Brasilianische Fintechs nutzen Claude zur Risikoanalyse bei PIX-Transaktionen in Echtzeit — vollständiger Code, Kosten pro Transaktion, beobachtete Latenz sowie Überlegungen zu LGPD und BACEN. Der Anwendungsfall, den ich 2026 am häufigsten bei Fintechs in Brasilien sehe.
Warum das gut funktioniert
Die traditionelle PIX-Risikoanalyse basiert auf einem ML-Modell, das mit festen Merkmalen trainiert wird (Betrag, Häufigkeit, Tageszeit). Das funktioniert, scheitert aber an subtilen Mustern: "Dieser Kunde überweist normalerweise an seinen Bruder, aber nie solche Beträge, und die IP stammt aus einer anderen Stadt — wahrscheinlich SIM-Swap." Claude verarbeitet solche kontextbezogenen Schlussfolgerungen auf natürliche Weise.
Der Code
import json
from openai import OpenAI
client = OpenAI(
api_key="sk-kn-...",
base_url="https://api.kunavo.com/v1",
)
# No Claude, um response_format json_schema é garantido na resposta; json_object não.
ANALISE = {
"type": "object",
"properties": {
"risco": {"type": "string", "enum": ["baixo", "medio", "alto"]},
"sinais": {"type": "array", "items": {"type": "string"}},
"recomendacao": {"type": "string", "enum": ["aprovar", "revisar", "bloquear"]},
"explicacao_pt_BR": {"type": "string"},
},
"required": ["risco", "sinais", "recomendacao", "explicacao_pt_BR"],
"additionalProperties": False,
}
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_schema",
"json_schema": {"name": "analise", "schema": ANALISE}},
max_tokens=400,
)
return json.loads(resp.choices[0].message.content)Kosten pro Analyse: ~$0.008 (etwa R$ 0,04 zum aktuellen Wechselkurs). Bei einer Fintech, die 100.000 PIX-Transaktionen pro Tag verarbeitet, entspricht das ~R$ 4.000/Monat. Um Betrug zu verhindern, der durchschnittlich R$ 2.000–5.000 pro Fall kostet, ist der ROI außerordentlich positiv.
Latenz
Claude Sonnet 4.6 über Kunavo aus São Paulo (AWS sa-east-1): P50 ~800 ms, P99 ~2 s. Für synchrone Analysen (Blockierung vor der PIX-Abwicklung) ist das ausreichend; BACEN gewährt etwa 10 Sekunden bis zum Timeout. Für sehr hohe Volumen sollten Sie eine asynchrone Verarbeitung erwägen: zunächst genehmigen und anschließend analysieren, damit verdächtige Fälle manuell geprüft werden können.
Was Sie von der Ausgabe erwarten können
- Niedriges Risiko: konsistentes Muster, bekannter Empfänger, übliche Uhrzeit → direkt freigeben
- Mittleres Risiko: 1–2 Signale (hoher Betrag, neuer Empfänger, ungewöhnliche Uhrzeit) → blockieren + zur manuellen Prüfung oder zu verstärkter 2FA weiterleiten
- Hohes Risiko: mehrere Signale (verdächtiger SIM-Swap, Versuch mit einer Phantomrechnung, Geldwäsche-Muster) → blockieren + sofortige Betrugswarnung
LGPD und BACEN — kritische Punkte
- Pseudonymisierung vor dem LLM: CPF, vollständiger Name, Bankkonto — vor dem Senden maskieren. Das Modell sieht "[CLIENT_42] hat R$ X an [DEST_198] überwiesen"
- Nicht mit den Daten trainieren: Anthropic verwendet API-Requests standardmäßig nicht zum Trainieren. Für Enterprise können Sie über Kunavo eine Zero Data Retention anfordern (sales@kunavo.com)
- Automatisierte Entscheidung: Die LGPD verlangt, dass der Kunde eine ihn betreffende automatisierte Entscheidung anfechten kann. Ihre Benutzeroberfläche sollte eine Schaltfläche "Anfechten" anbieten; die vom Modell zurückgegebene explicação_pt_BR ist ein guter Ausgangspunkt für die Antwort
- BACEN-Entschließung zu KI: Obwohl es 2026 noch keine spezifische BACEN-Regulierung zur Nutzung von LLMs für PIX-Risiken gibt, gelten die allgemeinen Grundsätze der Rundschreiben 4.018 und 3.978 zu Governance und Risikomanagement. Dokumentieren Sie klar, wie das Modell entscheidet
Staffelung nach Betrag
Claude Sonnet muss nicht für jede PIX-Transaktion ausgeführt werden. Empfohlenes Muster:
- PIX < R$ 100: direkt durchlassen, ohne LLM-Analyse
- R$ 100–R$ 1.000: Claude Haiku 4.5 (10-mal günstiger), schnelle Analyse
- R$ 1.000–R$ 10.000: Claude Sonnet 4.6 (Standardanalyse)
- > R$ 10.000: Claude Opus 4.7 (gründlichere Analyse) + parallele menschliche Prüfung
Zahlung und Abrechnung
Bezahlen Sie mit PIX oder einer international nutzbaren Karte. Die Preise sind in USD angegeben, und beim Bezahlvorgang wird der umgerechnete Betrag in Real angezeigt. IOF in Höhe von 3,5 % fällt bei beiden Zahlungsmethoden an, wenn sich der Zahler in Brasilien befindet und das Unternehmen im Ausland ist. Kunavo stellt keine NF-e aus.
Nächste Schritte
- Erstellen Sie ein Konto mit kostenloser Registrierung (Aufladung ab $10, Pay-as-you-go = ~1.250 Analysen für den Prototyp)
- Richten Sie die Pseudonymisierung personenbezogener Daten in Ihrem Backend ein
- Führen Sie 1.000 echte (maskierte) Transaktionen im Shadow-Modus aus und vergleichen Sie die Ergebnisse mit Ihrem aktuellen ML-Modell
- Iterieren Sie den System-Prompt und verwenden Sie falsch-positive und falsch-negative Ergebnisse als Feedback
- Gehen Sie erst nach Freigabe durch Ihren CRO bzw. Compliance und bei aktuellen LGPD-Protokollen in Produktion
Vollständige Dokumentation: /docs/quickstart; Leitfaden zum Prompt-Caching zur weiteren Kostensenkung um 70 %: Prompt-Caching-Deep-Dive.