Reduza os Falsos Positivos de PLD e Mantenha a Cobertura

Última atualização: setembro de 2026

A maneira defensável de reduzir falsos positivos de PLD é dar a cada alerta o contexto que separa o comportamento esperado do inesperado, em vez de aumentar os limites até que a contagem de alertas pareça aceitável. Um limite mais alto reduz o volume de alertas e a cobertura ao mesmo tempo. O contexto reduz o volume de alertas enquanto a cobertura de tipologias se mantém. Cada alteração de ajuste é então testada abaixo da linha, documentada e aprovada por uma pessoa, para que a instituição possa mostrar ao examinador que nada de suspeito ficou fora do escopo.

Resumo

• Um limite mais alto corta alertas e cobertura ao mesmo tempo. Adicionar contexto (segmento, histórico do cliente, contrapartes, contas vinculadas, tipologia) corta alertas enquanto a cobertura se mantém.

• Segmente os clientes para que cada um seja comparado com pares reais, e não com todos os clientes do mesmo tipo amplo.

• Teste cada alteração de ajuste acima e abaixo da linha. A amostra abaixo da linha é a evidência de que a cobertura de tipologias se manteve.

• Registre cada alteração: o que mudou, por quê, a população testada, os resultados, quem aprovou e quando entrou em vigor.

• A orientação revisada de risco de modelo (SR 26-2, OCC Bulletin 2026-13 e FDIC FIL-15-2026, todos datados de 17 de abril de 2026) substituiu a SR 11-7 e a SR 21-8. Testes, validação e monitoramento, e governança continuam sendo a estrutura.

• Agentes de IA podem preparar análises de alertas e apontar as regras que precisam de ajuste. Os analistas ainda decidem, e a instituição continua sendo a proprietária de cada limite.

Como reduzir falsos positivos de PLD sem perder atividades suspeitas?

Você reduz falsos positivos de PLD sem perder atividades suspeitas ao dar a cada alerta mais informações sobre o cliente e manter os limites no lugar até que os testes apoiem uma mudança. Quatro práticas fazem a maior parte do trabalho:

1. Adicione contexto aos alertas. Compare a atividade com o histórico do próprio cliente, seu segmento de pares, suas contrapartes e suas contas vinculadas, e vincule cada alerta à tipologia que ele deve capturar.

2. Segmente os clientes. Defina limites e cenários por segmento, de modo que um grande varejista e um microempreendedor individual não sejam avaliados pela mesma régua.

3. Teste cada alteração acima e abaixo da linha. Verifique se os alertas que permanecem são produtivos e se a atividade que não gera mais alertas realmente não é suspeita.

4. Mantenha uma aprovação humana. Uma pessoa decide cada resolução e uma pessoa aprova cada alteração de ajuste, com o registro guardado para os examinadores.

O motivo raramente é um número menor pelo próprio número. Um diretor de conformidade e PLD de um banco descreveu desta forma: "Quero realmente pegar os criminosos e não quero que minha equipe perca tempo analisando falsos positivos. Quero que usem a cabeça, e não que fiquem trabalhando em coisas que a máquina poderia resolver."

Por que o monitoramento de PLD produz tantos falsos positivos

O monitoramento de transações de PLD produz muitos falsos positivos porque a maioria dos programas aplica limites estáticos a clientes muito diferentes e envia alertas aos analistas com pouco contexto associado. Três causas se repetem em bancos e fintechs.

Limites de tamanho único. Um único limite de dinheiro ou velocidade aplicado a clientes físicos, pequenas empresas e corporativos dispara constantemente nos clientes cuja atividade normal fica perto dele. O limite pode ser adequado para um segmento e falhar nos segmentos para os quais nunca foi calibrado. Em um banco parceiro, o mesmo problema se repete em todos os programas de fintech, o que é abordado em um guia separado sobre supervisão de PLD em bancos parceiros.

