Os 10 Melhores Agentes de Detecção de Fraudes e Monitoramento de Transações

Os 10 Melhores Agentes de Detecção de Fraudes e Monitoramento de Transações

Atualizado em 17 de agosto de 2026

A prevenção de fraudes está a passar de pontuações de risco isoladas para operações de risco de ponta a ponta. Espera-se que os sistemas modernos avaliem uma transação em tempo real, a conectem a contas e dispositivos relacionados, investiguem a atividade circundante, expliquem a decisão e recomendem o que deve acontecer a seguir.

Esse workflow é importante porque um modelo de transação e um agente de investigação resolvem problemas diferentes. Regras e modelos de machine learning detetam e pontuam o risco. Os agentes recolhem provas, conectam eventos, resumem casos, recomendam ações e, por vezes, automatizam disposições de baixo risco. A Unit21 descreve esta distinção diretamente: um agente de fraude deve executar tarefas de investigação em vez de apenas exibir uma pontuação ou resumir informações já visíveis para um analista. (unit21.ai)

As plataformas mais fortes combinam, portanto:

• Regras e machine learning em tempo real
• Inteligência comportamental e de dispositivos
• Análise de entidades e transações baseada em grafos
• Investigação de casos e recolha de provas
• Decisões explicáveis e trilhas de auditoria imutáveis
• Recomendações de remediação
• Monitoramento de desvio de modelo e resultados

Este artigo compara dez plataformas líderes com esses requisitos, com atenção particular à precisão, recall, aumento da captura de fraudes, resultados de chargebacks, produtividade do analista, privacidade, latência, explicabilidade e desvio de modelo.

Veredito executivo

Não existe um agente de deteção de fraudes universalmente melhor. A escolha certa depende se o problema principal é fraude de cartão, pagamentos instantâneos, tomada de conta, golpes de pagamento por transferência autorizada, lavagem de dinheiro, rastreio de sanções ou capacidade de investigação.

A conclusão mais importante é que a maturidade do agente e a qualidade da deteção são dimensões separadas. Uma plataforma pode ter um impressionante copiloto de investigação, mas um recall fraco a nível de transação. Outra pode ter uma excelente pontuação de fraude, mas trabalho de caso autónomo limitado. Os compradores devem avaliar as duas camadas separadamente.

Como funcionam os agentes de deteção de fraudes

Uma arquitetura prática de monitoramento de fraudes e transações possui quatro camadas.

1. Tomada de decisão em tempo real

Esta camada avalia um pagamento antes de ser liquidado. Geralmente, combina:

• Regras determinísticas
• Verificações de velocidade
• Perfis comportamentais
• Sinais de dispositivo e sessão
• Risco de cliente e contraparte
• Padrões históricos de transação
• Inteligência de rede ou consórcio
• Machine learning supervisionado e não supervisionado

O resultado é geralmente uma decisão de aprovação, recusa, retenção ou revisão, acompanhada por uma pontuação de risco e códigos de razão.

2. Análise de grafos e relacionamentos

Sistemas baseados em grafos conectam:

• Clientes
• Contas
• Cartões
• Dispositivos
• Endereços de internet
• Números de telefone
• Endereços de e-mail
• Comerciantes
• Beneficiários
• Contrapartes
• Transações

Isto é especialmente útil para redes de fraude, redes de mulas, identidades sintéticas, conluio, tomada de conta e movimento de dinheiro através de várias contas.

No entanto, a análise de grafos não é automaticamente "raciocínio de grafo". Uma visualização que mostra entidades conectadas é diferente de um modelo que avalia relacionamentos multi-salto, sequências de transações e comportamento de rede. Os melhores sistemas produzem caminhos de prova, tais como:

“Este beneficiário recebeu fundos de sete contas recentemente abertas, todas associadas a dois dispositivos e um número de telefone previamente ligado a fraudes confirmadas.”

3. Agentes de investigação

Um agente de investigação pode:

• Recuperar histórico de transações
• Pesquisar entidades ligadas
• Rever alertas e disposições anteriores
• Examinar informações de dispositivo e comportamentais
• Consultar inteligência externa
• Identificar casos relacionados
• Construir uma linha do tempo
• Resumir provas
• Recomendar uma disposição
• Redigir uma narrativa de caso interna
• Preparar um relatório de atividade suspeita

O agente deve mostrar as provas que suportam cada conclusão. Uma narrativa fluente sem registos de origem não é suficiente para um regulador ou um investigador experiente.

4. Remediação e feedback

A camada final recomenda ou executa ações, tais como:

• Aprovar a transação
• Solicitar autenticação mais forte do cliente
• Reter temporariamente
• Recusar a transação
• Suspender uma conta
• Bloquear um dispositivo ou beneficiário
• Reclamar ou devolver fundos
• Contactar o cliente
• Escalar para um investigador sénior
• Apresentar um relatório de atividade suspeita
• Iniciar diligência devida aprimorada
• Criar ou modificar uma regra
• Adicionar entidades ligadas a uma lista de observação
• Monitorizar o cliente mais de perto

As ações de alto risco devem permanecer sujeitas a controlos de política e aprovação humana. O agente não deve ter autoridade irrestrita para mudar regras, fechar contas permanentemente ou apresentar relatórios regulatórios sem governança.

Limitações importantes dos benchmarks públicos

Os fornecedores de fraude frequentemente publicam percentagens impressionantes, mas estes números raramente são diretamente comparáveis. Estudos de caso públicos podem relatar:

• Uma alteração percentual a partir de uma linha de base não divulgada
• Valor de fraude capturado em vez de recall a nível de transação
• Redução de falsos positivos sem dados de falsos negativos
• Resultados de um único canal de pagamento
• Um curto período de teste
• Uma implementação específica do cliente
• Uma tipologia de fraude selecionada
• Um modelo a operar juntamente com outros controlos

A maioria dos fornecedores não publica uma matriz de confusão padronizada contendo contagens de transações, prevalência de fraudes, precisão, recall, taxa de falsos positivos, taxa de falsas recusas, resultados de chargebacks e intervalos de confiança.

Isso significa que as classificações abaixo são baseadas na adequação de capacidade e provas públicas, e não numa alegação de que um fornecedor alcançou definitivamente a maior precisão ou recall no mundo real.

