IA e Combate à Lavagem de Dinheiro no Brasil: Sistemas AML Algorítmicos, Falsos Positivos e Inclusão Financeira
Instituto Brasileiro de Governança em IA (IBGIA) Série Análises Técnicas | Março 2026 Autores: Equipe IBGIA
Resumo
O Brasil processa um volume massivo de transações financeiras diárias, e sistemas de inteligência artificial são hoje o principal instrumento de detecção de lavagem de dinheiro, financiamento ao terrorismo e fraudes no setor financeiro. As comunicações automatizadas de operações suspeitas ao COAF cresceram significativamente nos últimos anos, impulsionadas pela automação dos sistemas de reporte das instituições financeiras.
Mas há um problema estrutural nessa escalada: sistemas AML brasileiros operam com taxas de falsos positivos que, segundo estimativas do setor, geram exclusão financeira relevante. Cidadãos têm contas encerradas, transferências bloqueadas e acesso a crédito negado por alertas algorítmicos incorretos — sem explicação, sem recurso ágil e sem qualquer conhecimento de que um algoritmo os marcou como suspeitos. O paradoxo é que as populações mais afetadas são exatamente aquelas com maior informalidade financeira: trabalhadores autônomos, microempreendedores, imigrantes e moradores de periferias.
Esta análise técnica mapeia o funcionamento dos sistemas AML no Brasil, documenta os impactos da hiperautomação de suspeitas, analisa o regime regulatório do BACEN/COAF e propõe um framework de AML Responsável com quatro componentes: calibração de limiares, explicabilidade, canal de contestação e proteção à inclusão financeira.
Palavras-chave: AML, Lavagem de Dinheiro, COAF, BACEN, Falsos Positivos, Inclusão Financeira, Sistemas de Detecção, Viés Algorítmico
1. O Ecossistema AML Brasileiro
1.1 O Fluxo de Detecção de Suspeitas
O sistema de combate à lavagem de dinheiro no Brasil opera em três camadas integradas:
Camada 1 — Monitoramento Transacional (instituições financeiras): Bancos, fintechs, cooperativas e demais obrigados pela Lei 9.613/1998 mantêm sistemas de monitoramento contínuo de transações. Os sistemas de IA analisam padrões de comportamento, desvios estatísticos e regras de compliance para gerar alertas.
Camada 2 — Investigação e Comunicação: Alertas gerados automaticamente são revisados (em teoria) por analistas de compliance, que decidem se comunicam ao COAF através de Comunicações de Operações Financeiras (COF) ou Comunicações de Operações Suspeitas (COS).
Camada 3 — Inteligência Financeira (COAF): O COAF recebe as comunicações, cruza com outras bases de dados e produz relatórios de inteligência financeira para órgãos de investigação (Polícia Federal, MPF, Receita Federal).
1.2 A Escala do Problema
O volume de comunicações automatizadas ao COAF cresceu de forma acentuada à medida que instituições financeiras automatizaram seus sistemas de monitoramento. Apenas uma fração pequena dessas comunicações resulta em relatórios de inteligência financeira — um indício de que os sistemas de detecção operam com taxas de falsos positivos elevadas.
O paradoxo da automação: sistemas cada vez mais sensíveis geram mais comunicações que, em sua maioria, não correspondem a atividade criminosa. O volume elevado torna a análise humana de qualidade mais difícil. O resultado é que a IA que deveria combater lavagem de dinheiro pode estar, na prática, criando uma burocracia de suspeição de massa.
