Detecção de Mulas Financeiras: Como a IA Identifica Intermediários de Lavagem no Brasil

O mercado paralelo do aluguel de contas

"Alugo sua conta do Nubank, PicPay ou Mercado Pago por R$ 500 a semana. Pagamento adiantado via Pix." Mensagens exatamente como essa inundam grupos obscuros do Telegram e do WhatsApp no Brasil todos os dias. O crime organizado, operando fraudes em escala industrial, esbarrou em um gargalo logístico: como sacar bilhões de reais provenientes de golpes sem acionar os alarmes do sistema financeiro nacional. A solução encontrada por eles foi terceirizar a ponta mais vulnerável da lavagem de dinheiro usando as contas bancárias de laranjas.

Essas pessoas são as chamadas mulas financeiras. O conceito não é novo, mas a velocidade da operação mudou radicalmente. Antes do Pix, a lavagem dependia de TEDs, DOCs e saques físicos que levavam dias para liquidar. Agora em 2026, o dinheiro roubado em um golpe de falsa central telefônica entra na conta da mula e é pulverizado para outras trinta contas em questão de quatro ou cinco segundos. O fraudador usa scripts automatizados para limpar o saldo antes que a vítima perceba que foi enganada.

Nossa análise de mercado aponta que mais de 70% das fraudes transacionais no Brasil dependem diretamente de uma mula financeira para o "cash-out". Sem a mula, o dinheiro roubado não tem para onde ir e fica retido na instituição de origem. O Banco Central (BACEN) e o Conselho de Controle de Atividades Financeiras (COAF) sabem disso. A pressão regulatória sobre as instituições de pagamento chegou ao limite.

As velhas regras de compliance, baseadas em limites estáticos do tipo "bloquear transferências acima de R$ 10.000 durante a madrugada", tornaram-se obsoletas. O crime aprendeu a fatiar os valores. Para combater algoritmos criminosos, a Faria Lima e o Vale do Silício trouxeram modelos avançados de Machine Learning e Inteligência Artificial. Monitoramos essa transição de perto e a realidade é brutal: a instituição que não usa IA para caçar mulas hoje virou a lavanderia oficial do crime.

A anatomia da mula financeira moderna

Para treinar um modelo de Machine Learning, os engenheiros de dados precisam primeiro classificar o que estão procurando. Observamos que o ecossistema brasileiro de fraudes consolidou três perfis muito distintos de mulas financeiras, e a IA precisa de gatilhos diferentes para capturar cada um deles.

O primeiro perfil é a mula cúmplice ou "alugada". É o usuário legítimo, com histórico de crédito limpo, que decide vender o acesso ao seu aplicativo bancário por desespero financeiro ou ganância. Ele entrega a senha e o token para o fraudador. Para o sistema do banco tradicional, a conta parece perfeita. Tem tempo de casa, tem histórico de pagamento de boletos de luz e água. De repente, essa conta passa a receber dezenas de transferências Pix de pessoas desconhecidas e repassa tudo para exchanges de criptomoedas em minutos.

O segundo perfil é a mula vítima. São pessoas, geralmente idosos ou indivíduos com baixa instrução, enganadas por falsas ofertas de emprego. O golpista afirma que a pessoa foi contratada como "processadora de pagamentos" e que o trabalho dela é receber valores e repassar para fornecedores, ficando com 5% de comissão. A vítima comete o crime de lavagem de dinheiro acreditando estar trabalhando honestamente.

O terceiro perfil é a identidade sintética. Aqui a sofisticação assusta. Criminosos compram pacotes de dados vazados na dark web, contendo CPF, nome da mãe, data de nascimento e fotos do rosto da vítima. Com softwares de deepfake, eles enganam a prova de vida (liveness) dos aplicativos de fintechs como C6 Bank, Inter ou Stone, e abrem uma conta no nome de uma pessoa real que nem imagina ter vínculo com aquela instituição. Essa conta já nasce com o único propósito de ser uma mula.

Modelos de IA modernos não olham apenas para o CPF. Eles processam milhares de variáveis em tempo real para identificar a mudança abrupta de comportamento que caracteriza a ativação de qualquer um desses três perfis.

Grafos: Como o Machine Learning enxerga o crime

Se você opera um banco digital ou uma adquirente, preste atenção aqui. A tecnologia que mudou o jogo na detecção de lavagem de dinheiro chama-se análise de banco de dados em grafos (Graph Database Analysis). Enquanto bancos de dados relacionais tradicionais organizam informações em tabelas de linhas e colunas, os grafos organizam os dados como uma rede de nós e conexões.

