Visa Protect na Argentina: IA com deep learning para pagamentos em tempo real

Em julho de 2024, a Visa anunciou que seu sistema de prevenção de fraudes analisa até 182 atributos de risco em menos de um milissegundo para cada transação. Na Argentina, essa tecnologia ganhou uma aplicação concreta: a parceria com a COELSA para proteger pagamentos instantâneos conta-a-conta (A2A) que movimentam bilhões de pesos todos os dias via carteiras digitais e aplicativos bancários. A solução, chamada Visa Protect para pagamentos A2A, é um caso exemplar de como deep learning pode proteger ecossistemas financeiros inteiros em tempo real.

Neste post, vamos dissecar como funciona essa implementação, o que ela significa para o mercado latino-americano e quais lições empresas e departamentos financeiros podem extrair.

O problema: pagamentos instantâneos atraem fraudes instantâneas

A expansão dos pagamentos em tempo real na América Latina trouxe benefícios enormes para consumidores e empresas. Na Argentina, o sistema de transferências imediatas operado pela COELSA processa transações 24/7 por meio de aplicativos bancários e carteiras digitais como Mercado Pago, Ualá e MODO. O problema é que a mesma velocidade que beneficia usuários legítimos também beneficia fraudadores.

Quando uma transferência é concluída em segundos e não pode ser revertida, o tempo para detectar fraudes se reduz a praticamente zero. Métodos tradicionais de análise de risco, que dependem de revisão manual ou regras estáticas, simplesmente não acompanham o ritmo:

• Regras estáticas geram muitos falsos positivos (bloqueando transações legítimas) e falsos negativos (deixando fraudes passarem)
• Análise manual é inviável quando o volume de transações chega a milhões por dia
• Silos de dados entre instituições financeiras impedem uma visão consolidada do comportamento fraudulento
• Fraudes sociais (scams) são especialmente difíceis de detectar porque envolvem o próprio titular da conta autorizando a transação

De acordo com a BioCatch, os casos de fraude bancária digital na América Latina cresceram 32% no primeiro semestre de 2024 em comparação com o mesmo período de 2023. Pagamentos A2A estão no centro dessa explosão.

Como funciona o Visa Protect para pagamentos A2A

O Visa Protect para pagamentos A2A é uma solução de scoring de risco em tempo real que opera fora da rede tradicional de cartões Visa. Isso é um ponto importante: a Visa está estendendo sua expertise em IA para proteger transações que não passam pelo seu trilho de cartões, o que representa uma estratégia de plataforma, não apenas de produto.

A arquitetura do sistema

O sistema funciona em camadas:

1. Coleta de dados transacionais — Cada transação A2A gera um conjunto de dados que inclui valores, horários, frequência, geolocalização, dispositivo utilizado e histórico de relacionamento entre remetente e destinatário.

2. Modelo de deep learning — Redes neurais profundas analisam esses dados considerando centenas de atributos de risco simultaneamente. O modelo foi treinado com dados de mais de 200 bilhões de transações processadas pela rede Visa globalmente, o que lhe dá uma base de conhecimento sobre padrões fraudulentos que nenhuma instituição individual poderia replicar.

3. Score de risco em tempo real — Para cada transação, o sistema gera um score de 1 a 99 indicando a probabilidade de fraude, acompanhado de códigos de razão que explicam por que aquele score foi atribuído. Isso permite que cada instituição financeira defina seus próprios limites de tolerância.

4. Integração com o ecossistema local — Na Argentina, o Visa Protect foi adaptado ao ecossistema específico da COELSA, incluindo conectividade via carteiras digitais, QR codes e solicitações de pagamento para transferências em tempo real.

O diferencial do deep learning

A diferença entre modelos de deep learning e sistemas de regras tradicionais está na capacidade de capturar padrões não óbvios. Um sistema de regras pode bloquear transações acima de um valor X ou de um dispositivo novo. Um modelo de deep learning consegue identificar que uma sequência específica de microtransações, feitas em horários atípicos, para contas recém-criadas, com padrões de digitação inconsistentes, tem alta probabilidade de ser uma fraude de lavagem — mesmo que cada transação individual pareça normal.

O modelo da Visa processa esses dados em milissegundos, sem adicionar latência perceptível ao pagamento. Para o usuário final, nada muda. Para a instituição financeira, cada transação chega com uma camada de inteligência que antes não existia.

