A Dock, em parceria com a Databricks e a Indicium AI, desenvolveu um modelo de inteligência artificial voltado à prevenção de fraudes financeiras com capacidade de sinalizar contas com indícios de atuarem como "laranjas" com até 37 dias de antecedência em relação ao registro efetivo da fraude. A iniciativa foi reportada pela Exame e posiciona a aplicação de IA no centro das estratégias de segurança e gestão de risco no setor financeiro.
O sistema tem como objetivo antecipar a identificação de contas utilizadas para movimentação de recursos ilícitos, permitindo que instituições financeiras atuem de forma preventiva, antes da materialização do golpe. O desenvolvimento conjunto reúne a infraestrutura de dados e processamento em larga escala à expertise em engenharia e ciência de dados para operacionalizar a detecção em ambiente produtivo.
Contexto de Mercado & Capacidades da Solução
A utilização de contas de terceiros para viabilizar fraudes representa um dos principais vetores de risco para bancos, fintechs e instituições de pagamento, com impactos diretos em perdas financeiras, custos de compliance e experiência do cliente. A detecção tradicional, baseada em regras reativas e análise posterior à transação, tem se mostrado insuficiente diante do volume e da sofisticação das operações.
Neste contexto, a solução desenvolvida pela Dock opera a partir da análise de padrões comportamentais e transacionais por meio de modelos de inteligência artificial. Ao processar grandes volumes de dados em plataforma unificada, o sistema identifica sinais e correlações que indicam probabilidade elevada de uso indevido de contas, gerando alertas para as equipes de prevenção à fraude. A arquitetura, apoiada na plataforma Databricks e implementada com a Indicium AI, visa integrar a camada de inteligência diretamente aos fluxos operacionais de monitoramento e tomada de decisão.
A capacidade de antecipação amplia a janela de atuação das instituições, deslocando o esforço de mitigação de uma postura reativa para uma postura preditiva, com maior potencial de bloqueio de movimentações e de preservação da integridade do ecossistema financeiro.
Considerações Estratégicas para Lideranças
Para lideranças de tecnologia, risco e operações, a adoção de modelos preditivos de detecção de fraude requer avaliação criteriosa de governança de dados, qualidade das bases históricas e integração com os sistemas legados de core bancário e de prevenção a crimes financeiros. A interoperabilidade entre a plataforma de dados, os motores de IA e as esteiras de análise humana é fator determinante para a efetividade operacional.
Outro critério relevante refere-se à governança de modelos, incluindo explicabilidade, auditabilidade e conformidade regulatória. Sistemas que sinalizam contas suspeitas precisam operar com trilhas de auditoria claras, critérios documentados e supervisão humana, assegurando aderência às diretrizes do Banco Central e às políticas internas de gestão de risco e proteção de dados.
A avaliação deve considerar ainda a escalabilidade da solução, a latência de processamento e a capacidade de atualização contínua dos modelos diante da evolução das tipologias de fraude, garantindo que a inteligência se mantenha aderente ao comportamento dinâmico do mercado.
Eficiência Operacional & Métricas
Conforme divulgado, o principal indicador de desempenho reportado para o modelo é a capacidade de sinalização de contas suspeitas com até 37 dias de antecedência em relação ao registro da fraude. A métrica indica ganho temporal relevante para as equipes de investigação e para a implementação de medidas preventivas, como monitoramento reforçado, bloqueio preventivo ou revisão cadastral.
A antecipação contribui para a redução de perdas potenciais e para a otimização da alocação de recursos das áreas de risco e compliance, ao permitir a priorização de casos com maior probabilidade de materialização. A mensuração de eficiência, neste tipo de aplicação, está diretamente associada à ampliação da janela de prevenção e à consequente mitigação de impactos financeiros e operacionais.
Próximos Passos & Evolução do Mercado
A evolução de sistemas de detecção de fraudes baseados em inteligência artificial aponta para a consolidação de plataformas de dados unificadas, com processamento em tempo real e modelos de aprendizado contínuo. A tendência é de maior integração entre inteligência artificial, automação de processos de análise e orquestração de respostas, com supervisão humana qualificada.
No setor financeiro, a expectativa é de expansão do uso de IA preditiva para além da detecção de contas laranjas, abrangendo outras modalidades de fraude, validação de identidade e análise de risco de crédito, com foco em interoperabilidade, segurança e conformidade. Parcerias entre instituições financeiras, provedores de infraestrutura de dados e empresas especializadas em IA devem seguir como vetor central para a industrialização dessas capacidades em escala.