Na prática, cada conta bancária, CPF, aparelho celular (Device ID), endereço IP e chave Pix é um "nó". As transações financeiras são as "arestas" que conectam esses nós. O Machine Learning varre essa teia de aranha em milissegundos para encontrar o que chamamos de topologia do crime.

Imagine a conta bancária do João. O João nunca transferiu dinheiro para a Maria. A Maria nunca transferiu dinheiro para o Pedro. Em um banco de dados comum, não há relação entre eles. Mas a IA baseada em grafos percebe que João, Maria e Pedro logaram em suas contas usando o mesmo endereço IP de um provedor de internet obscuro na Baixada Fluminense. Pior: os três aparelhos celulares compartilham o mesmo BSSID (identificador do roteador Wi-Fi).

Quando a conta de uma vítima de sequestro relâmpago transfere R$ 50.000 para o João, o algoritmo já sabe que João faz parte de um cluster de risco. O João repassa R$ 15.000 para a Maria e R$ 35.000 para o Pedro. A IA bloqueia as três contas simultaneamente, no meio da madrugada, antes que o dinheiro saia para uma conta externa. O modelo de grafos entende a rede de relacionamentos invisíveis.

Fintechs brasileiras de ponta processam mais de 10.000 transações por segundo usando essa arquitetura. A avaliação de risco ocorre em menos de 200 milissegundos. Se a transação tentar sair de um nó isolado para um nó centralizador (uma conta que recebe dezenas de micro-depósitos de CPFs não relacionados), o score de fraude dispara e o Pix entra em retenção cautelar.

O conceito de Velocity e o "despertar" suspeito

Dentro dos modelos de Machine Learning, uma das features mais pesadas é o "Velocity" — a velocidade com que o dinheiro entra e sai. Mulas financeiras não guardam dinheiro. Elas funcionam como canos de passagem. A IA mede o tempo exato entre o "cash-in" e o "cash-out". Se uma conta que costumava fazer duas transações por semana passa a receber dez Pix por hora e zerar o saldo em menos de 60 segundos após cada recebimento, o algoritmo corta o acesso imediatamente.

Contas dormentes são o alvo favorito. O fraudador aluga uma conta que estava sem uso há oito meses. O primeiro sinal que a IA capta é o "despertar". Um login feito em um dispositivo novo, seguido de uma alteração de limite Pix, seguido de pequenos recebimentos testes. O modelo preditivo já classifica a conta como "Mula em Aquecimento" e congela o saldo assim que o volume real de fraude tenta passar.

Biometria comportamental: O celular entrega o criminoso

A arma mais secreta e fascinante dos bancos na caça às mulas é a biometria comportamental. Não estamos falando de ler a impressão digital ou escanear o rosto. Estamos falando de como o usuário interage físicamente com o aplicativo instalado no smartphone.

A Inteligência Artificial aprendeu a sua "assinatura motora". O Nubank ou o Itaú sabem que você costuma segurar o telefone com a mão direita, em um ângulo de 45 graus (lido pelo giroscópio do celular). Sabem que você digita a sua senha com uma cadência específica — demora 300 milissegundos entre o primeiro e o segundo número, mas aperta os dois últimos muito rápido. Sabem a força que o seu dedo aplica na tela touchscreen.

Quando o criminoso assume o controle da conta da mula, a biometria comportamental grita. O fraudador não opera como um humano comum. Ele usa emuladores de Android rodando em computadores desktop. Ele não digita a chave Pix; ele usa o comando "Ctrl+C / Ctrl+V" em uma fração de segundo impossível para um dedo humano.

A IA detecta a ausência de micromovimentos do giroscópio (o celular está perfeitamente imóvel na mesa, ou pior, é um software simulando um celular). A navegação pelas telas do app é rápida demais, cirúrgica, focada apenas na área de transferência. Ao cruzar a assinatura motora anômala com o recebimento de valores atípicos, a equação se fecha. O sistema derruba a sessão do usuário, exige uma nova prova de vida com biometria facial e trava o dinheiro.

Empresas de cibersegurança que fornecem essa tecnologia para o mercado brasileiro relatam que a biometria comportamental reduziu a evasão de divisas por mulas em quase 60% nas instituições que a adotaram de forma agressiva.

O cerco regulatório do BACEN e COAF

A tecnologia não avançou apenas pela boa vontade das empresas. A pressão regulatória tornou-se insustentável. O Banco Central do Brasil, através da Resolução Conjunta nº 6 e suas atualizações, instituiu o Mecanismo Especial de Devolução (MED). O MED obriga os bancos a devolverem o dinheiro de fraudes Pix caso a instituição receptora não tenha feito o bloqueio cautelar a tempo.

