Uma alteração nos dados bancários de um fornecedor às vésperas do vencimento ou um boleto adulterado que passa despercebido pela conferência podem parecer ocorrências pontuais. No entanto, quando as informações estão fragmentadas entre diferentes áreas e os processos de validação não são integrados, pequenos desvios podem se transformar em prejuízos significativos. Em muitos casos, o problema só é identificado quando o pagamento já foi realizado e o impacto chegou ao caixa da empresa.
Leia também: Brasil adere a pacto global de IA para sustentabilidade na COP31
As melhores notícias de tecnologia B2B
Acompanhe todas as novidades diretamente na sua caixa de entrada
O relatório Occupational Fraud 2026, da Association of Certified Fraud Examiners (ACFE), analisou 2.402 casos de fraude ocupacional em 143 países e territórios, que resultaram em mais de US$ 3,4 bilhões em perdas. Em mais da metade dos casos, as fraudes foram favorecidas pela ausência de controles internos ou pela violação dos mecanismos existentes. Além disso, o esquema típico levou 12 meses para ser descoberto. Nas empresas, essa vulnerabilidade interna se soma aos riscos de golpes externos, ampliando os desafios para proteger os recursos financeiros e garantir a integridade dos processos.
No contas a pagar, esses dois tipos de risco se encontram: notas fiscais, pedidos, aprovações, cadastros e instruções bancárias passam por diferentes equipes e sistemas. Uma nota sem lastro, uma cobrança duplicada ou um golpe de engenharia social que solicita a troca de dados bancários podem explorar justamente as lacunas entre as áreas de Compras, Fiscal e Financeiro. No estudo Panorama do Contas a Pagar, a Qive analisou 3,68 milhões de boletos processados entre janeiro e setembro de 2025 e identificou que cerca de 6% eram provenientes de CNPJs não reconhecidos, o equivalente a R$ 2,08 bilhões. Nem toda ocorrência representa fraude: pode se tratar de um cadastro desatualizado, de uma empresa desativada ou de uma divergência entre o emissor do boleto e o da nota fiscal. Sem rastreabilidade, porém, a empresa tem mais dificuldade para identificar a origem da inconsistência e distinguir erros operacionais de possíveis fraudes.
É justamente nesse contexto que a inteligência artificial pode ampliar a capacidade de prevenção, desde que não seja tratada como uma solução mágica. Embora a tecnologia possa ajudar a identificar padrões suspeitos e inconsistências, sua eficácia depende da qualidade e da integração das informações disponíveis. Aplicar modelos sofisticados sobre cadastros desatualizados, dados desconectados e aprovações informais não elimina as fragilidades existentes. Pelo contrário, pode acelerar decisões equivocadas e criar uma falsa sensação de controle. Antes de definir qual solução de IA adotar, portanto, as empresas precisam avaliar se os dados que recebem são confiáveis e se seus processos permitem identificar e tratar inconsistências com segurança.
Essa confiança começa na origem dos dados e na estrutura dos processos. Isso significa capturar documentos diretamente de fontes oficiais, como a Sefaz e os sistemas de registro de boletos, em vez de depender exclusivamente de anexos de e-mail; validar e estruturar informações fiscais; preservar o histórico de alterações; e integrar o ERP às etapas que antecedem o pagamento. Também é fundamental estabelecer critérios claros de acesso e aprovação. Sem essa base, os modelos de inteligência artificial operam com informações incompletas e têm mais dificuldade para diferenciar uma exceção legítima de um possível sinal de risco.
Com essa base estruturada e confiável, é possível combinar automação e inteligência artificial, que desempenham papéis complementares na prevenção de riscos. Enquanto as regras tradicionais conferem campos, identificam duplicidades exatas e bloqueiam pagamentos sem aprovação, os modelos de IA podem detectar padrões menos óbvios, como alterações atípicas em contas bancárias, notas fiscais com valores ou frequências fora do padrão, cobranças semelhantes que escapam à comparação literal e divergências incomuns entre XML, pedido e recebimento. Esses alertas não comprovam a ocorrência de fraude, mas ajudam a direcionar as investigações e permitem que a empresa identifique possíveis irregularidades antes de liberar os recursos.
O mesmo princípio se aplica à identificação de notas fiscais frias, emitidas sem que a operação comercial correspondente tenha sido efetivamente realizada. Uma nota fiscal formalmente válida, por si só, não comprova que a transação ocorreu. Na base de 296 milhões de notas fiscais analisadas pelo estudo Panorama de Contas a Pagar, referente ao período de janeiro a outubro de 2025, 262,3 mil receberam do destinatário a manifestação de “Desconhecimento da operação” ou “Operação não realizada”, somando R$ 9,5 bilhões. Nesse contexto, o cruzamento de dados cadastrais, histórico de transações e informações operacionais pode ajudar a identificar incompatibilidades entre o perfil de um fornecedor e os valores faturados. Esses sinais, porém, devem ser tratados como pontos de atenção, que exigem evidências adicionais e análise humana antes de qualquer conclusão.
O ganho se amplia quando essa inteligência acompanha a jornada inteira. Ao conectar o que foi comprado, o que foi faturado, quem aprovou e para qual conta o valor será enviado, a empresa consegue antecipar riscos. Com uma trilha de auditoria, também pode investigar a origem da inconsistência e reconstituir as decisões.
Os algoritmos podem assumir conferências repetitivas e priorizar exceções, permitindo que as equipes de auditoria, controladoria e compliance dediquem mais tempo à análise de contextos e à tomada de decisões em casos ambíguos. Para que esse processo seja eficaz, porém, os modelos precisam ser monitorados continuamente, já que podem gerar falsos positivos ou deixar passar fraudes. Isso exige acompanhar indicadores como a proporção de alertas que resultam em apuração, aqueles que se mostram inconsistentes e os casos de fraude que não foram identificados, além de estabelecer mecanismos de supervisão e responsáveis pela revisão das ocorrências.
Um exemplo desse desafio surgiu na solução de boletos da Qive. Inicialmente, o sistema emitia alertas de possível fraude quando o emissor do boleto era diferente do emissor da nota fiscal. No entanto, essa divergência também ocorria em cobranças legítimas, pois alguns fornecedores utilizam intermediadores financeiros. Para reduzir os falsos positivos, a validação foi aprimorada e passou a considerar também o beneficiário final do pagamento. O caso ilustra como, mesmo com dados corretos e confiáveis, a ausência de contexto pode levar a interpretações equivocadas e como o aprimoramento contínuo das regras de validação contribui para tornar a análise mais precisa.
A prevenção não deve ser medida pelo número de alertas gerados, mas pela capacidade de agir sobre eles com rapidez e responsabilidade. A inteligência artificial pode tornar a gestão de contas a pagar mais preventiva, desde que seja sustentada por dados íntegros, processos conectados e decisões auditáveis. Afinal, um alerta só contribui efetivamente para proteger o caixa quando há alguém com contexto e autoridade para investigar a ocorrência e, se necessário, bloquear o pagamento antes de sua liberação.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
Fonte: https://itforum.com.br/ia-pode-prevenir-fraudes-a-resposta/

