IA contra a lavagem de dinheiro: como bancos brasileiros rastreiam o crime

O Coaf recebe 7,5 milhões de comunicações de operações suspeitas por ano — cerca de 30 mil por dia. Nenhuma equipe de compliance, por maior que seja, analisa esse volume manualmente. E o desafio ficou mais complexo: bancos e fintechs brasileiros agora enfrentam uma nova geração de lavagem de dinheiro, pulverizada em milhares de transações via Pix, atravessando pequenos comércios e empresas de fachada. A resposta que o mercado está construindo não é contratar mais analistas — é ensinar algoritmos a enxergar padrões que o olho humano não vê.

Por que o modelo antigo já não funciona

Por décadas, prevenção à lavagem de dinheiro (PLD) e financiamento ao terrorismo (FT) significou basicamente uma coisa: cruzar CPFs e CNPJs contra listas de suspeitos e aplicar regras fixas — "toda transação acima de X dispara alerta". Funciona contra lavagem rudimentar. Contra crime organizado sofisticado, é insuficiente.

O problema é estrutural. Segundo a Wipro, entre 90% e 95% dos alertas gerados por sistemas antigos de monitoramento são falsos positivos. Isso significa que times de compliance passam a maior parte do tempo descartando alertas irrelevantes em vez de investigar operações genuinamente suspeitas — um desperdício de capacidade analítica justamente onde a atenção humana é mais escassa.

No Brasil, o cenário criou um problema adicional. Segundo Ubiratan Lima, diretor de risco da Dimensa, "a sofisticação do crime organizado exige que o mercado financeiro mude a forma como enxerga o risco de PLD". Facções criminosas passaram a fracionar movimentações em pequenos valores, distribuídas por postos de combustível, comércios locais e empresas de fachada — exatamente o tipo de padrão que regras fixas não capturam, mas que modelos de aprendizado de máquina conseguem identificar ao cruzar dados transacionais com geolocalização.

O que muda com machine learning

A diferença central entre regras fixas e IA é que a segunda aprende com o comportamento histórico de cada cliente, em vez de aplicar o mesmo limiar para todo mundo. Um algoritmo de detecção comportamental sabe que uma movimentação de R$ 20 mil é normal para uma empresa de médio porte e completamente atípica para uma conta de pessoa física com renda declarada de um salário mínimo.

No Brasil, bancos digitais já calibram algoritmos para o perfil de renda de cada cliente: movimentações que somam mais de R$ 50 mil em curto período (cerca de 30 vezes o salário mínimo de R$ 1.621) sem justificativa econômica clara — como venda de veículo ou imóvel — disparam alertas automáticos para o Coaf. O ganho não é só a régua de valor, mas a capacidade de identificar o padrão de fracionamento que tentaria evitar esse limiar de forma manual.

Essas ferramentas cruzam variáveis que sistemas de regras nunca conseguiriam combinar em tempo real:

• Comportamento transacional — desvios em relação ao histórico do próprio cliente
• Geolocalização — concentração de movimentações atípicas em regiões específicas
• Redes de relacionamento — grafos que conectam contas aparentemente sem relação
• Sinais externos — listas de sanções, notícias, dados de inteligência de mercado

Resultados que já aparecem em bancos globais

O caso mais citado do setor é o do United Overseas Bank (UOB), de Singapura, que processa cerca de 30 milhões de transações e mais de 5.700 alertas de monitoramento por mês. Ao implementar a plataforma FinCense, com agente de priorização de alertas baseado em IA, o banco obteve:

• Redução de 50% a 70% nos falsos positivos em monitoramento de transações
• Aumento de 5% nos verdadeiros positivos — ou seja, mais casos reais capturados, não menos
• Redução de 70% nos falsos positivos em triagem de nomes de pessoas físicas e 60% em pessoas jurídicas
• Taxa de má classificação abaixo de 1%

Nos Estados Unidos, os três maiores bancos do país seguem trajetória parecida. O JPMorgan mantém um laboratório dedicado a machine learning, processamento de linguagem natural e técnicas de preservação de privacidade aplicadas à detecção de fraude e lavagem de dinheiro, com modelos que já reduzem falsos positivos e aumentam a produtividade dos investigadores. O Citigroup migrou de sistemas baseados em regras para análise comportamental em tempo real, com "triagem de alertas" que prioriza casos e reduz o tempo de investigação. O Wells Fargo combina sinais transacionais, biométricos e de inteligência de ameaças externas — adotando explicitamente uma postura de "aumentar, não substituir" os analistas humanos.

