Claude para análise de risco PIX no Brasil — código, LGPD e BACEN

Fintechs brasileiras usando Claude para análise de risco em transações PIX em tempo real — código completo, custo por transação, latência observada e considerações de LGPD e BACEN. O caso de uso que mais vejo nas fintechs do Brasil em 2026.

Por que isso funciona bem

Análise de risco PIX tradicional é um modelo ML treinado em features fixas (valor, frequência, hora do dia). Funciona, mas falha em padrões sutis: "este cliente costuma transferir para o irmão mas nunca em valores assim, e o IP é de outra cidade — provavelmente SIM-swap". Claude lida com esse raciocínio contextual de forma natural.

O código

from openai import OpenAI

client = OpenAI(
    api_key="sk-kunavo-...",
    base_url="https://api.kunavo.com/v1",
)

def analisar_transacao(transacao: dict, historico: list[dict]) -> dict:
    """Detecta sinais de fraude em uma transação PIX usando Claude."""
    historico_txt = "\n".join(
        f"- {t['data']}: R$ {t['valor']:.2f} para {t['destinatario']} ({t['categoria']})"
        for t in historico[-20:]
    )
    resp = client.chat.completions.create(
        model="claude-sonnet-4-6",
        messages=[
            {
                "role": "system",
                "content": [
                    {
                        "type": "text",
                        "text": (
                            "Você é um analista de risco de pagamentos PIX no Brasil. "
                            "Analise a transação atual em relação ao histórico do "
                            "cliente e retorne JSON: "
                            '{"risco": "baixo|medio|alto", '
                            '"sinais": ["..."], '
                            '"recomendacao": "aprovar|revisar|bloquear", '
                            '"explicacao_pt_BR": "..."}'
                        ),
                        "cache_control": {"type": "ephemeral"},
                    },
                ],
            },
            {
                "role": "user",
                "content": (
                    f"## Transação atual\n"
                    f"Data: {transacao['data']}\n"
                    f"Valor: R$ {transacao['valor']:.2f}\n"
                    f"Destinatário: {transacao['destinatario']}\n"
                    f"Origem (IP/dispositivo): {transacao['origem']}\n\n"
                    f"## Histórico recente (últimas 20 transações)\n{historico_txt}"
                ),
            },
        ],
        response_format={"type": "json_object"},
        max_tokens=400,
    )
    return json.loads(resp.choices[0].message.content)

Custo por análise: ~$0.008 (uns R$ 0,04 ao câmbio atual). Em uma fintech processando 100.000 transações PIX por dia, isso são ~R$ 4.000/mês. Para evitar fraude que custa em média R$ 2.000-5.000 por caso, o ROI é absurdamente positivo.

Latência

Claude Sonnet 4.6 via Kunavo a partir de São Paulo (AWS sa-east-1): P50 ~800ms, P99 ~2s. Para análise síncrona (bloquear antes da liquidação PIX) é o suficiente; o BACEN dá ~10 segundos antes do timeout. Para volumes muito altos, considere assíncrono: aprovar primeiro e analisar depois para revisão manual de casos suspeitos.

O que esperar do output

• Baixo risco: padrão consistente, destinatário conhecido, horário típico → libera direto
• Médio risco: 1-2 sinais (valor alto, novo destinatário, horário incomum) → bloqueia + manda para revisão manual ou para 2FA reforçado
• Alto risco: múltiplos sinais (SIM-swap suspeito, tentativa de boleto fantasma, padrão de mula) → bloqueia + alerta imediato para fraude

LGPD e BACEN — pontos críticos

• Pseudonimização antes do LLM: CPF, nome completo, conta bancária — mascare antes de enviar. O modelo vê "[CLIENT_42] transferiu R$ X para [DEST_198]"
• Não treinar nos dados: Anthropic não usa requests API para treinar por default. Para Enterprise você pode pedir Zero Data Retention via Kunavo (sales@kunavo.com)
• Decisão automatizada: a LGPD exige que o cliente possa contestar uma decisão automatizada que o afete. Sua UI deve oferecer botão "Contestar" e a explicação_pt_BR retornada pelo modelo é um bom ponto de partida para a resposta
• Resolução do BACEN sobre IA: Embora não exista regulação específica BACEN para uso de LLM em risco PIX ainda (2026), os princípios gerais de Circulares 4.018 e 3.978 sobre governança e gestão de risco se aplicam. Tenha documentação clara de como o modelo decide

Tiering por valor

Não é necessário rodar Claude Sonnet em toda transação PIX. Padrão recomendado:

• PIX < R$ 100: passa direto, sem análise LLM
• R$ 100 - R$ 1.000: Claude Haiku 4.5 (10x mais barato), análise rápida
• R$ 1.000 - R$ 10.000: Claude Sonnet 4.6 (análise padrão)
• > R$ 10.000: Claude Opus 4.7 (análise mais profunda) + revisão humana paralela

Pagamento e cobrança

Pague com PIX, Boleto ou cartão internacional. Stripe processa em BRL, USD ou EUR. Cartão internacional sofre IOF de 3,5%; PIX e Boleto não. Para empresas que precisam de NF-e em BRL emitida no Brasil, sales@kunavo.com tem opções de revenda local.

Próximos passos

• Crie uma conta com cadastro grátis ($2 crédito = ~250 análises grátis para protótipo)
• Configure pseudonimização de PII no seu backend
• Rode 1.000 transações reais (mascaradas) em modo shadow e compare com seu modelo ML atual
• Itere no system prompt usando os falsos positivos e negativos como feedback
• Vá para produção apenas com aprovação do seu CRO/compliance e logs LGPD em dia

Documentação completa: /docs/quickstart; guia de prompt caching para reduzir mais 70% dos custos: prompt caching deep dive.