A detecção de fraude financeira descansou por mais de uma década sobre uma suposição silenciosa: a de que existe um ser humano do outro lado da transação — e de que humanos deixam rastros. Como digitam, quando trocam de dispositivo, como se comportam quando estão ansiosos ou com pressa. Todo modelo antifraude, admita-se ou não, foi treinado para notar quando um humano deixa de agir como ele mesmo. Agentes de IA estão quebrando essa premissa.
O “caos máquina a máquina”
O relatório Future of Fraud Forecast 2026, da Experian, deu nome ao fenômeno: agentes de IA transacionando e comprando em nome de pessoas agora são um motor real de fraude financeira. O relatório chama isso de “machine-to-machine mayhem” — caos máquina a máquina. O problema central é que um agente de compras legítimo e um bot fraudulento podem aparecer de forma praticamente idêntica em um registro de transações. Ninguém descobriu ainda o sinal que os diferencia.
A explicação é mais profunda do que parece. Todo método de explicabilidade construído para detecção de fraude — incluindo o SHAP — explica uma decisão usando características da transação: valor, horário, dispositivo, velocidade. Essas características existem porque se correlacionam com o comportamento humano. Um agente não tem um “padrão de vida” que se mapeie nesses campos: ele não se cansa às 2 da manhã, não digita errado uma transferência, não entra em pânico enviando dinheiro para a conta errada. Ele transaciona em velocidade e consistência que nenhum humano sustentaria por cinco minutos — e isso invalida a premissa de que o desvio de uma linha de base humana é o sinal.
Os números já apontam para isso
Uma pesquisa da BioCatch com 1.440 profissionais de gestão de fraude, crimes financeiros e risco em 25 países mostrou que 84% dos líderes bancários veem os agentes de IA como a maior vulnerabilidade do setor no próximo ano — e 60% esperam que a intermediação bancária por IA torne as defesas tradicionais menos eficazes. O dado mais interessante não é o crime ficando mais sofisticado, mas o próprio sinal que as defesas usavam estar mudando de natureza.
Reguladores em ritmo incomum
Os reguladores já estão se movendo. A AI Agent Standards Initiative do NIST, lançada em fevereiro de 2026, trata agentes como principais não humanos identificáveis, que precisam de ciclos de vida de credenciais e trilhas de auditoria próprios. Nos EUA, o rascunho do AI AGENT Act, do senador Mark Warner, criaria um registro federal de agentes confiáveis e exigiria que atuem de forma transparente no interesse do usuário. O ponto que chama atenção: os legisladores desembarcaram em identidade e responsabilização como a questão estrutural — antes mesmo de a indústria concordar sobre como registrar o raciocínio de um agente de forma auditável.
O que quebra e o que não quebra
O SHAP não está morto — atribuições em nível de característica seguem relevantes para a fatia de fraude que ainda é transacional e humana. Mas a atribuição em campos de transação só respondeu “por que isso parecia errado”. A fraude agêntica coloca outra pergunta na mesa: por que esse ator fez isso, em primeiro lugar? Respondê-la exige um tipo de rastro diferente: o caminho de decisão real do agente, quais ferramentas ele chamou, para o que foi autorizado e se a ação ficou dentro — ou três passos fora — do escopo delegado. É mais próximo de auditar uma trajetória do que de pontuar um ponto de dado.
O autor da análise original, o cientista de dados Benjamin Nweke, aposta que a solução não vem de um SHAP mais sofisticado, mas do empréstimo de um canto completamente diferente da segurança de IA — monitoramento de agentes e avaliação de trajetórias — costurado à disciplina de explicabilidade que a detecção de fraude já tem. Por enquanto, a maioria do setor só sabe explicar uma pontuação, não um ator.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
