 |
| Bellacosa Mainframe e a inteligencia artificial na seguranca bancaria |
☕ Um Café no Bellacosa Mainframe
Inteligência Artificial na Segurança Bancária sem Mistérios
O Guia do Programador COBOL Padawan para Entender Biometria, Fraudes, Autenticação Contínua e os Escudos Digitais da Frota Estelar
Imagine, jovem programador COBOL Padawan, que você está sentado diante de um terminal 3270 em uma madrugada silenciosa.
Ao lado do teclado, uma caneca de café ainda quente. Na tela verde, um programa aparentemente simples processa uma transferência bancária. Ele recebe uma conta de origem, uma conta de destino, um valor e uma data. Depois de algumas validações, o sistema autoriza ou rejeita a operação.
Durante décadas, essa lógica pareceu suficiente.
O cliente informava a senha correta, o saldo era consultado, os limites eram verificados e a transação seguia seu caminho pelos corredores eletrônicos do banco.
Mas a galáxia financeira mudou.
Hoje, o usuário pode estar acessando o banco por um celular, conectado a uma rede pública, utilizando reconhecimento facial, fazendo um PIX para um novo destinatário e movimentando um valor muito diferente de seu padrão habitual.
Ao mesmo tempo, o criminoso pode possuir a senha verdadeira, o CPF, o número do telefone, documentos vazados, gravações da voz da vítima e até uma cópia artificial de seu rosto produzida por inteligência artificial.
A pergunta deixou de ser apenas:
“A senha está correta?”
Agora o banco precisa perguntar:
“Essa operação parece realmente estar sendo realizada pelo cliente?”
Essa mudança representa uma das maiores transformações na história da segurança bancária.
A segurança deixou de ser apenas um portão na entrada do sistema. Ela passou a acompanhar o cliente durante toda a jornada.
É como se os sistemas financeiros tivessem aprendido uma antiga lição da Frota Estelar:
Não basta identificar quem entrou na nave. É necessário observar o que essa pessoa faz depois de entrar.
Prepare o café, ajuste seu comunicador e abra uma nova sessão no TSO. Nossa missão será entender como inteligência artificial, biometria, autenticação multifator, análise comportamental, modelos de risco e mainframes trabalham juntos para proteger o sistema financeiro moderno.
1. O velho modelo: usuário, senha e confiança
Durante muito tempo, a segurança digital funcionou com uma lógica simples.
O usuário informava:
identificação;
senha;
eventualmente um código adicional.
Se tudo estivesse correto, o acesso era concedido.
Em pseudocódigo COBOL, poderíamos imaginar algo assim:
IF SENHA-INFORMADA = SENHA-CADASTRADA
MOVE 'S' TO ACESSO-AUTORIZADO
ELSE
MOVE 'N' TO ACESSO-AUTORIZADO
END-IF
A lógica é clara, objetiva e fácil de compreender.
O problema é que ela responde apenas a uma pergunta:
A credencial apresentada corresponde à credencial armazenada?
Ela não responde:
quem digitou a senha;
onde a senha foi digitada;
em qual dispositivo;
em qual horário;
em qual contexto;
com qual intenção;
se o comportamento é compatível com o histórico do cliente.
Se um criminoso roubar a senha verdadeira, o sistema tradicional poderá tratá-lo como usuário legítimo.
Esse é um dos princípios fundamentais para compreender a segurança moderna:
Uma credencial válida não significa necessariamente uma identidade legítima.
Senhas podem ser descobertas por phishing, engenharia social, vazamentos de dados, malware, observação física, reutilização em vários serviços ou manipulação psicológica.
Um cliente pode entregar voluntariamente um código de segurança acreditando estar falando com um funcionário do banco.
Nesse caso, tecnicamente, as informações estão corretas. Porém, a operação continua sendo fraudulenta.
A segurança bancária moderna precisou evoluir de uma validação estática para uma avaliação contínua de risco.
2. O criminoso não precisa arrombar a porta
Existe uma imagem clássica do invasor digital: alguém tentando quebrar uma senha, explorar uma falha ou invadir um servidor.
