Um guia prático elaborado por Ben, estrategista de fraudes e estornos da Chargeflow e mentor no MRC

O comércio agênico está redefinindo as regras do jogo em matéria de risco

Os agentes de IA não estão apenas influenciando as compras, mas também começando a realizá-las. À medida que esses sistemas automatizados assumem cada vez mais o processo de compra, surgem novos desafios em relação à forma como os comerciantes detectam fraudes, compreendem a intenção do cliente e evitam estornos. 

Vejo essa mudança todos os dias. Os dados sobre contestações revelam uma tendência crescente de clientes contestarem cobranças resultantes de decisões automatizadas que eles não compreenderam totalmente ou não esperavam. Através do meu trabalho como mentor de equipes de combate à fraude, da minha participação no Comitê de Fraude do MRC e da colaboração diária com as operações comerciais, observo como tanto os clientes quanto os fraudadores estão se adaptando a essa nova forma de fazer compras. 

Este guia concentra-se em questões que já estão sendo discutidas, em vez de previsões sobre um futuro distante. Esses casos mostram a rapidez com que as compras orientadas por agentes estão moldando o risco pós-compra. 

Como o comércio agênico muda a forma de lidar com fraudes

As ferramentas tradicionais de detecção de fraudes partem do princípio de que há um ser humano por trás de cada ação. Essa suposição começa a falhar no momento em que o comprador passa a ser um agente autônomo.

No início desta seção, incluí a seguinte citação do setor, pois ela ilustra claramente essa mudança:

“Os agentes de IA não são apenas assistentes — eles estão se tornando tomadores de decisão no comércio, e a infraestrutura de pagamentos projetada para humanos precisa ser repensada.” — Visa

À medida que os agentes ganham maior controle, muitos dos sinais tradicionais perdem sua confiabilidade. Impressões digitais de dispositivos, padrões de perfis comportamentais, sinais de atrito e trajetórias de navegação têm origem em comportamentos humanos. Os agentes agora agem de maneiras previsíveis e “consistentes com o funcionamento das máquinas”, que os sistemas existentes não conseguem processar.

Fica muito mais difícil verificar a intenção. Às vezes, o cliente esperava que o agente agisse, mas não da maneira específica como isso ocorreu. Outras vezes, o agente agiu com base em uma lógica aprendida que o cliente havia ignorado ou esquecido. Os fraudadores estão se aproveitando dessa falta de clareza. Ao mesmo tempo, clientes legítimos estão contestando cobranças devido à sua própria confusão, em vez de um uso indevido deliberado.

O risco vai muito além da fraude. Há um descompasso cada vez maior entre o que os clientes esperam e o que o agente decide.

3. Cenários reais que Ben já está observando

Entre os comerciantes que utilizam o processo de compra orientado por agentes, estão surgindo vários padrões consistentes. Eles aparecem em relatórios de disputas, discussões de atendimento ao cliente e análises de fraudes, refletindo a rapidez com que o comércio orientado por agentes está mudando a estrutura do risco pós-compra. Essa mudança também está em consonância com as recentes conclusões da Money20/20 sobre como as compras orientadas por IA já estão alterando os padrões de fraude e a intenção do cliente.

‍

Aqui estão alguns exemplos:

A. Compras feitas pela IA das quais o cliente não se lembra

Muitos comerciantes já estão enfrentando disputas relacionadas a pedidos que foram tecnicamente autorizados, mas não solicitados conscientemente pelo cliente. Um sistema pode reabastecer itens com base no comportamento anterior, na disponibilidade ou no aprendizado de preferências. No entanto, o cliente pode não se lembrar de ter dado essa aprovação ou pode nem perceber que a automação está funcionando em segundo plano.

Quando a cobrança aparece, o instinto do cliente é negar qualquer envolvimento. Mesmo que o pedido seja legítimo, o comerciante não consegue provar facilmente a intenção, pois não foi uma pessoa que concluiu a transação. Foi o Agente. 

Na maioria dos casos, a confusão resulta diretamente em um estorno.

