J.P. Morgan: como LLMs reduziram em 20% a rejeição de pagamentos cross-border

O J.P. Morgan processa trilhões de dolares em pagamentos internacionais anualmente. É um dos números mais impressionantes que a instituição divulgou nos últimos anos vem de uma aplicação aparentemente simples: usar modelos de linguagem (LLMs) para validar informações de pagamentos antes do envio. O resultado foi uma redução de 15% a 20% nas taxas de rejeição de pagamentos cross-border e, segundo a instituição, suas transações agora fluem sem problemas em 99% dos casos. A melhoria parece incremental, mas quando se considera o volume e o custo de cada rejeição, estamos falando de centenas de milhões de dolares em economia.

Neste post, detalhamos como o J.P. Morgan está aplicando IA -- especialmente LLMs -- em seus fluxos de pagamentos internacionais, é o que outras empresas podem aprender com essa abordagem.

O problema: por que pagamentos cross-border são rejeitados

Pagamentos internacionais falham por razões que, em sua maioria, são previsíveis e evitaveis:

• Dados do beneficiário incorretos: nome do titular da conta diferente do registrado no banco destinatário, números de conta com dígitos errados ou faltantes, códigos SWIFT/BIC inválidos.
• Endereços mal formatados: informações de endereço do remetente ou beneficiário que não atendem ao formato exigido pelo banco correspondente.
• Campos obrigatórios ausentes: cada corredor de pagamento (combinação de país de origem e destino) tem requisitos específicos. Um pagamento para a India pode exigir o código de propósito; para a China, o número de identificação do beneficiário.
• Falsos positivos em screening de sanções: nomes de beneficiários que geram correspondência parcial com listas de sanções, exigindo investigação manual.

O custo de cada rejeição não é apenas a taxa de reprocessamento. Há o custo operacional de investigação (em média 30 a 45 minutos de trabalho manual por caso), o atraso no pagamento ao fornecedor (que pode gerar penalidades contratuais) e o risco reputacional junto ao beneficiário.

Como o J.P. Morgan aplica LLMs na validação de pagamentos

O J.P. Morgan tem utilizado modelos de linguagem para validação de pagamentos há mais de dois anos. A abordagem envolve múltiplas camadas de aplicação:

Validação pré-envio de dados do beneficiário: Antes de submeter uma transação a rede SWIFT, o modelo analisa os dados do beneficiário e identifica possíveis problemas. O LLM consegue detectar inconsistencias que regras simples não capturam -- por exemplo, um nome de empresa em japones romanizado de forma diferente do padrão utilizado pelo banco destinatário, ou um endereço com cidade e CEP que não correspondem entre si.

Redução de falsos positivos em screening de sanções: Uma das maiores fontes de atrito em pagamentos internacionais e o screening de sanções. Nomes comuns em certas culturas geram correspondencias parciais com listas de sanções, resultando em falsos positivos que exigem revisão manual. O J.P. Morgan aplica ML para diminuir falsos positivos e reduzir a carga de trabalho manual, acelerando o processamento e melhorando a gestão de filas.

Reparo automático de transações: Quando uma transação apresenta problemas de formatação, em vez de simplesmente rejeita-la, o sistema tenta repara-la automaticamente. O LLM pode inferir o formato correto de um endereço, completar campos obrigatórios com base em transações anteriores para o mesmo beneficiário, ou sugerir o código de propósito adequado com base na descrição do pagamento.

Roteamento inteligente por correspondente: O modelo analisa qual banco correspondente tem maior probabilidade de processar com sucesso uma transação específica, considerando o país de destino, a moeda, o banco destinatário e até o horário. Isso evita rejeições por incompatibilidade entre o correspondente escolhido e os requisitos do banco destinatário.

Projeto AIKYA: detecção de anomalias com IA

Além da validação de pagamentos, o J.P. Morgan desenvolveu o Projeto AIKYA (AI-Know Your Account), focado na detecção de anomalias em transações financeiras. O projeto utiliza técnicas de machine learning para:

• Identificar padrões incomuns: transações que desviam significativamente do comportamento histórico de uma conta são sinalizadas para investigação.
• Avaliar risco em tempo real: cada transação recebe um score de risco que considera o histórico da conta, o perfil do beneficiário e padrões de mercado.
• Reduzir investigações desnecessarias: ao melhorar a precisão dos alertas, o sistema reduz o número de casos que precisam de revisão manual.

Os números por trás da melhoria

Os resultados divulgados pelo J.P. Morgan são significativos:

• 15% a 20% de redução nas taxas de rejeição de pagamentos cross-border.
• 99% de taxa de processamento direto (STP): transações que fluem do início ao fim sem intervenção manual.
• Redução de falsos positivos em screening de sanções, liberando equipes de compliance para focar em casos genuinamente suspeitos.

