[PREVIEW] IA em AML: Como Instituições Financeiras Podem Usar IA Sem Quebrar a Conformidade

Última atualização: Março de 2026

O texto a seguir é uma prévia do nosso guia de IA em PLD, desenvolvido em colaboração com a FS Vector. Este guia prático mostra aos líderes de conformidade como a IA é aplicada hoje nas principais funções de PLD/FRAML. Obtenha sua cópia hoje mesmo.

Em todos os setores, sistemas baseados em IA tornaram-se a realidade operacional. A mesma velocidade e escala da tecnologia também vêm ampliando o crime financeiro. Fraudes geradas por IA, identidades sintéticas, deepfakes e operações automatizadas de golpes agora funcionam continuamente na velocidade das máquinas.

Os programas de PLD legados não foram criados para este cenário. O monitoramento em lotes, as investigações manuais e os controles reativos presumiam que as instituições tinham tempo para detectar atividades suspeitas antes da movimentação dos fundos. Os canais de pagamento em tempo real e a liquidação de ativos digitais 24 horas por dia eliminaram essa margem de tempo. Agora as decisões ocorrem em segundos, e o volume de alertas continua a subir.

Ao mesmo tempo, as entidades reguladoras estão deixando claro que a falta de monitoramento eficaz não será aceita. Em outubro de 2024, a FinCEN aplicou uma multa recorde de 1,3 bilhão de dólares ao TD Bank e impôs um regime de monitoramento de quatro anos. Separadamente, o OCC citou falhas sistêmicas no monitoramento de transações que permitiram que centenas de milhões de dólares em movimentações altamente suspeitas passassem sem verificação. A fiscalização foca cada vez menos na existência teórica dos controles, e mais se eles realmente funcionam para detectar e deter atividades ilícitas.

Isso alterou profundamente o debate sobre a IA em PLD. A questão não é mais se as instituições financeiras devem usar a IA, mas sim se conseguem implementar defesas nativas em IA que operem na velocidade das máquinas, mantendo-se explicáveis, governadas e defensáveis diante de uma auditoria.

Resumo

• A IA pode fortalecer bastante a eficácia do PLD, mas sem a governança e a transparência adequadas, também pode aumentar a exposição ao risco regulatório.

• A automação cega gera riscos regulatórios quando as decisões não podem ser explicadas, governadas ou auditadas.

• Três pilares tornam a IA defensável: explicabilidade, governança alinhada aos princípios de risco de modelo da SR 11-7 e responsabilidade humana clara nas decisões de encaminhamento de casos.

• Casos de uso de IA de alto valor já estão surgindo, incluindo triagem de alertas, resumos de investigações, redução de falsos positivos em sanções, apoio à due diligence aprofundada e automação do controle de qualidade.

• Decisões críticas devem continuar sob a responsabilidade de humanos, incluindo decisões finais de comunicações de atividades suspeitas (SARs), aprovações de novos clientes de alto risco e confirmações de correspondências reais de sanções.

Da documentação ao controle em tempo real

Historicamente, o PLD tem sido tratado como um centro de custo, onde o sucesso era medido pela conformidade com os requisitos de documentação e relatórios. Contudo, os órgãos reguladores avaliam cada vez mais os programas de PLD como sistemas de controle em tempo real. Eles querem provas de que as instituições conseguem detectar e impedir atividades ilícitas no exato momento em que ocorrem.

A IA torna isso viável. Utilizada de forma correta, ela pode priorizar alertas, reunir dados de contexto entre diferentes sistemas, diminuir o volume de trabalho investigativo e identificar novos padrões com mais rapidez do que uma análise exclusivamente manual. Porém, a mesma agilidade que traz eficiência também introduz riscos. A automação sem governança aumenta a exposição ao risco regulatório em vez de reduzi-la.

As instituições que estão obtendo sucesso com a IA não estão eliminando os analistas, mas sim empoderando-os. A IA cuida do volume e das tarefas repetitivas; os humanos mantêm o julgamento de valor, a autoridade para encaminhamento de casos e a responsabilidade final.

O que as entidades reguladoras buscam na IA nos programas de PLD

Os reguladores não se opõem necessariamente à IA e geralmente reconhecem que a análise avançada de dados pode ajudar as instituições a enfrentar os riscos complexos do crime financeiro. Contudo, as expectativas de supervisão focam fortemente em como essas tecnologias são governadas e monitoradas.

