Criando o Sentinel: raciocínio com IA para triagem de alertas AML com trilha de auditoria completa

Seu sistema TM gera 95% de falsos positivos. Seus investigadores sabem disso.

Um banco de médio porte gera dezenas de milhares de alertas AML por ano. Entre 90% e 98% são falsos positivos. Cada um é revisado manualmente por um investigador treinado que reúne 90 dias de histórico de transações, verifica alertas anteriores do cliente, compara seu comportamento com referências de pares, revisa dados KYC e de partes relacionadas e redige a justificativa da decisão. Quatro dessas cinco etapas são de compilação — não de julgamento.

O modelo de consultoria de ajuste das quatro grandes não mudou esse número em uma década. O gargalo não é o mecanismo de regras; é o que acontece depois que a regra dispara.

O que o Sentinel é — e o que não é

O Sentinel é a camada de raciocínio que se integra sobre seu sistema existente de monitoramento de transações. Não substitui Actimize, SAS, Verafin, Oracle FCCM nem seus sistemas internos. Para cada alerta gerado pelo seu sistema, o Sentinel:

1. Reúne o histórico de transações de 90 dias, alertas anteriores, referências de pares e KYC em um único bloco de contexto.
2. Executa uma análise do Claude em duas passagens — a primeira produz uma análise estruturada; a segunda a revisa buscando sinais de alerta não identificados.
3. Emite uma decisão validada pelo Pydantic (clear · clear_with_note · escalate_to_l2 · escalate_to_sar · request_additional_info) com evidências citadas.
4. Registra cada entrada, saída e identificador de versão na trilha de auditoria.

O investigador vê um caso preparado, não uma tela de triagem: uma pontuação de probabilidade com raciocínio calibrado, sinais de alerta com IDs de transações citados, fatores atenuantes extraídos do histórico real do cliente, uma decisão recomendada e perguntas específicas a responder quando o julgamento é necessário.

Três módulos, um padrão arquitetural

O mesmo padrão de raciocínio aplicado a três filas AML estruturalmente diferentes. A receita compartilhada: saída estruturada validada pelo Pydantic, analisador e revisão crítica em duas passagens, evidências citadas em cada afirmação e registro de auditoria completo.

Os princípios inegociáveis que moldaram cada decisão

Quando começamos a construir isso, escrevemos cinco pontos dos quais não abriríamos mão — e recusamos recursos que exigiriam desrespeitá-los.

• Cada justificativa cita IDs de transações ou dados específicos do cliente. Sem raciocínio vago. Isso torna a saída defensável em auditorias e é o primeiro ponto que reguladores e responsáveis BSA examinarão.
• Somente saída estruturada. Cada chamada ao Claude retorna JSON validado pelo Pydantic. Sem interpretação posterior de texto livre.
• Raciocínio em duas passagens. A primeira passagem analisa; a segunda revisa a primeira em busca de sinais de alerta não identificados. Ambas são registradas.
• Trilha de auditoria completa. Cada decisão de IA, a versão do prompt, a versão do modelo, o hash do contexto de entrada e a decisão humana são registrados. Um regulador deve conseguir reconstruir qualquer decisão meses depois.
• Nenhum dado pessoal real, nunca — na demonstração. O ambiente de testes usa dados 100% sintéticos. Os projetos contratados passam para o seu ambiente, sob seus controles de risco de modelos.

Tecnologias

Convencional onde deve ser; sofisticado onde importa.

• Camada de dados: DuckDB — análise incorporada em um único arquivo. Perfeito para a portabilidade da demonstração e facilmente transferível para seu data warehouse existente em um projeto contratado.
• Backend: Python 3.11+, FastAPI e Pydantic para validação de esquema.
• Raciocínio: Anthropic SDK — Claude Sonnet nas duas passagens de triagem e no redator SAR; Haiku na primeira passagem da lista de monitoramento, em que o custo importa e a segunda passagem fará uma revisão crítica de qualquer forma.
• Frontend: React + Vite, Tailwind, Recharts, shadcn/ui — autossuficiente para o ambiente de demonstração comercial; substituível pela sua interface de investigadores em projetos contratados.
• Auditoria: Registros JSON por análise em audit/logs/. Um registro por decisão, totalmente autossuficiente.

Três casos de demonstração que comprovam a proposta

A demonstração comercial percorre exatamente três alertas. Eles são o produto, não o material de marketing.

O que faremos pela sua equipe

Um projeto de prova de valor de duas semanas, com preço fixo. Trabalhamos com seus dados sanitizados ou sintéticos. Até cinco tipologias e até 10,000 alertas históricos. Você recebe um ambiente de testes funcional na sua infraestrutura, uma biblioteca de prompts ajustada à sua taxonomia, documentação de risco de modelos adequada à sua equipe MRM e um resumo executivo para o conselho.

Para ver o detalhamento completo — módulos, diagrama de arquitetura, capturas do ambiente de testes ao vivo e cálculos de economia de tempo em três escalas —, veja a página do produto Sentinel .