Validação de Modelo de PLD: O que Mudou em 17 de Abril de 2026

Última atualização: setembro de 2026

Resumo Geral

A validação de modelos de prevenção à lavagem de dinheiro (AML) é uma revisão independente para verificar se um modelo de monitoramento de transações é conceitualmente sólido, baseado em dados adequados, funciona como pretendido e continua funcionando. A orientação de supervisão citada pela maioria dos programas de AML foi substituída em 17 de abril de 2026: a SR 11-7 e a declaração conjunta BSA/AML de 2021 foram revogadas, a definição de modelo ficou mais restrita e as IAs generativas e de agentes estão explicitamente fora da nova orientação, embora os examinadores ainda avaliem a segurança e a solidez. A validação nunca foi uma certificação que você pudesse obter para um documento. É um processo que gera evidências, e as evidências que ela precisa gerar mudaram.

O que é a validação de modelo de AML

A validação de modelo de AML é a revisão independente de um modelo usado na conformidade de prevenção à lavagem de dinheiro, estabelecendo que ele é conceitualmente sólido, construído com dados adequados para o propósito, tem o desempenho esperado e continua a ter esse desempenho à medida que as condições mudam.

"Independente" é a palavra-chave. A revisão precisa ser realizada por uma parte que não seja aquela que construiu ou é dona do modelo. Essa única restrição gera a maior parte dos custos e quase todo o atrito, pois significa que as pessoas que melhor entendem o modelo não podem ser as que o aprovam.

Vale a pena ser direto sobre o resultado final, pois é aqui que os programas costumam se enganar. Uma validação é um processo prático, não uma certificação. O entregável é um resumo do trabalho realmente realizado — testes executados, dados analisados, pontos fracos encontrados e o que foi feito a respeito deles. Não há certificado que possa ser emitido para um documento, nem estrutura que você possa adotar para gerar um.

Essa distinção é o motivo pelo qual as mudanças de abril de 2026 importam na prática e não apenas no papel. Se a validação fosse uma certificação em relação a uma norma, uma nova norma significaria nova papelada. Por ser um processo prático, uma nova norma muda o que o processo precisa demonstrar.

O que mudou em 17 de abril de 2026

Em 17 de abril de 2026, o Federal Reserve, o OCC e o FDIC emitiram uma orientação revisada sobre gerenciamento de risco de modelo — SR 26-2 por parte do Federal Reserve, e OCC Bulletin 2026-13 por parte do OCC. Ela substitui a SR 11-7, "Orientação sobre Gerenciamento de Risco de Modelo" de 4 de abril de 2011, e a SR 21-8, a "Declaração Conjunta sobre Gerenciamento de Risco de Modelo para Conformidade com a Lei de Sigilo Bancário/Prevenção à Lavagem de Dinheiro (BSA/AML)" de 9 de abril de 2021.

Ambas ainda são citadas constantemente — em documentações de programas, materiais de fornecedores e na maior parte do que se escreve sobre validação de modelos de AML. Se a política de risco de modelo do seu programa aponta uma delas como autoridade reguladora, essa referência agora está desatualizada.

Vale a pena conferir a tabela abaixo em relação à sua própria documentação.

Um ponto sobre o escopo merece destaque, pois as instituições com maior probabilidade de aplicar a orientação em excesso são aquelas para as quais ela menos foi escrita. A SR 26-2 afirma que a carta "deve ser mais relevante para organizações bancárias com mais de US$ 30 bilhões em ativos totais reguladas pelo Federal Reserve". Um banco comunitário que trata a carta como um conjunto de requisitos obrigatórios para o seu próprio programa está interpretando-a de forma mais rígida do que o necessário.

Também vale lembrar o que a declaração de 2021 fez e não fez enquanto esteve em vigor. O comunicado de imprensa do Federal Reserve anunciando-a registrou que ela "não altera os requisitos legais ou regulatórios existentes de BSA/AML" e que nenhuma estrutura específica de gerenciamento de risco de modelo é obrigatória. Nem a orientação antiga nem a nova prescrevem uma estrutura que você seja obrigado a adotar.

O seu sistema de monitoramento é um modelo?

Esta é a pergunta mais prática sobre o assunto, e a resposta oficial é uma das coisas que mudou.

A orientação revisada define um modelo como "um método, sistema ou abordagem quantitativa complexa que aplica teorias estatísticas, econômicas ou financeiras para processar dados de entrada em estimativas quantitativas". Ela exclui explicitamente cálculos aritméticos simples e processos determinísticos baseados em regras que carecem de teorias estatísticas ou econômicas subjacentes.

