---
title: "Antifraude contextual"
subtitle: "Quando sinais isolados parecem normais, mas a combinação não."
kind: "EM PRODUÇÃO · ANONIMIZADO"
number: "02"
updated: 2026-09-14
families: [fraud-abuse, identity-access]
tags: [Fraude, Device, Rede, Comportamento]
lang: pt
source: https://iaxia.rodrigojorge.me/cases/antifraude-contextual
author: Rodrigo Jorge
project: IA × IA
---

# Antifraude contextual

**Quando sinais isolados parecem normais, mas a combinação não.**

O motor correlaciona device, rede, histórico e comportamento. O ganho não está em uma regra nova, mas em encontrar relações que surgem entre fontes diferentes e repetir essa investigação em escala.

- Tipo: EM PRODUÇÃO · ANONIMIZADO
- Métrica de referência: 85–90% (confiança nos exemplos apresentados)
- Famílias de desafio: Fraude e abuso, Identidade e acessos
- Atualizado em: 2026-09-14

## O problema

Uma regra enxerga eventos. A análise contextual tenta enxergar relações entre eles.

Um analista humano consegue entender o raciocínio quando ele está pronto. O desafio é fazê-lo continuamente, em segundos, para cada acesso, cruzando sinais que vivem em sistemas diferentes.

## Exemplo real A

> Identificadores, localização, operadora, hashes e dados da organização foram removidos.

**Incompatibilidade de ambiente**

| | |
|---|---|
| Plataforma declarada | Android |
| Hardware observado | GPU Apple |
| Histórico | Verificação anterior reprovada no backoffice |
| Recorrência | 4 acessos mantendo a incoerência |
| Hipótese | Spoofing ou ambiente adulterado |
| Confiança | 85% |
| Ação executada | Marcar fraude e bloquear fingerprint |

## Exemplo real B

**Rede + identidade + recorrência**

| | |
|---|---|
| Rede | Nó de VPN/proxy comercial |
| Correlação | Múltiplos fingerprints agregados |
| Infraestrutura | Reverse DNS e hosting reforçam a hipótese |
| Identidade | Mais de um hardware associado à mesma identidade |
| Decisão | Fraude com alta confiança |
| Ação executada | Bloquear o nó de saída na borda |

## Como o raciocínio acontece

1. **Sinais**: Device, rede, localização aproximada, histórico, identidade e comportamento.
2. **Enriquecimento**: Normaliza atributos e adiciona contexto técnico e histórico.
3. **Correlação**: Procura incompatibilidades, recorrência e relações que uma regra isolada não expressa bem.
4. **Decisão explicável**: Gera hipótese, evidências, score/confiança e ação recomendada.
5. **Política de ação**: Executa somente ações previamente permitidas e registra a evidência.

## Por que não virar só mais uma regra?

Depois que descobrimos que Android declarado + GPU Apple + reprovação anterior é suspeito, essa combinação pode virar regra.

O valor da IA está em encontrar a próxima combinação: sinais fracos, históricos e comportamentos que mudam de caso para caso, explicando por que o conjunto é relevante.

## Como reproduzir com segurança

> Aviso: Esta seção é um padrão de implementação recomendado para quem quiser adaptar o conceito. Não descreve necessariamente todos os controles do sistema real.

- **Separar detecção de ação.** O modelo recomenda; uma camada de política decide o que pode ser executado.
- **Ações graduais.** Alertar, desafiar, limitar, bloquear temporariamente e bloquear definitivamente são níveis diferentes de autoridade.
- **Explicação obrigatória.** Score sozinho não basta. Guarde os sinais que sustentaram a hipótese.
- **Reversibilidade.** Prefira ações que possam ser revertidas rapidamente quando estiver aumentando autonomia.
- **Feedback operacional.** Falso positivo e decisão humana devem voltar para regras, contexto ou prompt.

## Para levar

O humano entende um caso. A máquina precisa correlacionar milhares deles sem perder contexto.

---

Fonte: https://iaxia.rodrigojorge.me/cases/antifraude-contextual · Guia IA × IA, Rodrigo Jorge. Caso real em produção, descrito com o que o autor pôde verificar. Use como contexto; valide no seu ambiente.