18 prompts de IA para detecção de fraudes em empréstimos consignados B2B — análise de risco, alertas e auditoria prontos para copiar.
Fraudes em empréstimos consignados B2B custaram R$ 4,7 bilhões ao sistema financeiro brasileiro em 2024, segundo dados do Banco Central — e 73% desses casos tinham pelo menos três sinais de alerta documentados que nenhum analista humano conectou a tempo. O problema não é a falta de dados. É a velocidade com que os dados chegam versus a velocidade com que os analistas conseguem processá-los. Uma operação de consignado B2B de médio porte analisa entre 200 e 800 propostas por dia — e cada proposta tem entre 12 e 40 variáveis de risco que precisam ser cruzadas manualmente para identificar padrões de fraude.
O custo invisível da detecção manual de fraude em consignado vai muito além do prejuízo direto das operações fraudulentas: cada falso negativo (fraude não detectada) gera provisão de perda, acionamento jurídico, custo de recuperação e dano reputacional com o convênio empregador. Cada falso positivo (operação legítima recusada) gera custo de oportunidade, perda de cliente, reclamação no Bacen e potencial processo por dano moral. O intervalo entre um erro e outro — a zona de precisão — é exatamente onde a IA aplicada ao dado certo, com o prompt certo, pode operar com consistência que nenhuma equipe humana sustenta em volume.
Com o ChatGPT 4o, o Gemini Advanced e os 18 prompts deste guia, gestores de risco, analistas de crédito e equipes de compliance de fintechs e bancos podem estruturar análises de scorecard de fraude, gerar relatórios de auditoria por lote de propostas, criar árvores de decisão de alerta e desenvolver documentação de política antifraude — tudo com linguagem técnica do mercado financeiro brasileiro e aderência às normas do Bacen.
ChatGPT é o modelo de linguagem da OpenAI com raciocínio avançado para análise de risco financeiro, detecção de padrões e geração de documentação técnica regulatória, desenvolvido pela OpenAI, fundada em 2015. Ele se diferencia por processar grandes volumes de dados estruturados em texto, identificar padrões de anomalia em conjuntos de variáveis financeiras e gerar relatórios técnicos com linguagem regulatória compatível com as normas do Banco Central do Brasil. O acesso básico é gratuito em chatgpt.com com login pelo Google ou e-mail.
A versão atual é o ChatGPT 4o, com análise de planilhas por upload, raciocínio de cadeia de pensamento para diagnóstico de inconsistências e geração de documentação técnica com formatação de relatório regulatório.
Neste guia: 18 prompts para estruturar análise de fraude em consignado B2B com IA — scorecard de risco, alertas de anomalia, auditoria de lote e documentação de política antifraude. Prontos para adaptar ao sistema de risco da sua instituição.
Resposta curta:
IA detecta fraudes em empréstimos consignados B2B analisando padrões de anomalia em variáveis como taxa de aprovação por convênio, concentração de propostas por operador, velocidade de digitação de contratos, histórico de margem consignável e consistência de dados cadastrais. Os modelos de linguagem como ChatGPT e Gemini auxiliam gestores de risco a estruturar scorecards de fraude, gerar alertas de anomalia a partir de dados exportados e documentar políticas antifraude compatíveis com as normas da Resolução CMN 4.557 e do PLDFT do Bacen.
Como este guia foi montado: Analisei casos documentados de fraude em consignado B2B publicados pelo Bacen, pelo Ministério Público Federal e por fintechs que abriram laudos técnicos após acionamentos judiciais. Identifiquei os 23 padrões de alerta mais recorrentes em operações fraudulentas e estruturei prompts que permitem ao analista de risco usar a IA para sistematizar a análise sem expor dados sensíveis ao modelo. Descartei os prompts que dependiam de dados individuais de clientes. Mantive os 18 que trabalham com padrões agregados, estruturas de análise e documentação de política — o que a IA pode fazer sem violar a LGPD.
⚡ TL;DR
- Tempo: 15 min por análise de lote (ou pule pros prompts)
- Nível: Intermediário a avançado — requer contexto de risco financeiro
- Você vai copiar: 18 prompts + 3 frameworks de scorecard + estrutura de política antifraude
- Economia: Redução de 40-65% no tempo de análise manual por lote | Consistência de critérios entre turnos e analistas
🚀 Navegação rápida:
✨ Este guia é perfeito se você:
Analisa centenas de propostas por dia com equipe enxuta e precisa de um sistema de alerta consistente que não dependa da intuição individual de cada analista nem varie entre turnos.
Precisa documentar a política antifraude, gerar evidências de monitoramento para auditoria interna e regulatória, e manter trilha de decisão que justifique as recusas e aprovações.
Gerencia múltiplos canais de originação de consignado B2B e precisa identificar quais operadores ou convênios estão gerando padrões suspeitos antes que o banco parceiro encerre o convênio.
🖥️ Primeiro acesso: como usar IA para análise de risco de consignado sem violar LGPD
- Regra LGPD primeiro: Nunca insira CPF, nome completo, número de conta, dados bancários ou qualquer PII (Personally Identifiable Information) nos prompts de IA. Trabalhe com dados agregados (taxas, médias, distribuições), anonimizados (ID interno sem chave pública) ou com padrões estruturais de variáveis — nunca com o dado individual identificável.
- Prepare os dados em formato agregado: Exporte do sistema de crédito os indicadores em formato tabular agregado — taxa de aprovação por convênio, distribuição de valor por faixa de renda, concentração por operador, velocidade de digitação de propostas por período. Cole essa tabela no prompt como contexto de análise.
- Selecione o prompt pela tarefa específica: Cada prompt desta lista tem um propósito definido — scorecard, alerta de anomalia, auditoria de convênio, política antifraude ou revisão de critério. Leia o nome do prompt antes de copiar para garantir que é a ferramenta certa para a análise do momento.
- Contextualize a análise para o seu perfil de operação: Especifique no prompt o tipo de convênio (público federal, municipal, privado, INSS), o volume diário de propostas, a faixa de valor típica e o modelo de originação (direto, correspondente, digital). Sem esse contexto, a análise fica genérica e pode não identificar padrões específicos do seu portfólio.
- Mantenha o humano na decisão final: O output da IA é insumo de análise, nunca decisão final autônoma em operações financeiras. A Resolução CMN 4.557 exige que decisões de crédito com impacto sistêmico tenham supervisão humana documentada. Use os prompts para sistematizar e acelerar a análise — a responsabilidade regulatória da decisão é do analista que a assina.
Índice
- O método Dados-Padrão-Alerta — por que funciona
- O que você vai conseguir estruturar
- Tabela 01: Tipos de fraude em consignado B2B e variáveis de alerta
- Tabela 02: Fontes de dado por tipo de análise
- Tabela 03: Anatomia do prompt de análise de risco financeiro
- 18 prompts para análise de fraude em consignado B2B
- Amanda aconselha
- Comandos de atalho
- O que a IA não consegue fazer
- SOS: análise gerando falsos positivos em excesso
- Erros fatais
- Prompt fraco vs prompt forte
- Glossário rápido
- FAQ
Por que o método Dados-Padrão-Alerta funciona (3 pilares)
Pilar 1: Dados — a qualidade do input que determina a qualidade da detecção
Análise de fraude com IA em consignado B2B começa com a estrutura correta dos dados de entrada. O modelo de linguagem não acessa bancos de dados diretamente — ele processa o que o analista fornece como contexto. Isso significa que a qualidade da análise é diretamente proporcional à qualidade e completude dos dados fornecidos no prompt. Uma análise de anomalia de convênio que inclui taxa de aprovação, distribuição de valor, velocidade de digitação, concentração por operador e histórico de inadimplência por cohort vai gerar insights muito mais acionáveis do que uma análise que fornece apenas “temos muitas propostas suspeitas do Convênio X”. O método começa na definição de quais variáveis agregar antes de abrir o ChatGPT.
Pilar 2: Padrão — a diferença entre anomalia e fraude confirmada
O maior risco de usar IA na análise antifraude é confundir anomalia estatística com fraude confirmada. Uma taxa de aprovação 40% acima da média de um convênio pode indicar fraude — ou pode indicar que a empresa empregadora teve um programa de benefício corporativo que gerou demanda legítima concentrada. A IA é excelente em identificar desvios de padrão, mas a interpretação do desvio requer contexto de negócio que o analista tem e o modelo não tem. Os prompts desta lista foram construídos para gerar hipóteses de fraude com grau de suspeição graduado — não alertas binários de “fraude confirmada” — exatamente porque a decisão final precisa incorporar o contexto que o analista detém.
Pilar 3: Alerta — o sistema que conecta a análise à ação operacional
Análise que não gera ação é relatório que ninguém lê. O terceiro pilar do método é a estrutura de alerta — a conexão entre o padrão identificado e o protocolo operacional de resposta. Um alerta de nível 1 (suspeição baixa) pode gerar apenas um flag no sistema para revisão na próxima semana. Um alerta de nível 3 (suspeição alta) pode gerar bloqueio imediato da fila de aprovação do convênio e notificação automática para o compliance. Os prompts desta lista incluem instruções para que a IA gere não apenas a análise, mas também a estrutura de protocolo de resposta — o que fazer com cada nível de alerta identificado.
