Existe uma cena que se repete em praticamente toda conferência de fintechs no Brasil. Um executivo sobe ao palco, abre o slide com o título "IA & Inovação", e lista: detecção de fraudes, personalização, chatbots. A plateia assente. O café esfria. Ninguém aprende nada.
O problema não é que essas aplicações sejam irrelevantes; são, na verdade, críticas. O problema é que listar tecnologias não é o mesmo que entendê-las, e a distância entre "temos IA" e "IA transformou nossa operação" é um abismo que a maioria das instituições brasileiras ainda não cruzou.
Este artigo não é mais uma lista. É uma tentativa honesta de mostrar onde a IA realmente está mudando o jogo no mercado de pagamentos brasileiro com dados verificados, arquitetura real e as armadilhas que ninguém comenta nos palcos.
1. O paradoxo do PIX: o sistema mais rápido do mundo expôs a lentidão dos modelos
O PIX encerrou 2025 com 79,8 bilhões de transações e R$ 35,36 trilhões movimentados; um crescimento de 33,6% sobre 2024, segundo o Banco Central [1]. Para dimensionar: esse valor equivale a três vezes o PIB brasileiro de 2024 [2]. Em 5 de dezembro de 2025, o sistema bateu o recorde absoluto: 313,3 milhões de transações em um único dia movimentando R$ 179,9 bilhões em 24 horas [3]. São mais de 170 milhões de usuários, cerca de 80% da população [1].
Nenhum sistema de pagamentos instantâneos no planeta opera nessa escala com essa velocidade.
Mas essa velocidade criou um problema que poucos anteciparam: os modelos de fraude existentes não foram feitos para esse ritmo.
No mundo pré-PIX, uma TED levava horas. Um boleto, dias. Havia tempo para análise, para filas de revisão manual, para o analista tomar um café e voltar. O PIX liquidou esse luxo, literalmente. A liquidação acontece em até 10 segundos. E dentro desses 10 segundos, o sistema precisa receber a transação, enriquecer com dados contextuais, rodar o modelo de risco, tomar a decisão e comunicar ao usuário.
O budget de latência para o modelo de scoring? Algo entre 50 e 200 milissegundos, dependendo da arquitetura. Isso muda tudo.
O que isso significa na prática
Não adianta ter um modelo de Gradient Boosting com 400 features treinado offline se a feature store leva 300ms para montar o vetor de entrada. Não adianta ter uma rede neural profunda se o tempo de inferência estoura o SLA.
As instituições que realmente resolveram esse problema fizeram escolhas arquiteturais difíceis:
- Modelos mais leves em produção e modelos mais pesados em shadow mode. O modelo leve decide em tempo real. O pesado roda em paralelo, não bloqueia a transação, mas gera alertas retroativos e alimenta o retreino. Isso é pragmatismo, não glamour.
- Feature stores com camada quente em memória. Não basta ter um feature store; é preciso que as features mais críticas (última transação, device fingerprint e velocidade de gasto nas últimas 2 horas) estejam pré-computadas e acessíveis em single-digit milliseconds. Soluções como Redis com pipelines customizados ou Feast com backend em DynamoDB são comuns.
- Arquitetura de decisão em cascata. Ao invés de um único modelo monolítico, a transação passa por camadas: regras determinísticas rápidas primeiro (blocklist e limites hard-coded), depois um modelo leve de first-pass e só transações ambíguas vão para o modelo completo. Isso reduz o volume de inferências pesadas em até 80%.
A lição aqui é desconfortável: a melhor IA em pagamentos não é a mais sofisticada, é a que cabe no orçamento de latência.
2. R$ 29 bilhões em golpes: a fraude que a IA não pega
Muito se fala sobre detecção de fraudes com machine learning. Mas os números contam outra história.
