A Mastercard IA para detecção de fraude ganhou uma nova camada em março de 2026: a empresa desenvolveu um Large Tabular Model (LTM) — um modelo de fundação treinado em dados de transações, não em texto ou imagens — para identificar padrões anômalos em pagamentos digitais em uma escala sem precedentes.
1. O que é um LTM e como difere de um LLM na Mastercard IA fraude
A Mastercard IA para detecção de fraude usa uma arquitetura fundamentalmente diferente dos modelos de linguagem que dominam as manchetes. Um Large Tabular Model (LTM) examina relações entre campos em tabelas de dados multidimensionais — localização do comerciante, fluxos de autorização, incidentes de fraude, estornos, atividade de programas de fidelidade — em vez de prever o próximo token em uma sequência de texto.
Isso faz o LTM ser mais próximo do machine learning puro do que da IA generativa. Ele aprende quais relações são previsíveis a partir de entradas brutas e, com isso, consegue identificar padrões anômalos que não seriam capturados por regras predefinidas.
A Nvidia fornece a plataforma computacional; a Databricks lida com engenharia de dados e desenvolvimento do modelo. O LTM é o resultado de uma aposta técnica da Mastercard em modelos de fundação específicos para dados financeiros tabulares.
2. Em que dados o modelo de IA fraude da Mastercard foi treinado
A Mastercard IA treinou o LTM em bilhões de transações com cartão, com a intenção de expandir para centenas de bilhões. Os datasets incluem eventos de pagamento e dados associados como localização do comerciante, fluxos de autorização, incidentes de fraude, estornos e atividade de fidelidade.
Um elemento crítico: identificadores pessoais foram removidos antes do início do treinamento. O modelo analisa padrões comportamentais, não identidades individuais. Isso reduz riscos de privacidade que afetam outras formas de IA em serviços financeiros.
A escala e a riqueza dos dados permitem que o modelo infira padrões comercialmente valiosos apesar da ausência de informações por usuário. A Mastercard argumenta que volumes suficientemente grandes de dados comportamentais compensam a perda de sinais individuais — uma aposta técnica que ainda aguarda validação independente em escala real.
3. Onde o modelo de detecção de fraude da Mastercard IA está operando
A Mastercard IA de detecção de fraude estreou na área de cibersegurança — a primeira a receber implantação ativa. Como muitas instituições, a Mastercard opera múltiplos sistemas de detecção de fraude que analisam dados de transações. Esses sistemas tradicionalmente requerem input humano para definir o que constitui comportamento suspeito — aumentos súbitos em frequência de transações, compras em partes diferentes do mundo em curto espaço de tempo.
O LTM foi implantado como camada adicional a esses sistemas existentes, não como substituto. A Mastercard reconhece que nenhum modelo único provavelmente terá bom desempenho em todos os cenários, então o LTM complementa os procedimentos estabelecidos.
4. Resultados iniciais da Mastercard IA no combate à fraude
Os resultados iniciais apontam para melhora de desempenho em técnicas convencionais em casos específicos. O exemplo destacado: compras de alto valor e baixa frequência, que sistemas tradicionais frequentemente marcam como anomalias por serem incomuns. O LTM parece conseguir distinguir eventos legítimos desses com mais precisão do que os sistemas anteriores.
A Mastercard IA também reivindica capacidade de operar em programas de fidelidade (onde há grandes volumes de dados estruturados), gestão de portfólios e análises internas. A proposta de eficiência é concreta: em vez de múltiplos modelos adaptados a cada tarefa — com múltiplos custos de treinamento, validação e monitoramento — um único modelo de fundação que pode ser ajustado para diferentes tarefas simplifica processos e reduz custos.
5. Riscos e limitações do LTM da Mastercard IA fraude
A Mastercard reconhece o principal risco da abordagem de modelo multi-função: uma falha em um modelo amplamente implantado pode ter consequências sistêmicas. Isso explica a estratégia de aplicar o LTM ao lado dos sistemas de detecção existentes, não em substituição a eles — pelo menos por ora.
Robustez sob condições adversariais, custos de pós-treinamento a longo prazo e aceitação regulatória são questões em aberto. Reguladores que supervisionam sistemas que influenciam decisões de crédito ou resultados de fraude têm expectativas elevadas tanto em relação às práticas de dados quanto à explicabilidade do modelo. O LTM não está isento dessas exigências.
6. O que vem a seguir na estratégia de IA da Mastercard
A Mastercard IA planeja aumentar a escala dos dados usados no modelo e sua sofisticação geral. A empresa também planeja acesso via API e SDKs para permitir que equipes internas construam novas aplicações em cima do LTM.
Para o setor financeiro mais amplo, o LTM da Mastercard pode sinalizar o início de uma nova geração de sistemas de IA em infraestrutura bancária e de pagamentos principais. A evidência até o momento se limita a relatórios do próprio fornecedor, mas a direção é clara: modelos de fundação específicos para dados tabulares financeiros têm potencial para transformar como fraude, risco e compliance são gerenciados.
Saiba mais: Artigo completo do AI News | Blog técnico da Mastercard | Databricks para ML financeiro