Precisão e recall

Para um detetor de fraudes:

• Precisão pergunta: Das transações sinalizadas como fraude, quantas eram realmente fraudulentas?
• Recall pergunta: De todas as transações fraudulentas, quantas o sistema capturou?
• Taxa de falsos positivos mede a atividade legítima sinalizada ou bloqueada incorretamente.
• Taxa de falsos negativos mede a fraude que passou despercebida.

Como a fraude é geralmente rara em comparação com a atividade legítima, a precisão pode ser enganosa. Um estudo recente usando o conjunto de dados público de cartões de crédito europeus trabalhou com 284.807 transações e uma prevalência de fraude de apenas 0,173 por cento, enquanto impunha divisões cronológicas de dados para modelar o desvio temporal. (pubmed.ncbi.nlm.nih.gov)

Um modelo pode parecer altamente preciso, mas perder uma quantidade comercialmente significativa de fraude. Os compradores devem priorizar:

1. Precisão na taxa de revisão real
2. Recall na taxa real de recusa ou intervenção
3. Captura de valor de fraude
4. Falsas recusas
5. Taxas de chargeback e disputa
6. Taxas de aprovação e conversão
7. Carga de trabalho do analista
8. Desempenho após a maturidade dos rótulos

Panorama das provas públicas

Os números a seguir são resultados comunicados pelo fornecedor ou de estudos de caso de clientes, salvo indicação em contrário. "Não divulgado publicamente" significa que o fornecedor não publica um resultado comparável de precisão e recall para a plataforma completa.

Os 10 melhores agentes de deteção de fraudes e monitoramento de transações

1. Unit21: Melhor plataforma agêntica completa para fraude e crime financeiro

A Unit21 é um dos exemplos mais claros de uma plataforma projetada em torno do workflow completo de deteção à investigação. O seu sistema combina regras, sinais comportamentais, inteligência de dispositivos, análise de grafos, informações de consórcio de fraude, gestão de casos e agentes de inteligência artificial.

O seu Agente de Deteção analisa transações e alertas em tempo real. O seu Agente de Investigação recolhe provas, identifica entidades ligadas, resume riscos, recomenda ações e cria narrativas de casos. A plataforma também suporta workflows de alerta-para-caso-para-relatório-de-atividade-suspeita com etapas de investigação documentadas. (unit21.ai)

Onde a Unit21 tem bom desempenho

• Forte adequação para fintechs, empresas de pagamento e instituições financeiras
• Alegações de tomada de decisão em tempo real em menos de 250 milissegundos
• Regras, machine learning explicável, regras baseadas em grafos e agentes de investigação num único ambiente
• Testes de sombra, validação histórica e implementação em sandbox
• Monitoramento multicanal em câmara de compensação automatizada, transferências bancárias, cartões, pagamentos instantâneos, criptomoedas e pagamentos de conta para conta
• Trilhas de provas geradas pelo agente em vez de apenas resumos narrativos

A Unit21 também enfatiza que as equipas de risco podem ver quais variáveis contribuíram para uma pontuação de machine learning e podem usar regras baseadas em grafos para expor relacionamentos ocultos. (unit21.ai)

Avaliação do benchmark

Os materiais públicos relatam uma redução de 50 por cento em falsos positivos e uma redução de 70 por cento na perda por fraude num exemplo de produto voltado para o cliente, mas a empresa não publica um benchmark padronizado de precisão, recall ou chargeback para todos os clientes. (unit21.ai)

Melhor escolha para: Uma empresa de tecnologia financeira ou instituição de pagamento em crescimento que deseja uma plataforma para pontuação em tempo real, investigações, análise de grafos e workflows de remediação.

Principal risco: Os compradores devem verificar se o agente de investigação tem permissão para fechar alertas automaticamente, apenas recomendar disposições ou realizar diferentes ações por nível de risco.

2. Sardine: Melhor para inteligência de dispositivos, grafos de fraude e comércio digital

A Sardine combina inteligência de dispositivos, análises comportamentais, machine learning, regras, inteligência de rede, análise de grafos e operações de fraude agênticas. É particularmente forte onde a fraude envolve a jornada do cliente antes da transação, incluindo integração, login, tomada de conta, bots, identidade sintética, fraude de pagamentos e comportamento de golpe.

Sua capacidade de grafo conecta utilizadores, dispositivos, endereços de internet, números de telefone, endereços de e-mail e transações. Seus agentes incluem monitoramento de transações, análise de grafos, assistência a regras, análise de dados, pesquisa de inteligência de código aberto, rastreio de sanções e geração de relatórios de atividade suspeita. (sardine.ai)

Onde a Sardine tem bom desempenho

• Inteligência de dispositivos e comportamental
• Detecção de tomada de conta e bots
• Análise de identidade e transações multicanal
• Fraude de comerciante e comércio digital
• Investigações de redes de fraude baseadas em grafos
• Regras criadas a partir de descrições em linguagem natural
• Workflows automatizados de disputa e chargeback
• Risco de pagamento bancário antes do envio e liquidação

A Sardine relata vários resultados específicos do cliente, incluindo 95 por cento de precisão num caso de uso de decisão de integração, uma redução de 70 por cento nas perdas por chargeback relacionadas com cartões numa implementação bancária e uma taxa de chargeback de 0,0003 por cento no mesmo caso. Também relata que uma implementação resolveu 55 por cento dos alertas em aproximadamente 30 segundos. (sardine.ai)

Avaliação do benchmark

Os números de chargeback da Sardine são comercialmente úteis, mas a taxa de chargeback não é o mesmo que recall. Uma taxa de chargeback mais baixa pode resultar de uma melhor deteção, maior autenticação do cliente, políticas de aprovação mais rigorosas, diferente mistura de comerciantes ou uma mudança na responsabilidade.

Melhor escolha para: Bancos digitais, empresas de pagamento, marketplaces, plataformas de criptomoedas e comerciantes que necessitam de inteligência de identidade, dispositivo, grafo e transação em conjunto.

Principal risco: Exigir um benchmark por canal. Os resultados de integração ou fraude de cartão não devem ser assumidos como aplicáveis a pagamentos via câmara de compensação automatizada, golpes de pagamento por transferência autorizada ou monitoramento de anti-lavagem de dinheiro.

3. Feedzai: Melhor para tomada de decisão de fraude de pagamentos em larga escala

A Feedzai é uma plataforma empresarial de fraude madura, focada em decisões de pagamento de alto volume e em tempo real. Sua plataforma RiskOps combina controlos de identidade, fraude e anti-lavagem de dinheiro, enquanto seus produtos de rede adicionam inteligência coletiva sem exigir que as instituições partilhem informações de identificação pessoal brutas.

