Todo líder de pagamentos corporativos ouviu a mesma proposta em 2025. Adicione IA à sua estrutura. Veja a fraude cair, as aprovações subirem e a receita acompanhar.
Dois anos após o início da onda de investimentos, os dados contam uma história diferente.
Em julho de 2025, o Projeto NANDA do MIT publicou "O Abismo da IA Generativa: Estado da IA nos Negócios em 2025". Os pesquisadores analisaram 300 implementações de IA corporativa, entrevistaram 150 executivos e pesquisaram 350 funcionários. A conclusão principal tornou-se impossível de ignorar.
Apesar de um investimento estimado entre 30 e 40 bilhões de dólares em iniciativas de IA generativa, cerca de 95% dos projetos-piloto de IA corporativa não produziram impacto mensurável no DRE. Apenas 5% impulsionaram uma aceleração rápida da receita.
Pagamentos são uma das funções onde essa lacuna é mais significativa. Cada transação tem um resultado binário. Cada dólar economizado ou perdido vai diretamente para o resultado final. O ciclo de feedback entre uma decisão de pagamento e seu impacto na receita é imediato e mensurável de uma forma que poucas outras funções de negócios conseguem igualar.
Então, o que está dando errado? E como são, na verdade, os 5% que funcionam?
O relatório do MIT é direto sobre a causa. Segundo o autor principal, Aditya Challapally, a falha "não está na qualidade dos modelos de IA, mas na lacuna de aprendizado tanto para as ferramentas quanto para as organizações".
Ferramentas de IA genéricas são criadas para serem flexíveis. Fluxos de trabalho de pagamentos corporativos não são. Eles estão fortemente vinculados a PSPs, adquirentes, provedores de fraude, ERPs e sistemas de reconciliação que falam idiomas ligeiramente diferentes. Quando uma equipe de pagamentos conecta uma ferramenta de IA genérica a esse ambiente, três coisas tendem a falhar.
Um modelo de fraude treinado dentro de um único PSP não consegue observar transações roteadas por um segundo ou terceiro PSP. Um motor de retentativa acoplado a uma adquirente não consegue raciocinar sobre o comportamento do emissor em todo o restante da estrutura. Isso não é uma limitação fundamental da IA. É um problema de arquitetura de dados. Quando os dados de transação vivem em silos, a IA só pode ser tão boa quanto o fragmento que ela consegue enxergar.
A IA não consegue agir
A maior parte do que é vendido como "IA em pagamentos" é detecção ou automação de processos. Um painel que sinaliza transações de risco. Um alerta que recomenda uma retentativa. Um relatório que revela padrões de recusa. Essas ferramentas são úteis, mas a detecção sem autoridade de execução ainda exige que um humano transforme cada insight em ação. Em pagamentos, onde as condições mudam a cada transação, essa latência tem um custo.
A IA não aprende com os resultados
O feedback de ciclo fechado exige que o sistema observe o resultado de suas próprias decisões e se ajuste ao longo do tempo. Isso requer uma camada de dados unificada e normalizada que a maioria das empresas ainda não construiu. Sem ela, o modelo não consegue melhorar porque não consegue ver o panorama completo do que aconteceu após sua ação.
Esses três problemas são solucionáveis. Mas resolvê-los exige construir a base correta primeiro: dados unificados entre todos os provedores, definições consistentes e uma arquitetura que permita à IA observar, agir e aprender em toda a estrutura, não apenas em uma parte dela.
O dano causado por essa lacuna raramente é um item específico na fatura de um fornecedor. Ele se esconde em métricas que já pareciam problemáticas antes da implementação da IA e continuaram parecendo após ela.
Recusas indevidas são o exemplo mais claro. De acordo com a pesquisa do setor da ClearSale, os comerciantes dos EUA perderam aproximadamente 157 bilhões de dólares com transações recusadas indevidamente em 2023. Desse total, estima-se que 81 bilhões de dólares nunca foram recuperados, o que significa que o cliente não tentou novamente, não mudou para outro método de pagamento e não retornou para concluir a compra.
A parte restante representa transações em que o cliente tentou novamente com sucesso, seja por meio de uma nova tentativa, um método de pagamento alternativo ou uma tentativa de acompanhamento. A ClearSale também relata que recusas indevidas custam agora aos comerciantes cerca de 75 vezes mais do que fraudes confirmadas.
Uma análise separada conduzida pela Checkout.com em parceria com a Oxford Economics, baseada em pesquisas com mais de 1.500 comerciantes de médio a grande porte e 8.000 consumidores em quatro grandes mercados, estimou a perda direta de receita por recusas indevidas em US$ 50,7 bilhões em um único ano. As metodologias diferem. A ordem de grandeza, não.
O Relatório Global de Pagamentos e Fraude no E-commerce de 2026 do Merchant Risk Council, que pesquisou 1.278 comerciantes em 37 países, capturou o lado operacional do mesmo problema. Cerca de 40% dos comerciantes utilizam agora ferramentas de aprendizado de máquina e roteamento inteligente de pagamentos de alguma forma. A taxa de sucesso de pagamento e a receita são as duas métricas que os comerciantes classificam atualmente como "extremamente importantes".
