Reconhecer um cliente real apenas por meio de senha ou cartão não é mais suficiente. A identidade biológica, que envolve características únicas como impressões digitais, íris ou reconhecimento facial, convive hoje com a identidade digital, definida pelo uso de dispositivos, biometria comportamental e padrões de navegação, e com a identidade financeira, baseada no histórico e nas características das transações.
De acordo com um estudo da Juniper Research, os custos globais das fraudes para instituições financeiras devem saltar de US$ 23 bilhões em 2025 para US$ 58,3 bilhões em 2030 devido ao aumento dos golpes com identidades sintéticas.
“Hoje tudo gira em torno de pessoas e de sua relação com a tecnologia. Por isso, golpes que envolvem identidades exigem respostas mais rápidas, dinâmicas e inteligentes”, afirma Carlos Santa Cruz, fundador e CTO da Lynx Tech, empresa especializada em tecnologias baseadas em inteligência artificial e aprendizado de máquina.
Atualmente, a maioria dos sistemas de detecção de fraude é estruturada a partir de modelos de regras, que analisam comportamentos e aplicam critérios definidos manualmente; modelos de consórcio, construídos a partir de grandes bases de dados compartilhadas entre instituições financeiras; e modelos estáticos, baseados em regras fixas e em dados históricos de fraude.
“Embora importantes, esses padrões apresentam limitações conhecidas, como a dependência de atualizações manuais e pouco frequentes, custos operacionais elevados e dificuldade em acompanhar a velocidade com que os fraudadores mudam suas táticas, além de riscos com instabilidade durante os processos de atualização, gerando vulnerabilidades e atritos para clientes legítimos”, alerta Santa Cruz.
O executivo também observa que o comportamento do cliente muda de acordo com as tendências tecnológicas, criando novos padrões continuamente, enquanto os fraudadores aprendem com as transações recusadas e modificam suas táticas em resposta às barreiras dos sistemas de detecção, aumentando a complexidade dos ataques. “Por isso, o grande desafio das instituições financeiras é construir camadas de defesa que combinem regras, inteligência artificial e governança capazes de acompanhar essas transformações”.
Diferentemente da abordagem tradicional, os modelos dinâmicos — baseados em IA e aprendizado de máquina — são atualizados automaticamente e de forma contínua, adaptando-se em tempo real a novos padrões de comportamento e reduzindo a necessidade de intervenção humana. “Os modelos dinâmicos representam uma mudança de paradigma no combate à fraude financeira, pois eliminam grande parte do risco operacional associado ao retreinamento manual e aumentam a eficácia no bloqueio de transações suspeitas”, ressalta o CTO da Lynx Tech.
Ele completa lembrando que a transição para modelos dinâmicos exige também novos mecanismos de governança. “Atualizações diárias e automáticas demandam monitoramento contínuo, estabilidade nos processos de aprendizado e controle rigoroso da distribuição de risco, sem comprometer a eficácia do sistema. Ao implementar esses novos modelos, são levantadas barreiras adaptativas que restringem o campo de atuação dos fraudadores, protegendo as identidades dos usuários e restabelecendo a confiança no ecossistema financeiro”, conclui.
source
Com informações do Portal Comunique -se