Pesquisa Datafolha realizada em junho de 2025, em parceria com o Fórum Brasileiro de Segurança Pública, revelou que 24 milhões de brasileiros foram vítimas de golpes com PIX ou boletos falsos, gerando um prejuízo acumulado de R$ 29 bilhões, média de R$ 1.198 por vítima [4]. Quase R$ 5 bilhões foram perdidos especificamente em fraudes via PIX [5]. E o percentual de vítimas saltou de 10% em 2024 para 14% em 2025 [4].
No sistema financeiro como um todo, o Registro Unificado de Fraudes (Rufra) contabilizou 12 milhões de indícios de fraude em 2025. Fraude operando em "escala industrial", segundo o levantamento da Quod [6]. Os bancos reportaram R$ 10,1 bilhões em perdas com fraudes em 2024, alta de 17% sobre 2023, o que levou a Polícia Federal a chamar o fenômeno de "cangaço digital" [7].
Existe uma categoria de fraude onde os modelos tradicionais falham sistematicamente: a engenharia social. O golpe clássico do PIX funciona assim: a vítima, sob pressão psicológica, realiza a transferência voluntariamente. Do ponto de vista do sistema, tudo está perfeito: o dispositivo é o habitual, a biometria confere e o IP é o de sempre. O modelo vê uma transação legítima, porque tecnicamente é.
Onde está a fronteira real
As instituições que estão avançando nessa frente trabalham com sinais sutis:
- Mudança de padrão comportamental em janela curta. A pessoa nunca fez PIX acima de R$ 500 e de repente faz três de R$ 4.900 em 20 minutos? O valor individual não é anômalo. O padrão é.
- Análise de grafo de relacionamentos. A conta de destino já recebeu transferências de múltiplas contas que foram posteriormente reportadas como fraude? Técnicas de graph neural networks aplicadas à rede de transações conseguem identificar clusters de contas "laranja" antes que cada transação individual pareça suspeita.
- Sinais de contexto do dispositivo. Tempo de sessão anormalmente longo antes da transação, acelerômetro indicando que o usuário está andando (possível coerção presencial). Esses sinais exigem modelos multimodais que combinam dados transacionais com telemetria de dispositivo.
E o MED (Mecanismo Especial de Devolução), que deveria ser a rede de segurança? Em 2025, apenas 9,3% dos valores contestados foram efetivamente devolvidos [8]. Das quase 5 milhões de solicitações em 2024 (aumento de 98% sobre 2023), 69% foram simplesmente negadas [9]. O MED 2.0, obrigatório desde 2 de fevereiro de 2026, tenta resolver isso com rastreamento em cascata, seguindo o dinheiro mesmo após múltiplas transferências entre contas laranja [10]. A fiscalização efetiva do BACEN começa em maio de 2026. Mas a arquitetura exige rastreamento automatizado em tempo real, algo impossível sem modelos de grafo e IA.
3. A corrida armamentista: quando o fraudador também usa IA
Há uma ironia brutal no cenário atual: a mesma IA generativa que os bancos usam para proteger está sendo usada para atacar.
Segundo o relatório Identity Fraud Report 2025-2026 da Sumsub, fraudes com deepfake cresceram 126% no Brasil em 2025, colocando o país como responsável por 39% de todos os deepfakes detectados na América Latina [11]. Globalmente, ataques sofisticados com IA aumentaram 180%, saltando de 10% para 28% de todas as fraudes [11].
A técnica mais alarmante é o ataque de "injeção": o criminoso hackeia o sistema do aplicativo e injeta um vídeo manipulado por deepfake no lugar da câmera ao vivo. Em 2025, essa modalidade representou 45,5% de todas as fraudes barradas [12]. Fraudes sofisticadas como um todo cresceram mais de 1.000% em 12 meses com recorde no 4º trimestre de 2025 [12].
E não se trata mais de falsificar um selfie estático. Os fraudadores agora utilizam ferramentas de IA para criar identidades sintéticas completas, manipulam telemetria de dispositivos e alteram fluxos de câmera e chamadas de API [11]. O Brasil já é o 7º país mais atacado do mundo em fraudes digitais [11].
