A fila encolheu
No início de novembro de 2026, um dos maiores bancos digitais do país desligou parte do time de investigação de fraudes. Segundo a reportagem do Finsiders Brasil, cerca de seis meses de uso de ferramentas de IA reduziram em 80% a fila de reclamações ligadas a golpes. A maior parte dos profissionais desligados investigava contas laranjas, usadas para receber e espalhar o dinheiro das vítimas.
O banco tratou o episódio como reestruturação e afirmou que mantém analistas para os casos mais complexos e para auditar o trabalho da IA. A própria reportagem faz uma ressalva: fila menor não significa, necessariamente, menos fraude.
O caso antecipa uma decisão que outras instituições também terão de tomar. Se a automação assume a triagem, o que continua exigindo analistas, e como saber se a fila diminuiu pelos motivos certos?
O que a automação resolve
A fila de investigação é composta majoritariamente por casos que o motor antifraude não consegue decidir sozinho. Regras e modelos resolvem com alta confiança a maior parte das transações, mas quando o comportamento não se parece com nada que o modelo conhece, a confiança cai e o caso segue para análise. É essa fila que as ferramentas de IA começaram a esvaziar.
Boa parte do trabalho de uma área de investigação é repetitiva: reunir dados da transação e do cliente, consultar históricos, comparar com casos anteriores e classificar o alerta. Nessa etapa, modelos ganham em velocidade e consistência, e o analista recupera horas para os casos difíceis.
Automatizar a triagem traz quatro ganhos:
Tempo de resposta. Em golpes de pagamento autorizado, cada hora conta. A devolução pelo Mecanismo Especial de Devolução (MED) depende de haver saldo nas contas rastreadas, e o dinheiro costuma ser espalhado logo depois de cair na conta de destino. Segundo dados do Banco Central, só 8,9% do dinheiro perdido em golpes no Pix entre janeiro de 2022 e abril de 2026 foi devolvido.
Cobertura. Um modelo avalia todos os alertas, inclusive os de baixo valor, que uma equipe não teria tempo de ler.
Consistência. Casos semelhantes recebem o mesmo critério, independentemente de turno ou de quem está na fila.
Escala. Em uma operação manual, o custo da análise cresce junto com o volume de transações. Sem automação, a equipe de análise passa a limitar o crescimento do negócio.
O que continua com as pessoas
A fila é a parte visível do trabalho. Quatro tipos de atividade dependem de julgamento e tendem a ganhar peso quando a máquina assume a triagem.
Investigar a rede, e não a conta. Uma conta laranja raramente aparece sozinha: o dinheiro de um golpe costuma passar por várias contas, em instituições diferentes, para dificultar o rastreamento. Desde fevereiro de 2026, o MED 2.0 rastreia o dinheiro em cadeia e prevê bloqueio preventivo ao longo das transferências contestadas, e a identificação das contas envolvidas passa a ser compartilhada entre os participantes. Esses sinais externos precisam ser interpretados: o que uma conta apontada em outra instituição diz sobre clientes e padrões da sua base?
Reconhecer o golpe novo. Modelos aprendem com fraudes já confirmadas. Quando o roteiro muda, como nos golpes com voz clonada, o novo padrão aparece primeiro como um caso que não se encaixa. É o analista que lê esse caso, entende o mecanismo e o transforma em regra ou em dado para treinar o modelo.
Auditar e calibrar o modelo. Uma fila pode encolher porque o modelo detecta melhor ou porque passou a encerrar casos que antes iam para análise. O falso negativo não gera fila: o golpe que passou volta depois, seja como contestação do cliente, seja como processo. O falso positivo também tem custo, porque bloqueia o bom cliente. Alguém precisa revisar amostras das decisões automáticas e ajustar limites.
Decidir os casos de fronteira. Bloquear uma conta, segurar a transferência de um cliente que está convencido de que está ajudando um parente ou acionar outra instituição são decisões com impacto direto no cliente. Elas precisam ser explicadas ao cliente, à auditoria e, às vezes, à Justiça: casos de golpe da falsa central, por exemplo, já chegaram aos tribunais.
Na prática, automatizar a triagem muda o perfil da investigação: menos tempo em casos repetitivos, mais tempo em rede, padrões novos e auditoria. Com a triagem automatizada, as revisões enviadas à equipe de análise se reduzem aos casos mais complexos ou específicos, e a equipe deixa de lidar com revisões em grande escala.
O que medir além do tamanho da fila
O tamanho da fila mede quantos casos chegam à análise, e não quanta fraude acontece. Para avaliar a automação, a fila precisa vir acompanhada de indicadores que mostrem o resultado.
Perda com fraude confirmada. Mostra se a fraude de fato diminuiu, e não só as reclamações. A fila conta reclamações, não perdas.
Valor recuperado via MED. Mostra quanto do dinheiro volta ao cliente. Depende de agir antes de o saldo sair da conta de destino, algo que a fila não registra.
Tempo até identificar uma conta laranja na base. Mostra a velocidade de reação do lado de quem recebe. A conta laranja pode nunca gerar reclamação na própria instituição.
Falso positivo, atrito e conversão perdida. Mostram o custo da cautela do modelo: o bom cliente bloqueado reclama, desiste da operação ou deixa a instituição. Esse custo aparece fora da fila de fraude.
Contestações e ações judiciais por golpe. Mostram a fraude que passou pela detecção. Elas aparecem semanas depois, fora da fila de investigação.
Amostra auditada de decisões automáticas. Mostra a qualidade do modelo ao longo do tempo. O caso encerrado pelo modelo sai da fila sem revisão.
Perguntas para o seu time
Quando a fila diminui, sabemos se é porque detectamos melhor ou porque deixamos de revisar casos que deveríamos olhar?
Quem revisa uma amostra das decisões automáticas, e com que frequência?
O tempo liberado da triagem está indo para investigação de rede e de padrões novos?
Como as informações compartilhadas pelo MED 2.0 chegam às nossas regras e modelos, e quem as interpreta?
Que indicadores, além do tamanho da fila, usamos para dizer que a automação funcionou?
Conclusão
A IA já reduz filas de investigação de fraude, e isso libera tempo de quem investiga, porém o risco está em tratar a fila como se fosse o trabalho inteiro. Quando a máquina assume a primeira análise, o analista passa a ser a última instância: investiga a rede de contas laranjas, reconhece o golpe que ainda não tem nome e audita as decisões do modelo. São esses pontos que mostram se a fraude de fato diminuiu.
O FraudGate, a plataforma antifraude da Duranium, cruza dados de mais de 67 milhões de CNPJs com mais de 30 dimensões de análise, entre sanções, processos judiciais e presença digital, para expor laranjas, empresas de fachada e cascatas societárias. Se este é um problema na sua operação, vale uma conversa.
Duranium · Segurança, antifraude e inteligência artificial.