Mastercard aposta em novo modelo de IA para combater fraudes financeiras
A Mastercard acaba de dar um passo bem interessante no combate à fraude financeira. A gigante dos pagamentos desenvolveu um novo modelo de inteligência artificial chamado Large Tabular Model, o LTM, projetado especificamente para analisar dados estruturados e identificar transações suspeitas com muito mais precisão do que as soluções tradicionais conseguem entregar.
Se você já se perguntou como uma empresa que processa bilhões de transações por dia consegue separar o joio do trigo em tempo real, a resposta começa a ficar mais clara aqui.
O setor financeiro convive há décadas com o problema das fraudes, e a sofisticação dos ataques só cresce. Não é mais aquela história de alguém clonando cartão na feira. Hoje os esquemas são automatizados, distribuídos e difíceis de rastrear com ferramentas convencionais. É nesse contexto que a Mastercard entra com uma abordagem diferente, apostando num modelo de IA que não lida com texto ou imagens, mas sim com os dados estruturados que já existem dentro dos sistemas de pagamento. A proposta é ambiciosa, e os detalhes de como isso funciona na prática, quais são os riscos envolvidos e o que a regulamentação tem a dizer sobre tudo isso valem cada parágrafo a seguir. 👇
O que é o Large Tabular Model e por que ele é diferente
Quando a maioria das pessoas pensa em inteligência artificial, imagina modelos que leem textos, reconhecem rostos ou geram imagens. O LTM da Mastercard é outra coisa. Ele foi construído para trabalhar com dados tabulares, aquelas tabelas cheias de colunas e linhas que descrevem cada detalhe de uma transação: valor, horário, localização, histórico do comerciante, padrão de uso do cartão, frequência de compras e por aí vai. É exatamente o tipo de informação que circula dentro dos sistemas de pagamento o tempo todo, mas que costumava ser processada por regras fixas e modelos estatísticos mais simples, com desempenho limitado diante de comportamentos novos de fraude.
A diferença central está na forma como o LTM aprende. Modelos tradicionais de detecção de fraude dependem muito de regras definidas por especialistas humanos, do tipo: se a transação acontecer fora do país e o valor for acima de determinado limite, bloqueia. Isso funciona até certo ponto, mas fraudadores aprendem rápido e ajustam os ataques para contornar essas barreiras. O modelo da Mastercard vai além disso porque aprende padrões a partir de uma quantidade enorme de dados históricos, reconhecendo anomalias sutis que uma regra simples jamais conseguiria capturar. Ele consegue entender o contexto de uma transação de forma muito mais rica, levando em conta dezenas de variáveis ao mesmo tempo.
Outro ponto que chama atenção é a escala em que esse modelo opera. A Mastercard processa, segundo a própria empresa, mais de 143 bilhões de transações por ano. Isso significa que qualquer solução de detecção de fraude precisa funcionar em milissegundos, sem travar o fluxo de pagamentos, sem gerar falsos positivos em excesso e sem deixar passar transações ilegítimas. O LTM foi desenvolvido com essa realidade em mente, sendo otimizado para rodar em alta velocidade dentro da infraestrutura de processamento da empresa. É uma engenharia bastante sofisticada por trás de algo que, para o usuário final, parece simplesmente o cartão funcionando normalmente. 💳
Estratégia de implementação gradual e os riscos envolvidos
Uma das decisões mais inteligentes da Mastercard foi não substituir de uma só vez todos os seus sistemas de detecção de fraude pelo LTM. Em vez disso, a empresa adotou uma abordagem de implementação paralela, rodando o novo modelo ao lado dos sistemas já existentes. Essa cautela faz bastante sentido quando se pensa nos riscos de uma abordagem multifuncional como a de um Large Tabular Model. Se um modelo amplamente implantado apresentar uma falha, as consequências podem ser sistêmicas, afetando milhões de transações de uma vez. Ao manter as camadas de proteção anteriores ativas enquanto o LTM é validado em produção, a empresa reduz consideravelmente o risco de um incidente em grande escala.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Essa estratégia de convivência entre o novo e o antigo também permite que a Mastercard compare os resultados do LTM com os dos sistemas tradicionais em tempo real, identificando pontos de melhoria e ajustando o modelo antes de expandir seu papel nas decisões de bloqueio ou aprovação. É uma prática bastante comum em engenharia de sistemas críticos, onde a confiabilidade precisa ser comprovada antes de qualquer transição definitiva.