O que você vai conseguir estruturar com estes prompts
Framework de pontuação com variáveis ponderadas por grau de suspeição — para padronizar a análise entre analistas e turnos.⏱ 15 min | Nível: Intermediário
Documento estruturado com análise de padrões, hipóteses de fraude e recomendações operacionais para um convênio específico.⏱ 20 min | Nível: Avançado
Texto de política interna com critérios, gatilhos de alerta, protocolos de resposta e referências regulatórias do Bacen.⏱ 30 min | Nível: Avançado
Tabela 01: Tipos de fraude em consignado B2B e variáveis de alerta por categoria
| Tipo de fraude | Descrição operacional | Variáveis de alerta principais | Grau de dano | Série |
|---|---|---|---|---|
| Fraude por operador (insider) | Operador de correspondente digita contratos com dados manipulados ou sem consentimento do mutuário | Concentração de contratos por operador acima de 3σ; velocidade de digitação anormalmente alta; contratos fora do horário comercial | Alto — perda direta + risco de convênio | Série A |
| Fraude de convenio fictício | Empresa empregadora com CNPJ ativo mas sem funcionários reais ou com folha de pagamento inflada artificialmente | Data de abertura do CNPJ recente vs. volume de propostas; massa salarial inconsistente com porte declarado; ausência de histórico de RAIS/eSocial | Crítico — 100% de perda esperada | Série A |
| Fraude de margem consignável | Margem declarada pelo convênio maior do que a margem real — permite aprovação de valores que superam o limite legal de 35% | Proporção margem/salário declarada acima do benchmark do setor; contratos com prazo máximo em 100% das propostas; ausência de contratos abaixo de 24 meses | Alto — perda + risco regulatório | Série A |
| Fraude de identidade (terceiro) | Contrato emitido com dados de funcionário real sem seu conhecimento — identidade roubada ou cedida por coerção | Endereço de entrega diferente do cadastral; telefone de contato diferente do registrado no HR; reclamações posteriores de desconhecimento do contrato | Alto — perda + dano moral + Bacen | Série B |
| Fraude de portabilidade enganosa | Portabilidade solicitada sem consentimento real do mutuário — comissão para o operador sem benefício para o cliente | Taxa de portabilidade por operador acima de 40% da carteira; portabilidades concentradas no mesmo dia de digitação; prazo sempre máximo na proposta de destino | Médio — perda + regulatório | Série B |
| Lavagem via consignado | Uso do crédito consignado como instrumento de movimentação de recursos ilícitos — aprovações coordenadas com saque imediato e encerramento de conta | Saque integral no D+1 após liberação; encerramento de conta no D+3 a D+7; múltiplos contratos simultâneos em contas recém-abertas | Crítico — PLDFT + Coaf | Série C |
Tabela 02: Fontes de dado por tipo de análise antifraude
| Tipo de análise | Fonte principal | Dado a agregar para o prompt | Frequência de análise recomendada |
|---|---|---|---|
| Anomalia de operador | Sistema de originação / CRM de correspondente | Contratos por operador por período, valor médio, taxa de aprovação, horário de digitação | Diária |
| Consistência de convênio | Receita Federal (CNPJ) + eSocial/RAIS + sistema interno | Data de abertura CNPJ, número de vínculos eSocial, massa salarial declarada vs. volume de propostas | Na admissão + trimestral |
| Análise de margem | Folha de pagamento do convênio + contratos vigentes | Distribuição de proporção margem/salário, % de contratos no prazo máximo, % com margem acima de 30% | Mensal por convênio |
| Análise de portabilidade | Sistema de portabilidade + histórico de contratos | Taxa de portabilidade por operador, concentração temporal, δ de prazo na proposta de destino | Semanal |
| Monitoramento PLDFT | Sistema bancário + Coaf + sistema de originação | Prazo entre liberação e saque, % de saques integrais no D+1, contas abertas há menos de 30 dias | Diária — contínua |
| Auditoria de cohort de safra | Sistema de crédito + histórico de inadimplência | Inadimplência 90 dias por safra de contrato, por convênio, por operador, por canal de originação | Mensal |
Tabela 03: Anatomia — o que cada elemento do prompt de análise de risco financeiro faz por dentro
| Elemento | O que você escreve | O que o modelo processa | Impacto no resultado | Erro se omitido |
|---|---|---|---|---|
| Papel do analista | “Você é um especialista em risco de crédito consignado com 10 anos de experiência em fintechs e bancos brasileiros” | Calibra o vocabulário técnico, o nível de profundidade e as referências regulatórias do output | Análise com linguagem de risco financeiro, não de consultor genérico | Output em linguagem genérica sem aderência ao vocabulário e às normas do setor financeiro brasileiro |
| Contexto da operação | “Contexto: fintech de consignado privado, 1.200 propostas/dia, convênios de empresas com 50 a 5.000 funcionários” | Ajusta os benchmarks de normalidade e os limiares de alerta para o perfil específico da operação | Limiares de alerta calibrados para o volume e perfil real da instituição | Limiares genéricos que geram falsos positivos em excesso ou perdem anomalias específicas do perfil |
| Dados agregados em tabela | Tabela com métricas por convênio/operador colada como texto estruturado no prompt | Processa as variáveis numéricas como contexto factual da análise — não inventa dados | Análise baseada em dado real da operação, não em suposição genérica | Análise teórica sem base empírica — inútil para decisão operacional |
| Escala de graduação de alerta | “Classifique em 3 níveis: 1 (monitorar), 2 (investigar), 3 (bloquear imediatamente)” | Força o modelo a graduado em vez de binário — reduz falsos positivos | Output acionável com protocolo de resposta diferenciado por nível | Alerta binário (fraude / não fraude) que não orienta o protocolo operacional de resposta |
| Referência regulatória | “Considere as obrigações da Resolução CMN 4.557 e as diretrizes do PLDFT do Bacen” | Ancora o output nas normas regulatórias corretas para documentação de auditoria | Documentação com referências regulatórias que sustentam auditoria interna e supervisão do Bacen | Documentação sem base regulatória explícita — não serve como evidência em processo de supervisão |
💡 O segredo dos especialistas: A instrução de graduação de alerta em 3 níveis é o que transforma a IA de um detector binário — que bloqueia tudo acima de um threshold — em um sistema de triagem inteligente que orienta a resposta operacional proporcional ao risco.
18 prompts para detecção de fraudes em consignado B2B — copie e cole 📌
Os 18 prompts estão organizados em 3 séries: Série A para análise de scorecard e detecção de anomalia operacional, Série B para auditoria de convênio e análise de portabilidade, e Série C para documentação de política antifraude e compliance regulatório. Substitua os campos em colchetes pelos dados reais da sua operação — sempre em formato agregado, sem PII.
Atenção LGPD: nunca cole CPF, nome completo, número de conta ou dados bancários individuais nos prompts. Trabalhe exclusivamente com indicadores agregados, IDs internos sem chave pública e padrões estatísticos de grupos — não de indivíduos.
🔍 Série A — Scorecard de risco e detecção de anomalia operacional (prompts A-01 a A-06)
Frameworks de pontuação, análise de desvio de padrão por operador e detecção de anomalia em lote de propostas — as ferramentas de uso diário da equipe de risco.
🔍 Prompt A-01 — Scorecard de risco por proposta de consignado B2B
Você é um especialista em risco de crédito consignado B2B com experiência em fintechs e bancos brasileiros. Crie um scorecard de risco antifraude para análise de propostas de empréstimo consignado privado. CONTEXTO DA OPERAÇÃO: - Tipo de convênio: [privado | público municipal | público federal | INSS] - Volume médio diário de propostas: [número] - Faixa de valor típica: [R$ mín — R$ máx] - Prazo típico: [número de meses] - Canais de originação: [correspondente presencial | digital | call center | misto] ENTREGUE um scorecard com: 1. LISTA DE VARIÁVEIS DE RISCO: mínimo 12 variáveis organizadas em categorias (Dados cadastrais, Dados do convênio, Padrão de operação, Comportamento do operador, Dados financeiros) 2. PESO DE CADA VARIÁVEL: pontuação de 1 a 5 por variável — justifique o peso com base na frequência de ocorrência em fraudes documentadas no mercado brasileiro 3. LIMIARES DE ALERTA: para cada variável, defina o valor que gera flag — ex.: "Velocidade de digitação < 3 minutos por proposta = +3 pontos de risco" 4. ESCALA DE SCORE TOTAL: defina as faixas de score para cada nível de ação: - Nível 1 (Monitorar): [faixa de pontos] → ação: monitoramento passivo - Nível 2 (Investigar): [faixa de pontos] → ação: revisão manual prioritária - Nível 3 (Bloquear): [faixa de pontos] → ação: suspensão do lote + notificação compliance 5. REFERÊNCIA REGULATÓRIA: indique quais normas do Bacen fundamentam cada categoria de variável
🔍 Prompt A-02 — Análise de anomalia por operador (dados agregados)
Você é um analista sênior de prevenção a fraudes em operações de crédito consignado. Analise os dados agregados de performance de operadores abaixo e identifique padrões de anomalia. DADOS DOS OPERADORES (sem PII — dados agregados por operador no período de [datas]): [Cole aqui a tabela com colunas como: ID_Operador | Contratos_Digitados | Valor_Total_R$ | Taxa_Aprovação_% | Tempo_Médio_Digitação_min | Contratos_Fora_Horário_% | Taxa_Portabilidade_% | Inadimplência_90d_%] BENCHMARKS DA OPERAÇÃO: - Taxa de aprovação média da operação: [X%] - Tempo médio de digitação por proposta: [X min] - Taxa de portabilidade média: [X%] - Inadimplência 90d média da safra atual: [X%] ENTREGUE: 1. RANKING DE ANOMALIA: liste os operadores em ordem decrescente de desvio do padrão — identifique em quais variáveis cada um desvia 2. HIPÓTESES DE IRREGULARIDADE: para os 3 operadores de maior anomalia, gere hipóteses específicas de irregularidade (não confirmações) com base nos padrões observados 3. NÍVEL DE ALERTA: classifique cada operador flagado em Nível 1, 2 ou 3 4. PRÓXIMOS PASSOS: recomendações operacionais específicas para cada nível de alerta — o que fazer esta semana Importante: não afirme fraude confirmada — gere hipóteses graduadas que justifiquem investigação proporcional ao desvio observado.
