Auditoria, Capacitação, Compliance, Contábil, Controladoria, Controles Internos, crimes cibernéticos, Gestão Corporativa, Gestão de Riscos, Gestão Estratégica, Governança Corporativa, IA, Inovação, Processos Corporativos, Riscos Corporativos, T.I - Tecnologia da Informação

Inteligência Artificial para Prevenção e Combate a Fraudes

Ministrado por André Castro Carvalho

22 e 23 de junho de 2026

TREINAMENTO ONLINE

No atual cenário de transações em tempo real, os métodos tradicionais de controle já não bastam para conter ameaças.  Este Treinamento InterNews capacita profissionais de Controladoria, Auditoria, Compliance e Prevenção a Fraudes a dominar novas ferramentas tecnológicas, elevar a precisão de controles internos e a eficácia da prevenção, da detecção e do combate a fraudes.

O programa deste treinamento abrange desde a automação de rotinas críticas — como conciliações, monitoramento de tesouraria e contas a pagar — até técnicas avançadas de análise de grafos e OSINT para Due Diligence e identificação de vínculos ocultos. O objetivo do curso é dotar os participantes de competências para reduzir drasticamente os falsos positivos e otimizar a triagem de alertas, permitindo que as equipes foquem em investigações de alto valor com base em evidências tecnicamente sólidas e rastreáveis.

Ministrado pelo renomado André Castro Carvalho, especialista em governança no uso de IA, o treinamento une casos reais a uma metodologia voltada para resultados imediatos na defesa corporativa. Não fique para trás na corrida tecnológica contra o crime financeiro. Eleve o patamar técnico da sua equipe. Fortaleça os controles internos da sua corporação com o que há de mais avançado em análise preditiva e automação inteligente.

Participe e esteja preparado para desenhar um ecossistema antifraude de última geração, alinhado aos objetivos estratégicos da sua organização. Domine as ferramentas que estão redefinindo a integridade e a conformidade no mercado global. As vagas são limitadas para garantir a qualidade das discussões.

Ao final do curso, o participante deverá ser capaz de:

•  Compreender os conceitos fundamentais de IA, machine learning, IA generativa e LLMs aplicáveis a prevenção e combate a fraudes.
• Diferenciar usos de IA para detecção de anomalias, classificação de risco, análise documental, análise de redes e apoio investigativo.
• Identificar oportunidades de automação em rotinas de controladoria, auditoria interna, conciliações, contas a pagar, compras, contratos, reembolsos, tesouraria e monitoramento transacional.
• Avaliar riscos de uso de IA em ambientes regulados, incluindo alucinação, viés, opacidade, baixa explicabilidade, falso positivo, falso negativo, privacidade, sigilo e dependência de fornecedores.
• Aplicar técnicas de análise de grafos, OSINT e cruzamento de bases para due diligence, KYB, KYC, identificação de beneficiários finais, contas de passagem, vínculos ocultos e conflitos de interesse.
• Compreender referências de governança relevantes para instituições financeiras, incluindo segurança cibernética, LGPD, governança de IA e controles internos.
• Estruturar um roteiro prático para seleção, contratação, teste, monitoramento e auditoria de soluções de IA antifraude.

Instrutor

André Castro Carvalho

Sócio da SAB Compliance. Graduado, Mestre e Doutor em Direito pela Universidade de São Paulo, tendo sua tese recebido o Prêmio CAPES de Tese 2014. Realizou estudos em nível de pós-doutorado no Massachusetts Institute of Technology (MIT). É Professor de Educação Executiva e LL.M. no Insper. Fundador do portal LetramentoIA.com. Consultor internacional e advogado, presta colaboração técnica a organismos multilaterais, com foco em integridade, combate à lavagem de dinheiro e governança no uso da IA.

Programação

I – Fundamentos de inteligência artificial aplicada a fraudes

Finalidade: nivelar os participantes sobre os principais conceitos de IA e analytics relevantes para prevenção, detecção e investigação de fraudes.

