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

A maioria das instituições financeiras não descobre uma conta mula enquanto ela está sendo utilizada. Ela é descoberta quarenta e cinco dias depois — após o dinheiro ter se movido, o dano estar feito e o rastro ter esfriado.

Esse número, extraído de dados da Autoridade Bancária Europeia e do Conselho Europeu de Pagamentos publicados ao longo do ciclo 2024–2026, não é uma anomalia. É uma média estrutural. Contas mula — contas reais abertas por pessoas reais que posteriormente facilitam a movimentação de recursos de origem criminosa — permanecem ativas por 45 dias antes de serem detectadas, principalmente porque os dois sistemas que poderiam identificá-las ainda operam em silos separados: a detecção de fraudes e a prevenção à lavagem de dinheiro (PLD).

É esse o problema que o FRAML foi criado para resolver. E em 2026, a IA agêntica é o que torna o FRAML operacionalmente viável na velocidade que a ameaça exige.

O Que É Realmente uma Conta Mula

Uma conta mula não é uma identidade sintética. Não é uma burla por deepfake. A pessoa que a abriu é real, verificada e, no momento do cadastro, totalmente em conformidade com os requisitos de KYC. É exatamente isso que torna essa categoria tão difícil de detectar.

O recrutador de mulas opera a montante, visando indivíduos que já passaram pela verificação de identidade e possuem contas legítimas. A Agência Nacional do Crime do Reino Unido estima que 60% dos mulas recrutados têm menos de 30 anos, frequentemente abordados por meio de redes sociais, comunidades de jogos e anúncios de emprego falsos que prometem renda fácil por "gestão financeira" ou "processamento de pagamentos". Alguns recrutas sabem que estão facilitando um crime (mulas voluntários). Outros acreditam estar envolvidos em uma atividade legal em zona cinzenta (mulas coniventes). Uma minoria crescente é genuinamente enganada para ceder seus dados bancários sem compreender o propósito (mulas involuntários).

No Reino Unido, a Financial Conduct Authority identificou mais de 207.000 contas pessoais ativas como contas mula apenas em 2024 — um aumento de 22% em relação ao ano anterior. Não são casos isolados. Representam um pipeline de recrutamento e implantação industrializado que opera em uma escala que questiona a premissa de que a verificação KYC, por mais rigorosa que seja, proporciona imunidade contra fraudes posteriores ao cadastro.

Por Que o KYC no Onboarding Não Consegue Detectar Isso

Os defensores do KYC perpétuo vêm argumentando isso há anos: a verificação de identidade em um único ponto no tempo só responde à pergunta de quem era alguém no momento do cadastro. Não diz nada sobre o que essa pessoa faz depois.

Uma conta que passa em todos os controles documentais, testes de detecção de vivacidade e triagem de sanções no onboarding pode se tornar uma conta mula seis semanas depois. A pessoa não mudou. O risco mudou. O registro KYC não reflete nada disso.

Esse é um modo de falha estruturalmente diferente da fraude de tomada de conta, em que um criminoso sequestra uma conta legítima. Com contas mula, o titular da conta mantém o controle e facilita ativamente — nem sempre conscientemente — a atividade criminosa. As heurísticas tradicionais de detecção de fraude não identificam isso porque não houve acesso não autorizado. O monitoramento PLD tradicional também não detecta, pois os volumes de transações na fase inicial da atividade mula são calibrados para ficarem abaixo dos limiares de alerta.

A lacuna entre esses dois sistemas — a detecção de fraudes e a PLD — é onde as contas mula vivem por esses 45 dias.

FRAML: Quando a Fraude e a PLD Compartilham um Cérebro

O FRAML — a convergência das funções de detecção de fraudes e prevenção à lavagem de dinheiro — não é um conceito novo, mas sua urgência se intensificou consideravelmente em 2026. Em um evento da ACAMS em Nova York, em março de 2026, os profissionais enquadraram 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 tradicional separa fraude e PLD em equipes distintas, com infraestruturas de dados distintas e filas de alertas separadas. Essa separação fazia sentido administrativo quando a fraude era principalmente uma questão de proteção ao consumidor — reembolsos, disputas — e a PLD era principalmente uma obrigação de reporte regulatório. A atividade de contas mula colapsa essa distinção. Uma conta mula é simultaneamente as duas coisas: um vetor de fraude, em particular para a fraude de pagamento autorizado (fraude APP), e um mecanismo de lavagem de dinheiro.

A fraude APP representa 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, crescendo cerca de 21% ao ano de forma composta. Globalmente, as perdas com fraude em pagamentos online devem superar US$ 343 bilhões cumulativamente entre 2024 e 2027.

O Office of the Comptroller of the Currency americano abordou isso diretamente em sua Perspectiva de Risco Semestral de 2025: um evento de fraude resultando em fundos que passam por uma conta mula agora é formalmente classificado como uma falha sob o Bank Secrecy Act e as normas de PLD. As instituições não devem apenas impedir a fraude — devem rastrear a movimentação dos fundos relacionados à fraude. Essa é uma mudança material na responsabilidade regulatória.