Esse tipo de ataque continua existindo.
Porém, muitos golpes atuais seguem um caminho mais silencioso.
O fraudador pode convencer a própria vítima a:
instalar um aplicativo;
compartilhar a tela;
fornecer um código;
transferir dinheiro;
cadastrar um novo dispositivo;
autorizar um pagamento;
entregar informações pessoais.
O criminoso não precisa destruir os escudos da nave.
Ele pode convencer o oficial de segurança a desativá-los.
Essa é a essência da engenharia social.
Os ataques modernos exploram não apenas sistemas, mas também emoções humanas:
medo;
urgência;
autoridade;
curiosidade;
ganância;
confiança;
pressão psicológica.
Uma mensagem pode dizer:
“Sua conta será bloqueada em dez minutos.”
Outra pode afirmar:
“Identificamos uma compra suspeita. Confirme seus dados agora.”
O cliente, preocupado, segue as instruções do próprio fraudador.
Por isso, proteger apenas a senha é insuficiente. O sistema precisa avaliar o contexto completo da operação.
3. A autenticação não termina no login
No modelo antigo, o login era considerado o grande momento da segurança.
A sequência era:
Identificação
↓
Senha
↓
Acesso autorizado
Depois do acesso, o sistema passava a confiar no usuário.
No modelo moderno, a sequência é muito mais ampla:
Identificação
↓
Senha ou credencial
↓
Biometria
↓
Dispositivo
↓
Localização
↓
Comportamento
↓
Análise de risco
↓
Monitoramento da sessão
↓
Reavaliação a cada operação
A autenticação tornou-se contínua.
Isso significa que uma sessão pode começar com baixo risco e, alguns minutos depois, apresentar sinais suspeitos.
Por exemplo:
O cliente acessa o aplicativo em seu celular habitual.
Consulta o saldo.
Navega normalmente.
Em seguida, cadastra um novo favorecido.
Solicita um empréstimo.
Transfere imediatamente todo o valor.
O destino é uma conta nunca utilizada.
O comportamento de digitação é diferente.
O aparelho parece estar sendo controlado remotamente.
Cada ação, isoladamente, pode ser legítima.
Porém, o conjunto forma um padrão de alto risco.
A inteligência artificial consegue observar essa sequência em tempo real e recalcular a probabilidade de fraude.
Em outras palavras, o sistema deixa de perguntar apenas:
“Quem entrou?”
E passa a perguntar constantemente:
“O que está acontecendo agora?”
4. Zero Trust: nunca confiar automaticamente
Um dos conceitos mais importantes da segurança moderna é o chamado Zero Trust.
O nome pode parecer severo, mas sua lógica é bastante racional:
Nunca confie automaticamente. Sempre verifique.
Isso não significa tratar todos os clientes como criminosos.
Significa não depender de uma única prova de identidade.
Mesmo um usuário autenticado precisa continuar sendo avaliado.
Na Frota Estelar, possuir um uniforme não seria suficiente para acessar o núcleo de dobra. O sistema também verificaria:
identidade;
patente;
autorização;
localização;
horário;
missão;
contexto;
nível de risco.
No setor bancário, acontece algo semelhante.
Uma transferência pode exigir verificações adicionais conforme o risco.
Por exemplo:
EVALUATE NIVEL-RISCO
WHEN 'BAIXO'
PERFORM AUTORIZAR-TRANSACAO
WHEN 'MEDIO'
PERFORM SOLICITAR-SEGUNDO-FATOR
WHEN 'ALTO'
PERFORM BLOQUEAR-TRANSACAO
PERFORM GERAR-ALERTA
WHEN OTHER
PERFORM ENCAMINHAR-ANALISE-MANUAL
END-EVALUATE
Esse exemplo mostra um ponto importante: segurança moderna não é apenas “permitir” ou “negar”.
