Inteligência artificial na detecção de fraudes refere-se à aplicação de tecnologias de inteligência artificial, incluindo aprendizado de máquina, aprendizado profundo e sistemas especialistas, para identificar e prevenir atividades fraudulentas em operações financeiras e empresariais. É amplamente utilizada no setor financeiro, especialmente por firmas de contabilidade, para ajudar a detectar fraudes e aumentar a precisão das auditorias. A mudança do trabalho presencial para o remoto aumentou o acesso a dados, elevando a necessidade de sistemas automatizados que possam analisar grandes volumes de transações e sinalizar padrões suspeitos.
Em 2022, a PricewaterhouseCoopers relatou que a fraude impactou 46% de todas as empresas em todo o mundo. De acordo com um estudo da Federal Trade Commission de 2022, os clientes relataram fraudes de aproximadamente US$ 5,8 bilhões em 2021, um aumento de 70% em relação ao ano anterior, sendo a maioria golpes de impostores e fraudes de compras online. A inteligência artificial desempenha um papel crucial no desenvolvimento de algoritmos avançados e modelos de aprendizado de máquina que aprimoram os sistemas de detecção de fraudes, permitindo que as empresas fiquem à frente de táticas fraudulentas em evolução em um cenário cada vez mais digital.
Sistemas Especialistas
Os sistemas especialistas foram projetados pela primeira vez na década de 1970 como uma expansão das tecnologias de inteligência artificial. Seu design baseia-se na premissa de reduzir possíveis erros do usuário na tomada de decisões e emular o raciocínio mental usado por especialistas em um campo específico. Eles se diferenciam dos modelos tradicionais de raciocínio linear ao separar pontos identificados nos dados e processá-los individualmente ao mesmo tempo. No entanto, esses sistemas não dependem puramente de inteligência aprendida por máquina.
Informações sobre regras, práticas e procedimentos na forma de declarações "se-então" são implementadas na programação do sistema. Os usuários interagem com o sistema fornecendo informações por meio de entrada direta ou importação de dados externos. Um sistema de inferência compara as informações fornecidas pelo usuário com regras correspondentes que se acredita serem especificamente aplicáveis à situação. Usando essas informações e as regras correspondentes, o sistema cria uma solução para a consulta do usuário. Os sistemas especialistas geralmente não operam corretamente quando os procedimentos comuns para uma situação especificada são ambíguos, devido à necessidade de regras bem definidas.
A implementação de sistemas especialistas em procedimentos contábeis é viável em áreas onde é necessário julgamento profissional. Situações em que os sistemas especialistas são aplicáveis incluem investigações de transações que envolvem possíveis lançamentos fraudulentos, casos de continuidade operacional e a avaliação de risco nas etapas de planejamento de uma auditoria.
Auditoria Contínua
A auditoria contínua é um conjunto de processos que avaliam vários aspectos das informações coletadas em uma auditoria para classificar áreas de risco e possíveis fraquezas nos controles internos financeiros com uma frequência maior do que os métodos tradicionais. Em vez de analisar transações registradas e lançamentos contábeis periodicamente, a auditoria contínua concentra-se em interpretar o caráter dessas ações com mais frequência. A frequência desses processos e a ênfase em áreas de importância ficam a critério do implementador, que comumente toma tais decisões com base no nível de risco das contas avaliadas e nos objetivos da implementação do sistema. A execução desses processos pode ocorrer com frequência quase instantânea, no momento em que um lançamento é postado.
Os processos envolvidos na análise de dados financeiros na auditoria contínua podem incluir a criação de planilhas para permitir a coleta interativa de informações, o cálculo de índices financeiros para comparação com modelos previamente criados e a detecção de erros em valores inseridos. Um objetivo principal dessa prática é permitir a detecção mais rápida e fácil de instâncias de controles defeituosos, erros e casos de fraude.
Aprendizado de Máquina e Aprendizado Profundo
A capacidade do aprendizado de máquina e do aprendizado profundo de classificar de forma rápida e eficaz grandes volumes de dados na forma de vários documentos relevantes para empresas e documentos auditados os torna aplicáveis aos domínios de auditoria e detecção de fraudes. Exemplos disso incluem o reconhecimento de linguagem-chave em contratos, a identificação de níveis de risco de fraude em transações e a avaliação de lançamentos contábeis quanto a distorções.
Modelos de aprendizado de máquina, como redes neurais, são treinados em dados históricos para identificar padrões indicativos de fraude. O aprendizado profundo, um subconjunto do aprendizado de máquina, usa redes neurais multicamadas para extrair automaticamente características de dados brutos, melhorando a precisão da detecção. Essas tecnologias permitem que os sistemas se adaptem a novas táticas fraudulentas ao longo do tempo, pois podem ser retreinados com dados atualizados.
