--- title: Como usar IA para reduzir falsos positivos description: "Como usar IA para reduzir falsos positivos em mídia negativa: um agente que cruza fontes, separa homônimos e justifica a decisão, com prompt para testar." --- [Blog da VAAS | Seu guia completo para compliance, regulação e gestão de riscos](https://blog.vaas.com.br) # [Como usar IA para reduzir falsos positivos](https://blog.vaas.com.br/como-usar-ia-para-reduzir-falsos-positivos) Written by [VAAS](https://blog.vaas.com.br/author/vaas) | Nov 4, 2026, 5:18:24 PM ### **O filtro de duplicidade que todo analista deveria ter** A verificação de mídias é a etapa do background check em que o falso positivo mais acontece. O motivo é simples: notícia é texto livre, e o que conecta a notícia ao cliente que está sendo analisado é, na maior parte das vezes, apenas o nome. Um nome comum aparece em dezenas de portais, em contextos diferentes, ligado a pessoas de idades, cidades e profissões diferentes, e o analista precisa decidir, uma a uma, se aquela menção é sobre o cliente dele ou sobre um homônimo. Esse trabalho é lento, repetitivo e depende de atenção humana para cruzar detalhes que a notícia nem sempre traz de forma organizada. É exatamente o tipo de tarefa em que a IA faz diferença, não para decidir no lugar do analista, mas para ler todas as fontes, cruzar os dados e entregar uma resposta justificada sobre se a pessoa da notícia é ou não a pessoa da análise. A seguir, como esse processo funciona hoje, o que muda com um agente de IA e como montar um filtro de duplicidade simples, com um prompt pronto para testar. ### **Por que a mídia negativa gera tantos falsos positivos** Quando uma consulta a listas restritivas dispara, existe um registro estruturado por trás: nome, documento, data, origem. Com notícias é diferente. Um portal publica “empresário João da Silva é investigado por fraude”, e essa frase precisa ser comparada com o João da Silva que está abrindo conta. A notícia não traz CPF. Pode não trazer idade, cidade ou empresa. Pode citar um apelido, uma grafia diferente do nome ou só o sobrenome. O analista, então, abre a notícia, procura pistas de identificação, abre outras notícias sobre o mesmo caso para ver se alguma traz mais detalhes, compara com o que sabe do cliente e toma uma decisão. Se o nome é comum, ele repete isso para cada menção encontrada, em cada portal. Em uma operação com volume, não há tempo para fazer esse cruzamento com o cuidado necessário, e a saída costuma ser conservadora: na dúvida, o alerta fica e o cliente é recusado ou segue para uma fila de revisão que demora dias. É assim que o cliente bom é barrado por uma notícia que nunca foi sobre ele, e é por isso que a mídia negativa é o ponto do processo onde a IA entrega o maior ganho. ### **O que um agente de IA faz de diferente** Um agente de IA aplicado a mídias não substitui a consulta, ele faz o trabalho que vem depois dela: ler cada notícia por inteiro, extrair os dados de identificação que aparecem no texto, cruzar essas informações entre fontes e comparar com o perfil do cliente. O que para o analista é uma sequência de abas abertas, para o agente é uma única tarefa com três partes. 1. Cruzamento de fontes. O agente busca o nome em portais de notícia, diários oficiais, sites de tribunais e outras fontes públicas, e reúne cada menção com o que ela traz de identificação: idade ou data de nascimento, cidade ou estado, profissão, empresa, cargo, nomes de pessoas relacionadas, datas dos fatos. 2. Leitura da mídia negativa. O agente entende se a notícia é de fato negativa para fins de risco, se a pessoa citada é acusada, investigada, vítima ou apenas mencionada, e em que momento do processo o caso está. Uma notícia em que o nome aparece como testemunha não tem o mesmo peso de uma em que aparece como réu. 3. Justificativa da decisão. Para cada menção, o agente responde se a pessoa da notícia é a mesma pessoa analisada, se é outra ou se não há elementos suficientes para afirmar, e explica o motivo: quais dados batem, quais divergem e o que ficou em aberto. Esse é o ponto que resolve o dossiê vazio, porque a recusa ou a aprovação passa a ter um registro legível de por que foi tomada. ### **Como montar um filtro de duplicidade simples** Não é preciso um projeto de tecnologia para testar essa lógica. Com um modelo de IA que tenha acesso a busca na web, dá para montar um agente de filtro de duplicidade em três passos. O primeiro é definir o que o agente sabe do cliente. Quanto mais atributos de identificação ele tiver para comparar, melhor a resposta: nome completo, data de nascimento ou idade aproximada, cidade e estado, profissão ou atividade, empresas às quais está ligado. Quanto mais desses atributos o agente tiver para comparar, mais rápido ele descarta quem não é o cliente e menos menções ficam como inconclusivas. Dados sensíveis que não ajudam na identificação não precisam