As 45 Dias da Conta Mula: Por Que o FRAML Precisa de IA Agêntica

A maior parte das instituições financeiras só identifica uma conta mula depois de ela já ter sido usada. A descoberta ocorre quarenta e cinco dias mais tarde — quando o dinheiro já circulou, o prejuízo já se materializou e o rastro já esfriou.

Esse valor, retirado de dados da Autoridade Bancária Europeia e do Conselho Europeu de Pagamentos divulgados no ciclo 2024–2026, não constitui uma anomalia. Trata-se de uma média estrutural. Contas mula — contas reais abertas por pessoas reais que, depois, viabilizam a circulação de recursos de origem criminosa — ficam ativas por 45 dias até a detecção, sobretudo porque os dois sistemas capazes de identificá-las continuam a funcionar em silos distintos: a detecção de fraudes e a prevenção à lavagem de dinheiro (PLD).

Esse é o problema para o qual o FRAML foi concebido. E, em 2026, a IA agêntica é o que torna o FRAML operacionalmente viável na velocidade que a ameaça impõe.

O Que uma Conta Mula Realmente É

Uma conta mula não equivale a uma identidade sintética. Tampouco se trata de uma burla por deepfake. Quem a abriu é real, passou pela verificação e, no instante do cadastro, cumpria por completo os requisitos de KYC. Justamente essa combinação é o que torna essa categoria tão difícil de identificar.

O recrutador de mulas atua a montante, mirando pessoas que já atravessaram a verificação de identidade e já possuem contas legítimas. A Agência Nacional do Crime do Reino Unido estima que 60% dos mulas recrutados têm menos de 30 anos, muitas vezes abordados via redes sociais, comunidades de jogos e anúncios de emprego falsos que prometem renda fácil por "gestão financeira" ou "processamento de pagamentos". Parte dos recrutas sabe que está facilitando um crime (mulas voluntários). Outros julgam estar envolvidos em uma atividade legal em zona cinzenta (mulas coniventes). Uma minoria crescente é de fato enganada para ceder seus dados bancários sem entender o propósito (mulas involuntários).

No Reino Unido, a Financial Conduct Authority apontou mais de 207.000 contas pessoais ativas como contas mula só em 2024 — alta de 22% frente ao ano anterior. Não se trata de casos isolados. Formam um pipeline de recrutamento e implantação industrializado que opera numa escala capaz de questionar a premissa de que a verificação KYC, por mais rigorosa que seja, garante imunidade contra fraudes posteriores ao cadastro.

Por Que o KYC de Onboarding Não Detecta Esse Padrão

Quem defende o KYC perpétuo argumenta isso há anos: a verificação de identidade num único instante só responde a quem alguém era no momento do cadastro. Nada diz sobre o que essa pessoa faz depois.

Uma conta que supera todos os controles documentais, os testes de detecção de vivacidade e a triagem de sanções no onboarding pode virar conta mula seis semanas mais tarde. A pessoa permanece a mesma. O risco mudou. O registro KYC não registra nada disso.

Esse modo de falha é estruturalmente distinto da fraude de tomada de conta, em que um criminoso sequestra uma conta legítima. Nas contas mula, o titular conserva o controle e facilita de forma ativa — nem sempre de maneira consciente — a atividade criminosa. As heurísticas clássicas de detecção de fraude não capturam isso porque não houve acesso não autorizado. O monitoramento PLD tradicional também não captura, já que os volumes de transações na fase inicial da atividade mula são calibrados para permanecer abaixo dos limiares de alerta.

A brecha entre esses dois sistemas — a detecção de fraudes e a PLD — é o espaço em que as contas mula permanecem por esses 45 dias.

FRAML: Quando Fraude e PLD Operam com o Mesmo Cérebro

O FRAML — a convergência das funções de detecção de fraudes e prevenção à lavagem de dinheiro — não é um conceito inédito, mas sua urgência se acentuou de forma considerável em 2026. Num evento da ACAMS em Nova York, em março de 2026, os profissionais descreveram o tema como "o colapso dos silos na era da IA e dos pagamentos instantâneos". Essa formulação captura com precisão o que está em jogo.

O modelo organizacional clássico isola fraude e PLD em equipes distintas, com infraestruturas de dados distintas e filas de alertas separadas. Essa divisão fazia sentido administrativo quando a fraude era sobretudo uma questão de proteção ao consumidor — reembolsos, disputas — e a PLD era sobretudo uma obrigação de reporte regulatório. A atividade de contas mula dissolve essa distinção. Uma conta mula é, ao mesmo tempo, as duas coisas: um vetor de fraude, em especial para a fraude de pagamento autorizado (fraude APP), e um mecanismo de lavagem de dinheiro.

