Apenas 33% das instituições financeiras brasileiras usam modelos de IA disruptiva para detectar operações suspeitas, e mais de 76% das menores (S4 e S5) não usam nenhum modelo de IA em PLD/FTP. O gap não se fecha comprando algoritmo. Fecha-se primeiro com dados externos autoritativos por baixo do monitoramento.
A IA em prevenção a crimes financeiros ainda engatinha no Brasil
O Estudo de Maturidade PLD/FTP da EY Brasil colocou número numa percepção antiga do mercado. Apenas 33% das instituições financeiras pesquisadas usam modelos de IA disruptiva para detectar operações e situações suspeitas com mais rapidez e precisão (EY Brasil, 2026). O uso é classificado como incipiente, com predominância das grandes instituições do segmento S1.
A leitura por técnica reforça o diagnóstico. Apenas 14% usam machine learning para monitoramento de transações suspeitas, 11% aplicam ML para classificação e análise de risco e 9% empregam IA generativa como assistente de análise de operações (EY Brasil, 2026). São fatias pequenas para uma agenda tratada como prioritária no discurso do setor.
Para a instituição de pagamento e a fintech menor, a conclusão prática não é correr atrás do modelo proprietário. É garantir primeiro que o monitoramento atual enxergue o contexto certo. Modelo bom sobre dado pobre erra com confiança. A camada de dados externos vem antes do algoritmo.
Explore o tema por eixo
Use as abas para percorrer os eixos do tema sem sair desta pagina.
Maturidade incipiente, concentrada no topo
O Estudo de Maturidade PLD/FTP da EY classificou o uso de IA na prevenção a crimes financeiros como incipiente no Brasil. Só 33% das instituições pesquisadas aplicam IA disruptiva para detectar operações suspeitas com mais rapidez e precisão, e o uso se concentra nas grandes instituições S1 (EY Brasil, 2026).
A amostra ajuda a entender de onde fala o estudo. Foram 51 instituições financeiras, com bancos comerciais à frente (19, ou 37%), seguidos por seguradoras (12, ou 24%) e instituições de pagamento (6, ou 12%) (EY Brasil, 2026). É um retrato do setor regulado, não só dos gigantes.
O pano de fundo é de pressão crescente. Os bancos brasileiros projetam alta de 61% nos investimentos em IA, Analytics e Big Data no ano, dentro de um orçamento de tecnologia de R$ 47,8 bilhões, 13% acima de 2024 (SEGS, dados FEBRABAN/Deloitte, 2026). O dinheiro existe. A maturidade ainda não acompanhou.
Onde a IA já aparece e onde ainda não
A pesquisa da EY mediu técnica por técnica. Machine learning para monitoramento de transações suspeitas aparece em 14% das instituições, ML para classificação e análise de risco em 11% e IA generativa como assistente de análise em 9% (EY Brasil, 2026). Nenhuma técnica passa de um sexto da amostra.
O contraste internacional é instrutivo. A EY Nordic Transaction Monitoring Survey 2025 aponta que 30% dos bancos nórdicos já implementaram IA em monitoramento de transações e 75% planejam ampliar o investimento (EY Suécia, 2025). E o relatório AI Reality Check 2026 da SEON, com 1.010 líderes de fraude e compliance, indica que 98% das organizações já integram IA nos fluxos de fraude e PLD (SEON, 2026).
O abismo entre grandes e pequenas instituições
O dado mais revelador do estudo é o do segmento menor. Mais de 76% das instituições classificadas como S4 e S5 pelo Banco Central não utilizam nenhum modelo de IA em atividades de PLD/FTP (EY Brasil, 2026). Enquanto os grandes S1 puxam a adoção, a base do sistema opera sem essa camada.
O problema é que a exposição não é proporcional ao porte. A Serasa Experian contabilizou 368 mil tentativas de fraude em transações e 1,5 milhão em aberturas de conta no primeiro trimestre de 2026, alta de 36,6% sobre o ano anterior, cerca de uma tentativa a cada cinco segundos (Serasa Experian, 2026). O fraudador não pergunta o porte da instituição antes de atacar.
