Volatilidade digital, variabilidade de fraude e a urgência de aprender

O ambiente digital é, por natureza, volátil. Não apenas porque a tecnologia muda rápido, mas porque o comportamento muda rápido e, com ele, mudam também as formas de fraude.

Novos produtos, novos canais, novas jornadas e novas integrações criam um fluxo contínuo de variabilidade. Em um mês, o risco se concentra em um tipo de transação, já no outro, migra para um novo vetor. Hoje, o fraudador explora uma brecha de fricção e amanhã, explora uma brecha de conveniência. E o que parecia “normal” ontem pode se tornar um sinal de alerta amanhã.

Essa volatilidade costuma ser tratada como ameaça. Mas ela também é informação. A pergunta estratégica, portanto, não é como eliminar a variabilidade, talvez seja impossível, mas sim como construir uma prevenção capaz de aprender com ela.

É aqui que tecnologia entra como suporte essencial, não como solução estática. Machine learning, detecção de anomalias e GenAI podem ampliar a capacidade de observar padrões, reduzir tempo de resposta e acelerar ciclos de aprendizado. O erro é tratá-los como um “estado final” de maturidade, como se modelos fossem respostas definitivas. Em ambientes adaptativos, modelos são hipóteses que precisam ser testadas, corrigidas e evoluídas.

O desafio real está no equilíbrio. De um lado, há os padrões conhecidos e os controles determinísticos que sustentam o business as usual (BAU). Do outro, há o desconhecido, a próxima fraude, o próximo desvio, o próximo comportamento emergente, que exige exploração. Explorar implica experimentar. E experimentar implica, inevitavelmente, falhar em escala controlada para aprender.

Este artigo se inspira na obra “Antifrágil”, de Nassim N. Taleb, que explora o conceito de antifragilidade, e que, para mim, evidenciou a corrida em que muitas empresas e gestores entraram pela adoção de IA, buscando uma facilidade e proteção que na verdade pode trazer muita fragilidade. Essa leitura me levou a uma reflexão central: a obsessão por “adotar IA” é menos importante do que a capacidade de desenhar uma arquitetura antifrágil, que equilibre estabilidade com aprendizagem contínua, protegendo o core sem deixar de explorar o novo.

O equívoco estrutural: tentar eliminar a incerteza em vez de aprender com ela

O pensamento tradicional de prevenção foi construído sobre um impulso compreensível: identificar riscos, criar controles e reduzir ao máximo a exposição à incerteza. Essa lógica entregou avanços reais e criou bases sólidas.

Mas ela encontra limites quando aplicada a ambientes complexos e adaptativos. Fraudes evoluem. Estratégias criminosas evoluem. E, sobretudo, fraudadores aprendem com os controles criados para superá-los.

Isso cria uma dinâmica assimétrica. Enquanto a organização tenta estabilizar o sistema, o fraudador explora sua previsibilidade.

Existe, porém, um conceito que muda a direção dessa conversa: alguns sistemas não apenas resistem ao estresse e à volatilidade, eles melhoram com eles. Quando um sistema se beneficia da variabilidade, ele deixa de ser apenas resistente e passa a ser antifrágil. Isso é diferente de robusto ou resiliente, pois além de superar a variabilidade do cenário, ficam mais eficientes e fortes.

Aplicado à prevenção a fraudes, isso implica uma mudança de mentalidade. O objetivo deixa de ser construir um sistema que “aguenta” ataques. O objetivo passa a ser construir um sistema que aprende com eles e melhora ao longo do tempo.

O romantismo do “modelo perfeito”

Existe uma narrativa sedutora no mercado: com dados suficientes e algoritmos sofisticados, seria possível construir modelos capazes de identificar qualquer fraude.

É uma narrativa confortável. Mas é ilusória.

Fraude não é um fenômeno estático. É adaptativo. Cada controle implementado provoca uma reação. Cada modelo implantado vira, com o tempo, parte do ambiente que o fraudador aprende a explorar.

Por isso, não existe um “estado final” de maturidade. Não existe um ponto em que o problema estará resolvido. Modelos não são soluções definitivas, na verdade são mecanismos temporários de adaptação.

Quando uma organização trata machine learning ou GenAI como ativos estáticos, como se fossem respostas e não hipóteses, ela cria uma nova forma de fragilidade: dependência de algo que inevitavelmente ficará desatualizado.

Quando a regra pode virar fraqueza: o limite das estratégias baseadas apenas na transação

Grande parte das estratégias de prevenção ainda gira em torno de um paradigma simplificador: a transação como unidade central de decisão.

Nesse modelo, a lógica é direta. Define-se um limite. Um valor máximo. Uma frequência aceitável. Um conjunto de combinações consideradas normais. E, a partir disso, cria-se um conjunto de regras rígidas para classificar comportamentos como legítimos ou suspeitos.

À primeira vista, faz sentido. É objetivo, mensurável e relativamente simples de operar.

O problema é que fraudes raramente são eventos isolados. Elas são fenômenos compostos. Emergem do contexto e do comportamento. Muitas vezes, cada atributo analisado separadamente parece normal, mas quando observado em conjunto, revela um desvio.

O valor de uma transação, por si só, quase nunca caracteriza risco. O mesmo valor pode ser perfeitamente esperado para um usuário e altamente anômalo para outro. A diferença não está na transação. Está no contexto: quem é o usuário, qual é o dispositivo, qual é o histórico comportamental, qual é o produto, qual é a região, qual é o padrão temporal.

Quando a prevenção se ancora em limites e regras previsíveis, ela costuma produzir dois efeitos indesejados.