No entanto, esses mesmos comerciantes relatam uma fragmentação crescente entre provedores, regras de fraude e lógica de autorização. Essas são exatamente as condições sob as quais as ferramentas de IA apresentam desempenho inferior.
Um padrão comum é o seguinte: um comerciante implementa um modelo de IA para fraude que promete uma redução de 30% nos falsos positivos. O modelo tem o desempenho anunciado nas transações que processa. Seis meses depois, as taxas de autorização não mudaram. A receita está estagnada. O motivo é simples.
O restante da estrutura ainda opera com configuração estática. A lógica de nova tentativa. As regras de roteamento. A reconciliação. O segundo e o terceiro PSPs. A IA melhorou uma parte. O sistema como um todo não mudou.
Este é o custo oculto do hype. Não que a IA tenha falhado, mas que a IA foi implementada em um local onde não podia agir sobre o que via.
O relatório do MIT apresenta uma segunda conclusão que é citada com menos frequência. Entre as organizações que compram IA de fornecedores especializados e a integram por meio de parcerias, cerca de 67% relatam sucesso. Desenvolvimentos internos obtêm sucesso em um terço dessa taxa. Esses números não são inconsistentes com a taxa geral de sucesso de 5%: eles refletem padrões de adoção. A grande maioria das organizações ainda tenta desenvolvimentos internos, e a maioria deles falha. O número de 67% descreve o que acontece quando as organizações rompem com esse padrão e escolhem uma abordagem diferente.
Em pagamentos, esse ambiente tem uma forma específica.
A IA precisa estar acima de toda a estrutura, não dentro de apenas uma parte dela. Ela precisa de acesso unificado a dados de autorização, motivos de recusa, sinais de fraude, resultados de novas tentativas e registros de reconciliação em todos os provedores que o comerciante utiliza. Somente se tiver autoridade para agir sobre esses dados — redirecionando uma transação, acionando uma nova tentativa, ajustando uma regra de fraude ou escalando um fluxo de recuperação sem intervenção humana — ela poderá fechar o ciclo entre insight e resultado. E ela precisa de um canal de feedback que lhe permita observar o resultado de suas próprias decisões e melhorar ao longo do tempo.
O relatório do MRC de 2026 constatou que 19% dos comerciantes já possuem soluções implementadas para aceitar pagamentos iniciados por agentes de IA agindo em nome dos consumidores, transações em que um sistema de IA conclui a compra de forma autônoma, sem a presença de um humano no checkout. A adoção em grandes empresas está em 28%. Em pequenas e médias empresas, está em 12%. Outros 63% dos comerciantes estão explorando ou implementando soluções.
Os comerciantes na vanguarda não são aqueles que implementaram mais IA. São aqueles que implementaram a IA em locais onde ela pudesse fechar o ciclo entre decisão e resultado. A diferença não é o modelo. É a infraestrutura por baixo dele.
Athia, o motor de inteligência de pagamentos com agentes da DEUNA, não fica ao lado da estrutura de pagamentos como um painel. Ela reside dentro da camada de orquestração que conecta mais de 400 PSPs, adquirentes, métodos de pagamento alternativos e provedores de fraude por meio de uma única integração.
Quando a Athia identifica um padrão de recusa indevida, ela redireciona a próxima tentativa para um adquirente de melhor desempenho em tempo real. Quando ela observa que um emissor específico responde melhor a novas tentativas em um horário específico do dia, ela ajusta o agendamento automaticamente. Quando ela aprende que um sinal de fraude está produzindo mais falsos positivos do que detecções de fraude, ela ajusta a regra.
O resultado é o ciclo fechado que o relatório do MIT descreve como a diferença entre os 5% e os 95%. A detecção torna-se execução. A execução torna-se aprendizado. O aprendizado se acumula.
O ciclo de hype em torno da IA em pagamentos continuará. Novos fornecedores anunciarão novas capacidades. Nada disso importará se a arquitetura subjacente não permitir que a IA aja.
Os comerciantes que moverão o ponteiro da receita em 2026 não serão aqueles com mais ferramentas de IA. Serão aqueles que colocaram a IA em uma posição de tomar decisões e arcar com as consequências. Isso requer dados unificados, autoridade de execução e um ciclo de feedback. Esses três requisitos são arquitetônicos, não algorítmicos.
Os 95% gastos em projetos-piloto que não trouxeram resultados. Os 5% investidos em infraestrutura que permitiram à IA realizar seu trabalho.
Veja como funciona a IA de ciclo fechado em pagamentos
Se sua equipe implementou ferramentas de IA que ainda não estão impactando as métricas importantes, o problema provavelmente não é o modelo. É onde o modelo está alocado.
Saiba mais sobre como a DEUNA aborda a inteligência de pagamentos baseada em agentes, ou solicite uma demonstração para ver o que a IA é capaz de fazer quando finalmente pode agir sobre o que identifica.