A Feedzai IQ afirma que os dados brutos permanecem no ambiente da instituição, enquanto sinais de risco anonimizados e padrões agregados são trocados pela rede. A Feedzai relata quatro vezes mais fraudes detetadas, 50 por cento menos alertas do que as abordagens baseadas em regras e uma melhoria de 27 por cento na aceitação de pagamentos para utilizadores do seu produto de inteligência de rede. (feedzai.com)

Onde a Feedzai tem bom desempenho

• Grandes bancos, processadores de pagamento e redes de cartão
• Pontuação de pagamentos omnicanal em tempo real
• Regras e machine learning usados em conjunto
• Inteligência de rede e visualização de grafos
• Códigos de razão explicáveis
• Criação de regras em linguagem natural
• Investigação de casos e workflow do analista
• Inteligência de consórcio consciente da privacidade
• Implementação de modelos de alto volume

A Feedzai relata que um grande banco norte-americano alcançou uma taxa média de deteção de valor de 75 por cento a uma taxa de intervenção de 0,1 por cento, juntamente com uma taxa de deteção de falsos positivos de 12 para 1. Também relata uma redução de 73 por cento em falsos positivos e 62 por cento mais fraudes detetadas do que uma solução anterior noutros exemplos empresariais. (feedzai.com)

A capacidade de investigação Genome da Feedzai usa relacionamentos visuais entre clientes, cartões, transações e outras entidades. Um estudo de caso de cliente relatou que uma investigação que antes levava meio dia poderia ser concluída em aproximadamente dez minutos, com um aumento de 15 por cento na deteção de fraude em alertas específicos. (feedzai.com)

Monitoramento de desvio

A Feedzai também publicou pesquisas sobre monitoramento automático de modelos para dados de fraude em streaming. Sua abordagem de monitoramento é projetada para identificar mudanças antes que os rótulos estejam disponíveis e produzir explicações para a provável causa do desvio. A pesquisa foi avaliada em cinco conjuntos de dados de fraude do mundo real, totalizando mais de 22 milhões de transações online. (research.feedzai.com)

Melhor escolha para: Grandes bancos, processadores e redes de pagamento que necessitam de tomada de decisão madura em tempo real, ampla cobertura de pagamentos e operações de modelos sofisticadas.

Principal risco: A Feedzai possui um vasto portfólio de produtos. Os compradores devem testar a combinação exata de pontuação de fraude, automação de investigação, inteligência de rede e funcionalidade de anti-lavagem de dinheiro que está a ser adquirida.

4. ComplyAdvantage Mesh: Melhor para remediação automatizada de monitoramento de transações

A ComplyAdvantage Mesh é mais forte em anti-lavagem de dinheiro, monitoramento de transações, rastreio de clientes, rastreio de sanções e inteligência de risco. Sua estratégia de plataforma recente coloca os workflows agênticos dentro de um sistema unificado de gestão de casos.

A plataforma afirma que sua cadeia de decisão pode resolver 65 a 85 por cento dos alertas de falsos positivos através de uma combinação de pontuação de risco, agentes de inteligência artificial e analistas. Também relata mais de 100 transações por segundo com tempos de resposta em sub-segundo e mais de 3,5 mil milhões de mensagens diárias processadas em toda a plataforma. (complyadvantage.com)

Onde a ComplyAdvantage tem bom desempenho

• Regras e machine learning avançado a trabalhar em conjunto
• Monitoramento de transações e rastreio de pagamentos
• Criação de regras em linguagem natural
• Padrões de grafo e clustering
• Remediação automatizada de alertas
• Gestão de casos e trilhas de auditoria
• Preparação de relatórios de atividade suspeita
• Inteligência de risco baseada em sanções, pessoas politicamente expostas, mídia adversa e sinais comportamentais
• Segregação regional de dados e controlos de segurança empresarial

A ComplyAdvantage relata que a PayNearMe reduziu o tempo do analista gasto no monitoramento de transações em aproximadamente 50 por cento. A Paytron relatou uma redução de 20 por cento em falsos positivos e uma redução de 75 por cento em consultas pós-transação. (complyadvantage.com)

Os seus materiais de plataforma pública reivindicam até 82 por cento de redução de falsos positivos, mas estes números devem ser tratados como resultados comunicados pelo fornecedor, em vez de um benchmark independente. (complyadvantage.com)

Privacidade e governança

A ComplyAdvantage afirma que o Mesh suporta encriptação em repouso e em trânsito, segregação geográfica de dados, permissões baseadas em funções, single sign-on, Organização Internacional de Normalização 27001, Controlo de Organização de Serviço 2 e tratamento de dados em conformidade com o Regulamento Geral de Proteção de Dados. Estes são controlos úteis, mas os compradores ainda precisam de rever o contrato, subprocessadores, períodos de retenção e termos de treinamento de modelo. (complyadvantage.com)

Melhor escolha para: Empresas de pagamento e instituições financeiras cujo principal gargalo é o volume de alertas de anti-lavagem de dinheiro e a remediação, em vez da latência de autorização de cartão.

Principal risco: Validar o recall específico de fraude separadamente do desempenho de resolução de alertas de anti-lavagem de dinheiro.

5. NICE Actimize: Melhor para investigações de grandes bancos e relatórios regulatórios

A NICE Actimize é uma plataforma empresarial de crime financeiro que abrange prevenção de fraudes, anti-lavagem de dinheiro, sanções, relatórios de atividade suspeita, gestão de casos e workflows de investigação.

A sua plataforma relata que monitoriza mais de cinco mil milhões de transações por dia e usa deteção de fraude a nível de milissegundos. Também oferece análises de rede, pontuação de risco baseada em tipologias, investigações integradas e inteligência artificial generativa para resumos de casos e narrativas de relatórios de atividade suspeita. (info.niceactimize.com)

Onde a NICE Actimize tem bom desempenho

• Instituições financeiras grandes e complexas
• Programas de fraude e crime financeiro multicanal
• Gestão de casos e orquestração de investigação
• Preparação de relatórios de atividade suspeita
• Visualização de rede
• Governança e relatórios regulatórios
• Workflows de investigação com intervenção humana
• Integração de sistemas legados

A NICE relata que suas capacidades de investigação podem reduzir o tempo de investigação em até 50 por cento e o tempo de preparação de relatórios de atividade suspeita em até 70 por cento. Seu Xceed FraudDesk CoPilot relata 80 por cento mais rapidez na triagem e revisão de alertas, uma redução de 60 por cento no tempo de processamento de caso para relatório e 40 por cento menos falsos positivos. (resources.niceactimize.com)

Avaliação do benchmark

A NICE publica fortes alegações operacionais e de escala, mas menos dados públicos de precisão e recall a nível de transação. O comprador deve solicitar:

• Precisão e recall por tipologia de fraude
• Resultados antes e depois das sobreposições de machine learning
• Recall ponderado por valor
• Taxas de falsas recusas
• Tempo de investigação por complexidade do caso
• Precisão de auto-disposição
• Desempenho sob carga de pico

Melhor escolha para: Grandes bancos que necessitam de ampla cobertura de crime financeiro, governança estabelecida e capacidades aprofundadas de relatórios regulatórios.