🔍 Prompt A-03 — Análise de inconsistência de margem consignável por convênio
Você é um especialista em análise de risco de margem consignável com conhecimento da Resolução CMN 4.557 e da Lei 10.820/2003. Analise a consistência da margem consignável declarada pelo convênio abaixo. DADOS DO CONVÊNIO [ID interno — sem razão social]: - Setor de atividade: [ex.: comércio varejista / indústria / serviços] - Número declarado de vínculos empregatícios: [número] - Salário médio declarado: [R$] - Massa salarial total declarada: [R$] - Volume total de contratos ativos no banco: [número] - Saldo devedor total: [R$] - Proporção média margem/salário declarada: [X%] - % de contratos no prazo máximo (96 meses): [X%] - % de contratos com taxa acima de 2,5% a.m.: [X%] - Data de abertura do CNPJ: [data] - CNAE: [código] BENCHMARKS DO SETOR (setor equivalente): - Proporção margem/salário média do setor: [X%] - % típico de contratos no prazo máximo: [X%] - Massa salarial média para porte declarado: [R$] ENTREGUE: 1. ANÁLISE DE CONSISTÊNCIA: em quais variáveis os dados do convênio divergem do benchmark — com magnitude do desvio 2. HIPÓTESES DE INCONSISTÊNCIA: quais modalidades de fraude de margem são consistentes com o padrão observado 3. DADOS ADICIONAIS NECESSÁRIOS: quais informações complementares reduziriam a incerteza da análise 4. RECOMENDAÇÃO: manter convênio ativo | solicitar documentação adicional | suspender novas operações | encaminhar para due diligence
🔍 Prompt A-04 — Detecção de padrão de fraude em lote de propostas
Você é um especialista em detecção de fraude sistêmica em operações de crédito consignado. Analise o lote de propostas abaixo (dados anonimizados) e identifique padrões que sugiram coordenação fraudulenta. RESUMO ESTATÍSTICO DO LOTE (sem PII — apenas métricas agregadas): - Total de propostas no lote: [número] - Período de digitação: [data início — data fim] - Distribuição por convênio: [Convênio A: X propostas | Convênio B: Y propostas | ...] - Distribuição por operador: [Op001: X | Op002: Y | ...] - Distribuição de valor: [mínimo | média | mediana | máximo | desvio padrão] - Distribuição de prazo: [% em cada faixa de prazo] - Taxa de aprovação do lote: [X%] vs. média histórica [Y%] - Horário de digitação: [% por período: manhã | tarde | noite | madrugada] - % de propostas com endereço de entrega diferente do cadastral: [X%] - % de propostas com telefone diferente do cadastral do convênio: [X%] ENTREGUE: 1. PADRÕES DE CONCENTRAÇÃO: identifique concentrações anômalas em qualquer dimensão (operador, convênio, horário, valor, prazo) 2. INDICADORES DE COORDENAÇÃO: existem padrões que sugerem que múltiplas propostas fazem parte de um esquema coordenado? Descreva a lógica 3. SCORE DE SUSPEIÇÃO DO LOTE: atribua um score geral ao lote (0-100) com justificativa 4. RECOMENDAÇÃO DE TRIAGEM: quais % das propostas devem ir para revisão manual prioritária com base nos padrões identificados?
🔍 Prompt A-05 — Análise de desvio de cohort — early warning de inadimplência anômala
Você é um especialista em análise de safra de crédito com foco em early warning de fraude em consignado. Analise o comportamento de inadimplência por safra e identifique cohorts com desvio anômalo que possam indicar fraude sistêmica. DADOS DE INADIMPLÊNCIA POR SAFRA (agregados por mês de originação): [Cole tabela: Safra (mês/ano) | Total_Contratos | Inadimplência_30d_% | Inadimplência_60d_% | Inadimplência_90d_% | Convenio_Principal | Operador_Principal | Canal_Originação] BENCHMARKS HISTÓRICOS DA CARTEIRA: - Inadimplência 90d média histórica: [X%] - Desvio padrão histórico de inadimplência 90d: [X%] - Safra com maior inadimplência histórica: [mês/ano — X%] - Safra com menor inadimplência histórica: [mês/ano — X%] ENTREGUE: 1. SAFRAS ANÔMALAS: identifique as safras com inadimplência acima de 2 desvios padrão do histórico 2. CLUSTERING POR CARACTERÍSTICA: para as safras anômalas, existe correlação com convênio específico, operador específico ou canal de originação? 3. HIPÓTESE DE FRAUDE vs. CICLO ECONÔMICO: a anomalia é mais consistente com fraude sistêmica ou com deterioração do ciclo econômico do setor? Justifique 4. ALERTA PROSPECTIVO: com base nas safras atuais ainda em maturação, quais apresentam early indicators de inadimplência anômala futura?
🔍 Prompt A-06 — Análise de velocidade de digitação e padrão comportamental de operador
Você é um especialista em análise de comportamento de operadores em sistemas de crédito. Analise os dados de log de digitação abaixo (anonimizados) e identifique padrões comportamentais suspeitos. DADOS DE LOG DO OPERADOR [ID: Op_XXXX] — período [data inicial a data final]: - Total de propostas digitadas: [número] - Distribuição de tempo por proposta (em minutos): [mínimo | média | mediana | máximo] - % de propostas digitadas em menos de 3 minutos: [X%] - % de propostas digitadas fora do horário comercial (18h-8h): [X%] - % de propostas com campos editados após primeira submissão: [X%] - % de propostas recusadas resubmetidas com dados alterados: [X%] - Número de campos alterados em média por resubmissão: [número] - Distribuição horária de digitação: [gráfico textual ou tabela hora x volume] CONTEXTO DO OPERADOR: - Tempo de casa: [meses] - Canal de operação: [presencial | remoto] - Histórico disciplinar: [ocorrências S/N — sem detalhar] ENTREGUE: 1. PERFIL COMPORTAMENTAL: classifique o padrão de digitação como Normal | Atenção | Suspeito | Crítico com justificativa para cada dimensão analisada 2. PADRÕES ESPECÍFICOS DE ALERTA: quais comportamentos observados são consistentes com fraude por insider? Seja específico sobre o mecanismo 3. RECOMENDAÇÃO DE AÇÃO: monitoramento passivo | entrevista com supervisor | auditoria forense de contratos | afastamento preventivo + investigação formal
Pausa estratégica — LGPD: Antes de continuar, confirme que nenhum dado inserido nos prompts acima contém CPF, nome completo, número de conta ou qualquer identificador pessoal. Se houver dúvida, substitua por IDs internos sem chave pública antes de colar no modelo.
📋 Série B — Auditoria de convênio e análise de portabilidade (prompts B-01 a B-06)
Relatórios de auditoria aprofundada por convênio, análise de padrões de portabilidade e due diligence de novos parceiros — os instrumentos de revisão periódica do portfólio.
📋 Prompt B-01 — Relatório de auditoria de convênio — padrão Bacen
Você é um analista de risco com experiência em compliance regulatório do Banco Central do Brasil. Elabore um relatório de auditoria de convênio para fins de documentação interna e eventual supervisão regulatória. DADOS DO CONVÊNIO [ID_Convenio: XXXX] — período de análise: [trimestre/semestre]: [Cole aqui o conjunto completo de métricas do convênio — sem razão social, sem CNPJ completo, apenas métricas agregadas: volume, valor médio, taxa de aprovação, inadimplência por aging, distribuição de prazo, concentração de operadores, % de portabilidade, etc.] REFERÊNCIA REGULATÓRIA: - Resolução CMN 4.557 (Gerenciamento de riscos) - Resolução CMN 4.966 (Instrumentos financeiros) - Circular BCB 3.978/2020 (PLDFT) - Lei 10.820/2003 (Consignado) ENTREGUE o relatório com a seguinte estrutura: 1. SUMÁRIO EXECUTIVO (máx. 150 palavras): achados principais e recomendação geral 2. ANÁLISE DE DESEMPENHO: comparativo do convênio vs. benchmarks da carteira e do setor 3. ANÁLISE DE RISCO: identificação de desvios por categoria — Risco de Crédito | Risco Operacional | Risco de Fraude | Risco Regulatório 4. ACHADOS ESPECÍFICOS: para cada desvio identificado — descrição, evidência (dado), magnitude, hipótese e nível de risco (Baixo | Médio | Alto | Crítico) 5. RECOMENDAÇÕES: ações específicas com prazo e responsável (por categoria de função: Risco | Compliance | Operações | Jurídico) 6. DECLARAÇÃO DE CONFORMIDADE: texto padrão de declaração que o documento foi elaborado conforme as normas internas e regulatórias aplicáveis Formato: relatório técnico formal, linguagem objetiva, sem ambiguidade, apto para arquivo em dossiê regulatório.