Na prática: se o PagSeguro recebe um Pix fraudulento de uma conta do Banco do Brasil, e o PagSeguro deixa o fraudador sacar esse dinheiro, o BB aciona o MED. Se a conta no PagSeguro for classificada como mula e a fintech não tiver sistemas adequados de prevenção, ela absorve a perda ou sofre sanções do regulador. O risco financeiro de abrigar mulas passou a impactar o balanço contábil das empresas.

O COAF (Conselho de Controle de Atividades Financeiras) também apertou o cerco com a Circular 3.978. As instituições são obrigadas a reportar movimentações atípicas que configurem indícios de lavagem de dinheiro. Operar milhares de contas laranjas sem reportar ao regulador resulta em multas milionárias e perda da licença de operação. A Inteligência Artificial deixou de ser um diferencial de inovação e passou a ser o único escudo jurídico dos diretores de compliance.

O dilema do falso positivo no varejo

Nem tudo é perfeito na implementação desses modelos. O maior pesadelo de um diretor de risco é o falso positivo — bloquear um cliente excelente achando que ele é um criminoso. Se a calibração do Machine Learning for rígida demais, o atrito destrói a experiência do usuário.

Imagine um comerciante de bairro que usa a sua conta pessoa física do Mercado Pago para receber pelas vendas do fim de semana. Em um sábado de muito movimento, ele recebe cinquenta transferências Pix de valores variados de pessoas desconhecidas. Logo em seguida, ele transfere todo o dinheiro para a conta do seu fornecedor de bebidas. Para um algoritmo mal treinado, o comerciante agiu exatamente como uma mula financeira: alto volume de recebimentos fragmentados seguido de cash-out rápido.

Bloquear esse comerciante significa perder um cliente fiel e gerar reclamações no ReclameAqui e no BACEN. Os times de Data Science passam meses ajustando a "Precision" e o "Recall" dos algoritmos. Eles inserem variáveis de contexto: geolocalização do ponto de venda, histórico de transações em sábados anteriores, e cruzamento de dados com a base da Receita Federal para entender a natureza econômica daquele CPF.

O equilíbrio perfeito exige poder computacional massivo. As redes neurais precisam aprender a diferença sútil entre um pico de vendas de e-commerce na Black Friday e um ataque coordenado de lavagem de dinheiro de uma quadrilha do PCC.

Implicações práticas para a sua operação

Se você está estruturando uma fintech, uma plataforma de apostas (Bet) regulamentada, ou um marketplace, a lição de casa é pesada. A responsabilidade solidária sobre o trânsito do dinheiro sujo já é uma realidade jurídica no Brasil.

Primeiro, sua esteira de onboarding (abertura de conta) precisa de fricção inteligente. Aceitar qualquer CPF apenas para inflar a base de usuários ativos é suicídio financeiro a longo prazo. O custo de encerrar contas suspeitas e responder ofícios do judiciário será maior que a receita gerada.

Segundo, o monitoramento transacional deve ser contínuo. Não basta checar o cliente na entrada; a IA precisa avaliar o risco a cada milissegundo logado. Terceirize a tecnologia se não puder construir dentro de casa. Soluções de biometria comportamental e grafos já são oferecidas no modelo SaaS (Software as a Service) por empresas especializadas, permitindo que operações menores tenham o mesmo nível de defesa dos grandes bancos de varejo.

O futuro da prevenção: Consórcios de dados

O crime organizado não opera em silos. Eles testam as defesas do Nubank hoje, do Itaú amanhã, e da Stone depois de amanhã. O sistema financeiro brasileiro entendeu que tratar a fraude como vantagem competitiva isolada é um erro. O futuro da detecção de mulas financeiras reside no compartilhamento criptografado de dados de inteligência.

Iniciativas desenhadas pela Febraban e o avanço do Open Finance começam a pavimentar o caminho para consórcios de dados de segurança. O Machine Learning do banco "A" poderá consultar um hash anonimizado no banco "B" para saber se aquele determinado Device ID já foi útilizado por uma mula no passado, sem expor dados sensíveis do cliente ou ferir a LGPD.

A conta final é simples: a tecnologia de caça às mulas está reescrevendo as regras da lavagem de dinheiro no Brasil. O fraudador continuará buscando brechas, mas a janela de oportunidade está cada vez menor, mais cara e muito mais arriscada. O Pix trouxe a velocidade instantânea para o dinheiro; a Inteligência Artificial trouxe a velocidade instantânea para a justiça financeira.