Principal risco: Complexidade de implementação e a possibilidade de que as capacidades mais avançadas exijam vários módulos e um extenso trabalho de integração.

6. Hawk: Melhor para monitoramento de fraudes e crimes financeiros explicável e de baixa latência

A Hawk foca-se em inteligência artificial explicável, monitoramento de transações em tempo real, prevenção de fraudes, anti-lavagem de dinheiro, rastreio de sanções e a convergência das operações de fraude e crime financeiro.

A sua plataforma de fraude de transações relata um tempo médio de decisão de 150 milissegundos e suporta canais de pagamento como câmara de compensação automatizada, cartão, cheque, peer-to-peer, transferência bancária e outros. A Hawk também promove uma abordagem híbrida na qual as regras tradicionais geram exceções e o machine learning avalia a probabilidade de um alerta ser um verdadeiro ou falso positivo. (hawk.ai)

Onde a Hawk tem bom desempenho

• Machine learning explicável
• Interdição de pagamentos em tempo real
• Regras e machine learning num único workflow
• Convergência de fraude e anti-lavagem de dinheiro
• Gestão de regras de autoatendimento
• Governança de modelos
• Implementação como software as a service, nuvem privada ou tecnologia on-premise
• Automação de investigação

A Hawk relata três a cinco vezes mais precisão, 70 por cento menos alertas falsos, 30 por cento mais clientes fraudulentos identificados e uma redução de 62 por cento no tempo de investigação de anti-lavagem de dinheiro em seus materiais de impacto publicados. (hawk.ai)

Seu agente investigativo de 2026 estende a Hawk além da deteção e priorização de alertas para a recolha de provas e suporte à investigação. (hawk.ai)

Avaliação do benchmark

O posicionamento de explicabilidade e latência da Hawk é convincente, mas um multiplicador de precisão é difícil de avaliar sem a precisão original, população, período de teste e taxa de intervenção. Os compradores devem solicitar a curva completa de precisão-recall e não apenas a melhoria percentual reivindicada.

Melhor escolha para: Bancos, empresas de pagamento e instituições financeiras que priorizam a explicabilidade, implementação rápida, interdição em tempo real e implementação flexível.

Principal risco: Confirmar se o agente de investigação possui capacidades específicas de fraude suficientes ou se é otimizado principalmente para investigações de anti-lavagem de dinheiro.

7. Featurespace: Melhor para deteção adaptativa de fraudes comportamentais

A Featurespace diferencia-se pelas Análises Comportamentais Adaptativas e pelas suas Redes Comportamentais Profundas Automatizadas. Em vez de depender principalmente de indicadores de má reputação conhecidos, a plataforma modela o comportamento normal e identifica desvios significativos.

Esta abordagem é útil quando os fraudadores imitam a atividade legítima ou quando a instituição tem rótulos de fraude confirmados limitados. A Featurespace afirma que os seus modelos se adaptam a comportamentos em mudança e exigem menos retreinamento manual, enquanto as decisões dos analistas são usadas para monitoramentos futuros. (staging.www.featurespace.com)

Onde a Featurespace tem bom desempenho

• Fraude de cartão
• Pagamentos de conta para conta
• Golpes de pagamento por transferência autorizada
• Fraude de aplicação
• Identidade sintética
• Criação de perfis de cliente adaptativos
• Redução da degradação do modelo
• Pontuação de transações em tempo real de alto volume

As provas públicas de clientes estão entre as mais fortes para a captura de fraudes. A Central 1 relatou 79 por cento de volume de captura de fraudes, descrito como um aumento de 51 por cento em relação ao seu benchmark da indústria, e 67 por cento de valor de captura de fraudes, mantendo uma relação de falsos positivos de 2 para 1. (featurespace.com)

A NatWest relatou uma melhoria de 135 por cento no valor de golpes detetados e uma redução de 75 por cento em falsos positivos num resumo de estudo de caso posterior. Materiais anteriores relataram um aumento de 50 por cento no valor de fraudes e golpes detetados dentro de 24 horas após a implementação. (featurespace.com)

A Featurespace também relata que a TSYS pontua mil milhões de transações por mês e que 77,8 por cento das transações contestadas eram fraudulentas num estudo de caso de 2025. (featurespace.com)

Avaliação do benchmark

A Featurespace tem fortes provas públicas para captura de valor de fraude e modelagem de comportamento adaptativo, mas menos provas públicas para agentes de investigação autónomos e recomendações de remediação.

Melhor escolha para: Emissores, bancos, processadores e fornecedores de pagamento onde a mudança de comportamento do cliente e a degradação do modelo são grandes preocupações.

Principal risco: Certificar-se de que as capacidades de gestão de casos e investigação da plataforma cumprem o mesmo padrão da sua pontuação de transações.

8. Quantexa: Melhor para resolução de entidades baseada em grafos e investigações contextuais

A Quantexa é mais forte quando o sinal de fraude ou crime financeiro está distribuído por relacionamentos, em vez de ser visível numa única transação.

A sua plataforma cria uma visão conectada de clientes e contrapartes através da resolução de entidades e geração de grafos. O monitoramento contextual avalia as transações juntamente com relacionamentos, estruturas de propriedade, atividade histórica e informações externas. O Q Assist suporta workflows de investigação e geração de relatórios. (quantexa.com)

Onde a Quantexa tem bom desempenho

• Resolução de entidades
• Análise de contrapartes e propriedade beneficiária
• Redes de 'mulas' de dinheiro e lavagem
• Investigações complexas
• Monitoramento contextual de anti-lavagem de dinheiro
• Priorização de risco baseada em grafos
• Relatórios regulatórios
• Unificação de dados em sistemas fragmentados

A Quantexa relata até 75 por cento de redução em falsos positivos, 50 por cento ou mais de redução no esforço de investigação e até 40 por cento dos riscos identificados pela Quantexa que foram perdidos por sistemas legados. Outra página de impacto público relata até 80 por cento de redução no tempo de investigação em escala. (quantexa.com)

Avaliação do benchmark

A Quantexa geralmente não é a primeira escolha para uma decisão de autorização de cartão em menos de 100 milissegundos. Seu valor é frequentemente maior na análise contextual de risco, descoberta de rede e aceleração da investigação.