Ela pode aplicar diferentes respostas:
liberar;
solicitar biometria;
solicitar token;
limitar valor;
atrasar a operação;
enviar alerta;
bloquear temporariamente;
encaminhar para análise humana.
O sistema adapta a proteção ao risco observado.
5. A IA não procura apenas criminosos
Muitas pessoas imaginam que a inteligência artificial possui uma lista de fraudadores conhecidos e compara cada usuário com essa lista.
Isso pode fazer parte do processo, mas é apenas uma pequena parte.
Na prática, a IA busca principalmente anomalias.
Uma anomalia é algo diferente do padrão esperado.
Considere um cliente que, durante vários anos:
acessa o aplicativo entre 7h e 22h;
utiliza sempre o mesmo celular;
mora no interior de São Paulo;
movimenta valores entre R$ 50 e R$ 1.000;
realiza pagamentos para poucos destinatários conhecidos.
Agora imagine a seguinte operação:
acesso às 3h17;
novo aparelho;
nova localização;
uso de VPN;
tentativa de empréstimo;
transferência de R$ 48.000;
destinatário recém-cadastrado.
Nenhum desses elementos, sozinho, prova uma fraude.
Um cliente pode viajar, trocar de celular ou realizar uma transferência elevada.
Mas o conjunto aumenta fortemente o risco.
A IA analisa dezenas ou centenas de sinais ao mesmo tempo.
Ela não pergunta simplesmente:
“Essa pessoa é criminosa?”
Ela pergunta:
“Esse comportamento é compatível com o histórico e o contexto esperado?”
Essa diferença é essencial.
6. Machine Learning: ensinando o sistema a reconhecer padrões
O aprendizado de máquina, ou Machine Learning, permite que sistemas identifiquem padrões a partir de grandes volumes de dados.
Um sistema antifraude pode aprender com:
transações legítimas;
fraudes confirmadas;
horários;
valores;
localização;
dispositivos;
destinatários;
canais utilizados;
comportamento de navegação;
velocidade das ações;
respostas a autenticações;
histórico de contestação.
Imagine milhões de transações sendo processadas diariamente.
Nenhum analista humano conseguiria revisar cada uma em tempo real.
A inteligência artificial consegue calcular rapidamente a probabilidade de uma operação ser legítima ou suspeita.
Um modelo simplificado poderia considerar:
Dispositivo conhecido: risco reduzido
Localização habitual: risco reduzido
Valor muito elevado: risco aumentado
Novo favorecido: risco aumentado
Horário incomum: risco aumentado
Biometria válida: risco reduzido
Aparelho comprometido: risco elevado
O resultado final pode ser transformado em um score.
Exemplo:
Score de risco: 12 de 100
Decisão: autorizar
Outro caso:
Score de risco: 87 de 100
Decisão: bloquear e solicitar validação
Para o programador COBOL iniciante, pense no score como um campo calculado a partir de várias condições.
MOVE ZERO TO SCORE-RISCO
IF DISPOSITIVO-NOVO = 'S'
ADD 20 TO SCORE-RISCO
END-IF
IF LOCALIZACAO-INCOMUM = 'S'
ADD 25 TO SCORE-RISCO
END-IF
IF VALOR-ACIMA-PADRAO = 'S'
ADD 30 TO SCORE-RISCO
END-IF
IF BIOMETRIA-VALIDA = 'S'
SUBTRACT 20 FROM SCORE-RISCO
END-IF
Os modelos reais são muito mais complexos, mas o princípio permanece semelhante: sinais são combinados para apoiar uma decisão.
7. Biometria: muito além da impressão digital
A biometria utiliza características humanas para validar a identidade.
As formas mais conhecidas incluem:
impressão digital;
reconhecimento facial;
voz;
íris;
geometria da mão.
A grande vantagem é que características biométricas são mais difíceis de compartilhar, esquecer ou digitar acidentalmente em um site falso.
Entretanto, biometria não deve ser tratada como solução mágica.
Uma fotografia pode ser roubada. Uma voz pode ser gravada. Um rosto pode ser reproduzido por deepfake.
