Autoras: Maria Eugênia Faccio e Roberta Volpato Hanoff  |  Publicado em 2022 · Atualizado em julho de 2026

Toda empresa que faz análise de dados para decidir enfrenta a mesma pergunta silenciosa: em quem, ou em quê, essa decisão realmente se apoia? Implementar uma célula de inteligência capaz de analisar fatos e dados, indicar pontos de atenção e antecipar riscos deixou de ser diferencial competitivo e passou a ser condição de sobrevivência. O que mudou, de 2022 para cá, foi quem opera essa inteligência: onde antes havía planilhas e painéis de Business Intelligence, hoje há modelos de inteligência artificial que não apenas descrevem o passado, mas recomendam e, sob supervisão, executam ações.

Essa transição trouxe consigo uma exigência nova. Quando um algoritmo participa da decisão sobre risco, conformidade ou prevenção à lavagem de dinheiro, o órgão de governança precisa responder por ele: quais dados alimentaram o modelo, como a conclusão foi produzida, e quem a auditou. Em 2023, a ISO publicou a norma 42001, primeira estrutura internacional dedicada à gestão de inteligência artificial, que trata a IA como tema de governança, e não apenas de tecnologia. É dela que trata, agora, a discussão sobre análise de dados aplicada a GRC.

Inteligência de dados aplicada a GRC é o uso estruturado de análise, mineração e, hoje, inteligência artificial para transformar grandes volumes de dados em decisões de risco e conformidade rastreáveis — e sua eficácia depende de uma camada de governança que torne cada decisão auditável.

Da alfabetização de dados à alfabetização em IA

Há alguns anos falamos por aqui sobre Data Literacy, a alfabetização de dados: a capacidade das pessoas de ler, entender e enxergar relações de causa e efeito nos dados, sob todos os aspectos relevantes ao negócio. O conceito continua válido, e ganhou uma camada nova. Não basta mais que as pessoas saibam ler dados; é preciso que saibam interrogar os modelos de inteligência artificial que hoje leem esses dados por elas. A essa nova competência dá-se o nome de AI literacy, a alfabetização em inteligência artificial.

A distância entre uma organização que domina essa leitura e outra que apenas consome relatórios prontos é o tamanho do gap analítico que separa quem decide com base em evidência de quem decide no escuro. Com a IA no circuito, esse gap deixou de ser cultural e passou a ser também de governança: quem não entende como o modelo chega à resposta não tem como questioná-lo, e um modelo que ninguém questiona é um risco, não um ativo.

O que é uma célula de inteligência

Pode-se compor um setor dentro da organização que receberá todas as demandas de implementação de BI (Business Intelligence) de toda a companhia. Virão demandas dos mais diversos setores — Comercial, Marketing, Desenvolvimento Humano, Customer Success, Finanças, Gestão de Risco e Compliance, e todos os existentes — com as mais variadas possibilidades de cruzamento de diferentes fontes de dados na busca por respostas às hipóteses formuladas.

Essas hipóteses chamamos de “perguntas do negócio”. Por exemplo, o setor de Desenvolvimento Humano pode vir com uma pergunta do tipo: por que temos um alto índice de turnover? Ou uma hipótese: temos um alto índice de turnover porque os funcionários recebem pouco treinamento e, assim, não se adaptam. E aí entra o time de inteligência para confirmar ou descartar a hipótese e responder à pergunta realizada.

Esse squad pode ser composto por técnicos especializados em estruturar a arquitetura dos dados, especialistas do negócio, cientistas de dados, estatísticos, designers e, no caso de GRC, até auditores certificados. E como esse squad faz isso? Cruzando dados e entendendo tendências, correlações e possibilidades.

A esse squad, historicamente formado por esses perfis, soma-se hoje um novo papel: o responsável pela governança do modelo de IA, encarregado de garantir que as recomendações geradas por inteligência artificial sejam explicáveis, rastreáveis e auditáveis, conforme a ISO 42001.

