A inteligência artificial pode ajudar seguradoras e outras instituições a analisar grandes volumes de informações, identificar comportamentos que merecem atenção e direcionar equipes para casos prioritários. Na prevenção à lavagem de dinheiro, ao financiamento do terrorismo e da proliferação de armas, porém, um alerta automatizado é apenas um sinal para análise: não prova que houve ilícito nem substitui a avaliação humana.

O tema ganhou novo contexto no setor segurador com a publicação, pela CNseg, de uma versão atualizada de seu guia de prevenção à lavagem de dinheiro, ao financiamento do terrorismo e ao financiamento da proliferação de armas de destruição em massa e de tecnologia dual. O material aborda a digitalização e aponta que inteligência artificial e análise de grandes volumes de dados podem apoiar o monitoramento e a identificação de padrões, desde que acompanhadas de governança e validação dos modelos.

A versão 2026 do livreto “Prevenção à Lavagem de Dinheiro, ao Financiamento do Terrorismo e ao Financiamento da Proliferação de Armas de Destruição em Massa e de Tecnologia Dual (PLD/FTP)” está disponível no site da CNseg

Que sinais os modelos podem ajudar a encontrar

Sistemas analíticos podem cruzar informações cadastrais, transacionais e de relacionamento para localizar combinações que seriam difíceis de perceber em análises isoladas. Entre os usos possíveis estão identificar movimentações que destoam do perfil conhecido, conexões entre pessoas ou empresas e mudanças de comportamento que justifiquem uma checagem adicional.

Esses recursos podem ajudar a organizar o trabalho: em vez de tratar todos os alertas da mesma forma, a instituição pode usar critérios de risco para priorizar os casos que exigem diligência mais aprofundada. O GAFI - Grupo de Ação Financeira, conhecido internacionalmente pela sigla FATF - afirma que novas tecnologias podem tornar as medidas de prevenção mais rápidas e eficientes, mas ressalta que seu uso exige condições, políticas e práticas adequadas.

A análise colaborativa de dados também pode ampliar a visão sobre relações que atravessam diferentes instituições. O GAFI aponta que esse tipo de abordagem pode reduzir falsos positivos e ajudar a revelar lacunas de informação, mas alerta para a necessidade de respeitar a privacidade e as normas de proteção de dados.

Um alerta não é uma conclusão

Um modelo identifica uma anomalia segundo os dados e os critérios que recebeu. Isso significa que uma operação incomum pode ter uma explicação legítima, enquanto uma atividade ilícita pode não ser detectada se os registros forem incompletos ou o padrão não estiver contemplado pelo sistema.

Por isso, é importante distinguir três etapas: o sistema encontra um sinal; profissionais analisam o contexto e as informações disponíveis; e a instituição decide quais providências cabem conforme suas obrigações e procedimentos. A classificação automatizada, sozinha, não deve ser tratada como prova de crime nem como justificativa suficiente para uma decisão desfavorável a uma pessoa.

Dados ruins podem produzir alertas ruins

A qualidade e a integridade das informações são essenciais. Cadastros desatualizados, dados ausentes, registros inconsistentes ou bases que não conversam entre si podem distorcer o resultado. Se o modelo for treinado com dados que refletem desigualdades ou práticas anteriores de monitoramento, também poderá reproduzir vieses.

Há ainda o risco de falsos positivos: pessoas e operações legítimas podem ser sinalizadas, gerando verificações desnecessárias e sobrecarga para as equipes. No sentido oposto, falsos negativos deixam passar situações que deveriam receber atenção. O guia da CNseg destaca a dependência da qualidade dos dados, o risco de viés e a necessidade de calibrar continuamente os modelos para reduzir os dois tipos de erro.

A explicabilidade é outro requisito prático. A equipe precisa conseguir entender quais fatores levaram o sistema a gerar determinado alerta, verificar se eles fazem sentido no caso concreto e registrar como chegou à decisão. Sem essa capacidade, fica mais difícil corrigir erros, auditar o modelo e atribuir responsabilidades.

A tecnologia precisa estar dentro de uma política de risco

A Resolução Susep nº 99/2026, que entra em vigor em 1º de janeiro de 2027, organiza os procedimentos de prevenção conforme uma abordagem baseada em risco e prevê níveis de diligência simplificada, padrão e reforçada. A norma também mantém requisitos mínimos de identificação e monitoramento.

Nesse contexto, modelos analíticos podem apoiar a avaliação e o monitoramento, mas precisam estar conectados aos controles internos da instituição. Isso envolve validar seu desempenho, revisar os critérios, proteger os dados utilizados e manter profissionais responsáveis pela análise dos alertas. O GAFI também recomenda uma abordagem responsável, com proteção de dados, supervisão informada e cooperação entre os envolvidos.

A inteligência artificial pode ampliar a capacidade de encontrar sinais em meio a grandes volumes de informação. Sua contribuição depende, contudo, da qualidade dos dados, da possibilidade de explicar os alertas e de uma investigação humana capaz de considerar o contexto. Na prevenção a ilícitos financeiros, a tecnologia ajuda a orientar a atenção; a apuração continua dependendo de pessoas, processos e evidências.

Fonte: CNseg | Notícias do Seguro