiável e compatível com GDPR veem as taxas de detecção melhorar em torno de 20%, embora o número exato varie conforme o design da rede e os níveis de participação. À medida que a regulação de pagamentos instantâneos acelera os volumes de transações transfronteiriças, as instituições e redes que investirem agora em infraestrutura de inteligência compartilhada estarão melhor posicionadas para gerenciar a fraude que inevitavelmente segue esse crescimento.

Muitas instituições financeiras ainda lutam com altas taxas de falsos positivos, que criam atrito para os clientes e ineficiências operacionais. Como os sistemas modernos impulsionados por IA reduzem falsos positivos sem aumentar a exposição ao risco? 

Falsos positivos são frequentemente consequência de contexto limitado. Quando as decisões se baseiam em sinais estreitos, os sistemas tendem a compensar excessivamente. As abordagens modernas reduzem isso ao incorporar mais dados e melhor contexto. Insight comportamental, histórico de transações e sinais em tempo real permitem uma avaliação de risco mais precisa. O objetivo não é simplesmente bloquear mais transações, mas tomar decisões melhores. Em todo o setor, grandes instituições financeiras que implantam sistemas de IA comportamental relataram reduções de falsos positivos entre 60% e 90% comparado aos controles legados baseados em regras. Falsos positivos prejudicam a confiança quando clientes legítimos são interrompidos repetidamente. Quando os sistemas conseguem distinguir entre anomalias genuínas e comportamento legítimo, podem reduzir o atrito desnecessário enquanto mantêm uma proteção forte.

A fraude interna e as ameaças internas continuam sub‑discutidas em comparação com ataques externos. Quão significativo é esse risco hoje, e como as instituições devem repensar o monitoramento de comportamentos internos e padrões de acesso? 

O risco interno costuma ser subestimado, mas faz parte do mesmo desafio mais amplo. De acordo com ACFE, bancos e serviços financeiros registraram mais casos de fraude ocupacional do que qualquer outra indústria no estudo, com uma perda média de US$120.000 por caso e um tempo médio de detecção de 12 meses. Quanto mais esse intervalo permanecer aberto, maiores serão as perdas. Assim como a fraude externa depende cada vez mais de comportamentos e padrões de acesso, o mesmo se aplica internamente. O monitoramento precisa ir além de permissões estáticas e verificações periódicas.

Compreender como os sistemas são usados, como os padrões de acesso evoluem e onde ocorrem anomalias é crítico. A supervisão interna eficaz não é vigilância dos funcionários. É uma análise proporcional da atividade dentro de sistemas financeiros sensíveis, focada no acesso e nos comportamentos que apresentam risco genuíno. Essa distinção importa, pois o monitoramento amplo sem contexto gera ruído em vez de insight, e traz suas próprias consequências operacionais e culturais. O princípio é consistente: o comportamento fornece o sinal mais significativo quando outros indicadores parecem normais.

Olhando cinco anos à frente, você acredita que a prevenção de fraudes se tornará totalmente autônoma e preditiva, ou o julgamento humano continuará sendo uma camada crítica no sistema? Onde o equilíbrio finalmente se estabelece? 

A prevenção de fraudes tornará‑se mais automatizada e mais preditiva, particularmente à medida que a tomada de decisão em tempo real se torne essencial. Os sistemas lidarão cada vez mais com uma grande proporção de detecção e intervenção, especialmente onde a velocidade é crítica.

No entanto, não se tornará totalmente autônoma. O julgamento continuará sendo uma camada necessária, tanto nas instituições quanto no lado do cliente. Do ponto de vista institucional, sempre haverá casos em que o contexto, a ambiguidade e a escalada exigem a intervenção de uma pessoa. Muitos cenários de fraude, particularmente golpes autorizados, ainda envolvem manipulação humana e engenharia social, que a automação sozinha não consegue ler. Isso é reforçado pela direção da regulação. Seja através do regime de reembolso PSR do Reino Unido ou das propostas PSD3 da UE, as instituições estão sendo exigidas a um padrão mais alto para prevenir fraudes e proteger os clientes. Isso aumenta a necessidade de supervisão, não apenas automação. Em cinco anos, o que separará as instituições que acertam isso daquelas que ficam para trás será saber exatamente como automação e julgamento trabalham juntos.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Vyntra.