A fraude APP impõe um desafio particular porque é a vítima quem inicia a transferência. Isso torna os frameworks convencionais de detecção de fraude quase inúteis — o titular da conta está autenticado, a transação está autorizada e o registro KYC está limpo. As perdas por fraude APP estão projetadas para atingir US$ 5,25 bilhões nos EUA, no Reino Unido e na Índia até 2026, com crescimento composto de cerca de 21% ao ano. No plano global, as perdas com fraude em pagamentos online devem ultrapassar US$ 343 bilhões de forma cumulativa entre 2024 e 2027.

O Office of the Comptroller of the Currency americano tratou disso de forma direta na Perspectiva de Risco Semestral de 2025: um evento de fraude cujo resultado são fundos que transitam por uma conta mula passa agora a ser classificado formalmente como falha sob o Bank Secrecy Act e as normas de PLD. As instituições não podem apenas impedir a fraude — precisam rastrear a movimentação dos fundos ligados à fraude. Trata-se de uma mudança material na responsabilidade regulatória.

Um framework FRAML dissolve os silos. Sinais de fraude alimentam investigações de PLD. Padrões de transações de PLD apontam possíveis redes de fraude. Dados comportamentais circulam sem restrição entre as duas funções. Na prática, isso exige infraestrutura de dados unificada e — dado o volume de transações — inteligência de máquina capaz de atuar sobre esses dados unificados em tempo real.

Pagamentos Instantâneos Alteram o Cálculo

O Regulamento Europeu de Pagamentos Instantâneos elevou de forma significativa a urgência. Os prestadores de serviços de pagamento da zona euro passaram a ter de receber pagamentos instantâneos a partir de janeiro de 2025 e de enviá-los a partir de outubro de 2025. Em ambientes de pagamento em tempo real, o dinheiro pode liquidar-se em segundos — o que significa que o atraso médio de detecção de 45 dias não é só um inconveniente operacional. É quase uma certeza de que os fundos já são irrecuperáveis no instante em que um alerta entra na fila.

O processamento de PLD em lote — execuções noturnas, revisões semanais, relatórios trimestrais — é incompatível, do ponto de vista arquitetural, com os trilhos de pagamentos instantâneos. Se detecção e investigação operam num ciclo de 24 a 48 horas e as transferências se concluem em menos de dez segundos, o sistema de compliance trabalha num horizonte temporal fundamentalmente distinto do da ameaça que deveria identificar.

O Que a IA Agêntica Acrescenta ao FRAML

Detectar atividade de contas mula em velocidade relevante exige ultrapassar um limiar de capacidade que os sistemas baseados em regras não atingiram de forma consistente. As tipologias de mulas são dinâmicas — calibradas contra os limiares de alerta conhecidos, deliberadamente variadas para escapar ao reconhecimento de padrões e distribuídas por múltiplas contas e instituições para fragmentar o sinal.

A IA agêntica altera o modelo operacional de três formas específicas.

Correlação entre contas. Uma conta mula isolada produz sinais fracos. Uma rede de vinte contas mula — cada uma recebendo pequenos influxos da mesma origem fraudulenta e encaminhando-os a um ponto de consolidação em horas — produz uma assinatura em nível de grafo que é detectável, mas só se os dados das vinte contas puderem ser analisados em conjunto. Modelos de aprendizado não supervisionado conseguem identificar esses padrões em nível de rede em milhões de contas sem exigir tipologias predefinidas. O relatório do HKMA de junho de 2026 sobre adoção de IA no combate ao crime financeiro reuniu quatro estudos de caso de bancos operacionais em que a detecção de redes mula por IA encurtou o tempo de identificação de semanas para horas.

Anomalia comportamental em nível de conta. Antes de uma conta mula ser formalmente ativada, ela costuma exibir mudanças comportamentais — variações abruptas na frequência de transações, novos beneficiários fora dos padrões estabelecidos, influxos de contrapartes desconhecidas. Os sistemas agênticos acompanham esses sinais de forma contínua e disparam fluxos de trabalho de investigação sem esperar iniciativa humana. A plataforma Ray da ThetaRay, lançada em janeiro de 2026, demonstrou que os pipelines de investigação agênticos podem reduzir o tempo de resolução de casos em mais de 50% e, ao mesmo tempo, melhorar a consistência entre jurisdições.

Integração de dados em tempo real. O gargalo essencial nas abordagens em silos é a latência na transferência de dados entre sistemas de fraude e PLD. As arquiteturas de IA agêntica erguidas sobre infraestrutura de dados unificada eliminam essa latência, permitindo que sinais de fraude informem alertas de PLD no mesmo ciclo de processamento.