Apesar disso, 73% dos brasileiros preferem sistemas biométricos para autenticação [13]. A contradição é clara: a tecnologia mais aceita pela população é a mais visada pelos criminosos.
A resposta exige uma mudança de paradigma: de liveness detection estático para modelos de defesa adversarial continuamente atualizados. Quem não atualiza seus modelos de detecção de deepfake trimestralmente já está vulnerável.
4. Open Finance: 128 milhões de consentimentos e o viés que ninguém discute
O Brasil lidera o ranking global de Open Finance com 128 milhões de consentimentos ativos, à frente de 78 países com regulação do setor, segundo relatório da Sensedia em parceria com a Let's Money [14]. A infraestrutura gera mais de 4,4 bilhões de comunicações semanais entre instituições [14]. Para comparação: o Reino Unido tem 15 milhões de usuários; os EUA, 114 milhões de conexões via APIs [14].
Esse volume de dados compartilhados é, ao mesmo tempo, uma oportunidade extraordinária e um risco proporcional.
A oportunidade: modelos de credit scoring alternativo que incluem dados transacionais, comportamentais e de relacionamento podem incluir financeiramente milhões de brasileiros que o sistema tradicional ignora.
O risco: quando um modelo de credit scoring é treinado com dados históricos, ele absorve os vieses dessas decisões passadas. E dados alternativos sem auditoria de viés apenas automatizam a discriminação em escala. Um modelo que usa CEP como feature proxy está, na prática, usando raça e renda como variável de decisão.
As instituições que levam isso a sério estão investindo em:
- Fairness constraints nos modelos; métricas como equalized odds e demographic parity incorporadas na função de perda durante o treinamento.
- Auditoria periódica com recorte demográfico: não basta medir AUC global; é preciso medir AUC por segmento.
- Explainability como requisito legal, não como nice-to-have: a ANPD publicou em maio de 2025 a Nota Técnica nº 12 sobre decisões automatizadas [15], e o Artigo 20 da LGPD garante o direito de revisão humana e explicabilidade para qualquer decisão algorítmica. SHAP values e LIME não são opcionais; são compliance.
5. Automação de back-office: onde o ROI é brutal e ninguém fala
Há um fascínio compreensível com os casos de uso glamourosos: scoring em tempo real, modelos preditivos e IA generativa. Mas o maior retorno sobre investimento em IA no setor de pagamentos está em algo muito menos sexy: o back-office.
A Pesquisa FEBRABAN de Tecnologia Bancária 2025, realizada pela Deloitte, revelou que a implementação de IA gerou um aumento médio de 11,4% na eficiência dos processos, com 38% dos bancos reportando melhorias acima de 20% [16]. O orçamento do setor em tecnologia foi projetado em R$ 47,8 bilhões para 2025 (alta de 13% sobre os R$ 42,3 bilhões investidos em 2024), com a fatia destinada a IA, analytics e big data crescendo 61% [16]. Os dados consolidados de 2025 e as projeções para 2026 devem ser divulgados na FEBRABAN Tech 2026, em agosto.
Na prática, isso se traduz em:
- Reconciliação automática de pagamentos. Modelos de classificação aprendem a categorizar exceções que antes exigiam análise manual.
- Dispute management com NLP. Modelos de processamento de linguagem natural treinados em português brasileiro extraem informações de comprovantes, e-mails e relatos com acurácia suficiente para automatizar a primeira triagem de chargebacks.
- Process Mining para gargalos operacionais. Algoritmos mapeiam o fluxo real de processos e identificam ineficiências invisíveis ao olho humano.
O ponto crítico: esses projetos se pagam em meses, não em anos. E diferente de modelos de fraude (onde o ROI é difícil de isolar), o ROI de automação de back-office é direto e mensurável.
