{"id":26714,"date":"2026-06-18T00:00:00","date_gmt":"2026-06-18T00:00:00","guid":{"rendered":"https:\/\/angelboss.com.br\/2026\/06\/18\/331552-subadquirente-usa-ia-para-reduzir-fraudes-no-e-commerce\/"},"modified":"2026-06-18T00:00:00","modified_gmt":"2026-06-18T00:00:00","slug":"331552-subadquirente-usa-ia-para-reduzir-fraudes-no-e-commerce","status":"publish","type":"post","link":"https:\/\/angelboss.com.br\/en\/2026\/06\/18\/331552-subadquirente-usa-ia-para-reduzir-fraudes-no-e-commerce\/","title":{"rendered":"Subadquirente usa IA para reduzir fraudes no e-commerce"},"content":{"rendered":"

O e-commerce brasileiro registrou 2,3 milh\u00f5es de tentativas de fraude bloqueadas em 2025, com potencial de preju\u00edzo de R$ 2,4 bilh\u00f5es, segundo levantamento da Serasa Experian<\/a>. O dado, no entanto, n\u00e3o contabiliza um custo paralelo: o das transa\u00e7\u00f5es leg\u00edtimas barradas pelo pr\u00f3prio sistema de prote\u00e7\u00e3o.<\/p>\n

Sistemas baseados em regras fixas geram elevados \u00edndices de falsos positivos \u2014 alertas que, na maioria dos casos, correspondem a boas compras recusadas indevidamente. Segundo o E-Commerce Brasil<\/a>, o custo financeiro e reputacional de um falso positivo pode superar o de um chargeback real \u2014 o cliente bloqueado raramente volta, e o investimento de aquisi\u00e7\u00e3o j\u00e1 foi embora. De acordo com o LexisNexis True Cost of Fraud 2025<\/a>, cada US$ 1 perdido em fraude representa US$ 4,60 quando somados log\u00edstica, SAC e multas. Segundo a Javelin Strategy & Research<\/a>, os falsos positivos custam aos varejistas americanos US$ 118 bilh\u00f5es por ano \u2014 13 vezes mais do que as perdas reais com fraude.<\/p>\n

A diferen\u00e7a entre o modelo tradicional e sistemas baseados em intelig\u00eancia artificial est\u00e1 na l\u00f3gica de an\u00e1lise. Regras est\u00e1ticas verificam limites fixos \u2014 e bloqueiam tudo que parece fora do padr\u00e3o, independentemente do contexto. IA comportamental constr\u00f3i uma linha de base para cada perfil de opera\u00e7\u00e3o ao longo do tempo e sinaliza desvios com precis\u00e3o crescente. O Banco Mercantil, em parceria com o Google Cloud<\/a>, reduziu em 60% os custos operacionais com antifraude ap\u00f3s adotar o modelo baseado em IA. Um estudo do MIT<\/a> com dados de um banco europeu mostrou redu\u00e7\u00e3o de 54% nos falsos positivos com a aplica\u00e7\u00e3o de machine learning<\/em>.<\/p>\n

A diferen\u00e7a entre os dois modelos pode ser resumida nos seguintes pontos:<\/p>\n