Tanto em auditorias regulatórias quanto em medidas de fiscalização, vários pontos centrais costumam aparecer:

• Decisões de monitoramento influenciadas por IA devem ser explicáveis de forma simples e direta

• Modelos que impactam decisões de risco frequentemente devem seguir as diretrizes de gestão de risco de modelos

• A responsabilidade humana pelas decisões de encaminhamento de casos continua fundamental

• As instituições são frequentemente cobradas a comprovar a eficácia prática do sistema, e não apenas o desempenho teórico do modelo

Em muitos casos, a fiscalização regulatória atenta-se menos ao nível de sofisticação de um modelo e foca mais em saber se as instituições conseguem provar que seus sistemas de monitoramento funcionam de forma confiável, segura e trazem resultados reais na detecção de riscos.

Os três pilares para o uso responsável de IA em PLD

Entre as instituições financeiras que utilizam IA em seus programas de PLD, três temas aparecem de forma constante: explicabilidade, governança e responsabilidade.

Esses princípios funcionam menos como regras rígidas e mais como direcionadores práticos que ajudam as empresas a equilibrar a automação com as exigências regulatórias. Eles refletem como as organizações buscam adotar a IA mantendo a transparência e a supervisão.

Pilar 1: Explicabilidade

O primeiro pilar é a explicabilidade. Cada decisão influenciada pela IA precisa contar com uma justificativa em linguagem clara e um caminho de decisão rastreável. Investigadores e auditores precisam entender não apenas que um alerta foi gerado, mas por que foi gerado.

Na prática, isso significa que as instituições devem ser capazes de reconstruir os sinais que acionaram o alerta, os fatores que mais influenciaram a pontuação de risco e o processo específico ou a versão do modelo que gerou o resultado. Existindo essa clareza, os analistas revisam os alertas de forma mais rápida e eficiente, e os órgãos reguladores conseguem verificar se o sistema funciona conforme o planejado.

A explicabilidade é o que torna a IA robusta e defensável perante auditorias e vistorias. Se uma equipe de conformidade não consegue justificar por que uma transação foi sinalizada — ou por que deixou de ser —, a instituição não consegue demonstrar controle real sobre o seu programa de monitoramento.

Pilar 2: Governança

O segundo pilar é a governança. Os modelos de IA usados em PLD devem ser tratados como modelos de alto risco e administrados sob estruturas sólidas de gestão de risco de modelo, como as diretrizes da SR 11-7.

Essa governança normalmente se inicia antes do uso em produção. As instituições validam os modelos para confirmar sua consistência conceitual, verificar a qualidade dos dados de entrada e testar o funcionamento em cenários reais. A validação avalia não apenas a precisão geral, mas também os falsos positivos, falsos negativos e a sensibilidade a mudanças de parâmetros ou dados de entrada.

A governança continua ativa após o lançamento. Como os comportamentos financeiros e as táticas criminosas mudam constantemente, as instituições precisam analisar de perto o desempenho do modelo para detectar variações indesejadas (drifting) ou desvios inesperados. Atualizações significativas nos modelos, regras ou parâmetros devem passar por processos registrados de controle de mudanças e, quando necessário, por novas validações formais. Isso assegura que os sistemas de IA se mantenham estáveis, controlados e auditáveis ao longo do tempo.

Pilar 3: Responsabilidade

Embora a IA possa acelerar significativamente os processos de PLD, a responsabilidade pelas decisões críticas de risco deve continuar sendo humana.

A IA pode fazer a triagem de alertas, reunir o histórico de transações, fazer cruzamentos entre contas e rascunhar resumos de casos para que os analistas avancem mais rápido nas investigações. Esses recursos diminuem as tarefas repetitivas e permitem que os investigadores concentrem seus esforços em padrões de atividades mais complexos.

Contudo, as decisões de encaminhamento e a comunicação de atividades suspeitas formalizadas ao órgão regulador devem permanecer sob responsabilidade humana. Definir se uma atividade configura lavagem de dinheiro, fraude ou apenas uma transação legítima, embora incomum, exige ponderação de contexto e responsabilidade legal que os algoritmos não conseguem assumir.

Na prática, programas de PLD eficientes encaram a IA como uma ferramenta de apoio investigativo, e não como um tomador de decisões autônomo. A automação lida com o volume de dados e reconhecimento de padrões, enquanto investigadores experientes mantêm o papel de analisar, tomar decisões de encaminhamento e elaborar as comunicações finais.

Ou seja, a automação serve para apoiar os investigadores, não para substituí-los.

Validação de modelo: A base da IA defensável em PLD

A validação de modelo desempenha um papel essencial ao transformar a capacidade técnica da IA em uma ferramenta de gestão de riscos devidamente controlada. Antes da sua implementação de fato, os processos de validação costumam analisar a coerência teórica, a integridade dos dados e o desempenho do modelo em condições reais. Testes paralelos com sistemas de monitoramento legados também podem ser aplicados para fins de comparação.

