A fraude não para. Nossa resposta a ela também não deveria.

A prevenção de fraudes sempre envolveu uma corrida contra a mudança. Os fraudadores encontram uma forma de contornar um controle. Nós identificamos o padrão, criamos uma regra e o impedimos. Então o ciclo recomeça.

Esse modelo continua importante. Mas a fraude está evoluindo mais rápido, e acho que vale a pena ser honesto sobre onde a abordagem tradicional encontra seus limites.

O problema de combater fraudes conhecidas

Sistemas baseados em regras e o cruzamento de dados são componentes centrais do nosso sistema mais amplo de prevenção de fraudes. As regras nos ajudam a identificar padrões que já aprendemos a associar a atividades fraudulentas, por exemplo, uma combinação do uso de VPN e um tipo de documento propenso a fraudes. O cruzamento de dados conecta atividades entre verificações, revelando relações que não são visíveis ao analisar uma única tentativa isoladamente.

Mas ambas as capacidades têm algo em comum: elas dependem de conhecimento prévio. Uma regra só pode parar um ataque que se assemelha a algo que já documentamos. O cruzamento de dados revela um rastro apenas depois que ele já foi deixado.

Um novo ataque não precisa se parecer com o anterior. Os fraudadores podem experimentar novas técnicas, combinar métodos existentes de maneiras inesperadas ou introduzir características que não foram previamente associadas a fraudes. Isso cria uma janela entre os primeiros sinais de um ataque e o momento em que as defesas se adaptam. Uma janela que um fraudador determinado pode explorar.

Quando uma nova técnica funciona, ela é testada novamente. Se continuar funcionando, ela é refinada e escalada. A janela entre a descoberta e a adaptação é exatamente onde essa escalada acontece.

É por isso que passei a pensar que o tempo de adaptação, a rapidez com que a prevenção de fraudes pode responder quando algo novo aparece, é uma das dimensões mais importantes do problema. Não basta perguntar se podemos, eventualmente, detectar um novo ataque. Também precisamos perguntar quanto tempo o ataque tem para escalar antes que possamos responder.

Inteligência Adaptativa em Ação

Leia o Estudo de Caso de Mobilidade Global

Descubra como a detecção de fraudes da Veriff ajudou uma plataforma global de entrega de comida a reduzir fraudes e agilizar o onboarding de motoristas.

Ler agora

O que os sinais podem nos dizer

Uma forma de tornar a prevenção de fraudes mais adaptativa é olhar além da própria evidência de identidade.

Toda verificação ocorre em um ambiente mais amplo: o dispositivo sendo usado, a rede pela qual ele se conecta e as características técnicas de uma sessão. À medida que as técnicas de injeção de mídia e deepfake se tornam mais sofisticadas, esse contexto ao redor se torna cada vez mais valioso.

Um deepfake pode ser visualmente convincente. Uma campanha de fraude coordenada pode ser difícil de detectar a partir de uma única verificação. Mas os sinais de dispositivo e rede associados a sessões fraudulentas geralmente exibem padrões que são detectáveis em nível agregado, mesmo quando as tentativas individuais parecem normais por si sós.

Nenhum sinal isolado indica que uma tentativa é fraudulenta. Mas os padrões na atividade fraudulenta podem revelar características associadas a um ataque emergente: características que começam a aparecer antes que o ataque seja totalmente compreendido.

Isso cria uma oportunidade: aprender com o que está acontecendo agora, em vez de depender exclusivamente de padrões estabelecidos no passado.

Uma camada adaptativa construída sobre sinais recentes

A abordagem em que venho trabalhando na Veriff é construída em torno dessa ideia. O sistema aprende com sinais recentes de dispositivo e rede observados em atividades fraudulentas identificadas por outros sistemas de prevenção de fraudes e usa essa inteligência para adaptar automaticamente a proteção, sem esperar que um humano identifique manualmente o padrão e escreva uma nova regra.

Os sinais podem se estender além do dispositivo e da rede. Por exemplo, o sistema pode identificar quando um campo do documento, como uma data de emissão, se repete com uma frequência incomum em tentativas fraudulentas e sinalizar novas tentativas que usam o mesmo valor de campo.

O objetivo é dar aos novos vetores de ataque o menor tempo possível para escalar. Na prática, isso significa que um novo padrão de ataque pode ser normalmente neutralizado em poucas horas após sua primeira aparição, e no máximo em 24 horas, antes que tenha a oportunidade de se transformar em um problema de grande escala.

Isso não se destina a substituir as camadas existentes de prevenção de fraudes. Regras e cruzamento de dados continuam sendo importantes. Eles lidam com padrões conhecidos de forma eficaz, e esse trabalho não para. O que isso adiciona é uma capacidade complementar que responde a ameaças emergentes que ainda não foram vistas com clareza suficiente para serem codificadas. No final das contas, o maior valor reside nesta defesa invisível e proativa: bloquear as sondagens iniciais antes que os ataques possam escalar, porque impedir a fraude antes que ela aconteça é sempre mais poderoso do que capturá-la após o ocorrido.

A cadeia se parece com algo assim:

O valor não está em nenhum sinal isolado. Está na capacidade de aprender com atividades fraudulentas recentes e usar essa inteligência para fortalecer as defesas contra a próxima onda, enquanto ela ainda está se formando.

O que isso significou na prática

O sistema já foi implantado em tráfego real, demonstrando o que a detecção adaptativa pode alcançar quando opera em campo:

• Impacto direcionado: Em uma recente onda de ataques que afetou um importante cliente de mobilidade, a capacidade impediu milhares de aprovações fraudulentas que, de outra forma, teriam passado despercebidas.
• Proteção ampla: Em todo o nosso tráfego global, o sistema identifica 10% de todas as verificações recusadas semanalmente e é o único fator decisivo em aproximadamente 2-4% das verificações recusadas, aumentando acentuadamente durante ataques ativos.

Em vez de oferecer promessas fixas para cada situação, esses números servem como uma ilustração ao vivo do que a detecção baseada em sinais oferece. Eles provam que a adaptação a fraudes emergentes quase em tempo real encurta drasticamente a janela na qual um ataque pode escalar.

Para trazer essa capacidade diretamente para os fluxos de trabalho de risco existentes, os resultados da Adaptive Signal Intelligence foram recentemente integrados ao nosso Fraud Risk Score, parte do pacote mais amplo Fraud Intelligence.

Por que isso importa à medida que as técnicas de fraude evoluem

À medida que as técnicas de fraude, como deepfakes e injeção de mídia, avançam, as verificações de identidade individuais (como nosso conjunto de verificações de documentos e biométricas) não são mais suficientes por si sós. A combinação de verificações individuais com um contexto mais amplo de dispositivo e rede fornece um quadro de risco mais completo para detectar ataques coordenados ou ocultos.

Em última análise, a prevenção de fraudes moderna deve combinar a detecção tradicional e retrospectiva (“Já vimos isso antes?”) com a inteligência adaptativa em tempo real (“O que estamos vendo agora?”). Sistemas como o da Veriff usam ambas as camadas para deter ameaças conhecidas enquanto se adaptam continuamente a vetores de ataque desconhecidos e emergentes.