A implementação com a COELSA: o caso argentino

A COELSA (Compensadora Electrónica S.A.) é a empresa de tecnologia central no ecossistema de pagamentos argentino. Ela opera a infraestrutura de compensação e liquidação que conecta bancos, fintechs e carteiras digitais no país.

A parceria com a Visa resultou no serviço chamado COELSA Prevent, que disponibiliza o scoring do Visa Protect para qualquer aplicação e carteira digital P2P que opere nós trilhos de pagamento imediato da COELSA. Na prática, isso significa que os principais aplicativos bancários e carteiras digitais argentinas podem acessar a prevenção de fraudes baseada em IA da Visa.

A COELSA já operava um modelo de monitoramento transacional 24/7 com tecnologias de IA e machine learning de primeira linha. A adição do Visa Protect trouxe uma camada complementar baseada na inteligência global da rede Visa, combinando:

• Dados locais — Padrões de comportamento específicos do mercado argentino
• Dados globais — Inteligência sobre fraudes identificadas em mais de 200 países e territórios onde a Visa opera
• Detecção de redes de fraude — Capacidade de identificar não apenas transações fraudulentas isoladas, mas redes organizadas de fraudadores operando simultaneamente em múltiplas contas

O que isso significa para o mercado brasileiro e latino-americano

O modelo Visa-COELSA tem implicações diretas para outros mercados da região. O Brasil, com o Pix processando bilhões de transações por mês, enfrenta desafios de fraude comparáveis. A pesquisa da BioCatch aponta que 79% de todos os casos de fraude na América Latina originam-se de canais mobile, e que ataques de malware na região cresceram 113% nos últimos 12 meses.

O modelo argentino demonstra três princípios que podem ser replicados:

Infraestrutura compartilhada — Em vez de cada banco construir seus próprios modelos de detecção, uma camada centralizada de scoring beneficia todo o ecossistema. Isso é especialmente relevante para bancos menores e fintechs que não têm dados suficientes para treinar modelos robustos sozinhos.

Complementaridade de inteligência — Dados locais combinados com inteligência global produzem detecção superior a qualquer uma das fontes isoladamente. Uma fraude que é novidade na Argentina pode já ter sido identificada na Índia ou no Sudeste Asiático.

Transparência do score — O sistema não apenas bloqueia transações, mas explica por que uma transação foi considerada suspeita. Isso permite que as instituições ajustem seus processos e reduzam falsos positivos ao longo do tempo.

Limitações e desafios

Nenhuma solução de IA é perfeita. Alguns pontos de atenção:

• Viés de dados — Modelos treinados predominantemente com dados de mercados desenvolvidos podem ter desempenho inferior em mercados com padrões de comportamento financeiro diferentes
• Fraudes por engenharia social — Quando o próprio titular autoriza a transação sob coerção ou engano, o scoring transacional tem alcance limitado. Soluções comportamentais como as da BioCatch complementam a análise transacional
• Privacidade de dados — O compartilhamento de dados transacionais entre instituições e provedores internacionais levanta questões regulatórias que variam por jurisdição
• Custo de implementação — Para instituições menores, os custos de integração e licenciamento podem ser significativos

O que levar para a prática

1. Avalie a camada de prevenção de fraudes em seus pagamentos A2A. Se sua empresa recebe ou envia transferências instantâneas em volume, entenda se o seu banco ou fintech utiliza scoring de risco em tempo real baseado em IA. Pergunte diretamente.
2. Considere soluções de scoring como serviço. Empresas de médio porte que processam pagamentos podem não precisar construir modelos próprios. Soluções como o Visa Protect operam como camada de serviço, reduzindo o investimento inicial.
3. Combine análise transacional com análise comportamental. O scoring de transações é uma peça do quebra-cabeça. Ferramentas de biometria comportamental e detecção de dispositivos comprometidos complementam a proteção.
4. Monitore métricas de fraude continuamente. Crie dashboards que acompanhem taxas de fraude, falsos positivos e tempo de detecção. O ambiente de fraude muda constantemente, e seus controles precisam acompanhar.
5. Participe de redes de inteligência compartilhada. Iniciativas setoriais que permitem troca de informações sobre fraudes (respeitando a legislação de proteção de dados) ampliam a capacidade de detecção de todo o ecossistema.