Os métodos baseados em grafos podem ser altamente eficazes, mas os compradores devem testar:

• Precisão de resolução de entidades
• Ligações falsas entre clientes não relacionados
• Frequência de atualização do grafo
• Latência de pesquisa multi-salto
• Explicabilidade dos recursos do grafo
• Desempenho quando os dados de relacionamento estão incompletos

Melhor escolha para: Grandes bancos e instituições reguladas cujos casos mais difíceis envolvem relacionamentos ocultos, contrapartes, redes de mulas ou dados fragmentados.

Principal risco: O trabalho de integração e de fundação de dados pode ser substancial antes que o raciocínio baseado em grafos produza resultados fiáveis.

9. Nasdaq Verafin: Melhor para operações de fraude de bancos comunitários impulsionadas por consórcios

A Nasdaq Verafin serve bancos e cooperativas de crédito com deteção de fraudes, anti-lavagem de dinheiro, rastreio de sanções, gestão de clientes de alto risco, partilha de informações e ferramentas de investigação. A Nasdaq relata que a Verafin serve mais de 2.750 instituições financeiras norte-americanas e utiliza informações de consórcio baseadas em dados de milhares de instituições. (ir.nasdaq.com)

Em 2025 e 2026, a Nasdaq introduziu sua Força de Trabalho Agêntica de Inteligência Artificial, incluindo analistas digitais de sanções, analistas de diligência devida aprimorada, um analista agêntico de anti-lavagem de dinheiro e um analista agêntico de fraude. O analista de fraude anunciado inicialmente foca-se na atividade incomum da câmara de compensação automatizada. A plataforma suporta modo de recomendação, garantia de qualidade, revisão humana configurável e auto-disposição planeada de alertas de falsos positivos. (nasdaq.com)

Onde a Verafin tem bom desempenho

• Instituições financeiras comunitárias e regionais
• Inteligência de consórcio
• Fraude de câmara de compensação automatizada, cheque, transferência bancária e depósito
• Deteção e relatórios de crimes financeiros
• Pesquisa de entidades
• Partilha de informações entre instituições financeiras
• Workflows agênticos controlados por humanos

Avaliação do benchmark

O modelo de consórcio da Verafin é estrategicamente importante porque um criminoso pode distribuir a atividade por muitas instituições. No entanto, os materiais públicos não fornecem um benchmark padronizado de precisão, recall, chargeback ou tempo de analista para os novos agentes de trabalho.

Algumas capacidades foram anunciadas para implementação faseada durante o segundo semestre de 2026. Os compradores devem confirmar exatamente quais agentes, tipologias, controlos de auto-disposição e opções de implementação estão geralmente disponíveis na data do contrato. (nasdaq.com)

Melhor escolha para: Bancos e cooperativas de crédito norte-americanas que procuram uma plataforma setorial específica com inteligência de consórcio e automação agêntica em expansão gradual.

Principal risco: As funções agênticas mais recentes são menos maduras do que a plataforma subjacente de fraude e anti-lavagem de dinheiro da Verafin.

10. FICO Platform: Melhor para tomada de decisão empresarial governada

A FICO é melhor vista como uma plataforma de tomada de decisão e governança de modelos empresariais com profundas capacidades de fraude, em vez de um único agente de investigação autónomo.

O portfólio de fraude da FICO inclui pontuação de transações em tempo real, modelos de consórcio de fraude, análises comportamentais adaptativas, gestão de estratégias, desenvolvimento de modelos, otimização e explicabilidade. A FICO também destacou explicações temporais que identificam transações passadas relevantes que contribuíram para uma decisão. (investors.fico.com)

Os seus materiais para investidores de 2026 descrevem a FICO Platform como "agêntica por design", com inteligência artificial explicável e auditável, modelos de consórcio de fraude treinados em milhares de milhões de transações e ferramentas para construir, testar, otimizar e monitorizar a tomada de decisão. (investors.fico.com)

Onde a FICO tem bom desempenho

• Grandes instituições financeiras com equipas internas de ciência de dados
• Desenvolvimento controlado de estratégia de decisão
• Governança de modelos e gestão do ciclo de vida
• Pontuação de fraude em tempo real
• Inteligência de consórcio de fraude
• Orquestração de decisões em toda a empresa
• Implementação de modelos explicáveis
• Integração com sistemas de decisão existentes

A FICO relata que os seus modelos focados em serviços financeiros podem produzir mais de 35 por cento de melhoria em alguns casos de uso de análise de transações, incluindo deteção de fraudes. A Velera relatou uma redução de 85 por cento no tempo de alerta de fraude e um aumento de 76 por cento na eficiência de autoatendimento do titular do cartão após implementar as capacidades da FICO Platform. (investors.fico.com)

Melhor escolha para: Grandes instituições que desejam controlo extensivo sobre dados, modelos, estratégias, testes e governança.

Principal risco: As organizações podem precisar de uma substancial experiência interna para obter o valor total da plataforma.

Comparando o raciocínio baseado em grafos com regras e machine learning

Sistemas apenas baseados em regras

Pontos fortes:

• Altamente explicável
• Rápido e determinístico
• Fácil de mapear para a política
• Útil para tipologias conhecidas
• Simples de testar e reproduzir

Pontos fracos:

• Geram grandes volumes de falsos positivos
• Podem ser contornados por pequenas mudanças de comportamento
• Exigem manutenção constante das regras
• Frequentemente falham em identificar novos padrões de fraude
• Têm dificuldade com relacionamentos entre contas

As regras devem permanecer parte da arquitetura porque fornecem guardrails e controlos claros. Elas não devem ser a estratégia de deteção completa.