Alertas sem contexto. Um alerta que relata apenas que uma transação pareceu incomum não é acionável. O que torna um alerta acionável é o contexto associado a ele: o que a conta normalmente faz, como seus pares se comportam, quem são as contrapartes e o que mais está vinculado a ela. Sem esse contexto, o analista reconstrói tudo manualmente para cada alerta, e a maior parte dessa reconstrução termina em arquivamento. A mesma lógica se aplica se os alertas forem gerados em lote ou por meio de monitoramento de transações em tempo real.

Regras que se acumulam. Novos cenários são adicionados após a constatação de uma auditoria ou uma nova tipologia e raramente são desativados. Cada um adiciona seu próprio fluxo de alertas, e ninguém se responsabiliza em questionar se esse fluxo ainda captura alguma coisa.

O falso negativo é o risco real

Um falso positivo custa o tempo do analista. Um falso negativo é uma atividade suspeita que nunca chega a um analista e, potencialmente, um relatório de atividade suspeita (SAR) que nunca é enviado. Qualquer esforço para reduzir falsos positivos de PLD precisa mostrar que não criou falsos negativos, razão pela qual equipes experientes continuam cautelosas.

Um diretor global de operações de conformidade em uma empresa de criptoativos disse: "Fomos muito cuidadosos para não ajustar excessivamente, garantindo que não perderíamos nada. Ficamos felizes em ver mais alertas do que poucos."

O volume ainda importa para os supervisores. Um diretor de conformidade de uma subsidiária bancária disse que seu órgão regulador apontou que o banco gerava mais alertas do que bancos semelhantes de seu porte e volume. Os examinadores notam volumes de alertas desalinhados com os pares, e uma queda inexplicável gera o mesmo questionamento que um aumento repentino.

Dois problemas correlatos estão fora do escopo aqui. Falsos positivos de correspondência de nomes em triagens de sanções e PEP vêm da lógica de correspondência, não de limites de monitoramento, e são ajustados de forma diferente. Reprovações falsas na prevenção de fraudes trazem um custo diferente — atrito com o cliente e perda de receita — e são cobertas em um guia separado sobre como reduzir falsos positivos de fraude.

Aumentar limites versus adicionar contexto

Aumentar um limite e adicionar contexto reduzem a taxa de falsos positivos de PLD, mas apenas o contexto faz isso mantendo a cobertura de tipologias. Um limite mais alto remove alertas de forma linear, independentemente de serem suspeitos ou não, de modo que os alertas removidos incluem alguns que eram importantes. O contexto remove os alertas explicados por quem é o cliente e pelo que ele faz normalmente, e mantém aqueles que não são explicáveis.

As duas alavancas parecem iguais em um gráfico de volume de alertas. Apenas uma delas pode responder à pergunta de acompanhamento do examinador.

O contexto assume várias formas concretas: o segmento e a atividade esperada do cliente, seu histórico de transações, suas contrapartes, as contas vinculadas a ele e a tipologia que o alerta deve capturar. Um gerente de UIF de um banco parceiro descreveu regras que avaliavam a atividade no nível do instrumento de pagamento quando precisavam olhar no nível da entidade. Reescrever essas regras para olhar para a entidade cortou significativamente uma categoria de alertas, sem aumentar um único limite.

O contexto também precisa chegar ao analista que trabalha no alerta. O teste operacional de explicabilidade é saber se cada alerta traz seus motivos, para que a pessoa na fila veja por que ele disparou e o que o separa do comportamento normal do cliente. As regras continuam fazendo parte da resposta: como disse um diretor de risco de um banco digital, "Sempre haverá analistas ajustando regras, porque nem tudo pode estar em um modelo." Se as regras ou os modelos de machine learning devem fazer a detecção é uma questão separada, abordada em um guia sobre regras versus modelos no monitoramento de transações.

Segmentação: compare os clientes com seus pares reais

A segmentação de clientes reduz os falsos positivos de PLD comparando cada cliente com pares cuja atividade normal se parece com a deles. A maioria dos programas subutiliza a segmentação. Um executivo de PLD/BSA em um banco com um braço digital apontou a falta de segmentação como uma deficiência comum: muitos sistemas dividem os clientes apenas em comerciais e pessoais, sendo que uma rede nacional e um restaurante de esquina não são o mesmo tipo de cliente comercial.

