Fintech Brasil yang menggunakan Claude untuk analisis risiko transaksi PIX secara real-time — kode lengkap, biaya per transaksi, latensi yang diamati, serta pertimbangan LGPD dan BACEN. Ini adalah kasus penggunaan yang paling sering saya lihat di fintech Brasil pada 2026.
Mengapa ini bekerja dengan baik
Analisis risiko PIX tradisional adalah model ML yang dilatih berdasarkan fitur tetap (nilai, frekuensi, waktu). Model ini berfungsi, tetapi gagal mengenali pola halus: "pelanggan ini biasanya mentransfer uang kepada saudaranya, tetapi tidak pernah dalam jumlah seperti ini, dan IP-nya berasal dari kota lain — kemungkinan SIM-swap". Claude menangani penalaran kontekstual semacam ini secara alami.
Kodenya
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)Biaya per analisis: ~$0,008 (sekitar R$ 0,04 dengan nilai tukar saat ini). Pada fintech yang memproses 100.000 transaksi PIX per hari, biayanya sekitar R$ 4.000/bulan. Untuk mencegah penipuan yang rata-rata menelan biaya R$ 2.000–5.000 per kasus, ROI-nya sangat positif.
Latensi
Claude Sonnet 4.6 melalui Kunavo dari São Paulo (AWS sa-east-1): P50 ~800ms, P99 ~2s. Untuk analisis sinkron (memblokir sebelum penyelesaian PIX), ini sudah memadai; BACEN memberikan waktu sekitar 10 detik sebelum timeout. Untuk volume yang sangat tinggi, pertimbangkan proses asinkron: setujui terlebih dahulu dan analisis kemudian untuk peninjauan manual kasus yang mencurigakan.
Apa yang diharapkan dari output
- Risiko rendah: pola konsisten, penerima dikenal, waktu tipikal → langsung izinkan
- Risiko sedang: 1–2 sinyal (nilai tinggi, penerima baru, waktu tidak biasa) → blokir + kirim untuk peninjauan manual atau 2FA yang diperkuat
- Risiko tinggi: beberapa sinyal (SIM-swap mencurigakan, upaya boleto hantu, pola mule) → blokir + beri peringatan segera kepada tim penipuan
LGPD dan BACEN — poin-poin kritis
- Pseudonimisasi sebelum LLM: CPF, nama lengkap, rekening bank — samarkan sebelum mengirim. Model melihat "[CLIENT_42] mentransfer R$ X ke [DEST_198]"
- Jangan melatih model dengan data: Anthropic tidak menggunakan permintaan API untuk melatih model secara default. Untuk Enterprise, Anda dapat meminta Zero Data Retention melalui Kunavo (sales@kunavo.com)
- Keputusan otomatis: LGPD mengharuskan pelanggan dapat menggugat keputusan otomatis yang berdampak pada mereka. UI Anda harus menyediakan tombol "Gugat" dan explicação_pt_BR yang dikembalikan model merupakan titik awal yang baik untuk respons
- Resolusi BACEN tentang AI: Meskipun belum ada regulasi BACEN khusus untuk penggunaan LLM dalam risiko PIX (2026), prinsip umum Circular 4.018 dan 3.978 tentang tata kelola dan manajemen risiko tetap berlaku. Pastikan tersedia dokumentasi yang jelas tentang cara model mengambil keputusan
Tiering berdasarkan nilai
Tidak perlu menjalankan Claude Sonnet pada setiap transaksi PIX. Pola yang direkomendasikan:
- PIX < R$ 100: langsung lewatkan, tanpa analisis LLM
- R$ 100–R$ 1.000: Claude Haiku 4.5 (10x lebih murah), analisis cepat
- R$ 1.000–R$ 10.000: Claude Sonnet 4.6 (analisis standar)
- > R$ 10.000: Claude Opus 4.7 (analisis lebih mendalam) + peninjauan manusia secara paralel
Pembayaran dan penagihan
Bayar dengan PIX atau kartu internasional. Harga dalam USD dan halaman pembayaran menampilkan nilai yang dikonversi ke reais. IOF sebesar 3,5% berlaku untuk kedua metode jika pembayar berada di Brasil dan perusahaan berada di luar negeri. Kunavo tidak menerbitkan NF-e.
Langkah berikutnya
- Buat akun dengan pendaftaran gratis (isi ulang mulai dari $10, pay-as-you-go = sekitar 1.250 analisis untuk prototipe)
- Konfigurasikan pseudonimisasi PII di backend Anda
- Jalankan 1.000 transaksi nyata (yang telah disamarkan) dalam mode shadow dan bandingkan dengan model ML Anda saat ini
- Iterasikan system prompt menggunakan false positive dan false negative sebagai umpan balik
- Masuk ke produksi hanya setelah mendapat persetujuan CRO/compliance Anda dan memastikan log LGPD sudah sesuai
Dokumentasi lengkap: /docs/quickstart; panduan caching prompt untuk mengurangi biaya 70% lagi: pendalaman caching prompt.