Híbridos de regras e machine learning

Sistemas híbridos geralmente fornecem o melhor compromisso operacional. As regras lidam com restrições rígidas e riscos conhecidos, enquanto o machine learning lida com:

• Desvios comportamentais
• Padrões específicos do cliente
• Anomalias de grupo de pares
• Classificação de risco
• Redução de falsos positivos
• Priorização dinâmica
• Comportamento emergente

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO e várias outras plataformas usam variações deste padrão híbrido. A Hawk descreve explicitamente um processo de duas etapas no qual as regras geram exceções e o machine learning avalia se essas exceções são provavelmente verdadeiros ou falsos positivos. (insights.hawk.ai)

Raciocínio baseado em grafos

Os métodos de grafo são mais fortes quando as provas estão distribuídas por entidades e tempo. Eles podem identificar:

• Dispositivos partilhados entre contas
• Números de telefone reutilizados
• Beneficiários comuns
• Movimento de dinheiro 'fan-in' e 'fan-out'
• Comportamento de passagem rápida
• Atividade de comerciante coordenada
• Clusters de identidade sintética
• Redes de mulas
• Conluio

Um modelo de grafo pode melhorar o recall para fraudes organizadas, ao mesmo tempo que reduz a necessidade de investigar alertas isolados. No entanto, os sistemas de grafo introduzem requisitos adicionais:

• Resolução de entidades de alta qualidade
• Atualizações frequentes do grafo
• Controlos de privacidade de relacionamento
• Gestão da latência de multi-salto
• Proteção contra ligações incorretas
• Explicações claras do caminho que produziu o sinal de risco

Um estudo de fraude de cartão de crédito baseado em grafos de 2024 relatou precisão de 0,82 e recall de 0,92, mas esses números vieram de um conjunto de dados de pesquisa específico e configuração experimental. Não devem ser comparados diretamente com estudos de caso de fornecedores ou taxas de chargeback de produção. (sciencedirect.com)

Investigação agêntica

Os agentes são mais valiosos depois de um sinal ter sido criado. Podem reduzir o tempo gasto na recolha de provas e preparação de narrativas, mas não devem ser tratados como um substituto para um modelo de fraude calibrado.

A arquitetura recomendada é:

1. Regras e machine learning síncronos para a decisão da transação
2. Recursos de grafo rápidos para risco de relacionamento imediato
3. Exploração assíncrona de grafo para investigação mais profunda
4. Um agente de investigação para recolha de provas e preparação de casos
5. Remediação controlada por política
6. Aprovação humana para ações irreversíveis ou de alto valor

Explicabilidade para revisões reguladoras

"Inteligência artificial explicável" pode significar várias coisas diferentes. Os compradores devem distinguir entre:

1. Códigos de razão Exemplos incluem quantia incomum, novo dispositivo, alta velocidade ou contraparte de risco.

2. Atribuição de atributos O sistema mostra quais variáveis contribuíram mais para uma pontuação.

3. Raciocínio ligado a provas O sistema conecta a decisão a transações, dispositivos, contas e registos externos reais.

4. Raciocínio de política O sistema explica qual regra, política, limite ou configuração de apetite de risco foi aplicada.

5. Raciocínio do agente e histórico de ferramentas O trilho de auditoria regista quais fontes o agente consultou, o que recuperou, o que concluiu e que ação recomendou.

Para um regulador, um resumo em linguagem natural por si só não é suficiente. O pacote de auditoria deve incluir:

• Dados de transação e cliente usados no momento da decisão
• Versão do modelo
• Versão da regra e política
• Valores dos atributos
• Pontuação e limite
• Códigos de razão
• Relações de grafo usadas
• Fontes de dados externas
• Prompts do agente ou instruções de tarefa
• Provas recuperadas
• Chamadas de ferramentas
• Substituições humanas
• Ação final
• Carimbo de data/hora
• Linhagem de dados
• Alterações feitas após a decisão original
• Um procedimento de reprodução reprodutível

A orientação de risco de modelo revista da Reserva Federal de 2026 enfatiza a análise de resultados, monitoramento contínuo, documentação e validação de produtos de fornecedores. Também afirma que as instituições continuam responsáveis por entender os modelos dos fornecedores, suas limitações, dados de desenvolvimento e desempenho. A orientação exclui modelos generativos e agênticos do seu âmbito formal, mas afirma que as organizações ainda devem estabelecer governança e controlos apropriados para ferramentas não cobertas pela orientação. (federalreserve.gov)

O Payment Card Industry Security Standards Council recomenda de forma semelhante registar e monitorizar ações de inteligência artificial, identificar um humano responsável e preservar informações suficientes para auditar prompts e processos de raciocínio sempre que possível. (blog.pcisecuritystandards.org)

Um princípio útil é:

Uma explicação plausível não é prova de que a decisão estava correta.

Uma pesquisa publicada em 2026 argumenta que a qualidade da lógica de um agente de investigação deve ser avaliada separadamente da qualidade da sua decisão de fraude subjacente. (arxiv.org)

Medindo o aumento da captura de fraudes em relação aos chargebacks

O aumento da captura de fraudes e a redução de chargebacks estão relacionados, mas são diferentes.

Aumento da captura de fraudes

Uma medida útil é:

Aumento da captura de fraudes = fraudes capturadas após a implementação menos fraudes capturadas antes da implementação, dividido pelas fraudes capturadas antes da implementação

Isto deve ser calculado separadamente para:

• Contagem de transações
• Valor da fraude
• Fraude não autorizada confirmada
• Golpes de pagamento por transferência autorizada
• Tomada de conta
• Fraude sem cartão presente
• Fraude de primeira parte
• Identidade sintética
• Fraude de comerciante
• Atividade de 'mulas' de dinheiro

Taxa de chargeback

A taxa de chargeback deve ser calculada como:

Número de chargebacks dividido por transações liquidadas

Também medir:

• Valor do chargeback
• Pontos base de chargeback
• Taxa de sucesso de representação
• Taxa de disputa do cliente
• Chargebacks relacionados a fraudes versus disputas relacionadas a serviços
• Tempo da transação ao chargeback
• Custo de recuperação do chargeback
• Reclamações de clientes
• Falsas recusas
• Taxa de aprovação

Uma plataforma pode reduzir os chargebacks recusando mais transações, mas isso pode prejudicar a receita. Por outro lado, uma plataforma pode aumentar as aprovações, diminuindo o valor da fraude através de uma melhor segmentação.

A métrica de negócio correta, portanto, não é "menor taxa de chargeback". É:

Valor máximo de fraude prevenido e recuperado a um custo aceitável de falsa recusa, aprovação, atrito do cliente e operacional.