B. Erros cometidos por terceiros

Os agentes foram projetados para otimizar, não para interpretar o contexto humano. Eles podem escolher um produto ligeiramente diferente do esperado, selecionar um fornecedor que o cliente normalmente não utilizaria ou comprar a quantidade errada, dependendo de como analisaram a solicitação ou os dados.

Em vez de entrar em contato com o suporte, muitos clientes recorrem diretamente à sua operadora quando a decisão do agente não atende às suas expectativas. A contestação passa a ser a forma que o cliente encontra para corrigir o que considera um erro, mesmo que a transação fosse tecnicamente válida do ponto de vista do agente.

C. Uso indevido das APIs de automação

Os fraudadores já sabem que o tráfego automatizado se mistura consideravelmente melhor do que o tráfego humano ou manual. Ao falsificar padrões de agentes ou explorar pontos de extremidade de automação, eles conseguem gerar transações que parecem estruturadas, consistentes e de baixo risco para os sistemas de detecção de fraudes tradicionais.

Como esses fluxos contornam muitos indicadores humanos, para o comerciante, a atividade parece normal e condizente com uma automação legítima. Somente após a abertura da contestação é que o padrão se revela como sintético. Essa abordagem está ganhando força porque aproveita as lacunas criadas pelos fluxos de trabalho conduzidos por agentes.

D. Falsos positivos que geram estornos futuros

Alguns comerciantes estão enfrentando disputas decorrentes de atritos gerados no próprio sistema de detecção de fraudes, e não da fraude em si.

Os fluxos conduzidos por agentes às vezes acionam regras de fraude, exigem verificação adicional ou são recusados. O cliente fica então confuso e frustrado com o processo, especialmente quando o agente conduziu o fluxo “sem que ele percebesse”. Mais tarde, quando uma cobrança legítima aparece, o cliente a contesta simplesmente porque sua confiança no fluxo já havia sido abalada.

Essas situações são totalmente evitáveis, mas mostram como é fácil que o comportamento do agente e as expectativas humanas fiquem em desacordo.

4. Por que as ferramentas e os manuais tradicionais de combate à fraude falham

A maioria dos sistemas e ferramentas de combate à fraude em pagamentos antecipados foi desenvolvida numa época em que havia intervenção humana em todas as etapas da jornada do cliente. O comércio orientado por agentes rompe com esse paradigma, o que significa que algumas das ferramentas mais eficazes do conjunto de soluções de um comerciante deixam de funcionar como esperado.

Os modelos de risco baseados em dispositivos perdem o sentido.

Os modelos tradicionais dependem fortemente das características dos dispositivos para identificar comportamentos suspeitos. Quando o “comprador” é um agente que opera em servidores ou ambientes em nuvem, os atributos do dispositivo deixam de estar associados à identidade ou à intenção humana. Isso elimina um importante ponto de referência na lógica de detecção de fraudes existente.

As regras de velocidade começam a classificar incorretamente os fluxos automatizados.

Os agentes costumam operar de acordo com horários ou ciclos lógicos que se repetem em intervalos previsíveis. As regras de velocidade tradicionais (por exemplo, baseadas na hora exata da atividade) são projetadas para sinalizar comportamentos humanos repetitivos. Elas escalam indevidamente atividades normais dos agentes, gerando falsos positivos que levam a atritos, perda de receita e disputas posteriores.

A análise comportamental não consegue interpretar padrões não humanos.

Modelos que se baseiam no movimento do mouse, na rolagem, no tempo de pausa ou na velocidade entre as ações perdem eficácia porque os agentes não seguem as normas de interação humana. O que parece suspeito em um contexto humano pode ser totalmente legítimo quando um agente está executando o fluxo.

A revisão manual torna-se impossível de gerenciar.

As transações conduzidas por agentes aumentam o volume, ao mesmo tempo em que reduzem a visibilidade. Casos que antes exigiam alguns minutos de análise agora carecem dos sinais humanos nos quais os revisores se baseiam. A revisão manual não consegue acompanhar o ritmo da automação e, mesmo quando as equipes tentam fazê-lo, os resultados são inconsistentes porque os sinais subjacentes estão incompletos.

A maior discrepância surge durante os litígios.

