As fraudes com deepfakes cresceram mais de 100% no Brasil em um único ano, segundo o Identity Fraud Report 2025-2026, divulgado pela Sumsub, e o país já concentra quase 40% de todos os deepfakes detectados na América Latina. O número traduz uma virada que pega muitas instituições despreparadas: o criminoso deixou de falsificar documentos e passou a fabricar pessoas inteiras, com rosto, voz e comportamento sintéticos capazes de atravessar processos de verificação que funcionavam bem até pouco tempo atrás. A prevenção a fraudes financeiras, construída por décadas sobre regras fixas e conferência manual, encontrou um adversário que aprende e se adapta na mesma velocidade da tecnologia que deveria contê-lo. 

O que está em jogo não é um ajuste incremental nos sistemas antifraude, e sim uma mudança de natureza na forma como instituições financeiras defendem seus clientes e seu próprio balanço. Quando o ataque é gerado por inteligência artificial, a defesa também precisa ser, e isso desloca a discussão do tipo de ferramenta para a qualidade do dado e da governança que sustentam a decisão. É esse deslocamento que define quem vai conseguir conter a nova fraude e quem vai apenas correr atrás dela. 

Por que a prevenção a fraudes financeiras precisou mudar 

Durante muito tempo, a fraude era um problema de volume: muitas tentativas, em sua maioria grosseiras, que sistemas baseados em regras conseguiam barrar com filtros relativamente simples. Esse mundo acabou. A proporção de ataques complexos subiu impulsionada por deepfakes, identidades sintéticas e manipulação de contexto, na qual o criminoso não forja o documento, mas falsifica o ambiente em torno da operação para parecer legítimo. 

O caso brasileiro tem uma particularidade que agrava o desafio. Diferentemente de mercados nos quais o volume de fraude é alto e a sofisticação baixa, o Brasil combina taxas gerais de fraude relativamente controladas, fruto de regulação rígida, com um salto expressivo na complexidade dos golpes. A consequência prática é que as instituições não enfrentam mais uma enxurrada de tentativas amadoras, e sim um número menor de ataques muito mais difíceis de detectar, desenhados para passar despercebidos justamente pelos sistemas que a maioria das empresas considera adequados. 

Há ainda uma dimensão estrutural que é quase exclusivamente nacional. Um cidadão brasileiro pode ter vários documentos de identidade oficiais diferentes, o que multiplica as combinações possíveis e dificulta enormemente os processos de conhecimento do cliente e de verificação de identidade. Essa fragmentação documental, somada à popularização de pagamentos instantâneos que liquidam em segundos e não admitem o tempo de conferência que existia nas transferências tradicionais, cria um terreno fértil para que a fraude moderna prospere. Defender esse terreno com as ferramentas de ontem é uma aposta perdida. 

Como a inteligência artificial detecta a fraude em tempo real 

A inteligência artificial detecta a fraude analisando padrões de comportamento em frações de segundo, antes que a transação se complete. Em vez de comparar a operação com uma lista fixa de regras, os modelos de aprendizado de máquina constroem um retrato do que é normal para cada cliente, considerando localização habitual, horários de uso, valores médios e até a forma como a pessoa digita, e disparam um alerta quando algo desvia desse padrão. A decisão de bloquear, liberar ou encaminhar para revisão acontece em tempo real, no instante em que o dinheiro tentaria se mover. 

Essa capacidade de enxergar o que escapa ao olho humano é o que torna a tecnologia indispensável em operações de alto volume. Instituições que processam milhões de transações por dia não têm como submeter cada uma à análise de uma pessoa, e nenhum conjunto de regras estáticas dá conta da variedade de sinais que indicam fraude. O modelo aprende continuamente, incorporando cada nova tentativa ao seu repertório, de modo que a defesa evolui em vez de envelhecer. É a diferença entre um muro, que é sempre o mesmo, e um sistema imunológico, que se fortalece a cada exposição. 

E o valor desses modelos não está no algoritmo em si, que hoje é amplamente disponível, e sim no dado que os alimenta. Um modelo de detecção é tão bom quanto o histórico que aprendeu a ler, e esse histórico precisa ser limpo, unificado e disponível em tempo real. Quando os dados estão espalhados em sistemas que não conversam entre si, o modelo enxerga apenas fragmentos da realidade e perde justamente as conexões que revelam a fraude sofisticada. A inteligência da defesa nasce da qualidade da informação, não da sofisticação aparente da tecnologia. 

Quando a IA está dos dois lados: deepfakes e identidades sintéticas 

A inteligência artificial hoje está dos dois lados da fraude, e ignorar isso é o erro mais caro que uma instituição pode cometer. A mesma tecnologia que permite defender também permite atacar, e o atacante tem usado esse poder com criatividade. Dados da Unico indicam que as fraudes com deepfake cresceram novecentos por cento ao longo de um ano, expondo a fragilidade do reconhecimento facial tradicional e forçando bancos a repensar suas camadas de verificação. O criminoso não precisa mais roubar uma identidade: ele a fabrica do zero. 