Por isso, sistemas modernos utilizam mecanismos chamados de prova de vida, ou liveness detection.
A prova de vida tenta verificar se existe uma pessoa real diante do dispositivo.
Ela pode observar:
profundidade facial;
movimentos naturais;
reflexos;
textura da pele;
resposta a comandos;
movimentação dos olhos;
sincronização labial;
pequenas variações impossíveis em uma fotografia estática.
Um sistema pode pedir:
“Mova o rosto para a esquerda.”
Ou analisar silenciosamente características tridimensionais.
O objetivo é diferenciar uma pessoa real de:
fotografia;
vídeo;
máscara;
tela reproduzindo outro rosto;
conteúdo sintético.
Curiosidade de bordo: em histórias de ficção científica, scanners biométricos quase sempre reconhecem rostos instantaneamente. Na vida real, iluminação, câmera, ângulo, envelhecimento e qualidade do sensor tornam o problema muito mais complexo.
8. Biometria comportamental: a assinatura invisível
A biometria tradicional analisa características físicas.
A biometria comportamental analisa como uma pessoa interage com o sistema.
Ela pode observar:
ritmo de digitação;
tempo entre teclas;
força aplicada na tela;
velocidade do toque;
inclinação do aparelho;
forma de segurar o celular;
movimento do mouse;
padrão de rolagem;
tempo de leitura;
sequência de navegação.
Imagine duas pessoas digitando a mesma senha.
A primeira digita rapidamente, utilizando os dois polegares.
A segunda faz pausas, utiliza um dedo e pressiona determinadas teclas por mais tempo.
O texto é igual, mas o comportamento é diferente.
Essas diferenças formam uma espécie de assinatura invisível.
Outro exemplo:
O cliente legítimo normalmente abre o aplicativo, verifica o saldo, consulta o extrato e depois faz uma transferência.
O fraudador pode entrar diretamente na opção de empréstimo, contratar o valor máximo e transferir imediatamente.
O caminho percorrido dentro da aplicação também é um sinal.
A grande vantagem da biometria comportamental é que ela pode funcionar silenciosamente, sem exigir ações adicionais do usuário.
O cliente legítimo percebe menos fricção.
O fraudador encontra mais barreiras.
9. Autenticação contextual: onde, quando, como e com quê
A autenticação contextual analisa as circunstâncias da operação.
Entre os sinais avaliados estão:
localização;
endereço IP;
operadora;
rede Wi-Fi;
horário;
idioma;
fuso horário;
modelo do dispositivo;
versão do sistema;
navegador;
resolução da tela;
presença de VPN;
histórico do aparelho.
Imagine um cliente que mora em Campinas e acessa o banco às 14h.
Cinco minutos depois, ocorre outro acesso a partir de outro continente.
Fisicamente, isso seria impossível.
Esse tipo de evento pode ser classificado como viagem impossível.
O sistema pode bloquear a nova sessão ou solicitar validação adicional.
Outro exemplo:
Um cliente sempre utiliza o aplicativo em um aparelho Android específico. De repente, ocorre um acesso em um emulador, com sistema modificado e ferramentas de automação.
Esse contexto aumenta o risco, mesmo que a senha esteja correta.
A autenticação contextual não substitui a senha ou a biometria. Ela adiciona mais evidências.
É como uma investigação vulcana: nenhuma conclusão é baseada em uma única pista.
10. Token e autenticação multifator
A autenticação multifator combina diferentes tipos de prova.
Os fatores costumam ser divididos em três categorias:
Algo que você sabe
senha;
PIN;
resposta secreta.
Algo que você possui
celular;
cartão;
token físico;
aplicativo autenticador.
Algo que você é
rosto;
impressão digital;
voz;
íris.
Usar dois ou mais fatores reduz o risco de uma única credencial comprometida permitir acesso completo.
Porém, até a autenticação multifator pode ser atacada.
Códigos podem ser interceptados. Usuários podem ser convencidos a aprovar notificações. Chips podem ser clonados ou transferidos ilegalmente.