Depois de implementados, as instituições costumam acompanhar métricas de performance, tais como volumes de alertas, resultados de detecção e indicadores de desvios do modelo. Alterações significativas em modelos ou limites mínimos podem demandar revisões adicionais ou novas validações.

Essas etapas ajudam a garantir que os sistemas de monitoramento apoiados por IA continuem compreensíveis, monitorados e sob controle contínuo.

Onde a IA é usada atualmente nos programas de PLD

A adoção de IA nos programas de PLD já está gerando impactos reais na operação em diversos pilares. As aplicações mais comuns são:

• Cadastro e KYC (Conheça seu Cliente): a IA auxilia na checagem de identidade, análise de documentos e classificação dinâmica de risco por meio da avaliação de dados cadastrais e sinais de comportamento do cliente.

• Triagem de monitoramento de transações: modelos de aprendizado de máquina e assistentes de IA podem priorizar alertas, traçar conexões entre diferentes contas e organizar os detalhes da investigação antes mesmo de o analista avaliar o caso.

• Análise de sanções: técnicas de IA para identificação e separação de registros (entity resolution) reduzem falsos positivos ao analisar uma série de características de identificação, em vez de se basearem apenas na comparação simples de nomes.

• Due Diligence Aprofundada (EDD): os sistemas de IA coletam dados como histórico de transações, notícias desfavoráveis e outras informações de contexto a fim de apoiar os analistas a compreenderem as transações de forma completa.

• Controle de qualidade e garantia de conformidade: sistemas de controle de qualidade com IA conseguem revisar de forma massiva as decisões investigativas, identificando divergências ou novas tendências que apontem para a necessidade de novos treinamentos ou fraquezas em processos.

Em todos esses cenários, a IA traz ganho de eficiência no dia a dia, mantendo a responsabilidade com os investigadores humanos para compreender os riscos e tomar as decisões finais.

O movimento em direção à inteligência aumentada em PLD

Uma das transformações mais importantes no cenário de PLD pode ser de caráter conceitual, e não tecnológico. No passado, esses programas mediam o sucesso pelo esforço operacional dedicado. Por exemplo: o total de alertas analisados ou a velocidade de fechamento das ocorrências.

Cada vez mais, o foco se move em direção à eficácia: se os monitoramentos realmente detectam transações suspeitas e encaminham os casos mais relevantes. Os recursos de IA ajudam nessa mudança ao apoiar as organizações no tratamento de grandes volumes de dados, identificando padrões suspeitos e revelando potenciais riscos com maior agilidade.

No entanto, os programas de PLD mais bem-sucedidos combinam a automação ao conhecimento dos analistas. Em vez de utilizarem sistemas 100% autônomos, muitas organizações adotam o modelo de inteligência aumentada, onde a IA acelera o processo analítico e os profissionais de conformidade mantêm a tomada de decisão final e a responsabilidade.

Em um ambiente de movimentações financeiras (e atividades ilícitas) na velocidade das máquinas, ter uma IA transparente e bem gerida é uma exigência mínima nas operações modernas de PLD.

NOVO eBook da OSCILAR & FS VECTOR

Um guia prático para aplicar IA nos processos modernos de PLD

Obtenha a sua cópia

->

Perguntas Frequentes: IA em PLD e as visões das entidades reguladoras

Instituições financeiras podem utilizar IA para fins de conformidade em PLD?

Sim. Muitas empresas do setor financeiro aplicam IA e mecanismos de analise de dados em processos de monitoramento e investigação de PLD. O foco dos reguladores geralmente está em garantir que essas aplicações operem de forma explicável, controlada e sob responsabilidade clara.

O que significa IA explicável no ambiente de PLD?

A IA explicável se refere à facilidade em compreender e reconstruir os motivos que levaram um sistema a gerar um determinado alerta ou conclusão. Isso envolve mapear os sinais de ativação do alerta, os elementos que pesaram na pontuação de risco e o processo ou versão de modelo que gerou a resposta.

As autoridades permitem modelos de machine learning no monitoramento de PLD?

Os órgãos reguladores não proíbem o uso de machine learning para o monitoramento de PLD. Contudo, há a recomendação geral de que as instituições apresentem estruturas robustas de controle, validação e auditoria sempre que tais modelos forem determinantes em resoluções de risco.

Quais decisões em PLD geralmente continuam sendo humanas?

Decisões de encaminhamento e envio formal de relatórios de atividades suspeitas permanecem sob os cuidados de especialistas humanos, pois dependem de avaliação contextual e trazem responsabilidade de conformidade não programável.

Como as instituições validam os modelos de IA em PLD?

A validação de modelo geralmente engloba a revisão da estrutura conceitual, testes de estresse, avaliação do volume de falsos positivos e falsos negativos e acompanhamento contínuo pós-lançamento para detectar desvios de performance.