A identidade sintética é o exemplo mais desconcertante dessa nova fase. Trata-se da criação de um cliente que não existe, combinando dados reais e fictícios para montar uma pessoa que parece autêntica aos sistemas de verificação. Como os dados básicos são tecnicamente válidos, o cadastro é aprovado, e a fraude só se revela muito depois, quando o crédito já foi tomado e o prejuízo, consumado. Nos Estados Unidos, segundo dados do FBI citados em estudo da consultoria EY, esse tipo de golpe já provoca perdas anuais da ordem de US$ 20 bilhões, um indicativo do potencial destrutivo que a técnica tem à medida que se espalha. 

O mais preocupante é a trajetória que essa fraude está tomando. O relatório da Sumsub projeta que agentes autônomos de fraude, capazes de criar identidades falsas e interagir com processos de verificação sem intervenção humana, se tornarão cada vez mais comuns. Já há registro de que parte dos documentos falsificados é gerada por ferramentas de inteligência artificial generativa amplamente acessíveis.  

O dado unificado como base da prevenção a fraudes financeiras 

Nenhum modelo antifraude supera a qualidade dos dados que o sustentam, e é aqui que a maioria das iniciativas tropeça. Um estudo conduzido pela EY revelou que modelos disruptivos de inteligência artificial, capazes de detectar operações suspeitas com mais rapidez e precisão, são usados em apenas trinta e três por cento das instituições financeiras entrevistadas. A barreira raramente é a tecnologia em si, que está disponível no mercado, mas a incapacidade de reunir, limpar e conectar os dados que esses modelos precisam para funcionar. 

A fraude moderna se aproveita exatamente das lacunas entre sistemas. Quando a verificação de identidade vive em um lugar, o monitoramento de transações em outro e o histórico do cliente em um terceiro, cada departamento enxerga apenas um pedaço do quadro, e a fraude sofisticada se esconde precisamente nas junções que ninguém observa. Por isso, o setor tem caminhado para uma abordagem que funde prevenção a fraudes e combate à lavagem de dinheiro em uma visão única, na qual os sinais fluem livremente e permitem detectar anomalias invisíveis para áreas isoladas. Essa visão integrada não é um luxo analítico; é a condição para que a defesa enxergue o ataque inteiro. 

Construir essa fundação de dados é, na prática, o trabalho mais difícil e mais decisivo de toda a estratégia antifraude. Exige integrar fontes dispersas, garantir qualidade e atualização contínua, e estruturar a informação de forma que os modelos possam consumi-la em tempo real, no momento da transação. É um esforço de engenharia de dados que antecede qualquer ganho com inteligência artificial, e que separa as instituições que apenas compraram uma ferramenta das que efetivamente reduziram sua exposição. Sem essa base, o investimento em modelos sofisticados rende muito abaixo do que promete. 

Por que prevenir fraude deixou de ser custo e virou estratégia 

Investir na prevenção contra fraudes deixou de ser uma linha de custo defensiva e passou a ser uma decisão de competitividade. Os números explicam por quê. Estimativas da QED Investors apontam que as perdas com fraude custam ao Brasil o equivalente a algo entre trinta e cinco e quarenta centésimos de por cento do produto interno bruto, e que, para cada real perdido para golpistas, os bancos chegam a gastar cerca de quatro reais e quarenta e nove centavos em respostas, reembolsos e suporte às vítimas. O custo real da fraude é, portanto, várias vezes maior do que o valor diretamente desviado. 

Há também a dimensão da confiança, que não aparece de imediato no balanço, mas pesa no longo prazo. Pesquisa do Datafolha estima que mais de quatro mil e quinhentas pessoas são alvo de tentativas de golpe a cada hora no Brasil, com prejuízo que chegou a vinte e cinco bilhões e meio de reais em um ano. Cada fraude bem-sucedida corrói a relação do cliente com a instituição, e a confiança perdida é mais cara de reconquistar do que o valor da transação fraudada. Em um mercado no qual novos concorrentes disputam o cliente com experiências fluidas, a segurança silenciosa que não atrapalha o usuário legítimo virou diferencial. 

Transformar essa prioridade em resultado concreto exige unir a inteligência dos modelos à solidez da base de dados que os alimenta, e é nesse encontro que a Solo Network atua. Combinando consultoria em inteligência artificial e engenharia de dados, vale conhecer as soluções de IA e de dados da Solo Network para estruturar uma defesa que aprende, e explorar os demais artigos do blog sobre inteligência artificial aplicada a negócios. 

A defesa que aprende define quem fica de pé 

A fraude financeira entrou em uma fase na qual o atacante usa inteligência artificial para fabricar realidade, e a única resposta à altura é uma defesa que também aprende e se adapta. A linha que vai separar as instituições resilientes das vulneráveis não passa por quem comprou a ferramenta mais cara, mas por quem construiu a base de dados unificada e a governança que transformam modelos em proteção real. A tecnologia está disponível para todos; a capacidade de alimentá-la com informação confiável, não. 

Resta a cada instituição uma decisão que define o ritmo dos próximos anos: tratar a prevenção como um sistema vivo, que evolui a cada ataque, ou seguir remendando defesas estáticas contra um adversário que não para de mudar. Quem escolher a primeira via estará protegendo não apenas o próprio balanço, mas a confiança que sustenta toda a relação com o cliente, e é essa confiança que, no fim, decide quem permanece de pé quando a próxima onda de fraude chegar.