Conteúdo programático: 

• O que é inteligência artificial: definição, breve histórico e distinção entre IA estreita, IA generativa e automação tradicional.
• Machine learning em prevenção a fraudes:
  • aprendizado supervisionado para classificação de risco;
  • aprendizado não supervisionado para detecção de anomalias;
  • aprendizado por reforço e limites práticos em ambientes regulados.
• IA generativa e LLMs:
  • leitura, síntese e comparação de documentos;
  • apoio a investigação, relatórios e políticas internas;
  • limites de confiabilidade em tarefas probatórias.
• Tecnologias do ecossistema antifraude:
  • NLP para textos, contratos, reclamações e denúncias;
  • visão computacional para documentos, comprovantes e biometria;
  • análise de grafos para redes de relacionamento;
  • modelos de detecção de anomalias em dados transacionais.
• Taxonomia de fraudes relevante para controladoria:
  • fraude ocupacional;
  • fraude contábil;
  • fraude documental;
  • fraude em pagamentos;
  • fraude de fornecedores;
  • fraude em reembolso e despesas;
  • engenharia social, identidade sintética, account takeover e contas de de passagem.
• Transparência, explicabilidade e XAI.
• Riscos e limitações:
  • alucinação;
  • viés algorítmico;
  • opacidade;
  • baixa qualidade de dados;
  • falso positivo e falso negativo;
  • risco de automação excessiva.

II – Dados e arquitetura analítica antifraude no sistema financeiro

Finalidade: apresentar como dados, sinais de alerta, arquitetura analítica e segurança da informação sustentam a prevenção e a detecção de fraudes em instituições financeiras.

Conteúdo programático: 

• Fraude como risco operacional, financeiro, reputacional, regulatório e de continuidade.
• Panorama de dados antifraude no sistema financeiro:
  • dados cadastrais;
  • dados transacionais;
  • logs de acesso;
  • dispositivos e localização;
  • histórico de relacionamento;
  • reclamações, contestações e alertas;
  • listas restritivas e bases externas.
• Como transformar dados em sinais úteis:
  • regras de negócio;
  • score de risco;
  • padrões de comportamento;
  • detecção de anomalias;
  • correlação entre eventos;
  • priorização de de alertas.
• Dados internos de controladoria e prevenção a fraudes:
• lançamentos contábeis;
• ordens de pagamento;
• alterações cadastrais;
• aprovações fora de alçada;
• notas fiscais e comprovantes;
• exceções em compras, despesas e fornecedores.
• Segurança cibernética e fraude:
  • credenciais comprometidas;
  • account takeover;
  • malware;
  • golpes de engenharia social;
  • ataques a canais digitais.
• Interfaces com LGPD, sigilo bancário, prevenção à fraude, segurança da informação e direitos dos titulares.

III – IA para automação de procedimentos na rotina de controladoria, auditoria e compliance

Finalidade: capacitar o participante a identificar e implementar usos de IA que reduzam trabalho manual, aumentem cobertura de testes e melhorem a priorização de riscos em processos de controladoria e controles internos.

Conteúdo programático: 

• Automação de triagem e priorização de de alertas.
• Conciliações assistidas por IA:
  • contas contábeis;
  • pagamentos;
  • recebíveis;
  • cartões;
  • folha e reembolsos.
• Detecção de anomalias em lançamentos contábeis, ordens de pagamento, notas fiscais, cadastros de fornecedores e alterações de dados bancários.
• Revisão de contratos, políticas e normativos internos:
  • varredura de cláusulas;
  • identificação de exceções;
  • aderência a política de compras, alçadas e segregação de funções.
• IA generativa na produção de materiais internos:
  • comunicados;
  • treinamentos;
  • roteiros de investigação;
  • relatórios executivos;
  • lições aprendidas.
• Chatbots e assistentes internos para políticas de despesas, brindes, aprovações, alçadas, pagamentos e fornecedores.
• Cadeia de custódia em apurações:
  • registro de fontes;
  • preservação de evidências;
  • trilha de auditoria;
  • separação entre hipótese, evidência e conclusão.
• Critérios para avaliação e seleção de soluções:
  • aderência ao processo;
  • explicabilidade;
  • logs;
  • integração;
  • segurança;
  • portabilidade;
  • custo de falsos positivos;
  • dependência de de fornecedor.
• Importância do human-in-the-loop em tarefas sensíveis.

IV – IA para due diligence, KYC/KYB, background check e análise de redes

Finalidade: demonstrar como IA, análise de grafos e cruzamento de dados aprofundam o conhecimento sobre clientes, fornecedores, parceiros, colaboradores e contrapartes, permitindo identificar riscos ocultos antes e durante o relacionamento.

