A FCA, autoridade britânica de conduta financeira, lançou um dataset sintético construído a partir de dados reais de bancos de varejo do Reino Unido para treinar modelos de IA contra lavagem de dinheiro, em parceria com o Alan Turing Institute. A iniciativa ataca o mesmo gargalo de dados que limita a detecção no Brasil, onde a Polícia Federal investiga banco por suspeita de lavagem de R$ 25 bilhões.
O projeto combina dados transacionais reais de bancos de varejo britânicos com cenários sintéticos de lavagem construídos a partir de padrões observados no mercado. O resultado fica disponível no Digital Sandbox da FCA, onde fintechs poderão treinar e demonstrar novas abordagens de detecção além dos sistemas baseados em regras.
“Essa colaboração […] vai permitir que bancos de varejo e fornecedores de soluções no Reino Unido desenvolvam e avaliem a eficácia de novas abordagens, soluções e algoritmos de detecção de lavagem de dinheiro”, disse Lukasz Szpruch, diretor de Finanças e Economia do Alan Turing Institute, em comunicado.
As inscrições para o Synthetic Data AML Solution Sprint, em que as empresas testam o dataset na prática, encerram em 26 de abril. A nota de pesquisa publicada pela autoridade britânica aponta que acesso a dados realistas com casos marcados de lavagem é o principal obstáculo para desenvolver alternativas a sistemas de regra.
Publicidade
O paralelo brasileiro
No Brasil, o gargalo é o mesmo, mas sem infraestrutura equivalente. A Polícia Federal investiga um banco por suspeita de lavagem de R$ 25 bilhões, enquanto o sistema formal de detecção depende de regras do Banco Central e de modelos proprietários dos grandes bancos, sem dataset público compartilhado.
Ao mesmo tempo, fintechs brasileiras já testam IA no sandbox britânico, como a Ani Tech que levou sua solução de IA financeira ao Digital Sandbox da FCA. O ambiente regulatório britânico vem virando laboratório de referência para empresas que querem testar modelos contra o risco regulatório local.
O que observar
A decisão de disponibilizar dataset sintético muda o limite prático do que fintechs e bancos médios conseguem testar em cibersegurança financeira. Acesso a transações reais com marcação de casos de lavagem é gargalo clássico: poucos players têm volume e permissão legal para treinar modelos. Se o resultado do sprint de abril traz modelos mensuravelmente melhores que os atuais sistemas baseados em regra, é evidência de que a barreira de dados é mais decisiva que a barreira de talento, e que reguladores têm papel ativo em fornecer insumo para inovação.
Vale acompanhar se reguladores brasileiros lideram uma estrutura equivalente com dados do país. Há sinalização recente de apetite por iniciativas colaborativas em segurança, mas a judicialização do compartilhamento de dados financeiros e a ausência de sandbox com dataset público específico para anti-lavagem seguem abrindo um hiato prático entre as duas regulações. Se uma fintech brasileira atingir resultado relevante no programa britânico antes de qualquer equivalente no Brasil, o efeito será redirecionar investimento em compliance analítico para fora do país.
