A IA de monitoramento de transações da Revolut supera revisores humanos na detecção de crimes financeiros com diferença estatisticamente significativa, declarou Cetin Duransoy, CEO da fintech nos EUA, no Fórum Banking on the Future da Semafor, em Washington. Investigadores humanos da empresa passam a focar exclusivamente em casos de alto risco.
AML tradicional vs. IA comportamental
| Indicador |
Regras estáticas |
IA comportamental |
| Taxa de falsos positivos |
Até 95% dos alertas |
Reduzida continuamente |
| Revisão humana |
Toda a fila |
Apenas alto risco |
| Adaptação a novos padrões |
Manual (atualização de regras) |
Automática (baseline comportamental) |
| Prazo de decisão |
Horas a dias |
Tempo real |
Modelo de compliance AML e resultados de adoção de IA. Fonte: PYMNTS
Triagem em dois níveis
A arquitetura de compliance da Revolut separa o trabalho por complexidade de risco. A IA cuida da triagem de alto volume e baixa complexidade, enquanto investigadores humanos ficam com os casos que exigem julgamento. O sistema cobre 39 países e atua tanto no processo de verificação de novos clientes (KYC) quanto no monitoramento contínuo de transações. A mudança é estrutural: em vez de detectar violações de limites fixos, os modelos criam linhas de base comportamentais ao longo do tempo e sinalizam desvios, tornando-se mais precisos à medida que o volume de transações cresce.
A pressão por velocidade tornou o modelo antigo insustentável. Pagamentos instantâneos sob as regras SEPA exigem que verificações de AML e triagem de sanções sejam concluídas em até 10 segundos. Quando o Federal Reserve elevou o limite de transação do FedNow de US$ 1 milhão para US$ 10 milhões, transferências eletrônicas instantâneas de alto valor, que antes davam às equipes de compliance até o final do dia, passaram a exigir decisões em tempo real.
O setor redesenha o compliance
Outras instituições registraram ganhos similares. O HSBC, em parceria com o Google Cloud, reduziu falsos positivos em 60% e detectou de duas a quatro vezes mais atividades suspeitas confirmadas em relação ao modelo anterior. A Nasdaq Verafin relatou redução de mais de 80% na carga de trabalho de revisão de alertas de sanções, com investigadores redirecionados para casos de maior risco. Os custos globais de compliance com normas de AML ultrapassam US$ 274 bilhões anuais, com parcela expressiva gasta no tratamento de alertas de baixa qualidade.
O problema se agrava do outro lado: a Experian identificou que cerca de 60% das empresas reportaram aumento nas perdas por fraude entre 2024 e 2025, impulsionado por identidades sintéticas geradas por IA com documentos realistas que passam pela verificação KYC padrão. Em abril, FinCEN e OCC emitiram proposta conjunta para substituir o modelo de compliance baseado em processos por um modelo ponderado pela eficácia, priorizando resultados em vez de volume de documentação. Para fintechs que buscam escalar em compliance, a mudança regulatória alinha incentivos com a lógica que a IA já implementa na prática.
O que observar
A afirmação de desempenho estatisticamente superior é significativa, mas ainda carece de auditoria independente. O que importa agora é se reguladores aceitarão dados internos de performance como evidência suficiente, ou se exigirão benchmarks padronizados para comparar eficácia entre instituições. A proposta regulatória em curso nos EUA caminha nessa direção ao mudar o foco de caixas marcadas para resultados mensuráveis, mas os critérios de mensuração ainda precisam ser definidos.
Vale acompanhar também como os sistemas respondem à ameaça das identidades sintéticas, que por definição nunca falharam numa verificação anterior. Bases comportamentais detectam anomalias em padrões de uso, mas identidades construídas ao longo de meses podem imitar comportamento legítimo com precisão crescente. A corrida entre modelos de detecção e técnicas de evasão é iterativa, e o próximo ciclo de atualização dos sistemas fraudulentos já está em andamento.
Fontes: PYMNTS • American Banker • Let’s Money • Let’s Money