Mesmo quando um comerciante sabe que uma transação é legítima, provar a intenção torna-se significativamente mais difícil. Os emissores esperam evidências que demonstrem uma ligação clara entre o cliente e a compra. No comércio por procuração, parte dessa ação é delegada. Sem novos tipos de dados comprovativos, os comerciantes perdem os processos simplesmente porque as evidências não são suficientes para resolver a disputa.

Os sistemas legados não estão falhando por serem fracos. Estão falhando porque nunca foram projetados para ambientes em que são os agentes, e não os seres humanos, que realizam grande parte do processo de compra.

5. A transição para a inteligência pós-compra (ponto de vista de Ben)

À medida que o comércio orientado por agentes cresce, os sinais mais importantes geralmente surgem após a transação, e não antes dela. Os controles pré-compra foram concebidos para lidar com o comportamento humano e as dificuldades que surgem quando a intenção é compartilhada entre um ser humano e um agente. Nesse contexto, evitar perdas exige uma maior visibilidade sobre o que só fica claro depois que o pedido é efetivado.

A inteligência pós-venda preenche as lacunas deixadas pelos sistemas legados. Ela ajuda a responder a perguntas que não podem ser resolvidas no momento da finalização da compra, incluindo:

• Esse pedido faz sentido, considerando o histórico de comportamento do cliente, ou indica confusão ou uma automação não intencional?
• Esse agente é reconhecido por uma rede mais ampla de comerciantes, ou é novo, não verificado ou apresenta um comportamento inconsistente?
• Transações semelhantes em outros estabelecimentos comerciais resultaram em contestações que indiquem uso indevido ou novas técnicas de fraude?
• Existem inconsistências nos atributos de identidade ou do dispositivo que sugiram uma manipulação por trás da automação?

Esses sinais fornecem um contexto que as ferramentas de pré-venda não conseguem oferecer. Eles ajudam a determinar quando um agente agiu de forma contrária às expectativas do cliente, quando a automação está sendo mal utilizada e quando um padrão recorrente tem chances de se transformar em uma reclamação.

Até hoje, em muitos casos, a única maneira confiável de compreender a intenção do comprador com clareza suficiente para intervir antes que ele se envolva tem sido a análise pós-compra. Isso dá aos comerciantes a oportunidade de entrar em contato, verificar, corrigir erros ou cancelar pedidos antes que se transformem em estornos e, no caso de produtos físicos, antes que os produtos sejam enviados.

A inteligência pós-compra é mais do que uma simples atualização. Trata-se de uma mudança necessária na forma como os comerciantes protegem suas receitas em um ambiente em que são os agentes, e não os seres humanos, que iniciam a maior parte do processo de compra.

6. Como a Chargeflow previne problemas e apoia os comerciantes no comércio agênico

Embora este guia não se concentre em produtos, é importante reconhecer que os comerciantes precisam de ferramentas que reflitam a realidade das compras realizadas por intermediários. A automação cria lacunas que os sistemas tradicionais de combate à fraude nunca foram projetados para lidar, e muitos comerciantes estão buscando maneiras práticas de preencher essas lacunas sem causar atritos nem exigir trabalho manual.

O Chargeflow Prevent foi desenvolvido tendo esse ambiente em mente. Ele utiliza pontuação pós-compra, inteligência em nível de rede e reconhecimento de identidade e agente para ajudar os comerciantes a entender quando uma transação provavelmente levará a uma contestação. Esses sinais fornecem contexto sobre o comportamento por trás de um pedido, incluindo padrões que nunca aparecem durante o checkout.

Essa abordagem apoia a transição da modelagem de fraudes centrada no usuário para a avaliação de riscos centrada no agente. Ela ajuda os comerciantes a distinguir a automação legítima do uso indevido, identificar sinais precoces de confusão ou compras não intencionais e intervir antes que uma cobrança se transforme em um estorno.

Meu objetivo não é promover uma solução específica, mas sim destacar que os comerciantes precisam agora de camadas de proteção preventiva que reflitam as mudanças no comércio. As transações conduzidas por agentes exigem um tipo diferente de visibilidade, e ferramentas como o Chargeflow Prevent foram projetadas para oferecer essa visibilidade de maneira prática e aplicável.