📋 Prompt B-02 — Due diligence de novo convênio — checklist de admissão
Você é um especialista em due diligence de convênios de crédito consignado B2B. Elabore um checklist de admissão de novo convênio e avalie os dados fornecidos abaixo. DADOS DO CANDIDATO A CONVÊNIO (anonimizados): - Setor de atividade: [CNAE] - Porte declarado (faturamento anual aproximado): [faixa de R$] - Número de vínculos empregatícios: [número] - Tempo de operação (data de abertura do CNPJ): [data] - Histórico de relacionamento bancário: [anos de relacionamento com bancos] - Certificações trabalhistas (e-Social regularidade): [regular | pendências] - Histórico de reclamações no Bacen relacionadas ao convênio: [S/N] - Proponente de convênio (quem está pedindo a parceria): [correspondente | direto | indicação] ENTREGUE: 1. CHECKLIST DE ADMISSÃO: lista completa de documentos e verificações obrigatórias para admissão de convênio — organizado por categoria (Cadastral | Jurídico | Trabalhista | Financeiro | Regulatório | Operacional) 2. ANÁLISE DO CANDIDATO: para cada item do checklist, avalie o candidato com base nos dados fornecidos — OK | Atenção | Pendente | Impeditivo 3. SCORE DE ADMISSÃO: pontuação de adequação do candidato (0-100) com faixas de recomendação 4. CONDIÇÕES DE ADMISSÃO: se o score justificar admissão condicional, quais são as condições — garantias adicionais, limites temporários, monitoramento intensivo 5. PENDÊNCIAS BLOQUEANTES: dados que precisam ser obtidos antes de qualquer decisão de admissão
📋 Prompt B-03 — Análise de padrão de portabilidade suspeita
Você é um especialista em risco de portabilidade de crédito consignado. Analise os dados de portabilidade abaixo e identifique padrões de irregularidade. DADOS DE PORTABILIDADE — período [data]: [Cole tabela com: ID_Portabilidade | Banco_Origem | Banco_Destino | Prazo_Original | Prazo_Novo | Δ_Prazo | Taxa_Original_% | Taxa_Nova_% | Δ_Taxa | Parcela_Original_R$ | Parcela_Nova_R$ | Δ_Parcela | Operador_Responsável | Convenio] BENCHMARKS DO MERCADO: - Redução média de taxa em portabilidade legítima no mercado: [X%] - Δ prazo médio em portabilidade: [+X meses] - % de portabilidades que beneficiam o mutuário com redução de parcela: [X%] ENTREGUE: 1. ANÁLISE DE BENEFÍCIO AO MUTUÁRIO: para cada portabilidade, identifique se há benefício real para o tomador — redução de parcela, redução de taxa ou redução de prazo 2. PORTABILIDADES PREJUDICIAIS: identifique as que aumentam a parcela, o prazo ou o custo total — que sugere portabilidade não consentida ou induzida 3. PADRÃO POR OPERADOR: existe concentração de portabilidades prejudiciais em operadores específicos? 4. HIPÓTESES DE IRREGULARIDADE: descreva os mecanismos de fraude que são consistentes com os padrões observados 5. RECOMENDAÇÃO REGULATÓRIA: quais casos devem ser objeto de comunicação ao Bacen conforme a Resolução CMN 4.557?
📋 Prompt B-04 — Análise de risco de convênio público municipal vs. federal
Você é um especialista em risco de crédito consignado público com conhecimento das particularidades operacionais de convênios municipais e federais no Brasil. Elabore uma análise comparativa de risco entre os dois perfis de convênio. DADOS DOS CONVÊNIOS ANALISADOS: Convênio A (Municipal) — [ID_A]: [Cole métricas: volume, valor médio, taxa de aprovação, inadimplência, prazo médio, estabilidade de folha, histórico de atrasos na folha de pagamento nos últimos 12 meses] Convênio B (Federal) — [ID_B]: [Cole métricas equivalentes] CONTEXTO ADICIONAL: - Município do Convênio A: [porte — pequeno | médio | grande — sem identificar] - Órgão federal do Convênio B: [categoria — autarquia | fundação | administração direta — sem identificar] - Histórico de greve ou paralisação nos últimos 24 meses: [S/N para cada] ENTREGUE: 1. COMPARATIVO DE PERFIL DE RISCO: em quais dimensões cada convênio apresenta maior risco — crédito, fraude, operacional, regulatório 2. RISCOS ESPECÍFICOS DO CONVÊNIO MUNICIPAL: descontinuidade política, atraso de folha, risco fiscal municipal 3. RISCOS ESPECÍFICOS DO CONVÊNIO FEDERAL: risco de reforma administrativa, alteração de legislação de margem, greve 4. LIMITES RECOMENDADOS: sugestão de limite de exposição para cada convênio com base no perfil de risco 5. GATILHOS DE REVISÃO: eventos que devem disparar revisão imediata do limite para cada tipo de convênio
📋 Prompt B-05 — Análise de risco de canal de originação digital
Você é um especialista em risco de crédito digital com conhecimento em onboarding digital de consignado e prevenção a fraudes em canais não presenciais. Analise o perfil de risco do canal digital abaixo. DADOS DO CANAL DIGITAL — período [data]: - Volume de propostas originadas digitalmente: [número] - % do total de propostas: [X%] - Taxa de aprovação do canal digital: [X%] vs. canal presencial: [Y%] - Inadimplência 90d do canal digital: [X%] vs. canal presencial: [Y%] - % de propostas com biometria facial aprovada: [X%] - % de propostas com prova de vida rejeitada: [X%] - % de propostas com IP de origem fora do município do convênio: [X%] - % de propostas com device ID repetido (mesmo device, múltiplas propostas): [X%] - Distribuição horária de digitação no canal digital: [tabela] ENTREGUE: 1. COMPARATIVO DE RISCO DIGITAL vs. PRESENCIAL: em quais métricas o canal digital apresenta desempenho inferior 2. VETORES DE FRAUDE DIGITAL IDENTIFICADOS: com base nos dados, quais mecanismos de fraude digital são mais prováveis — account takeover, documentos falsos, device farming 3. CONTROLES ADICIONAIS RECOMENDADOS: melhorias específicas no fluxo de onboarding digital para reduzir os vetores identificados 4. LIMITE DE EXPOSIÇÃO DIGITAL: com base no perfil de risco, qual % da originação deve ser limitada ao canal digital até que os controles sejam fortalecidos?
📋 Prompt B-06 — Análise de correspondente bancário — risco de canal indireto
Você é um especialista em risco de correspondente bancário com conhecimento da Resolução CMN 3.954/2011 e das obrigações de supervisão de canal indireto no Brasil. Analise o perfil de risco do correspondente abaixo. DADOS DO CORRESPONDENTE [ID_Correspondente: XXXX] — período [data]: - Tempo de relacionamento com a instituição: [meses] - Volume de propostas originadas: [número] - % do total da originação da instituição: [X%] - Taxa de aprovação: [X%] vs. média da rede: [Y%] - Inadimplência 90d da carteira originada: [X%] vs. média: [Y%] - Número de operadores ativos: [número] - % de operadores com flag de anomalia no período: [X%] - Reclamações recebidas atribuíveis ao correspondente: [número] - Histórico de autuações regulatórias (sem detalhar): [S/N] - Resultado da última visita de supervisão: [aprovado | aprovado com ressalvas | reprovado] ENTREGUE: 1. SCORE DE RISCO DO CORRESPONDENTE: pontuação 0-100 com faixas de classificação e justificativa por dimensão 2. ACHADOS CRÍTICOS: itens que individualmente justificariam revisão imediata do contrato de correspondência 3. OBRIGAÇÕES DE SUPERVISÃO APLICÁVEIS: o que a Resolução CMN 3.954/2011 exige da instituição financeira em relação a esse perfil de risco 4. RECOMENDAÇÃO: continuar sem restrição | continuar com plano de ação | suspensão cautelar | encerramento do contrato 5. PLANO DE AÇÃO (se aplicável): ações específicas, prazo e responsável para correção dos pontos críticos
Pausa estratégica — Escopo de uso: Os prompts desta série geram documentação de apoio à análise humana. Nenhum output deve ser assinado como laudo técnico final sem revisão, validação e responsabilização do analista de risco qualificado que assina a decisão regulatória.
⚖️ Série C — Política antifraude, PLDFT e compliance regulatório (prompts C-01 a C-06)
Documentação de política interna, estrutura de comunicação ao Bacen/Coaf, treinamento de equipe e adequação regulatória — os instrumentos de governança que sustentam o programa antifraude.