A empresa também tem planos de ampliar a escala dos dados utilizados no treinamento do modelo e aumentar sua sofisticação geral ao longo do tempo. Além disso, a Mastercard está planejando oferecer acesso via API e SDKs para que equipes internas possam construir novas aplicações em cima do LTM. Isso sugere que o modelo não será usado apenas para detecção de fraude, mas poderá se tornar uma plataforma mais ampla de inteligência sobre dados transacionais, com aplicações que ainda estão sendo exploradas internamente. 🔧
Como os dados alimentam a inteligência do modelo
O coração do LTM é a qualidade e a quantidade dos dados que ele consome. A Mastercard tem acesso a um volume de informações transacionais que poucas empresas no mundo conseguem igualar, e isso é uma vantagem competitiva enorme na construção de qualquer modelo de machine learning. Cada transação aprovada ou recusada, cada contestação de cobrança registrada por um cliente, cada padrão de comportamento de uso de cartão ao longo do tempo, tudo isso entra como insumo no treinamento do sistema. Com esse nível de riqueza nos dados, o modelo aprende a distinguir quando uma compra incomum é simplesmente uma viagem de férias ou quando é realmente uma tentativa de fraude em andamento.
Um dos desafios clássicos em detecção de fraude é o chamado desequilíbrio de classes. No universo de transações, as fraudulentas representam uma fração mínima do total, o que dificulta muito o treinamento de modelos, já que o sistema pode simplesmente aprender a classificar tudo como legítimo e ainda assim ter uma taxa de acerto aparente muito alta. O LTM foi desenvolvido para lidar com esse problema de forma mais eficaz, utilizando técnicas específicas de treinamento que dão mais peso às transações fraudulentas mesmo que elas sejam raras. O resultado é um modelo que consegue ser mais sensível a padrões de fraude sem disparar alertas desnecessários para transações completamente normais.
Além disso, a Mastercard mencionou que o LTM tem capacidade de generalização entre diferentes mercados e regiões. Isso significa que um padrão de fraude detectado em transações na Europa pode ajudar o modelo a identificar comportamentos similares no Brasil ou na Ásia, mesmo que as características locais sejam diferentes. Essa transferência de aprendizado entre contextos distintos é um dos avanços mais relevantes do sistema, porque fraudes modernas frequentemente se espalham de forma global antes que as defesas locais consigam reagir. Ter um modelo que aprende de forma cruzada entre regiões dá à Mastercard uma vantagem de velocidade considerável. 🌍
Regulamentação e os limites do uso de IA em pagamentos
Toda essa capacidade de processar dados e tomar decisões automatizadas não existe num vácuo. A regulamentação sobre o uso de inteligência artificial em serviços financeiros está evoluindo rapidamente em várias partes do mundo, e a Mastercard precisa operar dentro desses limites. Na União Europeia, por exemplo, o AI Act já estabelece requisitos claros para sistemas de IA considerados de alto risco, e sistemas de pontuação de crédito ou decisão de bloqueio de transações se enquadram nessa categoria. Isso significa que a empresa precisa garantir transparência sobre como o modelo toma decisões, além de manter mecanismos para que clientes contestem bloqueios injustificados.
É importante destacar que o próprio artigo publicado pela Mastercard enfatiza as responsabilidades em torno dos dados que o LTM manipula. A empresa menciona explicitamente questões de privacidade, transparência, explicabilidade do modelo e auditabilidade como pilares da operação do sistema. A escrutínio regulatório de qualquer sistema que influencie decisões de crédito ou resultados de detecção de fraude é esperado e tende a se intensificar à medida que esses modelos ganham mais responsabilidade dentro da cadeia de pagamentos.
No Brasil, o Banco Central tem avançado em discussões sobre o uso de IA no sistema financeiro, especialmente no contexto do Open Finance e das regulamentações sobre prevenção à lavagem de dinheiro. O uso de modelos automatizados para bloqueio de transações levanta questões importantes sobre responsabilidade: quando um modelo de IA bloqueia uma transação legítima e o cliente sofre algum prejuízo por isso, quem responde? A regulamentação ainda está sendo construída para responder essas perguntas com clareza, e empresas como a Mastercard têm um papel ativo nessas discussões, já que são as que mais entendem as implicações práticas dessas decisões automatizadas no dia a dia dos pagamentos.
Outro ponto relevante na discussão de regulamentação é a privacidade dos dados. Um modelo que aprende com bilhões de transações inevitavelmente lida com informações sensíveis de consumidores em escala global. A Mastercard precisa demonstrar que esses dados são tratados de acordo com legislações como o GDPR europeu e a LGPD brasileira, garantindo que o treinamento do LTM não viole direitos dos titulares. A empresa afirma trabalhar com dados anonimizados e agregados nos processos de treinamento, mas a auditabilidade dessas práticas é algo que reguladores tendem a exigir com cada vez mais rigor à medida que esses sistemas ganham escala e influência. 📋
Os modelos tabulares podem ser o futuro da IA bancária?
Uma das perspectivas mais interessantes levantadas por essa iniciativa da Mastercard é a possibilidade de que os Large Tabular Models representem o início de uma nova geração de sistemas de IA voltados para a infraestrutura bancária e de pagamentos. Enquanto o mercado de tecnologia tem focado intensamente em modelos de linguagem e geração de imagens, o mundo financeiro opera fundamentalmente sobre dados estruturados em tabelas. Valores, datas, códigos de categoria, identificadores de terminal, sequências de transações: tudo isso vive em formato tabular, e construir modelos nativos para esse tipo de dado faz muito mais sentido do que tentar adaptar arquiteturas desenvolvidas para texto.
