por Patricia Passos *
A história dos meios eletrônicos de pagamento vive um ciclo constante entre os ganhos trazidos pela evolução tecnológica e as complexidades geradas exatamente pelos mesmos fatores. Se no passado o cliente aguardava alguns segundos — ou minutos — pela aprovação de uma compra no ponto de venda, hoje a expectativa é de fluidez quase instantânea, independentemente do canal. Mas toda essa conveniência, especialmente em jornadas de e-commerce, omnichannel e transações card-not-present (CNP), ampliou também a superfície de risco e elevou o patamar de exigência em relação à segurança. Para se ter uma ideia, uma estimativa realizada pela casa de análises Juniper Research apontou que as perdas dos vendedores com fraudes de pagamento devem ultrapassar os US$ 90 bilhões em 2028.
Nesse ambiente, o grande desafio para as empresas do setor é atender às expectativas de consumidores e lojistas por um modelo que, em um só tempo, seja rápido e confiável. A resposta está em um ajuste fino. Controles excessivamente rígidos podem interromper a experiência, gerando fricções que se traduzem em abandono de carrinho, perda de vendas e falsos positivos que comprometem, inclusive, a relação entre marcas e clientes com alto potencial de fidelização. Por outro lado, a solução claramente não está em afrouxar a rédea. Controles frágeis ampliam disputas, aumentam chargebacks e corroem a confiança no sistema como um todo, trazendo um impacto que vai além das perdas financeiras e atinge a credibilidade estrutural da indústria.
Machine learning aplicado à segurança em tempo real
É nesse ponto que o aprendizado das máquinas se consolida como um pilar estrutural da prevenção a fraudes em cartões. Segundo estudo da Forrester, sistemas baseados em machine learning podem reduzir perdas por fraude entre 15% e 25% quando comparados a abordagens baseadas apenas em regras, justamente por equilibrar melhor segurança e taxas de aprovação.
Em um ecossistema que opera em altíssima escala, a capacidade de analisar padrões de comportamento, histórico transacional, geolocalização e atributos técnicos das mensagens em tempo real torna-se decisiva. A Cielo é um exemplo desse cenário: com presença em 99% dos municípios brasileiros e capacidade para processar até 13 mil transações por segundo, a companhia gera inteligência em tempo real, identificando padrões muito antes que eles se tornem perceptíveis em análises tradicionais.
São os modelos de machine learning que permitem este manancial de informações se transformar em ativos de grande valor. Com o uso eficiente do histórico de transações, as autorizações deixam de ser baseadas apenas em regras fixas e passam a evoluir continuamente a partir dos dados. O uso de inteligência aplicada à prevenção contribui diretamente para o aumento das taxas de aprovação, ao mesmo tempo em que atua de forma preditiva na identificação de comportamentos anômalos, reduzindo tentativas de fraude antes que se convertam em prejuízos ou disputas posteriores.
Escala, dados e governança: o que sustenta os modelos
Para que o machine learning funcione de forma consistente, é fundamental reconhecer que ele só é tão eficaz quanto a base que o sustenta. Em um setor que processa volumes massivos de dados, tratar informação em grande volume, com qualidade e alto grau de governança deixa de ser um diferencial e passa a ser uma condição básica para operar com segurança.
Na prática, isso significa combinar arquitetura tecnológica robusta, dados confiáveis e processos claros de controle. Segundo a consultoria Gartner, em ambientes regulados como o de pagamentos, a eficácia do machine learning está diretamente associada à capacidade de governança, explicabilidade dos modelos e monitoramento contínuo, garantindo aderência regulatória sem comprometer o desempenho. Mais do que eficiência técnica, trata-se de assegurar transparência nas decisões automatizadas, especialmente quando impactam autorizações, bloqueios ou disputas.
Nesse contexto, a transparência algorítmica deixa de ser um atributo desejável e passa a ser requisito institucional. Modelos precisam ser auditáveis, monitorados continuamente e capazes de demonstrar consistência regulatória.
A soma entre dados, escala e governança é o que possibilita que a segurança seja abordada como uma parte estrutural da operação e não como uma reação a problemas já instalados. Em vez de responder a eventos suspeitos, o aprendizado das máquinas possibilita a criação de um sistema que se adapta e antecipa riscos em tempo real.
Muito além da redução de perdas
Os ganhos do aprendizado das máquinas no combate a fraudes vão além da mitigação de prejuízos financeiros. Ao atuar de forma mais precisa na autorização das transações, a inteligência de dados contribui para reduzir disputas, melhorar a previsibilidade do fluxo de caixa dos lojistas e diminuir o impacto operacional associado a chargebacks e contestações.
Esse efeito sistêmico é particularmente relevante em um ecossistema que atende desde microempreendedores até grandes redes nacionais. Ao democratizar o acesso a mecanismos sofisticados de prevenção, a tecnologia fortalece não apenas operações individuais, mas a solidez de toda a cadeia de pagamentos. Para o consumidor, isso se traduz em experiências mais confiáveis; para o lojista, em relações mais duradouras; para o setor, em maior resiliência.
Consolidar essa visão é uma responsabilidade estrutural de todo o setor de cartões. Quando tratamos da antecipação de fraudes, estamos falando de reforçar a confiança que sustenta a relação entre consumidores e lojistas. Em um sistema baseado na idoneidade, equilibrar aprovação, segurança e transparência nas decisões automatizadas deixa de ser apenas um diferencial competitivo – é parte fundamental da infraestrutura que garante a credibilidade e a resiliência da indústria a longo prazo.
Adicionalmente, é importante destacar que o uso de machine learning e inteligência artificial também vem desempenhando um papel crucial nos processos de onboarding de clientes, funcionando como uma camada preventiva essencial para mitigar riscos de fraudes ligados à abertura de contas laranja, fraud applications, entre outras.
A análise combinada de dados cadastrais, biometria facial, atributos comportamentais, sinais documentais e características técnicas do dispositivo, realizada em tempo real, permite identificar inconsistências logo nas etapas iniciais da jornada. Ao impedir que perfis ilícitos ingressem no ecossistema antes mesmo da primeira transação, esses modelos fortalecem a integridade operacional, elevam o nível de confiança dos participantes e reduzem pressões futuras sobre disputas, perdas e processos de recuperação, reforçando uma abordagem de segurança que nasce na origem e se sustenta de forma contínua.
* Patricia Passos é diretora de Risco, Compliance e Prevenção & Segurança da Cielo