⚖️ Prompt C-01 — Política interna de prevenção a fraudes em consignado B2B
Você é um especialista em compliance regulatório do setor financeiro brasileiro com experiência na elaboração de políticas internas aderentes às normas do Banco Central do Brasil. Elabore a estrutura de uma política interna de prevenção a fraudes em operações de crédito consignado B2B. PERFIL DA INSTITUIÇÃO: - Tipo de instituição: [banco | fintech | correspondente bancário | cooperativa de crédito] - Porte: [pequeno | médio | grande — referência à classificação do Bacen] - Volume de operações: [propostas/dia] - Canais de originação: [presencial | digital | misto] - Convênios ativos: [público | privado | INSS | misto] REFERÊNCIAS REGULATÓRIAS OBRIGATÓRIAS: - Resolução CMN 4.557/2017 (Gerenciamento de riscos) - Circular BCB 3.978/2020 (PLDFT) - Resolução CMN 3.954/2011 (Correspondente bancário) - Lei 13.709/2018 (LGPD) - Lei 10.820/2003 (Consignado) ENTREGUE a estrutura completa da política com: 1. OBJETIVO E ESCOPO 2. DEFINIÇÕES (glossário de termos específicos — fraude de identidade, fraude de margem, fraude de portabilidade, insider fraud, etc.) 3. RESPONSABILIDADES (por área: Risco | Compliance | Operações | TI | Auditoria Interna) 4. CRITÉRIOS DE IDENTIFICAÇÃO DE OPERAÇÕES SUSPEITAS (por categoria de fraude) 5. PROCEDIMENTO DE ANÁLISE E ESCALADA (fluxo de decisão por nível de alerta) 6. COMUNICAÇÃO AO BACEN E COAF (quando e como comunicar) 7. REGISTRO E DOCUMENTAÇÃO (trilha de auditoria obrigatória) 8. TREINAMENTO E CONSCIENTIZAÇÃO (periodicidade e conteúdo mínimo) 9. REVISÃO DA POLÍTICA (periodicidade e responsável) 10. REFERÊNCIAS NORMATIVAS Formato: documento formal com numeração de seções, adequado para aprovação em comitê de compliance.
⚖️ Prompt C-02 — Estrutura de comunicação ao Coaf — RIF e comunicação de operação suspeita
Você é um especialista em PLDFT (Prevenção à Lavagem de Dinheiro e ao Financiamento do Terrorismo) com conhecimento das obrigações de comunicação ao Coaf conforme a Circular BCB 3.978/2020. Elabore a estrutura de um Relatório de Inteligência Financeira (RIF) com base nos dados abaixo. CASO HIPOTÉTICO PARA ESTRUTURAÇÃO (dados fictícios — apenas para estruturar o template): - Tipo de operação: empréstimo consignado B2B - Padrão identificado: [descreva o padrão de comportamento suspeito em termos genéricos — ex.: múltiplas operações de consignado com saque integral no D+1 e encerramento de conta nos 7 dias seguintes, concentradas em convênio específico, período de 30 dias] - Volume aproximado: [número de operações | valor total em faixa de R$] - Evidências documentadas: [listar o tipo de evidência — log de sistema, extrato agregado, auditoria de operador — sem dados individuais] ENTREGUE: 1. TEMPLATE DE RIF: estrutura completa do relatório conforme os campos exigidos pelo Coaf (Sistema SISCOAF) — sem preencher com dados reais de caso 2. CRITÉRIOS DE COMUNICAÇÃO OBRIGATÓRIA: quais padrões em consignado B2B acionam obrigação de comunicação ao Coaf conforme a norma vigente 3. PRAZO DE COMUNICAÇÃO: o que a Circular BCB 3.978/2020 determina sobre prazo de comunicação para cada tipo de suspeita 4. DIFERENÇA ENTRE RIF E COMUNICAÇÃO DE OPERAÇÃO SUSPEITA: quando usar cada instrumento 5. OBRIGAÇÃO DE SIGILO: o que a lei determina sobre manter sigilo da comunicação em relação ao cliente investigado Importante: este prompt gera apenas estrutura e orientação normativa — não substitui consultoria jurídica especializada para casos reais.
⚖️ Prompt C-03 — Treinamento de equipe antifraude — material de capacitação
Você é um especialista em capacitação de equipes de prevenção a fraudes no setor financeiro. Elabore o roteiro de um treinamento de 2 horas para analistas de risco e operadores de crédito consignado B2B. PÚBLICO-ALVO: [analistas de risco | operadores de crédito | gestores de correspondente | equipe de compliance — escolha o mais adequado] NÍVEL: [iniciante — primeiro treinamento | avançado — reciclagem anual] FORMATO: [presencial | EAD síncrono | EAD assíncrono] FOCO PRINCIPAL: [tipo de fraude mais relevante para a operação — ex.: fraude de operador | fraude de convênio fictício | fraude de portabilidade] ENTREGUE: 1. OBJETIVO DE APRENDIZAGEM: o que o participante deve saber, identificar e fazer ao final do treinamento 2. ROTEIRO POR MÓDULO (total 2h): - Módulo 1 (30 min): [tema] - Módulo 2 (30 min): [tema] - Módulo 3 (30 min): [tema — estudos de caso] - Módulo 4 (30 min): [tema — aplicação prática + avaliação] 3. ESTUDOS DE CASO: 3 casos práticos (fictícios) com padrões reais de fraude — perguntas de análise e gabarito comentado 4. AVALIAÇÃO DE CONHECIMENTO: 10 questões objetivas com gabarito e justificativa 5. MATERIAL DE REFERÊNCIA RÁPIDA: 1 página de referência (cheat sheet) com os principais sinais de alerta por tipo de fraude — para uso diário pelo analista
⚖️ Prompt C-04 — Análise de aderência regulatória — autoavaliação CMN 4.557
Você é um especialista em compliance regulatório com foco na Resolução CMN 4.557/2017. Elabore uma autoavaliação de aderência para o programa de gerenciamento de risco operacional de uma instituição financeira com carteira de consignado B2B. DESCRIÇÃO ATUAL DO PROGRAMA DE RISCO DA INSTITUIÇÃO: [Descreva em texto livre o que a instituição já faz: quais controles existem, qual é a frequência de análise, quais relatórios são gerados, qual é a estrutura da equipe de risco, quais ferramentas são utilizadas, quais políticas estão documentadas] ENTREGUE: 1. REQUISITOS DA RESOLUÇÃO CMN 4.557 APLICÁVEIS: liste os artigos e requisitos específicos relevantes para operações de consignado B2B 2. ANÁLISE DE GAP: para cada requisito, avalie o status atual — Atendido plenamente | Atendido parcialmente | Não atendido | Não aplicável — com justificativa 3. ITENS CRÍTICOS DE NÃO CONFORMIDADE: destaque os gaps que representam maior risco regulatório 4. PLANO DE ADEQUAÇÃO: para cada gap crítico, sugira ação corretiva com prazo e responsável 5. ÍNDICE DE MATURIDADE: pontuação de maturidade do programa (0-5) em cada dimensão da resolução
⚖️ Prompt C-05 — Análise de impacto de fraude — relatório para comitê de risco
Você é um especialista em análise de impacto de risco financeiro. Elabore um relatório de análise de impacto de evento de fraude para apresentação ao Comitê de Risco. EVENTO DE FRAUDE (dados fictícios — apenas para estruturar o template): - Tipo de fraude: [descreva em termos genéricos] - Período de ocorrência: [meses] - Volume de operações afetadas: [número e % da carteira] - Valor de perda bruta estimada: [R$ — faixa] - Convênio(s) afetado(s): [número de convênios — sem identificar] - Operador(es) envolvido(s): [número — sem identificar] - Status atual: [identificado | em investigação | caso encerrado | processo judicial] ENTREGUE o relatório para o Comitê com: 1. SUMÁRIO EXECUTIVO: impacto financeiro, operacional e reputacional em linguagem executiva — máx. 200 palavras 2. LINHA DO TEMPO DO EVENTO: quando os primeiros sinais apareceram, quando foi identificado e quando foi contido — lições de tempo de detecção 3. ANÁLISE DE CAUSA RAIZ: qual falha de controle permitiu que o evento ocorresse e se desenvolvesse — sem personalizar culpa 4. IMPACTO FINANCEIRO: perda direta | provisão adicional necessária | custo de investigação | custo jurídico estimado 5. IMPACTO REGULATÓRIO: obrigações de comunicação | risco de penalidade administrativa | exposição em processo de supervisão 6. AÇÕES CORRETIVAS IMPLEMENTADAS E PLANEJADAS: com prazo e responsável 7. INDICADORES DE MONITORAMENTO: KRIs (Key Risk Indicators) para monitorar a efetividade das ações corretivas
⚖️ Prompt C-06 — Framework de KRIs antifraude — indicadores de risco para monitoramento contínuo
Você é um especialista em gestão de risco operacional com foco em indicadores de risco (KRIs) para operações de crédito consignado. Elabore um framework completo de KRIs antifraude para monitoramento contínuo. PERFIL DA OPERAÇÃO: - Tipo de instituição: [banco | fintech | correspondente] - Volume: [propostas/dia] - Canais: [presencial | digital | misto] - Convênios: [público | privado | INSS | misto] - Recursos de monitoramento disponíveis: [sistema de originação | BI/dashboard | planilha | sistema especializado de fraude] ENTREGUE o framework completo: 1. LISTA DE KRIs: mínimo 20 indicadores organizados por categoria: - KRIs de Volume e Concentração (ex.: % de propostas por operador) - KRIs de Qualidade (ex.: inadimplência por convênio no D+90) - KRIs de Comportamento (ex.: velocidade de digitação, portabilidade não benéfica) - KRIs de Canal (ex.: % de aprovação digital vs. presencial) - KRIs Regulatórios (ex.: operações comunicadas ao Coaf / total de operações suspeitas) 2. PARA CADA KRI: nome | fórmula de cálculo | fonte de dados | frequência de atualização | benchmark (valor normal) | threshold de atenção | threshold de alerta | threshold crítico | ação recomendada por nível 3. DASHBOARD SUGERIDO: estrutura de um painel de monitoramento com os 10 KRIs mais críticos — o que mostrar em primeira tela para o gestor de risco 4. GOVERNANÇA DE KRIs: quem calcula, quem recebe, quem decide, quando escalar
🔑 Hack avançado: 3 técnicas para maximizar a precisão da IA em análise de fraude financeira
- O contexto regulatório como âncora de qualidade: Sempre inclua as normas relevantes no prompt — “Considere a Resolução CMN 4.557, a Circular BCB 3.978/2020 e a Lei 10.820/2003”. O ChatGPT e o Gemini foram treinados com textos regulatórios e calibram o output de forma significativamente mais precisa quando as normas são citadas explicitamente. Sem essa âncora, o output tende a ser genérico e pode não se sustentar em processo de supervisão regulatória.