Segmente com base nos atributos que definem a atividade esperada:

• Tipo de cliente, como pessoa física, microempreendedor individual, pequena empresa, corporativo ou empresa de serviços de pagamento.

• Produto, como conta de depósito, programa de cartões, pagamentos ou crédito.

• Atividade esperada, incluindo volumes declarados e tipos de transação capturados na abertura de conta e atualizados ao longo do tempo.

• Geografia, incluindo onde o cliente opera e onde ficam suas contrapartes.

Defina limites e cenários por segmento e registre a justificativa de cada um. A segmentação também é uma expectativa de supervisão. Um diretor de conformidade e PLD de um banco disse que os reguladores esperavam que o banco segmentasse suas regras por risco, de modo que clientes de alto risco fossem analisados com mais frequência, e que o sistema atual não conseguia fazer isso. Os programas de fintech sentem isso intensamente, porque os produtos e as bases de clientes mudam rapidamente; a página da Oscilar sobre PLD para fintechs aborda essa configuração.

Revisite os segmentos à medida que os produtos e clientes mudam. Um segmento definido quando um programa foi lançado deixa de descrever seus clientes quando um novo produto ou base de clientes chega, e os falsos positivos voltam a aparecer. O ajuste por corredor de pagamento e jurisdição é uma disciplina própria, abordada em um guia separado sobre processos transfronteiriços de PLD.

O que torna uma alteração de ajuste defensável para os examinadores

Uma alteração de ajuste é defensável para os examinadores quando a instituição consegue mostrar, por escrito, o que mudou, por que mudou, como foi testado, que a cobertura de tipologias se manteve e quem a aprovou. Um diretor de conformidade e BSA de um banco comunitário descreveu a pergunta pela qual toda alteração precisa passar: "Sei que um examinador vai me perguntar algo como: 'Como você determinou isso? Como o sistema determinou isso?' E se eu não tiver isso por escrito, não poderei defender."

Testes acima e abaixo da linha

Os testes acima da linha (ATL) e abaixo da linha (BTL) são a forma como uma equipe mostra que uma mudança de limite manteve a cobertura. Quando um limite muda, a equipe faz uma amostragem da atividade logo acima da nova linha para confirmar que os alertas restantes são produtivos. A equipe também faz uma amostragem da atividade logo abaixo da linha para confirmar que a atividade que não gera mais alertas não inclui atividades suspeitas que o limite antigo teria capturado. A amostra abaixo da linha é a evidência que o examinador procura.

Um vice-presidente e diretor de risco de PLD em um banco comunitário resumiu a prática: "Quando fazemos ajustes de cenário, é preciso fazer testes acima e abaixo da linha e depois guardar isso para os reguladores." O problema aparece quando isso é ignorado. Um gerente de sistemas de PLD/BSA de um banco parceiro, ao revisar uma alteração de regra, descobriu que os testes acima e abaixo da linha que deveriam ter sido feitos meses antes para aquela alteração nunca tinham sido realizados.

Mapeie a cobertura de tipologias antes e depois

Liste as tipologias que cada cenário deve detectar e, em seguida, verifique se todas as tipologias continuam cobertas após a alteração, pelo cenário modificado ou por outro. Uma alteração de ajuste que remove silenciosamente o único cenário que cobria uma tipologia é uma falha de cobertura, mesmo que todos os alertas restantes sejam produtivos.

Teste antes da produção

Teste a alteração em dados históricos antes de colocá-la no ar. Um diretor de conformidade de um banco comunitário lembrou-se de uma alteração de regra feita diretamente em produção que gerou uma avalanche de alertas, e a primeira pergunta depois disso foi se existia um ambiente de testes. Um diretor de conformidade em uma fintech de pagamentos expressou a mesma preocupação do outro lado: "Minha principal preocupação seria alguém desativar uma regra... Prefiro pegar esse problema no início do que depois que os alertas forem gerados."