Analisando uma estrutura real de AML, essa definição traça uma linha dentro da maioria das plataformas de monitoramento de transações de AML, e não ao redor delas. Uma regra de limite que sinaliza cada transação em dinheiro acima de um valor fixo é um processo determinístico baseado em regras sem teoria estatística por trás. Uma pontuação de cenário derivada de um modelo estatístico de comportamento esperado do cliente aplica exatamente o tipo de teoria que a definição descreve. A mesma plataforma pode conter ambos.

Essa é uma forma de interpretar a definição, e fazer essa leitura é tarefa do seu programa, não deste artigo. O que se pode dizer de útil é onde a análise realmente faz a diferença: a questão não é como um sistema é chamado ou quem o vendeu, mas se existe uma teoria estatística, econômica ou financeira por trás do número que ele gera.

Como os programas tomavam essa decisão antes de abril de 2026

Sob a declaração de 2021 (agora revogada), a abordagem habitual era um teste de três componentes: um componente de entrada de informações, um componente de processamento que convertia entradas em estimativas e um componente de relatório que traduzia estimativas em saídas úteis. Sistemas que apenas agregavam transações em dinheiro para relatórios de CTR, ou que sinalizavam com base em um único limite, eram geralmente caracterizados como provavelmente não sendo modelos.

Vale a pena conhecer esse teste porque ele está incorporado em grande parte da documentação dos programas existentes e porque é assim que o setor interpretava o regime anterior, não sendo uma citação literal do texto dos órgãos reguladores. Trate-o como passado. A definição atual é a que deve ser aplicada.

Solidez conceitual: a evidência de que o modelo faz sentido

A orientação revisada organiza o desenvolvimento e o uso eficazes de modelos em torno de testes de modelos, validação e monitoramento de modelos — incluindo a validação de solidez conceitual e análises de resultados —, além de governança e controles. A solidez conceitual é a primeira coisa que um validador vai investigar, e a mais difícil de produzir depois do fato ocorrido.

A questão é se a abordagem é apropriada para a tipologia que se propõe a detectar e se as escolhas de design por trás dela podem ser justificadas. Um cenário construído para identificar fracionamento de transações deve ser reconhecível como tal, com uma justificativa declarada para sua lógica e seus parâmetros. "Foi herdado do sistema anterior" é a resposta que resulta em reprovação.

A adequação dos dados é a outra metade, e é onde a maioria das validações encontra seus problemas reais. Três propriedades a definem:

• Cobertura — se todas as contas e produtos que deveriam ser monitorados estão realmente no escopo.

• Linhagem — de onde vem cada entrada e o que acontece com ela durante o trajeto.

• Representatividade — se os dados nos quais o modelo foi desenvolvido se assemelham à população que ele agora analisa.

Um modelo conceitualmente sólido alimentado com dados não representativos não é um modelo sólido em operação.

Ambos são problemas de documentação tanto quanto analíticos. A evidência que estabelece a solidez conceitual e a adequação dos dados deve ser registrada no momento do design ou reconstruída mais tarde a um custo alto.

Monitoramento contínuo, desvio e análise de resultados

A validação não é um evento único, e tratá-la dessa forma é o erro estrutural mais comum. A orientação associa a validação ao monitoramento, o que transfere a verdadeira questão para outro ponto: o que o modelo faz nos longos intervalos entre as revisões.

O desvio aparece em três formas, todas importantes em qualquer contexto de modelagem:

• Desvio de dados (Data drift) — as entradas mudam de distribuição.

• Desvio de recursos (Feature drift) — a relação entre uma entrada e o recurso derivado se altera.

• Desvio de conceito (Concept drift) — a relação entre os recursos e o que está sendo previsto muda sob o modelo.

O caso de AML tem uma propriedade que o torna único, e vale a pena dizer claramente: na detecção de AML, a tipologia muda porque alguém está se adaptando a você. O desvio de conceito em um modelo de crédito ocorre principalmente devido a mudanças na economia. O desvio de conceito em um modelo de monitoramento é, muitas vezes, um adversário que descobriu onde estão os limites. Um modelo que silenciosamente para de identificar uma tipologia parece idêntico, no agregado, a um modelo que monitora uma tipologia que parou de ocorrer.

É por isso que os KPIs de resultado devem ser medidos por segmento, e não de forma agregada. Uma taxa geral de falsos positivos pode melhorar enquanto o desempenho em um segmento de clientes, produto ou corredor específico piora drasticamente — e a melhoria agregada parecerá um sucesso. A medição no nível do segmento é o que torna essa piora visível enquanto ainda há tempo de agir.

No nível da plataforma, isso significa um automonitoramento de modelo que cubra desvios de dados, de recursos e de conceito, com KPIs de resultado medidos por segmento. O que uma plataforma pode oferecer aqui são as evidências — um registro contínuo de como o modelo se comportou entre as revisões, que é justamente o que um validador pede e o que a maioria dos programas precisa reconstruir.