Construir modelo próprio de IA exige time de ciência de dados, histórico rotulado e governança de modelo, recursos escassos fora do S1. Por isso a alavanca prática para o S3, S4 e S5 é outra. Enriquecer o monitoramento existente com dados externos autoritativos entrega ganho de detecção sem o custo de um laboratório de ML.
Dado externo como primeira alavanca de detecção
O regulador deixou explícito que dados são insumo de compliance. A Resolução BCB nº 518 (2025) determina que cada instituição estabeleça critérios próprios de identificação de contas-bolsão usando bases públicas e privadas, e amplia as hipóteses de encerramento compulsório de contas (Banco Central, 2025). Quem não tem dado externo bom não consegue cumprir o critério com consistência.
A DataHub atua exatamente nessa camada. Em vez de a fintech menor construir um modelo de IA do zero, ela conecta o monitoramento atual a sinais externos autoritativos que dão contexto à transação, ao titular e ao beneficiário final, alvo declarado da Resolução 518 ao combater fraude e lavagem (Editora Roncarati, 2025).
É a sequência correta de maturidade. Primeiro o dado externo qualifica o alerta e reduz o ruído da esteira. Depois, com base limpa e contextualizada, o modelo de IA proprietário passa a ter terreno para gerar ganho real. Dado antes de algoritmo, não o contrário.
Os números que sustentam a tese
A foto da maturidade vem da EY. Só 33% das instituições usam IA disruptiva para detectar suspeitas, as técnicas específicas ficam em 14% (ML monitoramento), 11% (ML risco) e 9% (GenAI assistente), e mais de 76% das S4/S5 não usam nenhum modelo de IA em PLD/FTP, sobre amostra de 51 instituições (EY Brasil, 2026).
A pressão externa que torna o gap perigoso também está quantificada. As fraudes e golpes geraram R$ 10,1 bilhões de prejuízo ao setor bancário em dois anos, com golpes via Pix em alta de 43% (Febraban, 2025). E os ataques de deepfake cresceram 126% no Brasil, com fintechs entre os três setores mais atingidos (Sumsub, 2026).
Dúvidas frequentes sobre IA em PLD/FTP
Reunimos as perguntas que mais aparecem quando a área de compliance de uma instituição menor avalia por onde começar a modernizar PLD/FTP diante dos números da EY.
As respostas priorizam a sequência prática, dado externo antes de modelo proprietário, e a base regulatória que torna o dado externo uma exigência, não um luxo.
A camada de dados que vem antes do modelo
O estudo da EY é claro sobre a direção. A IA em PLD/FTP avança no Brasil, mas de forma incipiente e concentrada nos grandes S1, enquanto mais de 76% das instituições S4 e S5 seguem sem nenhum modelo (EY Brasil, 2026). Para essas instituições, a alavanca de curto prazo não é o algoritmo proprietário. É qualificar o monitoramento que já existe.
É aí que a DataHub opera, como camada de dados externos autoritativos que dá contexto ao alerta, ao titular e ao beneficiário final antes de qualquer modelo. A forma principal de entrega é a API, integrada direto na esteira de risco da instituição, com SaaS e Projetos Especiais como complementos para casos que exigem painel ou customização.
Todo tratamento pressupõe finalidade legítima, base legal definida e conformidade com a LGPD. Compliance bom não nasce de mais modelo sobre dado pobre. Nasce de dado certo no momento certo da decisão. Quem tem dados, decide melhor.
Leia também no DataHub
Fontes
- EY Brasil — Uso de IA na prevenção a crimes financeiros é incipiente (Estudo de Maturidade PLD/FTP)
- EY Brasil — Bancos comerciais e IPs são as instituições que mais investem contra fraudes
- SEON — AI Reality Check: 2026 Fraud & AML Leaders Report (via Fintech News Singapore)
- EY Suécia — How AI is reshaping the future of transaction monitoring
- Banco Central / Editora Roncarati — Resolução BCB nº 518 de 03/11/2025
- Serasa Experian — Mapa da Fraude (via TI Inside)
- Febraban (via Finsiders Brasil) — Golpes com Pix e prejuízo ao setor bancário
- The Business Research Company / Research and Markets — AI in RegTech Market