Muitos sistemas ainda dificultam isso. Um executivo de PLD/BSA de um banco com um braço digital disse: "Se você quiser fazer alterações nos limites das regras existentes, isso não é algo que você consiga testar no sistema antes de ativar."

A orientação revisada de risco de modelo

Em 17 de abril de 2026, o Federal Reserve, o OCC e o FDIC emitiram uma orientação revisada sobre gestão de risco de modelo: SR 26-2, OCC Bulletin 2026-13 e FDIC FIL-15-2026. A revisão substituiu a SR 11-7 e a SR 21-8, a declaração conjunta de 2021 sobre gestão de risco de modelo para conformidade com BSA/PLD. A orientação revisada é estruturada em torno de testes de modelo, validação e monitoramento de modelos (incluindo solidez conceitual e análise de resultados), além de governança e controles. Esses três tópicos formam uma estrutura prática para o registro de qualquer alteração de ajuste em um modelo de pontuação ou segmentação.

Saber se um determinado conjunto de regras de PLD se enquadra na definição revisada de modelo é uma questão de ler a definição, e não de uma resposta pronta. A orientação define um modelo como um método quantitativo complexo que aplica teorias estatísticas, econômicas ou financeiras para produzir estimativas quantitativas, e exclui processos simples baseados em regras aritméticas e determinísticas que carecem de uma teoria estatística ou econômica subjacente. Um modelo de pontuação ou segmentação tem mais chances de se enquadrar nessa definição do que uma única regra fixa, e a própria função de risco de modelo da instituição deve tomar essa decisão.

A SR 26-2 também estabelece que ela deve ser mais relevante para organizações bancárias com mais de US$ 30 bilhões em ativos totais reguladas pelo Federal Reserve. Instituições menores ainda enfrentam o mesmo questionamento dos examinadores sobre como um limite foi definido.

Desafio eficaz

A SR 26-2 mantém o princípio do desafio eficaz: análise crítica por especialistas objetivos que tenham competência, independência e posição organizacional para promover mudanças. Para uma alteração de ajuste, isso significa que alguém que não seja a pessoa que propôs a mudança revise os testes e tenha o poder de impedi-la.

Um diretor de PLD/BSA e OFAC em um banco regional descreveu quantas funções uma alteração de limite envolve: "Não é tão simples quanto eu apenas apertar botões. Precisamos passar pelo nosso grupo de gestão de risco corporativo, nosso grupo de dados, nossa equipe de TI e segurança da informação... gestão de risco de modelo."

Modelos criados por fornecedores não transferem essa responsabilidade. Um diretor de conformidade de um banco comunitário disse: "A parte de terceiros é onde eles pegam você... Você fez a devida diligência, validou para entender como o modelo opera?" Como um modelo de monitoramento é validado de ponta a ponta é abordado em um guia separado sobre validação de modelo de PLD.

O que contém um registro de alteração de ajuste

Um registro como este é o que transforma uma mudança de limite em algo que um examinador pode acompanhar.

Escreva o registro para que uma pessoa não especialista possa lê-lo. Um gerente de conformidade de PLD de uma operadora de jogos online perguntou sobre qualquer fator de risco: "Isso foi documentado de forma clara e legível para reguladores ou auditores?"

Onde os agentes de IA se encaixam e onde os humanos permanecem

Os agentes de IA se encaixam na análise de alertas de PLD como preparadores e recomendadores, e os humanos permanecem como os tomadores de decisão. Um agente reúne as evidências que um analista de outra forma coletaria manualmente, apresenta seu raciocínio e recomenda uma resolução. O analista revisa o raciocínio e decide. Os agentes de risco da Oscilar trabalham sob essa regra: "Os agentes nunca fecham ou escalam alertas de forma autônoma — cada recomendação é revisada e confirmada por um analista humano antes que qualquer ação seja tomada."