entrar. O segundo é instruir o agente sobre o que fazer com cada menção encontrada: extrair os dados de identificação, comparar com o perfil, classificar como mesma pessoa, pessoa diferente ou inconclusivo, e justificar. O terceiro é exigir um formato de saída que o analista consiga revisar rápido e anexar ao dossiê. O prompt abaixo reúne os três passos. Dica extra: Se o você já tem em mãos notícias sobre as quais tem dúvida, os links delas também podem entrar no prompt, para que o agente comece lendo aquelas matérias, extraia os dados de identificação que aparecem nelas e busque outras fontes sobre o mesmo caso antes de comparar com o perfil. Montamos esse prompt pronto para você copiar, preencher com os dados do cadastro e os links que já tem em mãos, para rodar em qualquer IA com acesso à web. Rodando esse prompt para um nome comum, o que o analista recebe é uma lista em que cada notícia já vem com o parecer dele com entre e com o motivo. ### **O que a IA não deve fazer sozinha** O agente busca, filtra e justifica, o analista decide. Em nenhum cenário a classificação gerada pela IA vira aprovação ou recusa sem passar por uma pessoa, e revisar o que ela entregou não é uma etapa opcional, é parte do processo. Quando a notícia não traz dado de identificação, a resposta certa é “inconclusivo”, e o agente precisa ser instruído a respeitar isso em vez de forçar uma conclusão. A justificativa que ele gera é o que vai para o dossiê, então quem assina a decisão precisa ler, confirmar que as evidências fazem sentido e corrigir o que estiver errado. ### **Como escalar a análise dos alertas** O prompt funciona para testar a lógica em um caso de cada vez. Em uma operação com centenas ou milhares de verificações, o mesmo raciocínio precisa rodar dentro do fluxo de decisão, com as fontes consultadas de forma automática. E é isso que o Mídias Agênticas da VAAS faz, o agente lê as mídias sobre cada pessoa ou empresa analisada, cruza os dados de identificação entre fontes, separa homônimos do alvo real e entrega a justificativa de cada classificação dentro do processo de análise. Se a sua equipe perde tempo analisando alertas para, no fim, descobrir que são falsos positivos, a lista vai crescendo e o time deixa de dar conta de investigar todos. O Mídias Agênticas entra como um filtro na frente dessa fila: o que não é o seu cliente é descartado antes de chegar ao analista, ficam apenas os alertas reais para investigar. A equipe passa a agir sobre eles assim que a notícia aparece, com fonte e motivo registrados. Porque quando o risco virar manchete, você já vai saber. Copie o prompt e teste agora 👇 ## FAQ - Perguntas Frequentes **Por que a verificação de mídia negativa gera mais falsos positivos do que outras consultas?** Porque notícias são texto livre e não trazem documento. A ligação entre a notícia e o cliente analisado é feita pelo nome, e nomes comuns aparecem em muitos contextos ligados a pessoas diferentes. Sem dados como idade, cidade ou profissão para comparar, o alerta dispara mesmo quando a notícia não é sobre o cliente. **A IA decide se o cliente é aprovado ou recusado?** Não. O agente lê as fontes, cruza os dados de identificação, classifica cada menção e justifica a classificação. A decisão continua com o analista, que revisa o resultado e assina o dossiê com a justificativa registrada. **O que o Mídias Agênticas da VAAS faz de diferente de um prompt em uma ferramenta de IA?** O prompt serve para testar a lógica em um caso. O Mídias Agênticas roda esse raciocínio dentro do fluxo de decisão da operação, consultando as fontes de forma automática para cada pessoa ou empresa analisada e registrando a classificação e a justificativa no dossiê de cada cliente, em escala. **Quais dados do cliente são necessários para o filtro funcionar bem?** Nome completo e ao menos dois atributos de identificação, como idade ou data de nascimento, cidade e estado, profissão ou empresas relacionadas. Quanto mais atributos o agente tiver para comparar, menor a quantidade de menções inconclusivas.   [View full post](https://blog.vaas.com.br/como-usar-ia-para-reduzir-falsos-positivos) ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "author" : { "@type" : "Person", "name" : "VAAS" }, "dateModified" : "2026-11-04T17:18:24.976Z", "datePublished" : "2026-11-04T17:18:24Z", "headline" : "Como usar IA para reduzir falsos positivos", "image" : { "@type" : "ImageObject", "height" : 4480, "url" : "https://43851301.fs1.hubspotusercontent-na1.net/hubfs/43851301/business-people-collaborating-financial-documents-office.jpg", "width" : 6000 }, "mainEntityOfPage" : "https://blog.vaas.com.br/como-usar-ia-para-reduzir-falsos-positivos", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "height" : 60, "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png", "width" : 60 }, "name" : "Seu guia completo para compliance, regulação e gestão de riscos" } } ```