6. O que realmente separa quem tem IA de quem faz IA
Oito em cada dez bancos brasileiros já incorporaram IA generativa, segundo a FEBRABAN [16]. Mas incorporar não é o mesmo que transformar. A diferença entre sucesso e teatro se resume a três fundamentos:
MLOps como disciplina, não como projeto
A maioria das instituições trata o modelo como o produto final. Não é. O modelo é um artefato que precisa ser versionado, monitorado, retreinado e eventualmente aposentado. Sem MLOps maduro (pipelines de CI/CD para modelos, monitoramento de drift e testes A/B em produção), o modelo vira um passivo.
Concept drift no Brasil é particularmente violento. Mudanças regulatórias (novas regras do PIX, limites noturnos, MED 2.0), sazonalidade (Black Friday de 2025, que sozinha gerou 297 milhões de transações PIX num único dia [3]) e evolução das táticas de fraude fazem com que um modelo treinado em janeiro esteja degradado em abril.
Dados antes de modelos
A maturidade real começa com governança de dados: catálogo, linhagem, qualidade e acesso. A LGPD adiciona uma camada: não basta ter os dados; é preciso ter base legal para usá-los, rastreabilidade de consentimento e capacidade de atender pedidos de exclusão sem quebrar o pipeline de treinamento.
Pessoas que entendem os dois mundos
O maior gargalo não é tecnológico; é humano. Faltam profissionais que entendam, simultaneamente, o domínio de pagamentos (regulação, fluxos e riscos) e machine learning (modelagem, deployment, monitoramento). As empresas que resolveram isso investiram em squads híbridos: cientistas de dados sentados com especialistas em risco e engenheiros de plataforma. Não em silos separados. Na mesma mesa.
7. O que vem pela frente, sem buzzwords
Ao invés de listar tendências genéricas, três movimentos concretos que já estão acontecendo:
Comércio agêntico já é realidade
A Mastercard lançou o Agent Pay na América Latina com bancos emissores habilitados desde fevereiro de 2026, em parceria com Getnet, Bemobi, MagaluPay e outros [17]. São agentes de IA que compram, negociam e pagam, autonomamente, em nome do consumidor usando tokens dinâmicos ("Agentic Tokens") que substituem dados reais do cartão [17]. A Visa prepara o Intelligent Commerce para o segundo semestre de 2026. Segundo dados do Google Cloud, 88% dos primeiros adotantes de IA agêntica já relatam ROI positivo [18].
Regulação fragmentada, mas convergente
O BACEN confirmou que não emitirá normas específicas para IA antes do final de 2026 [19]. Mas isso não significa ausência de regulação: a Agenda Regulatória 2026 lista IA como prioridade [20], a ANPD avança com a Nota Técnica nº 12 sobre decisões automatizadas [15] e o Artigo 20 da LGPD já obriga explicabilidade. A regulação virá. A pergunta é se suas auditorias de modelo estarão prontas quando ela chegar.
IA defensiva como corrida permanente
Com deepfakes crescendo 126% [11] e ataques de injeção representando quase metade das fraudes barradas [12], a segurança em pagamentos se tornou uma corrida armamentista entre IA ofensiva e defensiva. Modelos de liveness detection, análise de telemetria e detecção adversarial precisarão de atualização contínua: não mais anual, mas trimestral ou mensal.
Conclusão
A IA no mercado de pagamentos brasileiro não é uma história de tecnologia. É uma história de maturidade operacional. De entender que o modelo é 20% do problema e que os outros 80% (dados, infraestrutura, pessoas, governança e regulação) determinam se a IA gera valor ou gera custo.
O Brasil tem condições únicas para ser referência global: escala massiva (79,8 bilhões de transações PIX em 2025), regulação proativa (Open Finance líder mundial com 128 milhões de consentimentos) e uma base de 170 milhões de usuários digitalmente engajada. Mas realizar esse potencial exige ir além do slide bonito.
Exige o trabalho difícil que ninguém aplaude em conferência.
Todos os dados foram verificados em fontes públicas entre janeiro e março de 2026. As opiniões sobre arquitetura e estratégia são minhas e não representam posições de nenhuma instituição específica.