2. Impactos dos Falsos Positivos: Exclusão Financeira
2.1 O Fenômeno do "Debanking" Algorítmico
O "debanking" — encerramento de relacionamento bancário por suspeita algorítmica — afeta desproporcionalmente populações com maior informalidade financeira:
Perfis mais afetados:
- Trabalhadores autônomos e informais: recebem múltiplos Pix de valores variados (clientes, serviços), padrão que sistemas AML identificam como "estruturação"
- Microempreendedores: movimentação financeira mista (pessoal e empresarial) em conta única aciona alertas de "mistura de fundos"
- Imigrantes: remessas internacionais regulares para familiares no exterior são flagradas como suspeitas
- Vendedores de marketplace: recebimentos de múltiplas plataformas (Mercado Livre, Shopee, iFood) com variação de valores geram padrões estatisticamente atípicos
Padrão observado: relatos de encerramento de contas por fintechs sob justificativa de "risco de compliance", bloqueios preventivos de transferências Pix posteriormente revertidos após contestação, e impactos relatados sobre a atividade profissional de clientes afetados — muitos desses casos sem que se comprove atividade criminosa.
2.2 Viés Racial e Regional nos Sistemas AML
Modelos de detecção de suspeita que utilizam variáveis proxy — como CEP, tipo de conta e histórico de crédito — correm o risco de reproduzir desigualdades estruturais já documentadas em outros contextos de scoring algorítmico no Brasil. Isso pode gerar disparidades na frequência de comunicações ao COAF por raça, região e tipo de instituição financeira, mesmo para perfis de movimentação equivalentes, sem que essas diferenças sejam explicáveis por diferença real de atividade ilícita.
3. O Arcabouço Regulatório: Lacunas e Oportunidades
3.1 O que a Regulação Atual Exige
Lei 9.613/1998 (Lei de Lavagem de Dinheiro):
- Obriga instituições financeiras a monitorar operações e comunicar suspeitas ao COAF
- Não especifica critérios técnicos para sistemas automatizados de detecção
Circular BACEN 3.978/2020 (Política de PLD/FT):
- Exige que instituições mantenham "sistema de monitoramento, seleção e análise de operações e situações suspeitas"
- Não define parâmetros de performance, taxa aceitável de falsos positivos ou requisitos de explicabilidade
Resolução COAF 36/2021:
- Define prazos e formatos de comunicação
- Não regula qualidade ou precisão dos sistemas de detecção
3.2 O Gap Regulatório
A regulação atual cria incentivo perverso: as instituições são responsabilizadas por subnotificar (não comunicar lavagem real), mas não há consequência regulatória por sobrenotificar (comunicar suspeitas falsas em massa). Resultado: sistemas AML são calibrados para sensibilidade máxima, gerando falsos positivos em cascata.
Ausências críticas na regulação:
- Nenhuma exigência de taxa máxima de falsos positivos
- Nenhum direito do cliente de conhecer os critérios que geraram suspeita sobre sua conta
- Nenhum prazo máximo para resolução de bloqueios gerados por alerta algorítmico
- Nenhuma vedação ao uso de variáveis proxy de raça ou origem regional nos modelos
4. AML Responsável: Framework Proposto
4.1 Componente 1 — Calibração de Limiares com Métricas de Equidade
Proposta: o BACEN deve estabelecer métricas mínimas de qualidade para sistemas AML:
- Taxa de conversão mínima: comunicações ao COAF que resultem em relatório de inteligência devem atingir um piso mínimo definido pelo BACEN — forçando calibração dos limiares
- Taxa de falso positivo máxima por segmento: nenhum segmento demográfico ou regional pode ter taxa de falso positivo superior a 3x a taxa média nacional
- Auditoria anual de equidade: instituições com mais de 1 milhão de clientes devem publicar relatório anual com métricas de disparity nos alertas por raça declarada, região e tipo de conta
4.2 Componente 2 — Direito à Explicação para Clientes Afetados
Proposta: clientes que tenham conta encerrada, transação bloqueada ou acesso a serviço negado por motivo de compliance algorítmico têm direito a:
- Ser informados de que a decisão teve componente automatizado
- Receber explicação dos critérios gerais que geraram o alerta (sem revelar parâmetros que comprometam eficácia do sistema)
- Ter prazo de resposta de 5 dias úteis para contestação
