28/09/2026 - 9:18
A inteligência artificial generativa transformou os golpes financeiros e a engenharia social em uma operação de escala industrial. Em resposta a este cenário de ameaças hiper-realistas, o setor bancário brasileiro investe cerca de R$ 3 bilhões em inteligência artificial, análise avançada de dados e cibersegurança para reforçar suas defesas.
O que aconteceu
- Os golpes financeiros evoluíram drasticamente com a inteligência artificial, criando ameaças hiper-realistas como deepfakes e fraudes de identidade.
- O setor bancário brasileiro investiu R$ 3 bilhões em IA e cibersegurança para desenvolver defesas proativas, incluindo biometria comportamental e modelos preditivos.
- Bancos enfrentam o desafio de proteger os usuários sem comprometer a experiência, enquanto investem na conscientização pública contra novas táticas criminosas.
A nova cara do crime financeiro
Se antes as tentativas de golpe dependiam de mensagens com erros gramaticais grosseiros ou clonagens simplórias de aplicativos, o ecossistema atual opera em outro patamar de sofisticação. Com o apoio de ferramentas de IA acessíveis, criminosos conseguem programar ataques automatizados e personalizados em larga escala:
- Vídeos e chamadas falsas (Deepfakes): Por meio do mapeamento de áudio e imagem, golpistas simulam videochamadas e áudios de gerentes de conta, executivos de empresas ou parentes das vítimas com precisão milimétrica.
- Ataques de voz para autorização de transações: Softwares de clonagem vocal são usados para tentar burlar centrais de atendimento telefônico e sistemas de verificação por voz.
- Fraude de identidade em cadastro: Criação de documentações sintéticas e simulações de biometria facial para abertura de contas fraudulentas e obtenção de crédito sob falsos pretextos.
Como a inteligência artificial combate a inteligência artificial criminosa?
Para anular a vantagem técnica das redes criminosas, as instituições financeiras transformaram seus algoritmos de defesa em escudos proativos. Em vez de depender apenas da conferência visual ou de dados cadastrais estáticos, os bancos passaram a implementar camadas de defesa baseadas em machine learning:
- Biometria comportamental: O sistema analisa a forma habitual como o cliente navega no aplicativo — velocidade de digitação, padrão de toque na tela, horários de uso e locais recorrentes. Qualquer desvio drástico gera alertas imediatos ou solicitações extras de validação.
- Análise de mapas de calor e pixels: A tecnologia antivazamento analisa arquivos de mídia e registros de biometria facial em busca de inconsistências imperceptíveis ao olho humano, como desalinhamento de iluminação, ruídos de compressão ou ausência de microexpressões faciais características.
- Modelos preditivos de transação em tempo real: Algoritmos identificam padrões atípicos no fluxo de transferências (como transações atípicas via Pix seguidas de saques rápidos) e interrompem a operação na camada de origem.
Equilíbrio entre segurança e usabilidade é o grande desafio
Embora a tecnologia consiga mitigar grande parte dos acessos indevidos na infraestrutura das redes bancárias, o elo mais vulnerável da cadeia continua sendo a manipulação psicológica das pessoas. O desafio central dos bancos não é apenas técnico, mas também de experiência do usuário: aplicar camadas robustas de segurança sem tornar o uso dos aplicativos burocrático e lento para os clientes legítimos.
A cooperação técnica internacional entre instituições e órgãos de segurança, somada ao investimento em conscientização de dados, tornou-se parte essencial desse esforço contínuo para manter a integridade das transações no ecossistema financeiro.