• O primeiro é aumento de atrito para usuários legítimos. Limites rígidos não distinguem contexto e tratam exceções legítimas como desvios.

• O segundo, e mais perigoso, é criação de previsibilidade. E previsibilidade é um ativo para o fraudador. Uma vez que o limite é compreendido, ele deixa de ser barreira e vira parâmetro de navegação. Fraudadores não precisam quebrar o sistema. Eles precisam apenas operar dentro de seus limites.

Opcionalidade assimétrica: o princípio que deveria guiar a adoção de Data Analytics/AI, além do comportamento dos gestores

Opcionalidade assimétrica é um conceito simples e poderoso para navegar incerteza: estruturar decisões onde o potencial de perda é limitado, enquanto o potencial de ganho, especialmente em aprendizado e maturidade, é ilimitado.

Esse princípio é relevante para a estratégia de adoção de data analytics na prevenção a fraudes, mas também para a forma como gestores conduzem a organização em ambientes voláteis. Prevenção digital não é apenas um problema de tecnologia. É um problema de tomada de decisão.

Quando a decisão é tomada longe da dinâmica real, especialmente do comportamento do cliente, da fricção da jornada, da velocidade com que fraudes se adaptam, a organização tende a cair em dois extremos igualmente custosos: ou bloqueia demais e destrói experiência, ou flexibiliza demais e absorve perdas que não consegue sustentar.

A opcionalidade assimétrica oferece uma bússola para sair desse dilema. Na prática, significa operar de forma ambidestra: manter o Business as Usual (BAU) protegido por controles determinísticos e amplamente compreendidos, enquanto se constrói, em paralelo, uma capacidade explícita de explorar o novo.

Explorar o novo não é um luxo. É uma necessidade operacional. A próxima fraude raramente nasce como uma violação óbvia. Ela nasce como um desvio pequeno, um padrão emergente, um comportamento que não cabe nas regras atuais. Se a organização não tem um mecanismo institucional para observar, testar hipóteses e ajustar rapidamente seus modelos, ela se condena a reagir sempre tarde.

O ponto central é aceitar que falhas ocorrerão, mas não aceitar qualquer falha. Maturidade é permitir falhas pequenas, reversíveis e monitoradas, capazes de gerar aprendizado e elevar o patamar de detecção, sem permitir perdas grandes, irreversíveis e sistêmicas.

Isso exige governança de decisão: critérios claros para investimentos na experimentação, limites de exposição, gatilhos de reversão e métricas de aprendizado, não apenas métricas de bloqueio.

O verdadeiro papel do data analytics: não “enxergar tudo”, mas revelar o desconhecido

Há um paradoxo pouco discutido em prevenção a fraudes. Quanto mais madura uma operação se torna, mais eficiente ela fica em bloquear padrões conhecidos. Mas, ao mesmo tempo, mais dependente ela se torna desses padrões.

Essa dependência produz uma ilusão de segurança: a sensação de que o sistema está “sob controle”, quando, na prática, novas fragilidades podem estar se acumulando fora do radar.

Existe uma diferença conceitual fundamental entre detectar fraude e detectar anomalia. Fraude é, por definição, algo que já foi caracterizado. Detectar fraude é reconhecer padrões conhecidos. Anomalias, por outro lado, representam desvios: comportamentos que ainda não foram totalmente compreendidos.

A maior porção dos cenários de fraude começam como uma anomalia. Conseguir identifica-las aumentam a chance do sistema melhorar de forma autonoma.

Organizações que desenvolvem a capacidade de identificar anomalias precocemente passam a operar na fronteira do desconhecido, em vez de reagir apenas ao que já aconteceu. Isso transforma o papel do data analytics: ele deixa de ser apenas um mecanismo de controle e passa a ser um mecanismo de aprendizado.

Conclusão: Aprender mais rápido é a única vantagem sustentável

A adoção de machine learning e GenAI na prevenção a fraudes não é, por si só, uma estratégia. Ferramentas muito poderosas, indispensáveis, mas insuficientes se usadas de forma isolada.

Acreditar que uma nova feature de qualquer proposta de IA/GenAI vai substituir todo um ecossistema de prevenção e segurança, na verdade pode enfraquecer sua estratégia. Não existe mágica sem o prompt correto (Isso envolve muita coisa).

Da mesma forma, sem arquitetura, sem entendimento de opcionalidade assimétrica e sem equilíbrio entre estabilidade e experimentação, essas tecnologias podem criar uma nova forma de dependência, e consequentemente, uma nova forma de fragilidade.

Organizações antifrágeis entendem que o objetivo não é prever perfeitamente o futuro. É desenvolver a capacidade de aprender continuamente com ele. Esse conceito reforça meu modelo mental sobre ambidestria que explorei em outros dois artigos.

1. O Paradoxo das Empresas que Querem Mudar Sem Se Contradizer | LinkedIn

2. Tempos de Transformação: Aprendizados sobre como Converter Resistências em Energia e Legitimidade | LinkedIn

Sobre as estratégias de prevenção, a maturidade de uma organização em estabelecer um ambiente seguro para seus clientes e parceiros não será medida pela quantidade de fraudes que ela bloqueia. Será medida pela velocidade com que ela aprende com aquelas que nunca tinha visto antes.

Por fim, reafirmo que conduzir os negócios na velocidade e na escala exigidas hoje,  ainda mais amanhã, depende da capacidade de toda a companhia entender para onde o Business está caminhando e explorar o que for necessário para sustentar e proteger essa trajetória. O plano inevitavelmente mudará ao longo do caminho, e a velocidade de adaptação se tornará um diferencial competitivo.