Ajustes, limites e aprovação de mudanças

O ajuste de limites como uma mudança de modelo é o princípio básico de partida. Tratar o ajuste como uma configuração, em vez de uma mudança que exige aprovação, é a descoberta mais comum nesta área, e é fácil cair nesse erro porque a interface faz parecer que é apenas uma definição simples.

Um registro de mudanças defensável responde a cinco perguntas:

• Por que a mudança foi feita.

• Quais testes a antecederam.

• Quem a aprovou.

• Quando ela entrou em vigor.

• Como o modelo se comportava antes e depois.

Um programa que consegue apresentar essas cinco respostas para cada alteração de limite nos últimos dois anos tem uma conversa tranquila com o validador. Aquele que não consegue, terá uma conversa bem cara.

Governança, políticas e controles são o terceiro pilar da orientação, e é aqui que eles se aplicam de forma concreta. Quem tem permissão para alterar o quê, quais evidências são necessárias antes e se a alteração é registrada de uma forma que outra pessoa possa auditar.

Duas propriedades da plataforma fazem a diferença aqui: intervenção humana (human-in-the-loop) por padrão, para que uma mudança tenha um aprovador responsável em vez de um caminho automatizado, e uma trilha de auditoria completa por decisão, com a justificativa armazenada junto. O monitoramento de viés e desvios fica no mesmo arquivo de evidências. Nada disso constitui uma validação por si só — são as informações que a validação consome.

O que um validador vai pedir a você

O formato prático de uma validação envolve menos análise do que a maioria dos programas espera.

Um líder de risco de uma cooperativa de crédito descreveu uma validação externa onde a dificuldade não foram as descobertas, mas a logística: os validadores precisavam que extrações de dados fossem geradas para que pudessem rodar suas análises, e gerar essas extrações virou o projeto em si. Esse é o padrão que vale a pena internalizar. A maior parte do custo de uma validação é o custo de gerar evidências sob demanda, e um programa que consegue exportar seu próprio histórico de decisões de forma simples tem uma validação mais barata do que aquele que não consegue.

A frequência varia mais do que a literatura sugere. Um líder de compliance de um banco comunitário descreveu passar por validações a cada dois anos, com a anterior em 2024 e a próxima já agendada. Essa é a prática de uma instituição específica, não um intervalo padrão — a frequência certa depende da relevância do modelo, da frequência de mudanças e do que a sua própria política define.

Há também um problema de duas camadas que surge sempre que uma plataforma está envolvida. Um líder de risco de uma empresa que estava se preparando para obter uma licença em Nova York perguntou se havia uma validação para a plataforma como um todo e, separadamente, o que acontece com o que eles constroem sobre ela. Ambas as partes são perguntas reais.

Os testes do próprio fornecedor em sua plataforma não validam a sua configuração dela, e a sua validação da sua configuração não se estende aos componentes subjacentes do fornecedor. O arquivo de evidências precisa deixar claro qual camada cada documento cobre.

Onde o monitoramento assistido por IA se posiciona agora

A orientação revisada é clara sobre isso: "os modelos de IA generativa e de IA baseada em agentes são novos e estão evoluindo rapidamente. Como tal, não estão no escopo desta orientação".

Fora do escopo não significa fora de supervisão, e interpretar dessa forma seria um erro grave. Os examinadores continuam a avaliar a segurança e a solidez, e ainda vão perguntar como uma instituição testa um controle assistido por IA, como o monitora e onde fica a supervisão humana. A ausência de uma norma elimina a referência, não a fiscalização.

Os órgãos reguladores também informaram que planejam emitir uma solicitação de informações abordando o gerenciamento de risco de modelo de forma geral e considerando, em especial, o uso de IA pelos bancos. A iniciativa é conjunta entre o OCC, o Conselho do Federal Reserve e o FDIC. Ela ainda não foi publicada e não há prazo para respostas aberto ainda.

A consequência prática para quem implementa monitoramento assistido por IA hoje é direta. Você não pode apontar para a orientação em busca de um padrão, então precisa ser capaz de descrever o seu próprio: o que o sistema faz, como você o testou, o que seria necessário para notar que ele parou de funcionar e quem é o responsável pelas decisões que ele influencia. As instituições que souberem explicar isso estarão em uma boa posição quando a orientação de fato chegar. Aquelas que tratarem a exclusão do escopo como uma permissão para não ter uma resposta, não estarão.

A questão mais ampla de como a IA se encaixa em um programa de AML é um assunto próprio, e a resposta de governança acima é a parte que importa para uma validação.

Se o seu monitoramento roda com agentes de risco em vez de regras fixas, a questão de governança é a mesma mencionada acima, e ela pode ser respondida com as mesmas evidências que uma validação já exige: o que o sistema decidiu, com base em quê e quem revisou.