Por isso, o setor caminha para uma combinação mais ampla:
Senha
+
Dispositivo
+
Biometria
+
Contexto
+
Comportamento
+
Análise de risco
Quanto mais coerentes forem os sinais, maior a confiança.
Quanto mais contraditórios, maior a necessidade de verificação.
11. A luta contra falsos positivos
Bloquear fraudes é importante.
Mas bloquear clientes legítimos também causa problemas.
Imagine um cliente tentando pagar uma cirurgia, comprar uma passagem ou transferir dinheiro em uma emergência. Se o banco bloquear a operação sem necessidade, a experiência será péssima.
Isso é chamado de falso positivo.
Um falso positivo ocorre quando uma operação legítima é classificada como fraude.
Já um falso negativo ocorre quando uma fraude é classificada como legítima.
O grande desafio é equilibrar os dois.
Se o sistema for rígido demais, bloqueia clientes honestos.
Se for permissivo demais, deixa passar fraudes.
A inteligência artificial ajuda a encontrar um equilíbrio mais preciso.
Em vez de criar uma regra fixa como:
Toda transferência acima de R$ 10.000 deve ser bloqueada.
O sistema pode analisar:
renda do cliente;
histórico;
destinatário;
horário;
dispositivo;
localização;
motivo;
frequência;
comportamento.
Para um cliente, R$ 10.000 pode ser altamente incomum.
Para outro, pode ser uma operação diária.
A análise precisa ser contextual.
12. Aprendizado contínuo: o inimigo também evolui
Fraudadores testam constantemente novas técnicas.
Quando os bancos melhoram a autenticação, surgem novos golpes de engenharia social.
Quando os sistemas detectam determinados padrões, os criminosos tentam imitá-los.
Quando a biometria facial avança, aparecem deepfakes mais sofisticados.
É uma corrida permanente.
Por isso, modelos antifraude precisam ser atualizados continuamente.
O ciclo pode ser representado assim:
Fraude acontece
↓
Caso é investigado
↓
Padrão é identificado
↓
Modelo é ajustado
↓
Novas transações são protegidas
↓
Resultados são monitorados
Esse processo exige participação humana.
Analistas investigam alertas, confirmam fraudes, corrigem classificações e ajudam a melhorar os modelos.
A inteligência artificial não elimina o especialista.
Ela amplia sua capacidade.
Um analista que antes revisava cem casos pode concentrar-se nos casos mais críticos, enquanto o sistema automatiza a triagem inicial.
13. Inteligência artificial generativa na segurança bancária
Além dos modelos tradicionais de Machine Learning, a inteligência artificial generativa também pode apoiar equipes de segurança.
Ela pode:
resumir alertas;
explicar motivos de bloqueio;
organizar evidências;
gerar relatórios;
auxiliar investigações;
consultar políticas internas;
traduzir documentos;
correlacionar eventos;
apoiar equipes de atendimento.
Imagine um analista recebendo milhares de logs.
Uma IA pode produzir um resumo:
“A operação foi classificada como alto risco devido a novo dispositivo, localização incomum, valor 14 vezes superior à média e cadastramento recente do beneficiário.”
Isso reduz o tempo necessário para entender o caso.
Porém, decisões críticas não devem depender cegamente de uma resposta gerada.
Modelos generativos podem cometer erros, interpretar dados incorretamente ou produzir explicações convincentes, porém falsas.
Por isso, devem operar com:
dados confiáveis;
limites claros;
revisão humana;
rastreabilidade;
controle de acesso;
monitoramento.
Na ponte da nave, a IA pode ser um excelente oficial científico. Mas o comando final ainda exige responsabilidade.
14. LGPD, privacidade e governança
Quanto mais dados são analisados, maior a responsabilidade.
Sistemas antifraude podem processar:
identidade;
localização;
comportamento;
dispositivo;
histórico financeiro;
biometria;
dados de navegação.
Essas informações são extremamente sensíveis.
No Brasil, a LGPD estabelece princípios para o tratamento de dados pessoais.
