A maioria das empresas faz a pergunta errada sobre prevenção a fraudes: "qual é o melhor motor de fraude?". A pergunta mais adequada é "melhor em quê, para quem, para qual setor, para quais valores?".
A resposta está nos seus próprios números. Nenhum motor vence em tudo: um é mais preciso em pedidos de alto valor, outro em uma categoria como eletrônicos, e outro em um mercado específico.
Direcionar todo o seu volume por meio de um único motor fixo significa aceitar silenciosamente um desempenho inferior em todos os segmentos onde outro teria tido um resultado melhor. Essa lacuna é onde a receita escapa, e fechá-la é exatamente o propósito da IA.
Para ser claro, os provedores antifraude são genuinamente robustos, treinados em conjuntos de dados enormes e muito superiores a qualquer humano na identificação de padrões. Isso não está em questão.
O que coloca as empresas em apuros é pedir que um único motor gerencie tudo da mesma forma. A fraude não se comporta de maneira uniforme: uma compra recorrente de US$ 40 e um pedido de primeira viagem de US$ 4.000 carregam riscos completamente diferentes, e um cliente fiel de vestuário não se parece em nada com um comprador de primeira viagem de eletrônicos de alto valor de revenda.
Aplique uma lógica única a tudo isso e o motor acabará sendo rigoroso demais onde deveria ser flexível e permissivo demais onde deveria ser rígido.
Esse descompasso é caro de maneiras que o relatório de fraude nunca mostra. De acordo com o estudo "True Cost of Fraud" de 2025 da LexisNexis, cada US$ 1 de fraude custa agora US$ 4,61 aos comerciantes dos EUA quando chargebacks, taxas e recuperação são contabilizados, um aumento de 32% desde 2022.
O custo mais difícil é a receita que você nunca vê, pois o mesmo estudo constatou que os próprios controles de fraude impulsionam a rotatividade de clientes em 59% dos comerciantes dos EUA. O relatório de 2026 da Adyen aponta na mesma direção, com cerca de 60% dos comerciantes relatando mais recusas indevidas, e a Chargebacks911 concluiu que essas recusas indevidas custam agora mais do que a própria fraude que evitam.
A mensagem é consistente: cada pedido rejeitado erroneamente por uma regra genérica é um cliente pagante entregue a um concorrente. O objetivo, portanto, não é um motor melhor. É enviar cada transação para o motor e para a decisão que apresenta o melhor desempenho para aquele tipo específico de transação.
Essa pergunta é onde a IA conquista seu lugar, e o papel merece ser declarado claramente: ela não substitui seus motores de fraude, ela os orquestra, atuando como uma camada de otimização sobre as decisões que eles já tomam.
O sistema rastreia o desempenho em tempo real de cada motor conectado, segmento por segmento, nos únicos KPIs que importam: taxa de aprovação versus taxa de chargeback. Pedidos de alto valor fluem para o motor com o melhor equilíbrio entre aprovação e chargeback; uma categoria como eletrônicos flui para o motor que a gerencia melhor.
Segmentos seguros são aprovados sem atrito, riscos elevados acionam o 3DS em vez de um bloqueio direto, e padrões claramente fraudulentos são negados. Os motores continuam fazendo o que fazem de melhor, pontuando o risco, enquanto a IA decide em qual confiar e o que fazer com essa pontuação.
Como ela reaprende à medida que os números mudam, o roteamento se torna mais preciso a cada semana em vez de ficar defasado, e tudo permanece sob governança: limites de ação claros, trilhas de auditoria, permissões baseadas em funções e controles alinhados com as regulamentações locais.
Imagine dois pedidos chegando ao mesmo tempo. O primeiro é uma compra modesta e familiar de um cliente recorrente, portanto, é direcionado ao motor com o melhor histórico de aprovação para esse segmento e é liberado instantaneamente.
O segundo é um pedido de alto valor de um cliente de primeira viagem em uma categoria propensa à revenda, portanto, é direcionado ao motor que gerencia melhor esse risco e é submetido ao 3DS em vez de uma recusa.
Um cliente nem percebe nada, o outro é verificado em vez de ser rejeitado, e ambos os resultados protegem a receita, sem que nada disso dependa de um único motor estar certo sobre tudo.
O instinto antigo era encontrar a ferramenta única que bloqueasse o maior volume de fraudes. As empresas que estão à frente fazem uma pergunta mais precisa: qual ferramenta e qual decisão apresentam o melhor desempenho para cada tipo de transação que elas realmente processam.
Isso transforma a prevenção a fraudes de uma barreira em uma decisão de roteamento. Seus mecanismos não são o problema e não estão em competição. A oportunidade está em colocar cada um para trabalhar exatamente onde ele é mais eficaz, orientado por dados em tempo real sobre aprovações e chargebacks, em vez de um conjunto de regras definido no início do ano.
Esta é a mudança que a DEUNA foi criada para concretizar. Ao conectar os mecanismos de fraude em que você já confia em uma camada neutra e permitir que a Athia direcione cada transação para aquele com melhor desempenho em seu segmento, a prevenção a fraudes deixa de ser um filtro rudimentar e se torna uma decisão dinâmica que gera resultados crescentes a seu favor.
O número que merece atenção nunca foi quanto você bloqueou de fraude. Foi quanto negócio legítimo você aprovou, enviou para o mecanismo correto, no momento certo, com a DEUNA garantindo que essa decisão se torne cada vez mais inteligente.
