O e-commerce brasileiro registrou 2,3 milhões de tentativas de fraude bloqueadas em 2025, com potencial de prejuízo de R$ 2,4 bilhões, segundo levantamento da Serasa Experian. O dado, no entanto, não contabiliza um custo paralelo: o das transações legítimas barradas pelo próprio sistema de proteção.

Sistemas baseados em regras fixas geram elevados índices de falsos positivos — alertas que, na maioria dos casos, correspondem a boas compras recusadas indevidamente. Segundo o E-Commerce Brasil, o custo financeiro e reputacional de um falso positivo pode superar o de um chargeback real — o cliente bloqueado raramente volta, e o investimento de aquisição já foi embora. De acordo com o LexisNexis True Cost of Fraud 2025, cada US$ 1 perdido em fraude representa US$ 4,60 quando somados logística, SAC e multas. Segundo a Javelin Strategy & Research, os falsos positivos custam aos varejistas americanos US$ 118 bilhões por ano — 13 vezes mais do que as perdas reais com fraude.

A diferença entre o modelo tradicional e sistemas baseados em inteligência artificial está na lógica de análise. Regras estáticas verificam limites fixos — e bloqueiam tudo que parece fora do padrão, independentemente do contexto. IA comportamental constrói uma linha de base para cada perfil de operação ao longo do tempo e sinaliza desvios com precisão crescente. O Banco Mercantil, em parceria com o Google Cloud, reduziu em 60% os custos operacionais com antifraude após adotar o modelo baseado em IA. Um estudo do MIT com dados de um banco europeu mostrou redução de 54% nos falsos positivos com a aplicação de machine learning.

A diferença entre os dois modelos pode ser resumida nos seguintes pontos:

• Falsos positivos: sistemas de regras fixas geram elevados índices de alertas indevidos; IA comportamental reduz esse índice continuamente
• Calibração por nicho: regras fixas aplicam uma régua única para todos os lojistas; IA ajusta por ticket e segmento
• Adaptação a novos padrões: manual no modelo tradicional; automática com IA
• Decisão em tempo real: limitada em sistemas de regras; nativa em sistemas de IA

É exatamente essa lógica que a FastPay Brasil, subadquirente com integração nativa ao Shopify e VTEX, aplica na configuração do antifraude de cada lojista. Em vez de um pacote genérico aplicado à base inteira, o modelo é calibrado por nicho e ticket médio de cada operação — construído caso a caso, a partir do comportamento real daquela loja.

“O que os grandes players globais estão documentando agora é o que já observamos nos lojistas brasileiros: antifraude genérico bloqueia venda legítima. Um e-commerce de alto ticket tem perfil de transação completamente diferente de uma loja de giro rápido. Aplicar a mesma régua para os dois é garantir falso positivo em um e brecha para fraude no outro”, afirma Eduardo Serra, Head of Payments da FastPay Brasil.

O crescimento do Pix tornou a equação mais urgente. Com 42% do valor transacionado no e-commerce brasileiro em 2025 — segundo o Relatório Global de Pagamentos da Worldpay —, o método criou um ambiente em que decisões de antifraude precisam ser tomadas em segundos. “Sistemas com alto índice de falso positivo comprometem diretamente a taxa de conversão, não apenas a segurança da operação”, explica. A Juniper Research projeta que as perdas globais com fraude devem saltar de US$ 44,3 bilhões em 2024 para US$ 107 bilhões em 2029 — e operações sem calibração adequada tendem a absorver parte crescente desse custo.

“Antifraude eficiente não é o que bloqueia mais — é o que aprova o máximo do que deveria passar e barra apenas o que realmente é fraude. Esse equilíbrio só é possível quando o sistema conhece o negócio: o ticket, o nicho, o perfil do cliente. Régua genérica não chega lá”, acentua o executivo.

A adoção de IA no antifraude acelera globalmente, mas a eficácia depende de um fator que os grandes relatórios raramente detalham: a qualidade dos dados de calibração. Um modelo treinado com dados genéricos tende a replicar os mesmos erros do sistema de regras — só que com mais velocidade. “A abordagem que adotamos inverte essa lógica: o antifraude parte do comportamento específico de cada operação, não de uma média de mercado. Para o lojista brasileiro, isso representa uma mudança direta na taxa de aprovação e, consequentemente, na receita”, conclui Serra.