Latência em cargas de pico

As alegações de latência dos fornecedores não são diretamente comparáveis. Uma alegação pode referir-se a:

• Latência média
• Latência mediana
• Latência no percentil 95
• Latência no percentil 99
• Latência apenas do modelo
• Latência de ponta a ponta
• Desempenho de cache quente
• Um único canal de pagamento
• Um ambiente de teste em vez de produção

Exemplos públicos incluem a alegação de tomada de decisão em menos de 250 milissegundos da Unit21, a decisão média de fraude de transação de 150 milissegundos da Hawk, as alegações de menos de um segundo e mais de 100 transações por segundo da ComplyAdvantage, e a linguagem de marketing a nível de milissegundos da NICE Actimize. (unit21.ai)

Um teste de desempenho sério deve medir:

• Latência mediana
• Latência no percentil 95
• Latência no percentil 99
• Throughput máximo sustentável
• Throughput de pico de burst
• Latência de cold-start
• Comportamento de tempo limite de dependência
• Crescimento da fila
• Comportamento de fail-open e fail-closed
• Latência por canal de pagamento
• Latência com enriquecimento de grafo
• Latência com pesquisas de consórcio
• Latência durante atualizações de modelo
• Desempenho de failover regional

O agente de investigação deve geralmente estar fora do caminho crítico de pagamento. Um pagamento não deve esperar por uma pesquisa de inteligência de código aberto, uma travessia de grafo grande ou uma narrativa generativa. A decisão da transação deve ser concluída rapidamente, enquanto a investigação mais profunda prossegue assincronamente.

Privacidade e segurança de dados

Sistemas de fraude processam informações altamente sensíveis, incluindo transações financeiras, relacionamentos de contas, dados de dispositivos, registos de identidade e padrões comportamentais.

Nos Estados Unidos, o Gramm-Leach-Bliley Act exige que as instituições financeiras abrangidas expliquem as práticas de partilha de informações e salvaguardem as informações confidenciais dos clientes. A Safeguards Rule da Federal Trade Commission também impõe obrigações às instituições abrangidas e exige atenção aos prestadores de serviços que lidam com dados de clientes. (ftc.gov)

O Regulamento Geral de Proteção de Dados impõe restrições adicionais às decisões baseadas exclusivamente em processamento automatizado, quando essas decisões têm efeitos legais ou igualmente significativos. Também exige salvaguardas adequadas, incluindo o direito à intervenção humana em circunstâncias relevantes. (eur-lex.europa.eu)

O Payment Card Industry Data Security Standard aplica-se a entidades que armazenam, processam ou transmitem dados de titulares de cartões. O Payment Card Industry Security Standards Council recomenda tokenização, segmentação, encriptação, controlos de acesso, registo e supervisão humana responsável para sistemas de inteligência artificial utilizados em ambientes de pagamento. (pcisecuritystandards.org)

Perguntas de privacidade a fazer a cada fornecedor

1. Os dados do cliente treinam um modelo partilhado?
2. O cliente pode optar por não participar no treinamento do modelo?
3. As informações de identificação pessoal são removidas ou tokenizadas?
4. Os números de cartão de pagamento são substituídos por tokens?
5. Onde os dados são armazenados e processados?
6. Os dados podem permanecer dentro de uma região geográfica selecionada?
7. Os sinais do consórcio são anonimizados?
8. Os registos brutos dos clientes são partilhados com outras instituições?
9. Qual é o período de retenção?
10. Os dados podem ser apagados no término do contrato?
11. Quais subprocessadores recebem os dados?
12. Os prompts do modelo de linguagem grande são retidos?
13. O agente de investigação pode aceder a websites externos?
14. As ferramentas do agente são restritas por função e política?
15. Os registos de casos são encriptados em repouso e em trânsito?
16. A instituição pode auditar cada acesso aos dados?
17. Estão disponíveis implementações em nuvem privada ou on-premise?

A Feedzai descreve uma abordagem federada na qual os dados brutos do cliente permanecem locais enquanto os sinais anonimizados são trocados. A ComplyAdvantage descreve segregação geográfica e controlos de segurança empresariais. A Hawk anuncia opções de implementação software-as-a-service, nuvem privada e on-premise. A orientação para compradores da Unit21 enfatiza isolamento de dados, encriptação, hosting regional, restrições de treinamento de modelo, controlos de feedback e garantia de qualidade. (feedzai.com)

Estas são escolhas de design úteis, mas nenhuma prova automaticamente a conformidade legal. A instituição permanece responsável pelos seus acordos de processamento de dados, avisos de privacidade, avaliação de risco e supervisão de terceiros.

Monitoramento de desvio de modelo

A fraude é adversária. Uma vez que um controlo se torna eficaz, os criminosos mudam dispositivos, valores, comerciantes, beneficiários, tempo de pagamento, informações de identidade ou caminhos de transação.

Um programa de monitoramento de modelos deve rastrear:

Desvio de dados

• Alterações nos valores das transações
• Novas categorias de comerciantes
• Novos países ou regiões
• Alterações de dispositivo e navegador
• Campos em falta ou atrasados
• Novos canais de pagamento
• Alterações na mistura de clientes
• Alterações na mistura de contrapartes

Desvio de previsão

• Distribuição de pontuação
• Volume de alertas
• Volume de recusas
• Volume de revisões
• Taxa de auto-disposição
• Estabilidade do limite
• Calibração

Desvio de resultados

• Precisão após a maturidade dos rótulos
• Recall
• Captura de valor da fraude
• Taxa de chargeback
• Falsas recusas
• Reclamações de clientes
• Resultados de disputas
• Substituições do analista
• Conversão de relatório de atividade suspeita

Desvio operacional

• Tempo de investigação
• Idade da fila
• Intervenções do analista por caso
• Falhas na recuperação de provas
• Erros da ferramenta do agente
• Alegações alucinadas ou não suportadas
• Mudanças de regra
• Mudanças de versão do modelo
• Interrupções de fonte de dados

A orientação de 2026 da Reserva Federal recomenda monitoramento contínuo e análise de resultados para determinar se os modelos permanecem precisos, adequados ao propósito e fiáveis à medida que os produtos, clientes, exposições e condições de mercado mudam. (federalreserve.gov)

A Featurespace enfatiza modelos comportamentais adaptativos destinados a reduzir o retreinamento manual. A Feedzai publicou pesquisas sobre a deteção de desvio em streaming antes que os rótulos estejam disponíveis. A Unit21 fornece modos de sombra, validação e sandbox para testar novas lógicas de fraude. A ComplyAdvantage fornece métricas de desempenho de regras, como taxas de acerto e tendências de falsos positivos. A Hawk promove a gestão do ciclo de vida do modelo e a governança automática do modelo. (staging.www.featurespace.com)

Um controlo particularmente importante é o monitoramento de rótulos atrasados. Chargebacks e rótulos de fraude confirmada podem chegar semanas ou meses após a decisão original. As organizações não devem esperar pelos rótulos finais de fraude antes de monitorizar mudanças súbitas nas distribuições de entrada, padrões de alerta ou comportamento do cliente.