Para contextualizar: se uma empresa processa 10.000 pagamentos internacionais por ano e tinha uma taxa de rejeição de 5%, isso significava 500 rejeições por ano. Com a redução de 20%, seriam 400 rejeições -- 100 a menos. A um custo médio de US$ 25 a US$ 50 por rejeição (entre taxas bancárias e custo operacional), a economia seria de US$ 2.500 a US$ 5.000. Para bancos que processam milhões de transações, a escala dessa economia e transformadora.

A visão mais ampla: IA em toda a cadeia de pagamentos

O J.P. Morgan não limita a aplicação de IA a validação. A instituição está integrando machine learning e inteligência artificial em toda a cadeia de pagamentos:

APIs de pagamento cross-border: a instituição oferece APIs que permitem que clientes corporativos iniciem, rastreiem e reconciliem pagamentos internacionais programaticamente, com validação em tempo real alimentada por IA.

Pagamentos programaveis: usando blockchain (via Kinexys, anteriormente Onyx), o J.P. Morgan oferece pagamentos programaveis que podem ser executados automaticamente quando condições predefinidas são atendidas -- como liberar pagamento a um fornecedor quando a mercadoria chega ao destino.

Integração com ISO 20022: a migração para o padrão ISO 20022 gera dados mais ricos que alimentam modelos de IA mais precisos. O J.P. Morgan está investindo pesadamente nessa integração, usando os dados estruturados do novo padrão para melhorar ainda mais a validação e o roteamento.

Lições para equipes financeiras corporativas

O caso do J.P. Morgan oferece insights valiosos para empresas que processam pagamentos internacionais:

A maioria das rejeições e previsível. Se você analisar seus últimos 12 meses de rejeições, provavelmente encontrara que 70% a 80% se devem a um número limitado de causas recorrentes: dados desatualizados, campos faltantes e formatação incorreta. Resolver esses problemas básicos já gera grande impacto.

Validação pré-envio e o investimento de maior retorno. Detectar problemas antes de enviar a transação elimina o custo de reprocessamento é o atraso para o beneficiário. Muitos ERPs e sistemas de pagamento já oferecem validações básicas; o diferencial está em validações inteligentes que consideram o contexto da transação.

Dados históricos são um ativo valioso. O modelo do J.P. Morgan aprende com milhões de transações. Sua empresa pode não ter essa escala, mas seu histórico de pagamentos para os mesmos fornecedores e corredores já contem padrões que podem ser explorados.

A integração entre banco e empresa é crucial. APIs de pagamento que permitem validação em tempo real são significativamente mais eficientes do que processos baseados em arquivos batch enviados uma vez por dia. Se seu banco oferece APIs de pagamento, vale a pena avaliar a migração.

Contexto para o Brasil

Para empresas brasileiras que fazem pagamentos internacionais, as lições são diretamente aplicáveis:

• Pagamentos para fornecedores no exterior frequentemente enfrentam rejeições por formatação incorreta de nomes (acentos, caracteres especiais) e endereços. Uma camada de validação pré-envio pode resolver a maioria desses casos.
• Contratação de câmbio: a integração de IA com serviços de câmbio pode otimizar o timing da contratação, aproveitando janelas de melhor cotação.
• Compliance regulatório: pagamentos internacionais a partir do Brasil exigem informações específicas para o Banco Central (natureza da operação, vinculação a contratos de câmbio). Sistemas de validação inteligente podem garantir que essas informações estejam completas antes do envio.

Ações práticas

1. Análise suas rejeições dos últimos 12 meses. Classifique cada rejeição por causa raiz e identifique os 3 a 5 motivos mais frequentes. Essa análise simples frequentemente revela que problemas sistemáticos podem ser resolvidos com ajustes de processo.
2. Implemente validação pré-envio. Mesmo sem IA, verificar dados bancários do beneficiário contra um cadastro atualizado antes de enviar o pagamento reduz significativamente as rejeições.
3. Mantenha um cadastro de beneficiários atualizado. Crie um processo para revisar periodicamente os dados bancários de fornecedores internacionais. Alterações de dados bancários devem seguir um fluxo de verificação rigoroso (contato direto com o fornecedor por canal confiável).
4. Explore APIs de pagamento do seu banco. J.P. Morgan, Citi, HSBC e outros grandes bancos oferecem APIs que permitem validação em tempo real. Converse com seu banco sobre as opções disponíveis e os custos de integração.
5. Monitore o padrão ISO 20022. A migração para mensagens mais ricas e estruturadas vai facilitar a implementação de validação inteligente. Garanta que seus sistemas estejam preparados para o novo formato.