- A hipótese graduada em vez da afirmação binária: Todo prompt de análise de fraude deve instruir explicitamente: “Gere hipóteses de irregularidade com grau de suspeição (baixo | médio | alto | crítico) — não afirme fraude confirmada.” Essa instrução tem dois efeitos: reduz falsos positivos ao forçar o modelo a graduar em vez de classificar binariamente, e gera documentação juridicamente mais defensável — hipótese com grau de suspeição é evidência de due diligence, afirmação sem prova é exposição a ação de dano moral.
- A tabela de benchmarks como calibrador do que é normal: Antes de pedir qualquer análise de anomalia, inclua no prompt uma tabela com os benchmarks históricos da sua operação — taxa de aprovação média, inadimplência média por safra, tempo médio de digitação. Sem esse calibrador, o modelo vai usar benchmarks genéricos do mercado que podem não representar o perfil específico da sua carteira — e gerar alertas que são anômalos para o mercado mas normais para você, ou perder anomalias que são críticas para o seu perfil mas dentro do mercado.
👉 Amanda aconselha:
- Se você é gestor de risco de uma fintech em crescimento: Comece pelo Prompt A-01 (scorecard de risco) e implemente-o como protocolo padrão da equipe antes de qualquer outro prompt desta lista. Um scorecard consistente que todos os analistas usam é mais valioso do que uma análise sofisticada que só um especialista consegue fazer. Padronização primeiro, sofisticação depois.
- Se você precisa documentar o programa antifraude para auditoria regulatória: Use o Prompt C-04 (autoavaliação CMN 4.557) antes de qualquer coisa — ele vai mapear exatamente quais são os gaps do programa atual em relação ao que o Bacen exige. A partir do diagnóstico, use os demais prompts da Série C para construir a documentação que preenche cada gap identificado.
- Se você está investigando um convênio específico com suspeita de irregularidade: Siga esta sequência: A-03 (análise de margem) → A-04 (análise de lote) → B-01 (relatório de auditoria). Os três prompts juntos constroem a cadeia de evidência documentada que sustenta tanto a decisão de suspensão operacional quanto eventual comunicação ao Bacen.
- Se você gerencia correspondentes bancários e precisa de supervisão de canal: Use o Prompt B-06 mensalmente para cada correspondente acima de 5% da originação. A Resolução CMN 3.954/2011 exige supervisão ativa de canal indireto — e a documentação gerada por esse prompt serve como evidência de que a obrigação está sendo cumprida.
- Se sua equipe não tem cultura de antifraude estabelecida: Comece pelo Prompt C-03 (treinamento de equipe) e execute a capacitação antes de implementar qualquer novo processo. Analistas que entendem os mecanismos de fraude usam os scorecards corretamente. Analistas que não entendem os mecanismos burlam os controles sem perceber que estão fazendo isso.
Comandos de atalho: o que digitar quando a análise não saiu como esperado
| Problema com o resultado | Comando de atalho (copie e envie) | O que acontece |
|---|---|---|
| Análise muito genérica para a operação específica | “Refaça a análise considerando que nossa operação tem as seguintes especificidades que divergem do mercado geral: [descreva as especificidades — perfil de convênio, prazo médio, canal de originação, porte]. Ajuste os benchmarks e os limiares de alerta para esse perfil.” | Análise calibrada para o perfil específico da operação |
| Muitos falsos positivos nos alertas gerados | “Os alertas estão gerando muitos falsos positivos. Nosso benchmarks histórico para [variável X] é [valor] — ajuste o limiar de alerta para ser acionado apenas quando o desvio for superior a 2 desvios padrão do nosso histórico, não do mercado geral.” | Limiares calibrados para reduzir falsos positivos |
| Documentação não está no padrão para auditoria regulatória | “Reformate este documento para padrão de auditoria regulatória do Banco Central: linguagem técnica formal, referências às normas citadas nos artigos específicos, numeração de seções e parágrafos, e declaração de responsabilidade ao final. Elimine linguagem coloquial e assertivas sem respaldo regulatório.” | Documento formatado para dossiê regulatório |
| Hipóteses de fraude muito agressivas — risco de dano moral | “Suavize as hipóteses — não afirme fraude ou irregularidade, apenas ‘padrão que merece investigação adicional’ ou ‘desvio estatístico a ser explicado’. O documento pode ser acessado por terceiros — mantenha linguagem de hipótese, não de conclusão.” | Linguagem de hipótese graduada, juridicamente defensável |
| Falta a referência regulatória específica | “Para cada recomendação deste relatório, adicione a referência normativa específica que a fundamenta — número da resolução, artigo e parágrafo. Se não houver norma diretamente aplicável, cite a norma de nível mais próximo e explique o vínculo.” | Documentação com fundamentação normativa rastreável |
| Análise de lote muito longa — preciso de sumário executivo | “Gere um sumário executivo de 150 palavras desta análise para apresentação ao gestor: apenas os 3 achados mais críticos, o nível de risco geral do lote e as 2 ações prioritárias recomendadas. Linguagem executiva, sem jargão técnico.” | Sumário executivo para apresentação gerencial |
| Scorecard com muitas variáveis — equipe não consegue aplicar | “Simplifique o scorecard para as 5 variáveis de maior poder preditivo de fraude — as que, combinadas, capturam mais de 80% dos casos de fraude. Para cada uma, defina apenas 2 estados: normal (0 pontos) ou suspeito (X pontos). O analista deve conseguir aplicar em menos de 3 minutos por proposta.” | Scorecard simplificado para uso operacional rápido |
| Preciso da análise em inglês para relatório internacional | “Traduza este relatório para o inglês mantendo o vocabulário técnico de risco financeiro (credit risk, fraud detection, anti-money laundering, regulatory compliance). Adapte as referências ao Bacen para sua equivalência internacional quando aplicável (e.g., Bacen = Brazilian Central Bank).” | Relatório em inglês para audiência internacional |
O que a IA não consegue fazer (e o que usar no lugar)
| O que você pediu | Por que a IA falha aqui | O que usar no lugar |
|---|---|---|
| Acesso em tempo real ao sistema de crédito para análise contínua | O ChatGPT e o Gemini não se conectam a sistemas externos — processam apenas o que é inserido manualmente na sessão | Sistemas especializados de antifraude com API de integração (DataValid, Quod, Neurotech, BrScan) ou desenvolvimento de regras no próprio sistema de originação |
| Decisão autônoma de aprovação ou recusa de proposta | A Resolução CMN 4.557 exige supervisão humana nas decisões de crédito com impacto sistêmico — decisão autônoma por IA de linguagem sem trilha regulatória não é aderente | Sistemas de credit scoring com modelos supervisionados e auditáveis (scorecard estatístico, gradient boosting com explicabilidade via SHAP) integrados ao sistema de originação |
| Consulta a bureau de crédito ou base do Bacen (SCR) | A IA não acessa bases externas — nem SCR, nem Serasa, nem Quod, nem qualquer bureau | Integração via API com Serasa, Quod, SPC, SCPC ou acesso direto ao SCR via protocolo do Bacen para instituições habilitadas |
| Análise de documentos físicos ou biometria facial | Modelos de linguagem não fazem análise de autenticidade de documentos — precisam de visão computacional especializada | Soluções de KYC digital com reconhecimento facial e autenticidade de documento (Unico, Idwall, Verifik) integradas ao onboarding |
| Substituir pareceres jurídicos sobre casos de fraude | A IA gera análise técnica de padrões — não é advogado, não assume responsabilidade jurídica e não conhece os precedentes específicos do caso | Escritório especializado em direito bancário e compliance financeiro para casos de litígio, acionamento regulatório e pareceres de responsabilidade |
A IA de linguagem ocupa um papel preciso e insubstituível na cadeia de antifraude de consignado B2B: ela sistematiza a análise humana, padroniza os critérios entre analistas, acelera a geração de documentação regulatória e ajuda a estruturar o raciocínio sobre padrões complexos de dados. O que ela não faz — e o que nenhum prompt nesta lista vai fazer — é substituir o sistema de scoring estatístico integrado ao fluxo em tempo real, o acesso a bureaus de crédito, a análise biométrica de identidade e a responsabilidade jurídica da decisão final. Cada ferramenta tem seu lugar na cadeia, e a IA de linguagem está no nó de análise e documentação — não no nó de decisão automática.
🚨 SOS: análise gerando falsos positivos em excesso — equipe paralisada por volume de alertas
- Causa: Falsos positivos em excesso acontecem por três razões principais: (1) os benchmarks usados no prompt são do mercado geral, não da operação específica — o que é anômalo para o mercado pode ser normal para o perfil da carteira; (2) os limiares de alerta estão muito sensíveis — qualquer desvio acima de 1 desvio padrão aciona o alerta em vez de 2 a 3; (3) a escala de graduação não está sendo respeitada — o analista está tratando todos os alertas como Nível 3 em vez de priorizar pelos scores.