Fundamento legal: LGPD art. 20 (direito à revisão de decisão automatizada) + CDC art. 6º, III (direito à informação adequada) + Resolução BACEN 4.949/2021 (ouvidoria)
4.3 Componente 3 — Canal de Contestação Ágil
Proposta: regulamentação específica de prazo máximo para resolução de bloqueios AML:
- Bloqueio de transação Pix: resolução em até 24 horas (úteis) se cliente apresentar documentação
- Encerramento de conta por compliance: direito a cópia do relatório de suspeita (com redação que proteja investigação), prazo de 10 dias para recurso com análise humana obrigatória
- Vedação de encerramento de conta única sem oferta de conta alternativa (serviço mínimo bancário)
4.4 Componente 4 — Proteção à Inclusão Financeira
Proposta: criação de "porto seguro de inclusão financeira":
- Transações de valor abaixo de R$ 5.000 por beneficiário de programas sociais federais (Bolsa Família, BPC) não podem ser o único fundamento para encerramento de conta
- Contas básicas (Conta Fácil BACEN) têm limiar de comunicação AML 50% mais alto que contas padrão — refletindo perfil de risco diferente
- Fintechs com mais de 80% de base de clientes de baixa renda devem submeter modelo AML a validação de equidade pelo BACEN antes de implantação
5. Recomendações por Ator
Para Instituições Financeiras e Fintechs
- Auditar o modelo AML para viés: calcular taxas de comunicação e falsos positivos por raça declarada, região e perfil de conta — antes que o BACEN exija
- Calibrar limiares com foco em conversão: um sistema que gera 99,9% de falsos positivos não está cumprindo seu objetivo regulatório — está criando compliance theater
- Criar canal de contestação humano: clientes afetados por alertas algorítmicos devem ter acesso a analista humano, não apenas a chatbot de SAC
- Documentar o modelo AML: ficha técnica do sistema, variáveis utilizadas, métricas de performance — essencial para auditoria regulatória sob o futuro PL 2338
Para o BACEN e COAF
- Publicar métricas de qualidade das comunicações: taxa de conversão agregada por instituição — transparência que cria incentivo de mercado para calibração adequada
- Criar índice de equidade AML: publicar anualmente disparidades nas taxas de comunicação por região e perfil demográfico
- Regulamentar o direito de contestação: prazo máximo de resolução de bloqueios e canal dedicado
Para o COAF
- Feedback loop com instituições: comunicar às instituições o percentual de suas comunicações que gerou relatório de inteligência — informação que permite calibração
- Análise de viés nas próprias comunicações: o COAF deve auditar se os relatórios de inteligência que produz têm viés demográfico em relação às comunicações recebidas
Para Advogados e Defensores Públicos
- LGPD art. 20 como instrumento: clientes prejudicados por decisão automatizada de compliance têm direito à explicação — usar esse instrumento em contestações
- Discriminação algorítmica: disparidade documentada em bloqueios por raça pode fundamentar ação civil pública
- Direito ao serviço bancário mínimo: Resolução BACEN 4.000/2011 garante conta básica — encerramento sem alternativa pode ser questionado
6. Conclusão
O combate à lavagem de dinheiro é imperativo de segurança pública e integridade financeira. Sistemas de IA têm papel legítimo e necessário nesse combate — o volume de transações no Brasil torna a análise manual impossível. O problema não é a automação, é a calibração e a ausência de salvaguardas.
Um sistema AML com taxa de falsos positivos elevada não está combatendo lavagem de dinheiro eficientemente — está criando uma burocracia de suspeição que recai desproporcionalmente sobre os mais pobres e vulneráveis, que têm menos recursos para contestar e mais a perder com a exclusão do sistema financeiro formal.
AML responsável não é AML mais leniente. É AML mais preciso, mais justo e, paradoxalmente, mais eficaz — porque um sistema que não produz ruído excessivo permite que os analistas humanos foquem nas suspeitas reais.
Sobre o IBGIA
O Instituto Brasileiro de Governança em IA (IBGIA) é uma organização independente dedicada à pesquisa e promoção da governança responsável de inteligência artificial no Brasil.
Contato: [email protected] | Site: ibgia.org