Como a análise de dados entra na gestão de riscos

O risco inerente ao negócio muitas vezes carrega tendências ocultas que, no dia a dia, escapam à percepção humana. Sem uma base de dados estruturada e integrada a outras fontes, o modelo de gestão de risco e conformidade perde robustez e depende de esforço manual — justamente o oposto do que a automação e a inteligência artificial vieram oferecer. É na leitura cruzada de grandes volumes de dados que padrões de fraude, desvio e não conformidade se tornam visíveis antes de se materializarem em prejuízo.

Veja dois casos interessantes quanto ao uso da análise de dados aplicada aos negócios, especificamente em prevenção à fraude, lavagem de dinheiro e gestão de riscos.

Case 1 — Análise preditiva e mineração de dados ajudam a interromper o financiamento ao terrorismo

O ataque terrorista ao World Trade Center em 11 de setembro de 2001 salientou a importância da fonte aberta na inteligência. A promulgação do USA PATRIOT Act e a criação do Departamento de Segurança Nacional assinalaram a aplicação potencial de tecnologias informacionais e técnicas de mineração de dados para detectar lavagem de dinheiro e outras formas de financiamento ao terrorismo. Agências de aplicação da lei já vinham se concentrando em atividades de lavagem de dinheiro por meio de transações normais via bancos e outras organizações de serviços financeiros.

O foco de tais agências passou a recair sobre a precificação de transações internacionais como ferramenta de financiamento ao terrorismo. O comércio internacional vinha sendo usado por lavadores de dinheiro silenciosamente, a partir de países que não atraem atenção governamental. Essas transferências são possibilitadas pela superavaliação de importações e subavaliação de exportações. Um importador doméstico e um exportador estrangeiro, por exemplo, poderiam formar uma parceria e superavaliar importações, transferindo dinheiro do país comprador e resultando em crimes relacionados a fraudes alfandegárias, evasão fiscal e lavagem de dinheiro — e o exportador estrangeiro poderia ser membro de uma organização terrorista.

Técnicas de mineração de dados se concentram na análise de dados sobre transações de importação e exportação disponibilizados pelo departamento de comércio dos Estados Unidos e por entidades relacionadas. Preços de importação que excedem o quartil superior e preços de exportação inferiores ao quartil inferior acabam sendo rastreados. O foco recai sobre os preços anormais de transferências entre corporações, que podem resultar em deslocamento de renda tributável e fuga de impostos. Um desvio de preço observado pode estar relacionado a evasão fiscal, lavagem de dinheiro ou financiamento ao terrorismo — ou, ainda, dever-se a um erro na base de dados transacional. A mineração resulta em avaliação eficiente dos dados, o que, por sua vez, ajuda a combater o terrorismo.

Case 2 — Grupo de seguradoras reforça a gestão de riscos com mineração de texto

Quando questionado sobre o maior desafio enfrentado pelo setor de seguro automotivo na República Tcheca, Peter Jedlička não hesita. “Os sinistros envolvendo lesões corporais estão crescendo desproporcionalmente em comparação aos sinistros de danos veiculares”, afirma Jedlička, líder da equipe de serviços atuariais do Czech Insurers’ Bureau (CIB). A CIB é uma organização profissional de empresas seguradoras que lida com sinistros não segurados, internacionais e não rastreados. “Atualmente, os danos corporais representam cerca de 45% das queixas encaminhadas contra nossos membros, e essa proporção seguirá crescendo devido a recentes mudanças legislativas.”

Uma das dificuldades que as queixas de danos corporais impõem às seguradoras é que a extensão de uma lesão nem sempre é previsível logo após o acidente. Lesões que a princípio não ficam óbvias podem se revelar graves mais tarde, e lesões aparentemente leves podem se tornar problemas crônicos. Quanto antes as seguradoras conseguem estimar sua responsabilização com relação a custos médicos, mais precisamente podem gerir seu risco e consolidar recursos. No entanto, como as informações necessárias estão contidas em documentos não estruturados — como o boletim de ocorrência e declarações de testemunhas —, a análise manual consome um tempo enorme.