Um framework FRAML colapsa os silos. Sinais de fraude informam investigações de PLD. Padrões de transações de PLD sinalizam potenciais redes de fraude. Dados comportamentais fluem livremente entre as duas funções. Na prática, isso requer infraestrutura de dados unificada e — dado o volume de transações — inteligência de máquina capaz de operar sobre esses dados unificados em tempo real.

Os Pagamentos Instantâneos Mudam o Cálculo

O Regulamento Europeu de Pagamentos Instantâneos acelerou significativamente a urgência. Os prestadores de serviços de pagamento da zona euro foram obrigados a receber pagamentos instantâneos a partir de janeiro de 2025 e a enviá-los a partir de outubro de 2025. Em ambientes de pagamento em tempo real, o dinheiro pode ser liquidado em segundos — o que significa que o atraso médio de detecção de 45 dias não é apenas um inconveniente operacional. É uma garantia quase certa de que os fundos são irrecuperáveis no momento em que um alerta aparece na fila.

O processamento de PLD em lote — execuções noturnas, revisões semanais, relatórios trimestrais — é arquiteturalmente incompatível com os trilhos de pagamentos instantâneos. Se a detecção e a investigação operam em um ciclo de 24 a 48 horas e as transferências se completam em menos de dez segundos, o sistema de compliance está funcionando em um horizonte de tempo fundamentalmente diferente do da ameaça que deveria detectar.

O Que a IA Agêntica Adiciona ao FRAML

A detecção de atividade de contas mula em velocidade significativa requer superar um limiar de capacidade que os sistemas baseados em regras não alcançaram consistentemente. As tipologias de mulas são dinâmicas — calibradas contra os limiares de alerta conhecidos, deliberadamente variadas para evitar o reconhecimento de padrões e distribuídas entre múltiplas contas e instituições para fragmentar o sinal.

A IA agêntica muda o modelo operacional de três maneiras específicas.

Correlação entre contas. Uma única conta mula gera 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 — gera uma assinatura em nível de grafo que é detectável, mas somente se os dados de todas as 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 incluiu quatro estudos de caso de bancos operacionais onde a detecção de redes mula por IA reduziu o tempo de identificação de semanas para horas.

Anomalia comportamental em nível de conta. Antes de uma conta mula ser formalmente ativada, ela frequentemente exibe mudanças comportamentais — variações repentinas na frequência de transações, novos beneficiários fora dos padrões estabelecidos, influxos de contrapartes desconhecidas. Os sistemas agênticos monitoram esses sinais continuamente e acionam fluxos de trabalho de investigação sem aguardar 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% enquanto melhoram a consistência entre jurisdições.

Integração de dados em tempo real. O gargalo fundamental nas abordagens em silos é a latência na movimentação de dados entre sistemas de fraude e PLD. As arquiteturas de IA agêntica construídas 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 é a mesma: agentes autônomos operando ao longo de todo o ciclo de vida do relacionamento com o cliente, não apenas no ponto de onboarding.

O Que o Ambiente Regulatório Espera em 2026

A direção regulatória é inequívoca. 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), que entraram em vigor em outubro de 2024, exigem que os bancos emissores e receptores dividam os custos de reembolso — criando incentivo financeiro direto para que as instituições receptoras detectem 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 elimina 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 — são 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, mantida por uma pessoa real verificada por KYC, utilizada 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 passa pelos controles de onboarding porque a pessoa que a abriu é real e verificada.

O que é FRAML?

O FRAML é a convergência da detecção de fraudes e da prevenção à lavagem de dinheiro em uma função de compliance unificada. As contas mula situam-se na interseção das duas disciplinas: facilitam a fraude APP do ponto de vista da vítima e possibilitam 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 cobrindo 2024–2026 mostram que as contas mula permanecem ativas em média 45 dias antes de serem detectadas. A causa principal é a fragmentação de dados: as equipes de fraude e PLD operam em infraestruturas separadas, de modo que o sinal comportamental combinado que permitiria identificar uma conta mula nunca é montado no lugar e no momento certos.

Como a IA agêntica melhora a detecção de contas mula?

A IA agêntica consegue correlacionar dados comportamentais em milhões de contas simultaneamente, identificar assinaturas de redes mula em nível de grafo e acionar fluxos de trabalho de investigação sem intervenção humana. Isso reduz 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 resultando em 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 exigem que os bancos receptores compartilhem os custos de reembolso por fraude APP, penalizando diretamente as instituições que não detectam prontamente a atividade mula.

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

A fraude de identidade sintética envolve a fabricação de uma identidade para passar no onboarding KYC. A fraude com contas mula usa uma identidade real e verificada que posteriormente facilita atividades criminosas. A fraude sintética ataca a camada de onboarding; a fraude mula ataca a camada comportamental pós-onboarding. As duas exigem abordagens de detecção diferentes e nenhuma é resolvida apenas pela verificação de identidade em um único ponto no tempo.