No fim do ano passado, numa operadora de porte médio que acompanhamos, a área antifraude carregava um número que ninguém gostava de repetir em reunião. Dos reembolsos que ela conseguia provar serem indevidos, recuperava uma fração pequena de cada real já pago. O dinheiro tinha saído. Caiu numa conta digital, às vezes aberta no nome do próprio beneficiário, às vezes no de um terceiro. Perseguir aquilo custava mais do que voltava.
Esse é o problema central do modelo que o mercado, sem muito carinho, chama de pay and chase: pagar primeiro, investigar depois. Ele nasceu de uma necessidade real. O beneficiário quer o reembolso rápido, a régua de prazo aperta, e segurar pagamento dá trabalho. Mas como linha de defesa, pagar e perseguir perde quase sempre. A alternativa tem nome e já é prática consolidada lá fora: detecção de fraude pré-pagamento.
Por que pagar e perseguir perde
Há um dado da ANS que ilustra isso melhor que qualquer projeção. Num levantamento ligado ao processo de NIP, de 870 operadoras que reportaram suspeita de fraude em reembolso, apenas 28 conseguiram apresentar evidência consistente do indício, e só 13,5% das demandas viraram comunicação formal à polícia (ANS, 2023). A maioria suspeita. Quase ninguém prova.
O número não é sobre tecnologia. É sobre o momento da decisão. Quando a operadora vai investigar, o pagamento já aconteceu, o rastro já esfriou e o ônus de provar a fraude recai inteiro sobre quem pagou. Sem prova robusta, perseguir vira encenação cara. E isso conecta com a fraude organizada em reembolso que já tratamos aqui: financeiras de fachada e procurações amplas existem justamente porque sabem que o pós-pagamento é onde a operadora é mais fraca.
A virada para a detecção de fraude pré-pagamento
O que se vê nos payers de fora, e começa a chegar ao Brasil, é a inversão dessa ordem. Em vez de pagar e depois caçar, a operadora pontua o risco de cada solicitação antes de liberar o dinheiro. Análises de seguradoras de saúde nos Estados Unidos, sintetizadas em relatórios de 2025 e 2026, falam em ganhos da ordem de 30% a 40% na detecção antes do pagamento com IA sobre motores que só aplicam regra fixa.
Trato esse intervalo como direcional, não como promessa. É número de mercado externo, com realidade de dado bem diferente da brasileira, onde a conta médica chega fragmentada e o reembolso vem de recibo de papel térmico fotografado torto. A magnitude exata importa menos que a direção, e a direção é clara: a decisão certa é a que acontece antes de o pagamento sair.
Por que o motor de regras pesa mais que o modelo
Aqui vem a parte que costuma surpreender o C-level. Quando se fala em IA antifraude, a conversa pula direto para o modelo: qual deep learning, qual acurácia, qual fornecedor. Minha leitura, depois de algumas implementações, é que o modelo é a parte mais fácil de igualar. Dois fornecedores competentes chegam a scores parecidos sobre o mesmo dado.
O que separa um antifraude que funciona de um que irrita o beneficiário honesto é o que está atrás do score: o motor de regras. Um motor configurável é o que permite à operadora decidir, com a própria mão, o que fazer com cada faixa de risco. Recibo de papel térmico, foto inclinada, prestador fora da rota geográfica do beneficiário, a mesma financeira aparecendo em pedidos de pessoas que não se conhecem. Cada sinal desses pode virar uma regra, com peso, com limiar, com impacto financeiro estimado antes de entrar no ar.
É isso que o AI.AUDITAMED coloca na frente do auditor através do Gerenciador de Regras: dá para ligar e desligar regra, simular o efeito sobre a carteira e escrever regra nova sem depender de um ciclo de engenharia a cada ajuste. No fluxo específico de reembolso, o mesmo princípio se aplica na porta de entrada da solicitação, terreno do AI.REEMBOLSO, que valida documento e beneficiário antes de o pagamento ser autorizado.
Onde isso ainda tropeça
Vale dizer onde a detecção antes do pagamento não resolve sozinha. Apertar a entrada cria fricção, e fricção mal calibrada pune o beneficiário honesto, que recebe pedido de documento extra e reclama com razão. Um motor agressivo demais produz falso positivo, atrasa reembolso legítimo e arranha o NPS que a operadora levou anos para construir.
Por isso o ponto não é maximizar bloqueio. É calibrar. E calibrar exige, de novo, regra ajustável e medição honesta de falso positivo, não fé cega no score. Quem trata antifraude como botão de "ligar bloqueio máximo" troca um problema de margem por um problema de reputação.
Tirar a decisão de fraude do pós-pagamento
Pagar e perseguir vai continuar existindo para o que escapa. Mas tratá-lo como a linha principal de defesa é aceitar perder na largada. A decisão de fraude precisa acontecer antes de o dinheiro sair, e precisa estar nas mãos de quem conhece a carteira, não trancada num modelo de caixa-preta. O AI.AUDITAMED foi desenhado em torno dessa ideia: o motor de regras configurável, com simulação de impacto e regras próprias da operadora, é o produto, não um detalhe técnico embaixo do score.
Se a sua operação ainda recupera centavos no pós-pagamento, vale ver o modelo girar sobre dado seu. Na avaliação, o time roda o AI.AUDITAMED sobre uma amostra das suas solicitações, compara o resultado com o seu baseline atual de detecção e devolve um relatório com os sinais capturados, o falso positivo estimado e o impacto financeiro de cada regra, tudo antes de qualquer mudança em produção.
"Sozinhos, combatemos uma fraude. Unidos, eliminamos o problema."