Para expandir e automatizar a análise desses dados não estruturados, a CIB empregou uma solução baseada em mineração de texto. Além de fazer previsões sobre requisições futuras de cobertura médica, a organização passou a usá-la para encontrar padrões que indicam tentativas de fraude e para identificar melhorias necessárias na segurança das estradas.

Esses cases foram retirados do livro ‘BUSINESS INTELLIGENCE e ANÁLISE DE DADOS para gestão do negócio’, dos autores Ramesh Sharda, Dursun Delen e Efraim Turban, disponível aqui.

O que percebemos nos casos

No primeiro, o foco esteve na mineração — é assim que chamamos o trabalho de transformar dados em informação relevante — das transações financeiras, dos preços de entrada e saída e dos fornecedores. No segundo, partimos de uma dor concreta sobre os sinistros e as lesões de alto custo não previsto, cujas informações estavam em documentos “fora do controle” da seguradora. Em ambos, a análise de dados respondeu às perguntas e hipóteses do negócio.

Os dois casos foram documentados quando essa análise ainda dependia de squads dedicados e ferramentas de mineração operadas manualmente. Hoje, modelos de inteligência artificial executam a mesma detecção de anomalias em tempo real e em escala muito maior, o que torna a pergunta sobre governança ainda mais urgente: quando o modelo aponta uma transação suspeita, é preciso poder explicar por que ele a apontou.

O PLD auditável: quando o regulador passa a exigir a trilha da decisão

A prevenção à lavagem de dinheiro (PLD) foi uma das primeiras áreas a adotar análise de dados em larga escala, e é também uma das que mais sentiram a virada regulatória. Não basta mais que um sistema aponte uma operação suspeita: o regulador passou a exigir que a instituição demonstre, de forma rastreável, como aquela conclusão foi produzida, com quais dados e sob qual critério. Um modelo de detecção que funciona como caixa-preta, por mais preciso que seja, deixou de ser suficiente diante da exigência de evidência auditável.

É nesse ponto que a lógica da ISO 42001 encontra o PLD. A norma não proíbe o uso de inteligência artificial na detecção de ilícitos financeiros; ela exige que esse uso seja governável — que a organização saiba explicar as decisões do modelo, controlar a qualidade dos dados que o alimentam e provar a terceiros, inclusive ao regulador, que o processo é íntegro. A análise de dados que liberta, como dizíamos, é hoje a análise de dados que também se deixa auditar.

Como implementar a análise de dados em oito passos

1. Defina sua estratégia de análise;
2. Defina funções e responsabilidades do projeto;
3. Defina a arquitetura corporativa;
4. Defina o que vai compor a arquitetura de dados e as análises;
5. Defina a governança de dados e conteúdos;
6. Defina os usuários finais;
7. Defina a disseminação do projeto pela companhia;
8. Defina a governança do modelo: quem responde pela IA, como ela é auditada e como suas decisões são explicadas (ISO 42001).

Perguntas frequentes

Conclusão

Montar e manter uma célula de inteligência completa exige custo e vivência que nem toda organização comporta internamente. Por isso, na prática, contar com uma consultoria especializada em GRC e PLD costuma acelerar a implementação e trazer a visão de quem já percorreu vários setores e clientes, formulando perguntas de negócio mais assertivas. Com a chegada da inteligência artificial ao circuito, some-se a isso a necessidade de estruturar a governança do modelo desde o início, e não como remendo posterior.

No Studio, discutimos e implementamos diariamente hipóteses da matriz de risco em inteligência de dados, tanto em GRC quanto especificamente em PLD, agora com a camada de governança de IA que a ISO 42001 tornou indispensável. Se você ficou com dúvidas sobre por onde começar, estamos aqui para ajudar. Porque a análise de dados, quando é governável, liberta e empodera.

Referências:
ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system. Genève: ISO, 2023. Disponível em: iso.org.
SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence e Análise de Dados para Gestão do Negócio. Porto Alegre: Bookman.
BANCO CENTRAL DO BRASIL — normas de prevenção à lavagem de dinheiro e ao financiamento do terrorismo (PLD-FT). Disponível em: bcb.gov.br.