Quatro escolhas de design mantêm esse arranjo defensável:

• Cada alerta, e não apenas uma amostra. Um agente roda em cada alerta que entra em uma fila configurada, de modo que não há população que ele ignore silenciosamente, e cada ação do agente ou analista é registrada com seu raciocínio.

• Dados ausentes vão para uma pessoa. Quando atributos essenciais, como data de nascimento ou endereço, estão ausentes, o agente sinaliza a lacuna e recomenda a revisão manual, em vez de forçar uma resolução. Descartar automaticamente um alerta sem evidências comprobatórias aumenta o risco regulatório.

• Configuração por fila. Para quais tipos de alertas uma recomendação de alta confiança pode ser confirmada rapidamente e quais sempre precisam de uma leitura completa do raciocínio é algo definido por fila, de acordo com o apetite de risco da instituição.

• Um caminho documentado para amostragem. A confiança é construída a partir da revisão completa do analista de cada recomendação em direção ao controle de qualidade periódico de amostras, da mesma forma que a garantia de qualidade de segunda linha já funciona, e cada etapa é validada contra resultados conhecidos e registrada.

A orientação revisada de risco de modelo não define como governar agentes. O OCC Bulletin 2026-13 afirma que modelos de IA generativa e agêntica não estão em seu escopo, e as agências planejam solicitar informações sobre o uso de IA pelos bancos. A governança ainda se aplica: a instituição é a proprietária do limite, da resolução e do registro, independentemente de quem preparou a análise.

Os compradores definem eles mesmos os limites. Um diretor de PLD em um banco parceiro disse: "Mesmo que pudéssemos automatizar todo o processo até o envio do relatório de atividade suspeita (SAR), só porque podemos, não significa que devamos; sob uma postura regulatória, eles vão querer ver que temos controles muito rígidos sobre como fazemos o controle de qualidade disso." O mesmo executivo descreveu a ordem do trabalho: "Se pudermos limpar isso, vamos começar diminuindo o tamanho da pilha e depois descobriremos como trabalhar nessa pilha mais rapidamente."

As resoluções dos agentes também alimentam os ajustes. Um diretor de conformidade de PLD em uma operadora de jogos online descreveu o uso delas como evidência: "Quantos alertas os agentes estão recomendando que não são problemas, meus investigadores estão concordando e estão isolados em certas regras para as quais então eu digo: 'Tudo bem, precisamos ajustar essa regra porque ela está nos gerando um monte de falsos alarmes.'" Casos sem problemas confirmados concentrados em uma única regra apontam para a regra que precisa ser alterada, e a alteração ainda passa por testes e aprovação. As análises, as resoluções e o raciocínio por trás delas ficam juntos no gerenciamento de casos, de modo que o registro de qualquer alerta pode ser resgatado sob demanda.

Medir o resultado após a alteração

Medir o resultado após uma alteração de ajuste significa observar se os alertas se tornaram mais produtivos sem que a cobertura diminuísse. Acompanhe três pontos ao longo do tempo.

• Conversão por segmento e cenário. Monitore as taxas de alerta para caso e de caso para relatório de atividade suspeita (SAR) para cada segmento e cenário que a alteração tocou. Uma taxa de conversão crescente com envio estável de SAR sugere que a alteração removeu ruído. Uma queda na contagem de SAR em um segmento é um sinal para verificar novamente a população abaixo da linha, não um resultado a ser comemorado.

• Desvio em qualquer modelo envolvido. Monitore o desvio de dados (data drift), o desvio de variáveis (feature drift) e o desvio de conceito (concept drift), juntamente com medidas de resultados por segmento, para que um modelo em degradação seja detectado antes da próxima auditoria, e não durante ela.

• Retestes periódicos abaixo da linha. Clientes e tipologias mudam depois que a alteração entra em vigor. Refaça a amostragem abaixo da linha em um cronograma regular e registre o resultado contra a alteração original.

Registre cada um desses pontos junto ao registro de alteração, para que o examinador veja uma história contínua desde a proposta até o monitoramento.