Quadro de pontuação recomendado para compradores

Uma avaliação prática pode atribuir pesos da seguinte forma:

Exija que cada fornecedor execute a mesma avaliação:

1. Fornecer uma amostra histórica de transações com resultados confirmados.
2. Usar uma divisão de teste cronológica em vez de aleatória.
3. Executar uma reprodução silenciosa em produção.
4. Comparar com as regras e modelos atuais.
5. Medir a precisão na taxa de revisão real.
6. Medir o recall na taxa de recusa real.
7. Relatar o valor da fraude capturada.
8. Relatar os efeitos de chargeback e falsa recusa.
9. Medir a latência mediana, no percentil 95 e no percentil 99.
10. Medir os minutos do analista por alerta e por caso.
11. Testar o tráfego de pico e falha de dependência.
12. Rever as explicações com analistas de fraude e oficiais de conformidade.
13. Testar o desvio do modelo em países, produtos, comerciantes e canais de pagamento.
14. Auditar as recomendações do agente em relação às provas de origem.
15. Manter ações de alto valor em modo de revisão humana durante o piloto.

Lacunas do mercado e uma solução melhor a construir

A maior lacuna do mercado não é outra pontuação de fraude. É uma plataforma padronizada e nativa de provas para operações de fraude que torna as alegações de fornecedores mensuráveis e as revisões regulatórias reprodutíveis.

Uma solução mais forte incluiria o seguinte.

1. Uma arquitetura de duas velocidades

• Tomada de decisão de transação síncrona em menos de 100 milissegundos
• Expansão e investigação assíncronas de grafos
• Ambientes de agente separados para pesquisa e remediação
• Nenhuma dependência de modelo de linguagem grande no caminho de autorização de pagamento

2. Um arnês de avaliação universal

A plataforma deve calcular automaticamente:

• Precisão
• Recall
• Precisão em taxas de revisão fixas
• Recall em taxas de recusa fixas
• Captura de valor de fraude
• Taxa de chargeback
• Taxa de falsa recusa
• Taxa de aprovação
• Tempo de analista poupado
• Tempo de resolução de caso
• Latência no percentil 95 e 99
• Desvio por segmento e tipologia

Isto permitiria às instituições comparar fornecedores usando as mesmas definições.

3. Pacotes de reprodução para reguladores

Para cada decisão material, o sistema deve preservar:

• Dados de entrada
• Versão do modelo
• Versão da regra
• Versão do grafo
• Pontuação
• Limite
• Códigos de razão
• Provas
• Ações do agente
• Substituições humanas
• Decisão final
• Instruções de reprodução reprodutíveis

4. Inteligência de rede que preserva a privacidade

Um consórcio futuro deve suportar:

• Aprendizagem federada
• Computação multipartidária segura
• Identificadores tokenizados
• Privacidade diferencial onde apropriado
• Processamento regional
• Retenção de dados controlada pela instituição
• Governança transparente do consórcio

5. Orquestração segura de remediação

Os agentes devem recomendar e executar ações de acordo com níveis de risco configuráveis:

• Falsos positivos de baixo risco podem ser fechados automaticamente
• Casos de médio risco podem exigir aprovação do analista
• Pagamentos de alto valor podem exigir aprovação dupla
• Fechamentos de contas podem exigir uma decisão humana
• Mudanças de regras devem exigir testes e controlo de versão
• Submissões regulatórias devem exigir assinatura humana responsável

6. Pontuação da qualidade da prova

O sistema deve pontuar não apenas a decisão de fraude, mas também a qualidade das provas que a suportam:

• Todas as alegações estão ligadas a registos de origem?
• O agente usou informações desatualizadas?
• Omitiu provas contraditórias?
• Confundiu uma entidade relacionada com o sujeito?
• Recomendou uma ação fora da política?
• Outro investigador pode reproduzir a conclusão?

Isto ajudaria a prevenir narrativas de investigação polidas, mas não suportadas.

Conclusão

Os melhores agentes de deteção de fraudes e monitoramento de transações não são simplesmente chatbots anexados a filas de alertas. São sistemas de risco em camadas que combinam regras em tempo real, machine learning, análise comportamental, inteligência de grafo, automação de investigação, explicabilidade e remediação controlada.

Para a maioria das instituições, a arquitetura alvo mais forte é:

1. Regras para controlos de política claros
2. Machine learning para pontuação de risco comportamental
3. Análise de grafo para fraude e crime financeiro conectados
4. Agentes de investigação para recolha de provas
5. Aprovação humana para ações materiais
6. Monitoramento contínuo para desvio, latência, privacidade e qualidade dos resultados

A Unit21 e a Sardine são particularmente convincentes para operações de fraude agêntica e serviços financeiros digitais. A Feedzai e a Featurespace têm fortes provas em deteção de fraudes de pagamento em larga escala. A ComplyAdvantage e a NICE Actimize são escolhas fortes para monitoramento de transações, investigações e relatórios regulatórios. A Hawk destaca-se pela tomada de decisão explicável em tempo real. A Quantexa é especialmente forte para investigações contextuais baseadas em grafos. A Nasdaq Verafin está bem posicionada para operações de crime financeiro norte-americanas impulsionadas por consórcios, enquanto a FICO é uma opção forte para instituições que desejam controlo profundo sobre a tomada de decisão e governança de modelos.

O critério de compra decisivo não deve ser a demonstração mais impressionante de inteligência artificial. Deve ser se a plataforma pode demonstrar, nos próprios dados da instituição e em escala de produção:

• Maior recall de fraude
• Melhor precisão
• Mais valor de fraude capturado
• Menos chargebacks sem recusas excessivas
• Menos tempo de analista
• Latência fiável em carga de pico
• Explicações defensáveis
• Fortes controlos de privacidade
• Resistência mensurável ao desvio do modelo