Para instituições que constroem infraestrutura de gestão de identidade agêntica, a abordagem arquitetural permanece a mesma: agentes autônomos atuando ao longo de todo o ciclo de vida do relacionamento com o cliente, e não apenas no ponto de onboarding.

O Que os Reguladores Esperam em 2026

A direção regulatória não deixa margem a dúvida. A classificação de falha BSA/PLD do OCC para eventos de fraude facilitados por mulas coloca a responsabilidade de detecção diretamente sobre as instituições receptoras. As regras de responsabilidade por fraude APP do Regulador de Sistemas de Pagamento do Reino Unido (PSR), vigentes desde outubro de 2024, obrigam bancos emissores e receptores a dividir os custos de reembolso — o que cria incentivo financeiro direto para que as instituições receptoras identifiquem a atividade mula de forma agressiva e proativa.

Dimensão	Abordagem Tradicional em Silos	FRAML + IA Agêntica
Atraso na detecção	45+ dias (média ABE)	Horas ou menos
Escopo dos dados	Silos separados de fraude e PLD	Visão multicanal unificada
Identificação de redes mula	Raramente detectadas como redes	Correlação em nível de grafo
Resposta a limiares	Calibrada por criminosos	Detecção de anomalias não supervisionada
Exposição regulatória	Risco de falha BSA/PLD	Postura de compliance proativa
Carga dos analistas	Alta — construção manual de casos	Triagem agêntica e pré-investigação

Um framework FRAML com detecção agêntica não extingue o risco de contas mula. O que faz é colapsar a janela de detecção de 45 dias. Com monitoramento comportamental em nível de rede e dados unificados de fraude e PLD, prazos de detecção de horas — em vez de semanas — tornam-se operacionalmente alcançáveis. Em ambientes de pagamentos em tempo real, esse é o único caminho realista para a recuperação de fundos e a única postura de compliance que os reguladores estão dispostos a aceitar.

---

Perguntas Frequentes

O que é uma conta mula?

Uma conta mula é uma conta bancária legítima, titularizada por uma pessoa real verificada por KYC, usada para receber e encaminhar recursos de origem criminosa. O titular pode ser um criminoso voluntário, um cúmplice consciente ou uma vítima de engenharia social. Nos três casos, a conta atravessa os controles de onboarding porque quem a abriu é real e está verificado.

O que é FRAML?

O FRAML é a convergência da detecção de fraudes e da prevenção à lavagem de dinheiro numa função de compliance unificada. As contas mula ocupam a interseção das duas disciplinas: viabilizam a fraude APP do ponto de vista da vítima e permitem a lavagem de dinheiro do ponto de vista da rede criminosa.

O que é a lacuna de detecção de 45 dias?

Dados da Autoridade Bancária Europeia e do Conselho Europeu de Pagamentos relativos a 2024–2026 indicam que as contas mula permanecem ativas, em média, 45 dias até serem detectadas. A causa principal é a fragmentação de dados: as equipes de fraude e PLD trabalham em infraestruturas distintas, de forma que o sinal comportamental combinado que permitiria identificar uma conta mula nunca é montado no lugar e no instante certos.

Como a IA agêntica melhora a detecção de contas mula?

A IA agêntica consegue correlacionar dados comportamentais em milhões de contas ao mesmo tempo, identificar assinaturas de redes mula em nível de grafo e disparar fluxos de trabalho de investigação sem intervenção humana. Isso encurta os prazos de detecção de semanas para horas ao eliminar a latência entre sinais de fraude e alertas de PLD.

Quais são as consequências regulatórias de não detectar contas mula?

Nos EUA, o OCC codificou que fraudes cujo resultado são fundos que passam por contas mula constituem uma falha sob o Bank Secrecy Act e as normas de PLD. No Reino Unido, as regras de responsabilidade do PSR obrigam os bancos receptores a compartilhar os custos de reembolso por fraude APP, penalizando de forma direta as instituições que não identificam prontamente a atividade mula.

Em que a fraude com contas mula difere da fraude de identidade sintética?

A fraude de identidade sintética consiste em fabricar uma identidade para passar no onboarding KYC. A fraude com contas mula emprega uma identidade real e verificada que, depois, facilita atividades criminosas. A fraude sintética ataca a camada de onboarding; a fraude mula ataca a camada comportamental pós-onboarding. As duas demandam abordagens de detecção distintas e nenhuma se resolve apenas com a verificação de identidade num único instante.