Aplicações nas Quatro Grandes Firmas de Contabilidade
A Deloitte criou um sistema de revisão de documentos habilitado por IA em 2014. O sistema automatiza o método de revisão e extração de informações relevantes de diferentes documentos comerciais. A Deloitte afirma que essa inovação reduziu o tempo gasto na análise de documentos contratuais legais, faturas, demonstrações financeiras e atas de reuniões do conselho em até 50%. Trabalhando com o IBM Watson, a Deloitte está desenvolvendo acordos comerciais aprimorados por tecnologia cognitiva para seus clientes. O LeasePoint é alimentado pelo IBM TRIRIGA (que evoluiu para IBM Maximo Real Estate and Facilities) e usa as informações industriais da Deloitte para criar um portfólio de leasing de ponta a ponta. A Avaliação Automatizada de Recursos Cognitivos emprega a inovação Maximo da IBM para melhorar a proficiência na inspeção de ativos.
A Ernst and Young (EY) conectou IA à investigação de contratos de arrendamento. A EY (Austrália) também recebeu tecnologia de auditoria habilitada por IA. Colaborando com a H2O.ai, a PwC desenvolveu uma estrutura habilitada por IA (GL.ai) capaz de analisar relatórios e preparar relatórios. A PwC afirma ter feito um investimento significativo em processamento de linguagem natural (PLN), uma inovação habilitada por IA para processar informações não estruturadas de forma eficiente. A KPMG construiu um portfólio de instrumentos de IA, chamado KPMG Ignite, para aprimorar decisões e formulários de negócios. Trabalhando com a Microsoft e o IBM Watson, a KPMG está criando instrumentos para integrar IA, análise de dados, tecnologias cognitivas e automação robótica de processos (RPA).
Vantagens: Eficiência
O processo de auditar uma entidade para detectar atividade fraudulenta requer a repetição de processos investigativos até que um erro ou distorção seja identificado. Sob métodos tradicionais, esses processos são realizados por um ser humano. Os defensores da inteligência artificial na detecção de fraudes afirmam que esses métodos tradicionais são ineficientes e podem ser realizados mais rapidamente com a ajuda de um sistema computacional inteligente. Uma pesquisa com 400 diretores executivos criada pela KPMG em 2016 descobriu que aproximadamente 58% acreditavam que a inteligência artificial desempenharia um papel fundamental para tornar as auditorias mais eficientes no futuro.
Os sistemas de IA podem processar grandes conjuntos de dados em uma fração do tempo exigido por humanos, reduzindo o tempo e o custo das auditorias. Por exemplo, modelos de linguagem de grande escala podem analisar texto não estruturado em contratos e e-mails para identificar possíveis indicadores de fraude, enquanto ferramentas automatizadas podem sinalizar anomalias em tempo real.
Vantagens: Interpretação de Dados
Níveis mais altos de detecção de fraudes envolvem o uso de julgamento profissional para interpretar dados. Os apoiadores da inteligência artificial em auditorias financeiras afirmam que os riscos aumentados decorrentes de instâncias de maior interpretação de dados podem ser minimizados por meio de tais tecnologias. Um elemento necessário de uma auditoria de demonstrações financeiras que exige julgamento profissional é a implementação de limites de materialidade. A materialidade envolve a distinção entre erros e transações nas demonstrações financeiras que impactariam as decisões tomadas pelos usuários dessas demonstrações.
A IA pode auxiliar na definição de limites de materialidade analisando dados históricos e benchmarks do setor, reduzindo o risco de viés humano. Além disso, modelos de aprendizado de máquina podem identificar padrões sutis nos dados que podem passar despercebidos pelos auditores humanos, melhorando a eficácia geral da detecção de fraudes.
Desafios e Limitações
Apesar das vantagens, o uso de inteligência artificial na detecção de fraudes enfrenta vários desafios. Os sistemas especialistas exigem regras bem definidas, tornando-os menos eficazes em situações ambíguas. Os modelos de aprendizado de máquina podem ser suscetíveis a viés se os dados de treinamento não forem representativos, e podem produzir falsos positivos ou negativos. Além disso, a complexidade dos modelos de aprendizado profundo pode dificultar sua interpretação, o que é problemático em contextos de auditoria onde explicações são necessárias.
A privacidade e a segurança dos dados também são preocupações, pois os sistemas de IA frequentemente exigem acesso a informações financeiras sensíveis. Os quadros regulatórios podem não acompanhar o ritmo dos avanços tecnológicos, criando incerteza para as organizações que adotam essas ferramentas. No início da década de 2020, muitas firmas ainda estão nos estágios iniciais de integração da IA em seus processos de auditoria, e o impacto total na detecção de fraudes ainda não foi realizado.
Direções Futuras
O futuro da inteligência artificial na detecção de fraudes provavelmente envolverá maior integração de IA generativa e modelos baseados em transformadores, que podem gerar dados sintéticos para treinamento e melhorar a detecção de anomalias. Espera-se que a colaboração entre empresas de tecnologia e firmas de contabilidade cresça, com plataformas de nuvem como Amazon Web Services, Azure e Google Cloud oferecendo serviços de IA escaláveis. Instituições de pesquisa como MIT CSAIL e Stanford AI Lab estão explorando novos algoritmos para detecção de fraudes, enquanto líderes do setor como OpenAI e Google DeepMind estão avançando as capacidades dos sistemas de IA.
À medida que a IA se torna mais sofisticada, ela provavelmente desempenhará um papel ainda maior na detecção e prevenção de fraudes, ajudando as empresas a se protegerem em uma economia cada vez mais digital.