Os bancos precisam considerar:
finalidade;
necessidade;
transparência;
segurança;
prevenção;
responsabilização;
direitos do titular.
Não basta dizer:
“Usamos muitos dados porque segurança é importante.”
A instituição precisa demonstrar:
por que os dados são necessários;
como são protegidos;
quem pode acessá-los;
por quanto tempo são mantidos;
como decisões são tomadas;
como incidentes são tratados.
Também existem exigências relacionadas a:
prevenção à lavagem de dinheiro;
conhecimento do cliente;
monitoramento de operações;
auditoria;
gestão de riscos;
identidade digital;
controles internos.
A segurança precisa proteger o cliente sem transformar o sistema em uma máquina de vigilância sem limites.
Esse equilíbrio é um dos maiores desafios éticos e regulatórios da era da IA.
15. IA explicável e responsabilidade
Imagine receber a seguinte mensagem:
“Sua transação foi bloqueada pela inteligência artificial.”
Isso não explica nada.
Em sistemas críticos, decisões precisam ser auditáveis.
O banco deve conseguir responder:
qual modelo tomou a decisão;
qual versão estava em uso;
quais dados foram considerados;
quais sinais aumentaram o risco;
quem revisou o caso;
qual política foi aplicada.
Esse campo é conhecido como Explainable AI, ou IA explicável.
Nem todo modelo complexo é fácil de explicar. Porém, instituições financeiras precisam buscar formas de tornar decisões compreensíveis e rastreáveis.
Um relatório pode mostrar:
Motivos principais do bloqueio:
1. Novo dispositivo.
2. Localização incompatível.
3. Transferência 20 vezes superior à média.
4. Beneficiário cadastrado há menos de cinco minutos.
5. Comportamento de navegação fora do padrão.
Isso ajuda:
analistas;
auditores;
reguladores;
atendimento;
clientes;
equipes jurídicas.
A responsabilidade não pode ser transferida para a máquina.
Dizer “o algoritmo decidiu” não encerra a discussão.
16. Onde entra o mainframe?
Agora chegamos ao território familiar do programador COBOL Padawan.
Muitos grandes bancos continuam utilizando mainframes para processar operações críticas.
O IBM Z pode participar de funções como:
manutenção de contas;
atualização de saldos;
processamento de cartões;
liquidação;
crédito;
cadastro;
movimentação financeira;
auditoria;
processamento em lote;
integração com redes externas.
A inteligência artificial não necessariamente substitui esses sistemas.
Ela pode atuar ao redor deles ou integrada a eles.
Uma arquitetura simplificada poderia ser:
Aplicativo móvel
↓
API de autenticação
↓
Biometria e análise de dispositivo
↓
Motor antifraude com IA
↓
Score de risco
↓
API bancária
↓
CICS / IMS / Db2 / COBOL
↓
Autorização ou rejeição
O programa COBOL pode receber um indicador de risco.
Exemplo:
01 DADOS-TRANSACAO.
05 CONTA-ORIGEM PIC 9(10).
05 CONTA-DESTINO PIC 9(10).
05 VALOR-TRANSACAO PIC 9(11)V99.
05 SCORE-RISCO PIC 9(03).
05 STATUS-BIOMETRIA PIC X.
05 DISPOSITIVO-NOVO PIC X.
IF SCORE-RISCO GREATER THAN 80
MOVE 'B' TO STATUS-TRANSACAO
PERFORM REGISTRAR-BLOQUEIO
ELSE
PERFORM PROCESSAR-TRANSFERENCIA
END-IF
Esse é apenas um exemplo didático.
Em uma arquitetura real, a decisão pode envolver motores especializados, regras, APIs, filas, eventos, banco de dados, monitoração e aprovação humana.
O ponto principal é:
O mainframe não está separado da inteligência artificial. Ele pode ser parte central da cadeia de decisão.
A IA funciona como sensor e oficial de análise.
O core bancário funciona como motor transacional.
Ambos precisam conversar de maneira rápida, confiável e segura.