Conteúdo programático: 

• Background check aprimorado por IA:
  • fontes abertas;
  • bases públicas;
  • notícias;
  • sanções;
  • processos;
  • dados societários;
  • mídias e reputação.
• KYC, KYB e beneficiário final:
  • identificação de vínculos societários;
  • camadas societárias;
  • empresas de fachada;
  • representantes recorrentes;
  • endereços, telefones, e-mails e dispositivos compartilhados.
• Análise de grafos:
  • vínculos entre contas, clientes, fornecedores e colaboradores;
  • comunidades suspeitas;
  • centralidade;
  • contas intermediárias;
  • padrões de circularidade;
  • redes de laranjas e contas de passagem.
• Identificação de PEPs, partes relacionadas, conflitos de interesse e relações relevantes.
• OSINT e bases úteis:
  • Receita Federal e CNPJ;
  • Diários Oficiais;
  • bases de sanções;
  • OpenCorporates;
  • tribunais;
  • redes profissionais;
  • bureaus e bases contratadas.
• Modelos de scoring de terceiros:
  • desenho de critérios;
  • pesos e limiares;
  • avaliação de viés;
  • contestabilidade;
  • documentação.
• Ferramentas e ecossistema:
  • recursos de LLM integrados a bases internas com RAG.

V – Cases nacionais e internacionais de IA no combate a fraudes

Finalidade: apresentar experiências concretas de uso de IA e ciência de dados em prevenção, detecção e investigação de fraudes, com foco em lições práticas para instituições financeiras e áreas de controladoria.

Conteúdo programático: 

• Casos brasileiros:
  • uso de analytics em monitoramento transacional;
  • automação de controles em compras, pagamentos e fornecedores;
  • uso de IA em auditoria interna e investigações corporativas.
• Casos internacionais:
  • detecção de identidade sintética;
  • golpes por engenharia social e deepfakes;
  • fraudes em onboarding digital;
  • monitoramento de transações em tempo real;
  • uso de grafos para redes de fraude.
• Convergência entre fraude, PLD/FT e cibersegurança.
• O que funcionou:
  • dados integrados;
  • alertas explicáveis;
  • revisão humana;
  • cooperação entre instituições;
  • resposta rápida.
• O que falhou:
  • modelos sem contexto;
  • excesso de falsos positivos;
  • ausência de governança;
  • evidências sem cadeia de custódia;
  • uso de IA sem base de dados confiável.

VI – Governança, regulação e contratação de IA para prevenção a fraudes

Finalidade: apresentar o marco de governança e os cuidados jurídicos, regulatórios, técnicos e operacionais que impactam o uso de IA antifraude em instituições financeiras e áreas de controladoria.

Conteúdo programático: 

• Panorama global de regulação e governança de IA:
  • EU AI Act;
  • PL 338/2023 e debates brasileiros;
  • NIST AI Risk Management Framework;
  • referências de boas práticas setoriais.
• IA de maior risco no contexto antifraude:
  • scoring de pessoas;
  • restrição de acesso;
  • bloqueio de transações;
  • onboarding;
  • biometria;
  • decisões automatizadas com impacto relevante.
• Governança de IA:
  • política de uso responsável;
  • inventário de modelos;
  • AI-BOM;
  • classificação de risco;
  • avaliação de impacto;
  • auditoria;
  • revisão periódica;
  • métricas de desempenho e drift.
• Governança de dados:
  • qualidade;
  • linhagem;
  • minimização;
  • retenção;
  • segurança;
  • segregação de acesso;
  • trilhas de auditoria.
• LGPD, sigilo, prevenção a fraude e tratamento de dados pessoais.
• Shadow AI e uso não autorizado de ferramentas generativas por equipes internas.
• Aquisição e contratação de sistemas de IA:
  • due diligence de fornecedor;
  • segurança da informação;
  • local de processamento;
  • uso de dados para treinamento;
  • logs;
  • explicabilidade;
  • SLA;
  • direito de auditoria;
  • plano de saída;
  • interoperabilidade.
• Soberania de dados, nuvem, on-premise e ambientes segregados.
• Como preparar a instituição para uso responsável:
  • mapa de casos de uso;
  • priorização por risco e valor;
  • piloto controlado;
  • validação por amostra;
  • comitê de revisão;
  • documentação;
  • treinamento;
  • monitoramento contínuo.
  • Ênfase em decisão informada, documentação, rastreabilidade e governança.