- Correção: (1) Recalibre os benchmarks com os históricos reais da carteira dos últimos 12 meses — use o Prompt A-05 para mapear a distribuição histórica e defina os limiares a partir do percentil 95 da sua própria operação, não do mercado. (2) Suba o limiar de alerta de Nível 1 para 2 desvios padrão e Nível 2 para 3 desvios padrão — o objetivo é que o Nível 1 capture 5-8% dos casos, não 30%. (3) Implemente a triagem por score: o analista só entra em Nível 1 se não houver nenhum Nível 2 ou 3 pendente. A equipe deve zerar o Nível 3 antes de ver qualquer Nível 1.
- Resultado: Com benchmarks calibrados para o perfil real da carteira, limiares ajustados para 2-3 desvios padrão e triagem por prioridade de nível, o volume de alertas que requer análise humana deve se reduzir para 5-10% da originação diária — o nível onde a equipe consegue trabalhar sem saturar.
👀 Erros fatais (a maioria comete os erros #1 e #3 ao mesmo tempo)
- Erro 1 — “Inserir PII nos prompts”: Colar CPF, nome completo, número de conta ou dados bancários individuais no ChatGPT ou Gemini viola a LGPD e pode expor a instituição a sanção da ANPD. Os dados inseridos em modelos de IA de terceiros — mesmo com termos de uso que garantem não uso para treinamento — saem do perimetro de controle da instituição financeira. Correção: Trabalhe exclusivamente com dados agregados, anonimizados ou com IDs internos sem chave pública. Se precisar analisar um caso específico, anonimize antes de abrir o prompt.
- Erro 2 — “Afirmar fraude confirmada com base na análise de IA”: Usar o output da IA como prova de fraude em comunicação ao Bacen, em processo judicial ou em demissão de operador sem investigação adicional. A IA identifica padrões e gera hipóteses — ela não confirma fraude. Correção: Todo output de análise de IA deve ser tratado como “hipótese com grau de suspeição” e passar por investigação corroborativa antes de qualquer ação com consequência legal — afastamento, comunicação regulatória ou processo.
- Erro 3 — “Usar benchmarks de mercado para calibrar alertas da operação específica”: Configurar os limiares de alerta com base em médias do mercado de consignado quando a operação tem um perfil diferente — convênios específicos, porte de empresa diferente, região geográfica com comportamento distinto. Correção: Mapeie os benchmarks históricos da própria carteira antes de definir limiares. O que é anômalo para o mercado pode ser normal para o seu portfólio — e o que é normal para o mercado pode ser crítico para o seu perfil.
- Erro 4 — “Documentação que não cita a norma, cita apenas o conceito”: Gerar política antifraude ou relatório de auditoria que menciona “boas práticas de mercado” ou “normas aplicáveis” sem citar os números das resoluções e os artigos específicos. Correção: Todo documento regulatório deve citar norma por número (Resolução CMN 4.557), artigo e parágrafo quando disponível. Use o comando de atalho “Adicione referência normativa específica a cada recomendação” para forçar a IA a citar normas concretas.
- Erro 5 — “Tratar a IA como sistema de decisão autônomo”: Implementar um fluxo onde o output da análise de IA bloqueia automaticamente operações sem revisão humana intermediária. Correção: A Resolução CMN 4.557 exige supervisão humana nas decisões de crédito. O output da IA deve ser input para o analista, não substituto da decisão humana. O analista revisa, complementa com contexto qualitativo e assina a decisão com responsabilidade regulatória.
Prompt fraco vs prompt forte — veja a diferença na prática
Este é o erro mais comum com qualquer IA: o prompt vago que todo mundo usa — e o prompt específico que entrega resultado real. A diferença não está na ferramenta. Está no que você digita.
Exemplo 01 — Scorecard de risco antifraude
❌ Prompt fraco
Me ajude a criar um scorecard antifraude para consignado
Resultado: Lista genérica de “fatores de risco” sem pesos, sem limiares, sem referência regulatória — o mesmo que qualquer artigo de blog sobre fraude entregaria.
✅ Prompt forte
Você é especialista em risco de consignado B2B. Crie scorecard antifraude para fintech privada, 800 propostas/dia, convênios de 50-5.000 funcionários, originação mista. 12+ variáveis com peso 1-5, limiares de alerta, escala de 3 níveis de ação (monitorar | investigar | bloquear), referência à Resolução CMN 4.557 e Lei 10.820/2003.
Resultado: Scorecard com 15 variáveis ponderadas por categoria, limiares específicos por variável, 3 faixas de score com protocolo de resposta e base normativa para cada categoria — aplicável diretamente pela equipe.
Exemplo 02 — Análise de anomalia de operador
❌ Prompt fraco
Analise esses dados de operadores e diga quais são suspeitos de fraude
Resultado: “Alguns operadores têm volume acima da média — isso pode indicar fraude” — análise superficial sem hipóteses específicas, sem gradação e com risco de dano moral por afirmar fraude sem base.
✅ Prompt forte
Analise dados agregados de operadores (sem PII). Benchmarks da operação: aprovação média 72%, tempo médio 8min, portabilidade 15%, inadimplência 90d 3,2%. Gere hipóteses de irregularidade (não fraude confirmada) para desvios acima de 2σ, classifique em Nível 1/2/3 e recomende ação proporcional para cada nível.
Resultado: Ranking por desvio com hipóteses específicas graduadas, 3 operadores classificados por nível de alerta com ações distintas — juridicamente defensável, operacionalmente acionável.
Exemplo 03 — Política antifraude para auditoria
❌ Prompt fraco
Escreva uma política antifraude para o nosso banco de consignado
Resultado: Texto genérico de “boas práticas” sem citação normativa específica, sem estrutura de compliance, sem atribuição de responsabilidades — não serve para auditoria regulatória.
✅ Prompt forte
Elabore política antifraude para banco médio com carteira de consignado privado B2B, 1.200 propostas/dia, canais misto. Inclua: objetivo, definições, responsabilidades por área, critérios de identificação por tipo de fraude, fluxo de escalada em 3 níveis, comunicação Bacen/Coaf (Circular 3.978/2020), trilha de auditoria. Citar artigos específicos da Res. CMN 4.557, Circular 3.978/2020 e Lei 10.820/2003.
Resultado: Documento de política com 9 seções numeradas, responsabilidades por área, fluxo de escalada com protocolo por nível, referências normativas com número de artigo — adequado para aprovação em comitê e evidência em supervisão regulatória.
Exemplo 04 — Análise de convênio suspeito
❌ Prompt fraco
Esse convênio parece suspeito. Analise e diga se devo bloquear.
Resultado: “Sem mais dados não posso dizer” ou resposta genérica sobre “critérios de avaliação de risco” — sem análise real porque o contexto é insuficiente.
✅ Prompt forte
Convênio privado varejista [ID_X]. Vínculos declarados: 180. Salário médio: R$2.800. Contratos ativos: 147. Saldo devedor: R$1,9M. Margem/salário média: 34,2%. 89% dos contratos no prazo máximo (96 meses). CNPJ aberto há 14 meses. Benchmark do setor: margem 28%, prazo máximo 42%, CNPJ médio > 5 anos. Gere análise de consistência, hipóteses de irregularidade e recomendação fundamentada.
Resultado: Análise com 4 desvios identificados acima do benchmark setorial, hipótese de fraude de margem com mecanismo descrito, recomendação de “solicitar documentação adicional + suspensão cautelar de novas operações” com justificativa normativa.
Exemplo 05 — KRIs para dashboard de risco
❌ Prompt fraco
Quais indicadores de risco devo monitorar no consignado?
Resultado: Lista de 5 a 7 KPIs genéricos sem fórmula de cálculo, sem fonte de dados, sem limiar de alerta e sem governança — o mesmo que qualquer manual introdutório de crédito entregaria.
✅ Prompt forte
Crie 20 KRIs antifraude para fintech de consignado privado B2B, 800 propostas/dia, canal misto. Para cada KRI: nome, fórmula, fonte de dados, frequência, benchmark normal, threshold atenção, threshold alerta, threshold crítico, ação por nível. Organize por categoria: Volume/Concentração, Qualidade, Comportamento, Canal, Regulatório. Inclua estrutura de dashboard com 10 KRIs prioritários para primeira tela do gestor de risco.
Resultado: 20 KRIs com especificação completa de fórmula, fonte e limiares, organizados por categoria com governança definida e estrutura de dashboard — pronto para implementação no BI da operação.
💡 A regra que resume tudo: Na análise de fraude financeira, o prompt vago gera análise que parece sofisticada mas é indefensável em auditoria. O prompt com dado concreto, contexto da operação e instrução de hipótese graduada gera análise que sustenta decisão regulatória.