17. Passo a passo de uma transação moderna
Vamos acompanhar uma transferência do início ao fim.
Passo 1 — O cliente abre o aplicativo
O sistema identifica:
modelo do aparelho;
versão do sistema;
endereço IP;
localização aproximada;
integridade do dispositivo;
histórico de uso.
Passo 2 — O cliente autentica
Pode utilizar:
senha;
PIN;
impressão digital;
reconhecimento facial;
token.
Passo 3 — O comportamento é observado
O sistema analisa:
velocidade de navegação;
forma de digitação;
sequência de telas;
padrão de toque;
tempo de resposta.
Passo 4 — A transferência é criada
São coletados:
valor;
destinatário;
banco;
horário;
frequência;
histórico entre as contas.
Passo 5 — A IA calcula o risco
O modelo compara a operação com:
padrão do cliente;
padrões de fraude;
comportamento de contas semelhantes;
alertas recentes;
reputação do dispositivo;
sinais de comprometimento.
Passo 6 — O motor de decisão atua
A operação pode ser:
aprovada;
aprovada com limite;
submetida a biometria;
submetida a segundo fator;
colocada em espera;
bloqueada;
enviada para análise.
Passo 7 — O core bancário processa
O sistema transacional verifica:
saldo;
limite;
situação da conta;
regras financeiras;
disponibilidade;
consistência.
Passo 8 — Tudo é registrado
Logs e trilhas de auditoria armazenam:
decisão;
horário;
modelo;
score;
fatores utilizados;
resultado final.
Passo 9 — O sistema aprende
Se a operação for confirmada como fraude, o caso pode alimentar melhorias futuras.
Se o cliente confirmar que era legítima, o sistema também aprende.
Esse ciclo acontece milhões de vezes.
18. Dicas para o programador COBOL Padawan
Mesmo que você não trabalhe diretamente com IA, existem conhecimentos importantes para sua carreira.
Entenda a origem dos dados
Pergunte sempre:
quem gerou o score;
quando foi calculado;
qual o formato;
qual a validade;
o que fazer se estiver ausente.
Nunca confie cegamente em um campo externo
Um score recebido por API precisa ser validado.
IF SCORE-RISCO NOT NUMERIC
PERFORM TRATAR-ERRO
END-IF
Registre decisões importantes
Operações críticas precisam de auditoria.
Não basta bloquear. É necessário registrar por quê.
Trate indisponibilidade
O que acontece se o motor de IA estiver fora do ar?
O sistema deve:
bloquear tudo;
liberar operações de baixo valor;
usar regras locais;
encaminhar para contingência?
Essa decisão precisa ser definida antecipadamente.
Evite decisões sem explicação
Um campo “RISCO-ALTO” pode ser insuficiente.
Sempre que possível, receba códigos de motivo.
01 — Dispositivo novo
02 — Valor anormal
03 — Localização suspeita
04 — Beneficiário recente
Proteja dados sensíveis
Logs não devem expor:
senha;
token;
biometria;
número completo de cartão;
informações pessoais desnecessárias.
Pense em performance
Uma análise antifraude não pode levar vários segundos durante uma compra.
Tempo de resposta é parte da experiência e da arquitetura.
Conheça o fluxo completo
O programador não deve enxergar apenas o programa COBOL.
Ele deve compreender:
canal digital;
API;
mensageria;
motor de risco;
CICS;
Db2;
logs;
monitoração;
atendimento;
auditoria.
É assim que um Padawan se transforma em arquiteto da Frota.
19. Curiosidades da galáxia antifraude
Curiosidade 1 — Seu jeito de usar o celular pode identificá-lo
A forma como você inclina o aparelho, toca a tela e digita pode compor um padrão comportamental.
Curiosidade 2 — Uma transação legítima pode parecer suspeita
Comprar uma passagem internacional, trocar de telefone e fazer uma transferência elevada no mesmo dia pode gerar alertas, mesmo sendo legítimo.