No entanto, é preciso manter os pés no chão. Até o momento, as evidências de desempenho do LTM estão limitadas a relatórios publicados pela própria Mastercard, ou seja, informações vindas do fornecedor da tecnologia. Isso não invalida os resultados, mas significa que as reivindicações de performance não devem ser consideradas conclusivas até que haja validação independente ou dados de produção em larga escala disponíveis para análise externa. É uma distinção importante que o artigo original faz questão de ressaltar.
Existem também desafios práticos significativos que vão determinar se os modelos tabulares realmente ganharão tração no setor. A robustez sob condições adversariais é um deles. Fraudadores sofisticados podem tentar manipular seus padrões de transação justamente para enganar o modelo, e a capacidade do LTM de resistir a esse tipo de ataque ainda precisa ser comprovada em escala. Os custos de pós-treinamento e manutenção a longo prazo também são uma questão relevante, já que um modelo desse porte precisa ser continuamente atualizado para acompanhar a evolução das táticas de fraude. E, claro, a aceitação regulatória vai desempenhar um papel crucial na definição do ritmo e da extensão da adoção desses sistemas. São esses fatores, no fim das contas, que vão dizer se os modelos tabulares se tornam uma peça central da infraestrutura financeira ou se permanecem como uma solução de nicho. 🧩
O impacto real para quem usa cartão no dia a dia
Para o consumidor comum, o efeito mais imediato de um sistema como o LTM deveria ser a redução de dois problemas que todo mundo já enfrentou: ter uma compra legítima bloqueada sem motivo aparente, ou perceber uma cobrança desconhecida na fatura. Os dois lados desse problema são custosos. Falsos positivos geram frustração, especialmente em momentos inconvenientes como uma viagem ou uma compra importante. Falsos negativos, ou seja, quando a fraude passa despercebida, causam prejuízo financeiro direto. Um modelo mais preciso ajuda a reduzir os dois tipos de erro ao mesmo tempo, o que melhora a experiência de uso do cartão e diminui os custos operacionais de contestação e reembolso.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
A Mastercard afirma que nos testes do LTM houve uma melhora significativa na taxa de detecção de fraudes em comparação com os sistemas anteriores, sem aumento proporcional nos bloqueios indevidos. Se esses números se confirmarem em produção real e em larga escala, o impacto pode ser bastante expressivo. Bancos emissores que utilizam a plataforma da Mastercard poderão configurar seus limiares de risco com mais precisão, adaptando o comportamento do modelo às características da sua própria base de clientes. Isso cria uma camada de personalização que sistemas mais genéricos simplesmente não conseguem oferecer.
Vale lembrar que a fraude financeira não é apenas um problema das grandes empresas. Pequenos comerciantes também são afetados por estornos fraudulentos, e consumidores de todos os perfis já tiveram experiências negativas com cobranças indevidas. Um ecossistema de pagamentos mais inteligente beneficia toda a cadeia, desde quem vende até quem compra. A aposta da Mastercard no LTM é, no fundo, uma tentativa de elevar o padrão de segurança de forma sistêmica, usando a escala e os dados que a empresa já possui como matéria-prima para construir algo que os players menores dificilmente conseguiriam replicar sozinhos. 🚀
O que esperar daqui para frente
A Mastercard deixou claro que o LTM é apenas o começo de uma estratégia mais ampla. Com planos de expandir a base de dados utilizada no treinamento, aumentar a sofisticação do modelo e disponibilizar ferramentas para que equipes internas desenvolvam novas aplicações, a empresa está posicionando o Large Tabular Model como uma peça central da sua infraestrutura de inteligência artificial nos próximos anos.
O mercado de pagamentos como um todo deve observar essa movimentação com atenção. Se a abordagem da Mastercard se provar eficaz em escala, é provável que concorrentes e outros players do setor financeiro acelerem seus próprios investimentos em modelos tabulares. A corrida por dados estruturados de qualidade e por arquiteturas de IA otimizadas para esse tipo de informação pode se tornar um dos principais campos de competição tecnológica no setor de pagamentos nos próximos anos.
Por enquanto, o LTM representa uma aposta bem fundamentada da Mastercard em uma área que ainda tem muito espaço para evolução. Os desafios de robustez, custo operacional e conformidade regulatória são reais e não devem ser subestimados. Mas a direção é clara: a inteligência artificial aplicada a dados tabulares pode transformar a forma como o setor financeiro lida com fraude, risco e decisões em tempo real. E quem chegar primeiro com uma solução que funcione de verdade em produção vai ter uma vantagem difícil de alcançar. 🏁