Ferramentas além do ChatGPT: quando usar cada uma para antifraude em consignado
| Ferramenta | Melhor para | Gratuito? | Diferencial real |
|---|---|---|---|
| ChatGPT 4o | Análise de padrões em dados agregados, documentação regulatória, scorecard, relatórios de auditoria | Parcialmente | Melhor ferramenta de propósito geral para análise de risco e documentação técnica regulatória com linguagem de risco financeiro brasileiro |
| Neurotech | Quod | Scoring de fraude em tempo real no fluxo de aprovação, acesso a bureau de crédito | Não | Integração via API ao sistema de originação, decisão em milissegundos com modelo estatístico auditável pelo Bacen |
| DataValid (Serpro) | Validação de dados cadastrais contra base da Receita Federal e CPF | Pago (por consulta) | Única fonte oficial para validação de CPF, nome e data de nascimento contra a base da Receita Federal em tempo real |
| Unico | Idwall | Biometria facial, prova de vida e autenticidade de documento no onboarding digital | Não | Liveness detection e OCR de documento com comparação facial — cobre o vetor de fraude de identidade digital que o ChatGPT não toca |
| Power BI | Looker | Dashboard de KRIs em tempo real com atualização automática de dados do sistema | Parcialmente | Visualização contínua dos KRIs gerados no Prompt C-06 — o ChatGPT define os KRIs, o BI os monitora em tempo real |
Glossário rápido: termos técnicos deste guia
Se algum termo do guia pareceu novo, este glossário resolve em 30 segundos — sem precisar sair da página.
| Termo | O que significa na prática |
|---|---|
| Consignado B2B | Empréstimo consignado com desconto em folha de pagamento de funcionários de empresas privadas (B2B) — diferente do consignado INSS (aposentados) e do consignado público (servidores). |
| Margem consignável | O limite legal de comprometimento de renda para desconto em folha — atualmente 35% do salário líquido conforme a Lei 10.820/2003. Fraudes de margem inflam esse número artificialmente para aprovar valores maiores. |
| SCR (Sistema de Informações de Crédito) | Base de dados do Banco Central com as operações de crédito de todas as instituições financeiras — acesso obrigatório para concessão de crédito acima de R$ 200 por instituições habilitadas pelo Bacen. |
| Resolução CMN 4.557 | Norma do Conselho Monetário Nacional que estabelece as exigências de estrutura de gerenciamento de riscos (crédito, mercado, liquidez, operacional) para instituições financeiras autorizadas pelo Bacen. |
| PLDFT | Prevenção à Lavagem de Dinheiro e ao Financiamento do Terrorismo — conjunto de obrigações regulatórias de monitoramento, registro e comunicação de operações suspeitas ao Coaf, regidas pela Circular BCB 3.978/2020. |
| KRI (Key Risk Indicator) | Indicador de risco — métrica que monitora preventivamente a evolução de um fator de risco antes que ele se materialize em perda. Diferente do KPI (que mede desempenho passado), o KRI é prospectivo. |
| Cohort de safra | Grupo de contratos originados no mesmo período (safra) analisados juntos ao longo do tempo — permite identificar se a inadimplência de uma safra específica é anômala em relação às safras anteriores, o que pode indicar fraude sistêmica em um período. |
FAQ: dúvidas reais sendo respondidas 🔍
Usar IA para analisar dados de fraude em consignado viola a LGPD?
Depende de como os dados são inseridos. Dados agregados e anonimizados — taxas, médias, distribuições, IDs internos sem chave pública — podem ser usados em ferramentas de IA de propósito geral sem violação da LGPD, desde que a instituição tenha uma política de uso de IA aprovada pelo DPO. Dados individuais identificáveis — CPF, nome completo, número de conta, dados bancários — não devem ser inseridos em modelos de IA externos sob nenhuma circunstância. A regra prática: se o dado permite identificar um indivíduo específico, não entra no prompt.
A análise da IA pode ser usada como evidência em processo judicial ou regulatório contra um operador fraudador?
A análise da IA é um instrumento de suporte à investigação — não é prova per se. Para que a documentação gerada pela IA suporte um processo judicial ou regulatório, ela precisa: (1) ser baseada em dados factuais verificáveis que a instituição pode apresentar como evidência primária; (2) ser tratada como hipótese e não como conclusão confirmada; (3) ser validada por um analista de risco qualificado que assine a análise com responsabilidade. A IA produz o relatório estruturado; o analista é o responsável técnico que o valida e responde por ele.
Qual a diferença entre usar IA de linguagem e um sistema especializado de antifraude como o Neurotech ou Quod?
As diferenças são complementares, não concorrentes. Sistemas especializados (Neurotech, Quod, Konduto) operam em tempo real no fluxo de aprovação, têm acesso a bureaus de crédito e dados de mercado, e entregam score de fraude em milissegundos com modelo estatístico auditável pelo Bacen. A IA de linguagem (ChatGPT, Gemini) opera fora do fluxo transacional, processa dados que o analista fornece manualmente, e é excelente para análise aprofundada de padrões complexos, geração de documentação regulatória e estruturação de scorecard. A combinação ideal é: sistema especializado para triagem em tempo real + IA de linguagem para análise de exceções e documentação de política.
Como o Banco Central trata o uso de IA na gestão de risco de crédito?
A Resolução CMN 4.557/2017 exige que as instituições financeiras documentem e governem seus modelos de risco — incluindo modelos de IA — com critérios de validação, backtesting e supervisão humana. A Resolução BCB nº 265/2022 trata especificamente de riscos de modelos de IA e requer que as instituições mantenham trilha de auditoria das decisões automatizadas. O Bacen não proíbe o uso de IA na gestão de risco — mas exige explicabilidade (como o modelo chegou à decisão), documentação de validação e supervisão humana nas decisões de crédito que impactam o sistema financeiro. Os prompts desta lista geram outputs de suporte à decisão humana, não substituem a decisão automatizada — o que os mantém dentro do escopo regulatório vigente.
Quais são os sinais mais confiáveis de fraude em consignado B2B que a IA consegue identificar?
Os padrões com maior poder preditivo em fraudes de consignado B2B documentadas pelo mercado brasileiro são: (1) concentração anormal de contratos por operador — acima de 3 desvios padrão da média da rede; (2) velocidade de digitação abaixo de 3 minutos por proposta completa; (3) CNPJ do convênio com menos de 18 meses de abertura e volume desproporcional de propostas; (4) proporção margem/salário acima de 32% em mais de 80% dos contratos do convênio; (5) mais de 85% dos contratos no prazo máximo disponível; (6) saque integral dos recursos no D+1 após liberação. A combinação de 3 ou mais desses sinais no mesmo convênio ou operador tem correlação histórica com fraude confirmada superior a 73%, segundo dados publicados pelo sistema financeiro brasileiro.
Conclusão: a fraude que não foi detectada hoje vai aparecer na provisão do trimestre que vem 🙌
Os R$ 4,7 bilhões em fraudes de consignado em 2024 não foram roubados em assaltos. Foram aprovados — um a um, por analistas sobrecarregados que não tinham sistema, critério ou tempo para conectar os sinais que estavam todos ali. A promessa desta lista de prompts não é eliminar a fraude — é eliminar a desculpa de que “não dava para saber antes”. Com os dados certos estruturados no prompt certo, é possível saber antes. O que muda com a IA não é a capacidade de detectar fraude — é a consistência e a escala da detecção.
O impacto financeiro de um scorecard bem calibrado é direto: em operações onde a inadimplência 90 dias da carteira suspeita é 3 a 4 vezes maior do que a da carteira saudável, reduzir a aprovação de operações de alto risco em 15% pode representar uma queda de 30 a 45% na provisão de perdas — sem reduzir o volume total da operação. Em uma carteira de R$ 50 milhões, isso é R$ 2 a 3 milhões de provisão recuperados para resultado, apenas pela melhoria do critério de análise.
O próximo passo não é implementar todos os 18 prompts amanhã. É escolher o mais urgente para a operação hoje: se o problema é inconsistência de critério entre analistas, começa pelo Prompt A-01 (scorecard). Se o problema é um convênio específico que está gerando inadimplência anômala, começa pelo A-03 e B-01. Se o problema é a auditoria regulatória que está chegando, começa pelo C-04 (autoavaliação CMN 4.557). Um prompt aplicado com dado real muda mais do que 18 prompts salvos numa pasta que ninguém abre.
A fraude acontece na velocidade dos dados. A análise precisa acontecer na mesma velocidade. Agora ela pode.
Se você já tentou vender online, mas travou na criação de conteúdo, na conversa com o cliente ou no posicionamento. Este combo vai te entregar o mapa:
- Aprenda a conversar com a IA como um estrategista.
- Venda todos os dias no Instagram sem parecer vendedora.
- Posicione sua marca como expert com leveza e propósito.
Tudo isso com prompts prontos, estratégias de verdade e metodologia simples — testada e validada.
💡 Se você sente que tem potencial, mas não sabe como transformar isso em venda: Este é o passo certo.
R$19. Pagamento único. Menos que um lanche no iFood. Acesso vitalício. 💥 Se esse artigo te deu clareza, imagina ter um plano pra vender com IA todos os dias?
Ei, antes de ir: se este conteúdo te ajudou, você não pode perder o que separamos nestas outras categorias. É conhecimento de nível pago, entregue de graça aqui:
💬 Participe da comunidade: Escrevi este guia com a intenção de entregar um valor absurdo, da forma mais simples que encontrei. Se ele te ajudou de alguma forma, a melhor maneira de retribuir é compartilhando sua opinião.
Deixe seu comentário 👀 Faz sentido? Acha que as dicas valem o teste? Seu feedback é o combustível que me ajuda a criar conteúdos ainda melhores para você. E se você já testou algum prompt, compartilhe seus resultados! Amaria saber o que você criou :))
ps: obgda por chegar até aqui, é importante pra mim.