Curiosidade 3 — Fraude não é apenas invasão de conta
Também pode envolver:
abertura de conta falsa;
documentos adulterados;
crédito obtido ilegalmente;
lavagem de dinheiro;
uso de contas de terceiros;
identidades sintéticas.
Curiosidade 4 — O cliente pode estar autenticado e ainda assim ser vítima
Em golpes de falsa central, a própria vítima realiza a operação sob orientação do criminoso.
Nesse caso, senha, biometria e dispositivo podem estar corretos.
A análise comportamental e contextual torna-se ainda mais importante.
Curiosidade 5 — Regras antigas ainda têm valor
A IA não elimina regras tradicionais.
Muitas arquiteturas combinam:
regras fixas;
modelos estatísticos;
Machine Learning;
listas de bloqueio;
análise humana.
A melhor defesa costuma ser híbrida.
20. Easter egg para quem chegou até aqui
Em algum ponto desta missão, talvez você tenha percebido que o sistema antifraude se comporta como o computador da USS Enterprise.
Ele observa milhares de sensores, compara padrões, calcula probabilidades e alerta a tripulação quando algo foge do esperado.
Mas existe uma diferença importante.
Nos episódios clássicos, o computador frequentemente anunciava:
“Intruder alert.”
Nos bancos modernos, o alerta pode ser muito mais discreto.
Talvez o cliente apenas receba uma solicitação de biometria adicional.
Talvez a transferência seja atrasada por alguns segundos.
Talvez um analista receba uma notificação.
Talvez um programa COBOL execute um simples:
MOVE 'N' TO TRANSACAO-AUTORIZADA
Por trás desse único caractere podem existir:
milhões de registros;
dezenas de algoritmos;
centenas de sinais;
decisões regulatórias;
motores de risco;
APIs;
mainframes;
criptografia;
auditoria;
análise humana.
O humilde MOVE 'N' pode ser o último escudo antes de uma fraude milionária.
Essa é a beleza invisível dos sistemas corporativos.
Conclusão: os novos escudos da Frota Financeira
A segurança bancária não pode mais depender apenas de senhas.
O cenário moderno exige uma combinação de:
inteligência artificial;
biometria;
autenticação multifator;
análise comportamental;
contexto;
tokens;
monitoramento contínuo;
governança;
auditoria;
intervenção humana.
A IA permite analisar enormes volumes de transações em tempo real, identificar comportamentos anormais, calcular riscos e responder antes que o prejuízo aconteça.
A biometria ajuda a validar identidade.
A análise comportamental observa como o cliente interage.
A autenticação contextual avalia onde, quando e em qual dispositivo a operação ocorre.
O mainframe garante que a transação seja processada com consistência, disponibilidade e segurança.
Nenhuma dessas tecnologias funciona perfeitamente sozinha.
A verdadeira força está na integração.
Assim como uma nave da Frota Estelar depende de sensores, escudos, computadores, motores, oficiais e protocolos, um banco moderno depende de várias camadas trabalhando em conjunto.
Para o programador COBOL iniciante, a principal lição é clara:
O código que processa uma transação é apenas uma parte de uma missão muito maior.
Por trás de cada autorização existem decisões de segurança, dados, modelos, regras, APIs, auditoria e responsabilidade.
Aprender COBOL continua sendo importante.
Mas compreender o ecossistema ao redor do COBOL é o que transforma um simples programador em um profissional preparado para os sistemas financeiros do futuro.
Quando você encontrar no código um campo chamado SCORE-RISCO, STATUS-BIOMETRIA, IND-FRAUDE ou COD-MOTIVO-BLOQUEIO, não o veja apenas como mais uma variável.
Veja-o como uma mensagem enviada pelos sensores da nave.
Analise.
Valide.
Registre.
Proteja.
E nunca se esqueça da principal diretriz da segurança moderna:
Confiança não é um estado permanente. É uma conclusão que precisa ser reavaliada continuamente.
Vida longa ao COBOL.
Vida longa ao mainframe.
E que os escudos permaneçam ativos em todas as transações da galáxia financeira.