O padrão que vale a pena guardar

A razão de este artigo existir é que a autoridade mais citada sobre validação de modelos de AML deixou de ser atual em abril de 2026, e a maior parte do material disponível para profissionais ainda não se atualizou. Se a documentação do seu programa cita a SR 11-7 ou a declaração conjunta de 2021, essa é a primeira coisa a corrigir.

O que não mudou é a disciplina subjacente. A validação ainda questiona se o modelo faz sentido, se os dados são adequados, se ele continua funcionando e se você consegue provar isso. Os programas que lidam bem com um novo regime são aqueles que já geram essas evidências continuamente, em vez de reuni-las apenas quando o validador chega — o que também, por sinal, é a forma de descobrir que um modelo parou de funcionar antes que outra pessoa lhe diga.

Se a dúvida imediata for a camada de monitoramento em si, e não a sua governança, o monitoramento de transações é o ponto de partida mais próximo, e o AML para bancos aborda como a Oscilar conduz o processo ao seu redor.

Perguntas frequentes

A SR 11-7 ainda está em vigor?

Não. A SR 11-7 foi substituída em 17 de abril de 2026 pela SR 26-2, a orientação revisada de gerenciamento de risco de modelo emitida pelo Federal Reserve, OCC e FDIC. A SR 21-8, declaração conjunta de 2021 sobre gerenciamento de risco de modelo para conformidade BSA/AML, foi substituída ao mesmo tempo.

O que é validação de modelo de AML?

A validação de modelo de AML é uma revisão independente que estabelece que um modelo usado na conformidade de prevenção à lavagem de dinheiro é conceitualmente sólido, construído com dados adequados para o seu propósito, funciona como esperado e continua a ter esse desempenho. Independente significa realizada por uma parte que não seja aquela que construiu ou é dona do modelo. O resultado é um registro do trabalho realmente feito, não um certificado.

As regras de AML contam como modelos?

Não necessariamente. A orientação revisada define um modelo como um método, sistema ou abordagem quantitativa complexa que aplica teorias estatísticas, econômicas ou financeiras para processar entradas em estimativas quantitativas, e exclui explicitamente processos determinísticos baseados em regras que carecem de tais teorias. Uma regra de limite fixo e uma pontuação de cenário gerada estatisticamente podem ficar em lados opostos dessa linha dentro da mesma plataforma.

Quem deve realizar a validação do modelo?

Alguém diferente do proprietário ou desenvolvedor do modelo — essa independência é um requisito definidor, não uma preferência. Pode ser uma função interna com real separação do desenvolvimento do modelo ou uma empresa externa. Na prática, a escolha costuma ser motivada pela relevância do modelo e por a instituição ter ou não capacidade interna para ser verdadeiramente independente.

Quais evidências comprovam a solidez conceitual e a adequação dos dados?

Para a solidez conceitual: uma justificativa declarada de por que a abordagem é adequada para a tipologia visada, além da justificativa para as escolhas de design e parâmetros. Para a adequação dos dados: cobertura de todas as contas e produtos no escopo, linhagem documentada para cada entrada e evidência de que os dados de desenvolvimento representam a população que está sendo analisada. Ambos são muito mais baratos de registrar no momento do design do que reconstruir depois.

Como devem ser monitorados os desvios e as alterações de limites?

Monitore desvios de dados, recursos e conceito continuamente, e meça os KPIs de resultado por segmento e não no agregado, pois uma melhoria agregada pode disfarçar a piora de um segmento. Trate cada alteração de limite como uma alteração de modelo com um registro de motivo, teste, aprovador, data e comportamento antes e depois da alteração. Especificamente em AML, assuma que alguns desvios são intencionais (adversários) e não casuais.

A orientação de risco de modelo cobre IA generativa e baseada em agentes?

Não. A orientação revisada afirma que os modelos de IA generativa e IA de agentes são novos, estão evoluindo rapidamente e não estão em seu escopo. Os examinadores ainda avaliam a segurança e a solidez, portanto o interesse de supervisão permanece — o que falta é um padrão de referência. Os órgãos reguladores planejam emitir uma solicitação de informações cobrindo o gerenciamento de risco de modelo em geral e o uso de IA pelos bancos em particular.

A orientação revisada se aplica a instituições menores?

A SR 26-2 afirma que deve ser mais relevante para organizações bancárias com mais de US$ 30 bilhões em ativos totais reguladas pelo Federal Reserve. Instituições menores não são obrigadas a aplicá-la como se fizessem parte dessa população, e aplicar em excesso gera um custo real e comum. As obrigações existentes de BSA/AML não são afetadas de qualquer forma.