Como a Oscilar aborda isso

A Oscilar aborda a redução de falsos positivos como uma mudança testada e documentada, e não como uma simples edição de limite. Antes de qualquer coisa entrar em produção, uma parceria de design de quatro semanas realiza um teste retrospectivo em relação aos alertas históricos, seguido pelo modo sombra na fila em tempo real e, finalmente, uma análise com validação humana.

A plataforma mantém uma trilha de auditoria completa por decisão com justificativas salvas, validação humana integrada por design, monitoramento de desvios e vieses, e foi desenhada para se adequar às diretrizes de gestão de risco de modelo dos órgãos reguladores. O monitoramento automático de modelos cobre desvios de dados, de variáveis e de conceitos, além de KPIs de resultados medidos por segmento.

As páginas de solução de PLD da Oscilar descrevem um conjunto de testes nestas palavras: "Execute testes retrospectivos, testes A/B e testes unitários em um clique para validar modelos de risco novos e existentes." Elas também descrevem um modelo de priorização de alertas: "Priorize alertas com base em sua relevância e risco potencial, facilitando a gestão de respostas." A priorização, como descrita ali, define a ordem em que os alertas são trabalhados; não é uma forma de suprimi-los.

Perguntas frequentes

Por que os sistemas de monitoramento de transações de PLD geram tantos falsos positivos?

Os sistemas de monitoramento de transações de PLD geram muitos falsos positivos porque aplicam limites estáticos a clientes muito diferentes e enviam alertas com pouco contexto associado. As regras também se acumulam ao longo do tempo e raramente são desativadas. A segmentação e o contexto reduzem o ruído sem diminuir a cobertura.

O que é o teste abaixo da linha em PLD?

O teste abaixo da linha em PLD faz uma amostragem das atividades que ficam logo abaixo de um limite novo ou alterado, para confirmar que nada de suspeito deixou de gerar alerta por causa da mudança. Ele é feito em conjunto com o teste acima da linha, que verifica se os alertas restantes são produtivos. Juntos, eles provam ao examinador que a cobertura de tipologias se manteve.

Como defender uma alteração de limite de PLD para os examinadores?

Você defende uma alteração de limite de PLD com um registro por escrito do que mudou e por quê, a população e o período testados, os resultados acima e abaixo da linha, as tipologias confirmadas como ainda cobertas e quem questionou e aprovou a mudança. O monitoramento pós-alteração e os retestes periódicos completam o registro.

Reduzir falsos positivos cria obrigações de risco de modelo?

Reduzir falsos positivos pode criar obrigações de risco de modelo quando a alteração mexe com um modelo, como um modelo de pontuação ou segmentação. A orientação revisada de risco de modelo (SR 26-2, OCC Bulletin 2026-13 e FDIC FIL-15-2026) prevê testes, validação, monitoramento e governança para alterações de modelos. Se uma regra determinística simples conta como um modelo é uma interpretação da definição da orientação que deve ser feita pela área de risco de modelo da própria instituição.

Os agentes de IA podem reduzir a carga de trabalho de alertas de PLD mantendo a aprovação humana?

Os agentes de IA podem reduzir a carga de trabalho de alertas de PLD mantendo a aprovação humana ao preparar cada análise, reunir evidências e recomendar uma resolução que um analista confirma ou altera. O agente roda em cada alerta em uma fila configurada e direciona dados ausentes para revisão manual. A IA agêntica está fora do escopo da orientação revisada de risco de modelo, de modo que a própria governança da instituição define como as recomendações dos agentes são verificadas.

Menos falsos positivos vêm de um melhor contexto e de alterações testadas e documentadas. Um limite mais alto remove a cobertura junto com o ruído. Cada alteração de ajuste precisa de evidências abaixo da linha de que a cobertura de tipologias se manteve e de uma pessoa que assine a aprovação. Para ver como o ajuste no nível de segmento, os testes e uma trilha de auditoria por decisão funcionam juntos, leia sobre o monitoramento de transações de PLD para bancos ou solicite uma demonstração com seus próprios alertas históricos.