"A sofisticação do crime organizado exige que o mercado financeiro mude a forma como enxerga o risco de PLD." — Ubiratan Lima, diretor de risco da Dimensa

O retrato do Brasil: adoção ainda inicial

Apesar dos casos de sucesso lá fora, o Brasil está no começo dessa curva. Uma pesquisa de maturidade em PLD/FT conduzida pela EY com 51 instituições financeiras (37% bancos comerciais, 24% seguradoras, 12% instituições de pagamento) mostrou que:

O padrão é claro: adoção concentrada nas instituições S1, os maiores bancos do país conforme classificação do Banco Central, enquanto cooperativas de crédito e instituições menores seguem dependendo quase inteiramente de processos manuais. Isso cria uma assimetria perigosa — o crime organizado tende a migrar para os elos mais fracos da cadeia, exatamente onde a fiscalização automatizada ainda não chegou.

Outro dado relevante do mesmo estudo: menos de 10% das instituições usam IA generativa para funções mais avançadas, como identificar o "caminho do dinheiro" em redes complexas de transações — uma das aplicações com maior potencial para desmontar esquemas de lavagem em camadas.

O contexto regulatório está mudando o cálculo de risco

Há um fator que está acelerando a adoção no Brasil: a discussão jurídica em curso sobre enquadrar as principais facções criminosas do país como organizações terroristas. Caso se concretize, essa classificação eleva drasticamente as exigências de compliance para bancos, cooperativas de crédito e fintechs — com risco real de sanções internacionais, incluindo restrições em correspondência bancária com instituições estrangeiras.

O Coaf também está expandindo capacidade de fiscalização, com a abertura de novos escritórios em São Paulo, Rio de Janeiro e Foz do Iguaçu. Para instituições financeiras, o recado é direto: a régua de exigência vai subir, e sistemas baseados apenas em regras fixas dificilmente vão sustentar esse novo padrão sem gerar um volume de falsos positivos insustentável para os times de compliance.

Há também um desafio ético e operacional que a tecnologia precisa resolver com cuidado: distinguir atividade ilegal de comércio legítimo em regiões de forte influência de facções, sem bloquear indiscriminadamente contas de pequenos comerciantes que simplesmente vivem ou trabalham nessas áreas. Modelos mal calibrados correm o risco de penalizar quem já está em situação vulnerável — um ponto que qualquer implementação de IA em PLD/FT precisa tratar como prioridade, não como efeito colateral aceitável.

Próximos Passos

1. Audite a taxa de falsos positivos atual — se a maior parte dos alertas gerados pelo seu sistema é descartada sem investigação aprofundada, esse é o primeiro sinal de que regras fixas já não bastam.
2. Priorize monitoramento comportamental antes de IA generativa — comece pelo ganho mais direto (redução de falsos positivos e triagem de alertas) antes de avançar para casos de uso mais sofisticados, como mapeamento de redes complexas.
3. Trate geolocalização e grafos de relacionamento como dados de primeira classe — cruzar apenas valor e frequência de transação já não é suficiente; o padrão espacial e as conexões entre contas são o que revela esquemas fracionados.
4. Mantenha supervisão humana no centro do processo — o objetivo da IA em PLD/FT é aumentar a capacidade analítica dos investigadores, não substituir o julgamento humano em decisões que afetam clientes reais.
5. Acompanhe o movimento regulatório — a discussão sobre facções como organizações terroristas pode elevar rapidamente as exigências de compliance; instituições que já investem em IA hoje terão menos trabalho de adaptação amanhã.

Fontes:

• EY — Uso de IA para prevenção de crimes financeiros ainda é incipiente
• Let's Money — Bancos correm com IA para barrar dinheiro de facções
• Silent Eight — JPMorgan, Citi, and Wells Fargo Are Transforming AML, Thanks to AI Tools
• Tookitaki — Anti-Money Laundering Using Machine Learning
• Celent — United Overseas Bank: Machine Learning-powered Alert Triaging