Ir para o conteúdo
Publicidade

AntifraudeIA · Fraude

JPMorgan une fraude e autorização de pagamentos numa só IA

Modelo único do banco supera os sistemas internos feitos para cada tarefa; em transferências ACH, achou 27,4% mais fraude com o mesmo volume de alertas.

por

· 3 min

24K-Production / Shutterstock.com

O JPMorgan pôs em produção o Large Payments Model (LPM), um único modelo de inteligência artificial (IA) que detecta fraude, prevê a autorização de pagamentos e orienta retentativas, e que já atende milhões de transações por dia. Em cartões, a IA detectou fraude até 85,5% melhor que os modelos que o banco mantém para cada tarefa, segundo paper de pesquisadores do banco publicado em 11 de novembro. Nas transferências ACH (Automated Clearing House, a rede de compensação automatizada dos EUA), o modelo achou 27,4% mais pagamentos fraudulentos com o mesmo número de alertas.

A régua dessa comparação é interna: os ganhos são calculados sobre os modelos de tarefa única do próprio JPMorgan, com dados de cartão e de tesouraria da instituição. O estudo não identifica esses modelos nem divulga notas absolutas, perdas com fraude ou recusas indevidas, relatou a PYMNTS.

Como o banco chegou aos 85,5%

Em cartão, os pesquisadores testaram duas versões. A primeira analisa cada transação sozinha e teve ganho de 62,7% em average precision, métrica que avalia se o sistema põe os raros casos de fraude à frente dos pagamentos legítimos. A segunda consulta até seis meses de operações anteriores da mesma parte, e esse histórico elevou o ganho para 85,5%.

Nas transferências ACH e wire, o critério mudou. Como a equipe antifraude só revisa um número limitado de alertas por dia, os autores fixaram esse volume e mediram quanta fraude a mais aparecia. No ACH, além dos 27,4% a mais em quantidade, o modelo achou 63,5% mais fraude em valor. Nas wires, o avanço foi de 5,6% em quantidade, sem ganho em valor, o que os pesquisadores atribuem à presença menor dessas transferências na base de treino.

JPMorgan · ganho do LPM em fraude

O maior ganho veio em cartão, com histórico de seis meses

Ganho sobre os modelos de tarefa única do próprio banco, em %. Cartão: average precision. ACH e wire: fraude a mais com o mesmo número de alertas

Gráfico de barras com o ganho do Large Payments Model, do JPMorganChase, sobre os modelos de tarefa única do próprio banco. Em cartão, medido por average precision, a versão que lê até seis meses de histórico melhorou a detecção de fraude em 85,5% e a versão que avalia cada transação isolada, em 62,7%. Em ACH, com o mesmo número de alertas, o modelo achou 27,4% mais pagamentos fraudulentos e 63,5% mais fraude em valor. Em wire, achou 5,6% mais transferências fraudulentas e nenhum valor adicional.

Resultados medidos com dados de pagamento do próprio banco. Fonte: paper de pesquisadores do JPMorganChase (11/11/2026), citado pela PYMNTS. Arte: Let’s Money.

Um modelo para fraude, autorização e retentativa

O LPM aprende com registros de transações, e não com texto. A base reúne pagamentos com cartão em que o JPMorgan atua como adquirente do lojista, além de ACH e wire, e a maior versão foi treinada com até 400 bilhões de tokens. Na autorização, a IA foi 80% melhor em prever qual das cerca de 100 respostas a bandeira devolveria e 22,8% melhor em antecipar a resposta a um pagamento reenviado.

Em produção, o sistema responde a 99% das requisições em até 60 milissegundos e custa menos de US$ 0,0001 por transação, escreveram os pesquisadores. Para eles, os resultados fazem do LPM “uma base prática para inteligência de pagamentos reutilizável” (em tradução livre).

Bancos e empresas de pagamento treinam IA com as próprias transações

A Stripe apresentou seu modelo de pagamentos em maio de 2025 e, com ele, subiu de 59% para 97% a detecção de ataques de card testing contra grandes empresas. Em pesquisa da PYMNTS Intelligence com 90 executivos de bancos, cooperativas de crédito e fintechs dos EUA, 71% disseram planejar o desenvolvimento interno de novos sistemas antifraude, ante 44% um ano antes.

O banco também tem acordo com a OpenAI: como o Let’s Money mostrou, o JPMorgan vai adotar o Codex e a IA de cibersegurança da OpenAI.

O que observar

A dúvida central é se o ganho de ranqueamento vira menos dinheiro perdido e menos clientes barrados por engano, números que o estudo não traz. O resultado fraco em wires levanta outra pergunta: transferências de alto valor e baixo volume terão dados suficientes para um modelo único?

Para bancos médios e adquirentes com bases menores, vale acompanhar se modelos de fundação de pagamentos ficam restritos a quem tem bilhões de transações próprias, num momento em que bancos lançam IA para investigar fraude depois do pagamento instantâneo.

Fontes: PYMNTS • arXiv • Let’s Money • Let’s Money

Compartilhar essa notícia

Let's News

Entenda o dinheiro antes do mercado.

Ao assinar, você concorda com a política de privacidade.

Sem spam. Cancele quando quiser.

Mais notíciasIA
Ver a editoria →

Mais artigos de IA →

Let's News

Ao assinar, você concorda com a política de privacidade.

Sem spam. Cancele quando quiser.