Fintech brasiliane che usano Claude per l'analisi del rischio nelle transazioni PIX in tempo reale — codice completo, costo per transazione, latenza osservata e considerazioni su LGPD e BACEN. È il caso d'uso che vedo più spesso nelle fintech brasiliane nel 2026.
Perché funziona bene
L'analisi tradizionale del rischio PIX è un modello ML addestrato su feature fisse (importo, frequenza, ora del giorno). Funziona, ma non riconosce schemi sottili: «questo cliente trasferisce di solito denaro al fratello, ma mai importi del genere, e l'IP proviene da un'altra città — probabilmente un SIM swap». Claude gestisce naturalmente questo tipo di ragionamento contestuale.
Il codice
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)Costo per analisi: circa $0,008 (circa R$ 0,04 al cambio attuale). In una fintech che elabora 100.000 transazioni PIX al giorno, sono circa R$ 4.000/mese. Per prevenire frodi che costano in media R$ 2.000-5.000 per caso, il ROI è straordinariamente positivo.
Latenza
Claude Sonnet 4.6 tramite Kunavo da San Paolo (AWS sa-east-1): P50 circa 800 ms, P99 circa 2 s. Per l'analisi sincrona (blocco prima del regolamento PIX) è sufficiente; BACEN concede circa 10 secondi prima del timeout. Per volumi molto elevati, valuta un flusso asincrono: approva prima e analizza dopo, per la revisione manuale dei casi sospetti.
Cosa aspettarsi dall'output
- Basso rischio: schema coerente, destinatario noto, orario abituale → autorizzazione diretta
- Rischio medio: 1-2 segnali (importo elevato, nuovo destinatario, orario insolito) → blocco + invio alla revisione manuale o a un 2FA rafforzato
- Alto rischio: più segnali (sospetto SIM swap, tentativo di boleto fantasma, schema da money mule) → blocco + avviso immediato al reparto antifrode
LGPD e BACEN — punti critici
- Pseudonimizzazione prima dell’LLM: CPF, nome completo, conto bancario — mascherali prima dell’invio. Il modello vede "[CLIENT_42] ha trasferito R$ X a [DEST_198]"
- Non addestrare sui dati: Anthropic non usa le richieste API per l’addestramento per impostazione predefinita. Per Enterprise puoi richiedere Zero Data Retention tramite Kunavo (sales@kunavo.com)
- Decisione automatizzata: la LGPD richiede che il cliente possa contestare una decisione automatizzata che lo riguardi. La tua UI deve offrire un pulsante "Contestar" e la spiegazione_pt_BR restituita dal modello è un buon punto di partenza per la risposta
- Risoluzione BACEN sull’IA: sebbene non esista ancora una regolamentazione BACEN specifica per l’uso degli LLM nella valutazione del rischio PIX (2026), si applicano i principi generali delle Circolari 4.018 e 3.978 sulla governance e sulla gestione del rischio. Documenta chiaramente come decide il modello
Suddivisione per valore
Non è necessario eseguire Claude Sonnet per ogni transazione PIX. Impostazione consigliata:
- PIX < R$ 100: passa direttamente, senza analisi LLM
- R$ 100 - R$ 1.000: Claude Haiku 4.5 (10 volte più economico), analisi rapida
- R$ 1.000 - R$ 10.000: Claude Sonnet 4.6 (analisi standard)
- > R$ 10.000: Claude Opus 4.7 (analisi più approfondita) + revisione umana parallela
Pagamento e fatturazione
Paga con PIX o con una carta internazionale. I prezzi sono in USD e il checkout mostra l’importo convertito in real. L’IOF del 3,5% si applica a entrambi i metodi quando chi paga si trova in Brasile e l’azienda è estera. Kunavo non emette NF-e.
Prossimi passaggi
- Crea un account con registrazione gratuita (ricarica a partire da $10, pay-as-you-go = ~1.250 analisi per il prototipo)
- Configura la pseudonimizzazione dei PII nel tuo backend
- Esegui 1.000 transazioni reali (mascherate) in modalità shadow e confrontale con il tuo modello ML attuale
- Itera sul system prompt usando falsi positivi e falsi negativi come feedback
- Vai in produzione solo con l’approvazione del tuo CRO/compliance e con i log LGPD aggiornati
Documentazione completa: /docs/quickstart; guida al prompt caching per ridurre ulteriormente i costi del 70%: prompt caching deep dive.