O grande paradoxo dos pagamentos: superando a assimetria de informação

O processamento de pagamentos é um jogo complexo de responsabilidade. Frequentemente, uma parte na cadeia não consegue tomar uma decisão informada sobre se o usuário do instrumento de pagamento é seu legítimo proprietário — informação crucial para garantir um processamento correto e seguro.

Se a informação disponível é insuficiente, obter mais evidências para confirmar a propriedade frequentemente resulta em atrito para o comprador. Cada campo adicional no formulário ou checagem de autenticação intrusiva pode levar a um aumento no abandono. 

Os bancos emissores enfrentam problemas semelhantes no fim da cadeia de processamento. Mesmo quando as partes anteriores fazem avaliações corretas, um banco emissor pode simplesmente recusar a transação por falta de informação. Um pagamento pode passar em um sistema antifraude, mas esse contexto não chega ao decisor final — o banco emissor.

Embora os bancos emissores desejem tanto prevenir fraudes quanto incentivar o gasto, a informação limitada frequentemente leva à priorização da prevenção. Por exemplo: observamos que bancos emissores nos EUA recusam transações sob suspeita de fraude simplesmente porque uma autenticação bem‑sucedida ocorreu; vemos uma taxa de autorização 8% menor em transações com 3DS bem‑sucedido em comparação com transações sem 3DS. 

Em um mundo onde fraudadores continuam inovando, existe a necessidade de uma abordagem sistemática que ajude todos os envolvidos no processamento a combater fraudes sem bloquear boas transações. 

O envolvimento desconectado de várias partes cria complexidade, especialmente porque as decisões e trocas de informação precisam ocorrer rapidamente em sistemas fragmentados.

Muitos dados são gerados em tempo real — como informações do dispositivo, jornada do cliente e métricas de comportamento ao apresentar um método de pagamento. Esses dados são essenciais para otimização de pagamentos e avaliação precisa de risco. 

Reduzir essa assimetria é o problema a ser resolvido. A solução combina duas estratégias:

1. Obter confirmação explícita: obter evidência explícita de que o comprador é o usuário autorizado do método de pagamento e compartilhar essa confirmação com toda a cadeia.

2. Confiar em um parceiro: fazer com que as partes da cadeia confiem em um parceiro que possui maior informação para tomar decisões em seu nome, sem adicionar atrito ao usuário.

Obter uma prova mais concreta da identidade do usuário fornece evidência mais forte de que o comprador é o possuidor autorizado do método de pagamento. Como os telefones são itens que realmente pertencem apenas a uma pessoa, a chave para provar a propriedade está em nossos bolsos. 

A autenticação de pagamento sem atrito também agrada à experiência do cliente. À medida que os compradores adotam biometria para acesso a dispositivos mobile, eles passaram a esperar essa forma de segurança fácil e não intrusiva no pagamento. 

As carteiras do Apple e Google resolvem intuitivamente o problema da autenticação. O Face ID ou impressão digital coleta e verifica propriedade do instrumento de pagamento de maneira fluida. Em vez de frustrar o comprador com uma camada extra de autorização, as carteiras digitais transformam um ponto de abandono em uma experiência de checkout fácil, rápida e segura. 

Elas convenceram adquirentes, esquemas de cartão, bancos emissores e outras partes na cadeia de que a prova de propriedade coletada no dispositivo (criptograma) é tão forte quanto a autenticação realizada pelo emissor (via SMS ou app), resultando em uma transferência da responsabilidade de risco de fraude do comerciante para o emissor. Os dados confirmam: vemos 85% menos chargebacks por fraude para carteiras digitais em comparação com tráfego não autenticado.

Apesar desse avanço, ele ainda não elimina totalmente o problema, pois fraudadores buscam formas de explorar a etapa de provisionamento nos emissores.

Avanços rápidos com o padrão FIDO (Fast IDentity Online) e as passkeys devem acelerar ainda mais o uso de biometria nos pagamentos, proporcionando confirmação explícita de propriedade. As passkeys substituem senhas, baseadas em criptografia de chave pública, únicas para cada site ou app. 

O padrão FIDO também abre oportunidades para que outros players ofereçam experiências seguras e fluidas de pagamento. Por exemplo, o Pix, o método de pagamento instantâneo do Brasil, está trabalhando com PSPs para conectar contas Pix a dispositivos móveis e usar passkeys para criar experiências de pagamento mais intuitivas. 

Ainda é cedo para saber se as passkeys serão um divisor de águas, mas elas definitivamente ajudam os comerciantes a desbloquear experiências seguras e fluidas, semelhantes às das carteiras digitais.

Técnicas de autenticação forte com biometria e FIDO representam um grande avanço, mas fraudadores continuarão a inovar. Por isso, também é importante enfrentar a assimetria de informação confiando em parceiros de confiança.

Se diferentes partes na cadeia confiam naquele com informação de maior qualidade para tomar decisões por elas, uma única parte pode otimizar todas as escolhas envolvidas.

Esquemas de cartão frequentemente têm bases de dados maiores que os PSPs, mas carecem de integração direta com o comerciante. Soluções de risco que não são PSPs têm menos escala. Os PSPs, por estarem integrados ao comerciante e coletarem dados em tempo real, podem orquestrar o melhor resultado.

Isso traz vantagem ao comerciante: mesmo que o comprador seja novo para ele, o PSP provavelmente já o viu antes — há 90% de chance de a Adyen já ter visto esse comprador no varejo.

Uma plataforma global de PSP pode relacionar transações individuais e construir contexto histórico do comprador. Esse “resolução de entidade” ajuda a extrair novos padrões e melhorar a conversão em tempo real. 

O PSP faz decisões de risco com dados históricos únicos, reduz falsos positivos e bloqueios indevidos, além de criar experiências de pagamento mais rápidas — eliminando campos como CVC/AVS ou exigindo menos autenticação.

O setor reconhece que os PSPs deveriam ter um papel maior, com apoio crescente a fluxos apenas de dados dos esquemas (data‑only flows). Essa é uma forma para adquirentes compartilharem dados com emissores via EMV 3DS. Experimentos com data‑only mostram elevação da conversão e redução significativa da fraude.

Alguns emissores investem em compartilhamento de dados com adquirentes além das vias existentes, como o projeto CapitalOne Direct Data Share — uma API open source que permite enviar dados adicionais milissegundos antes da autorização. Observou-se um aumento consistente de mais de 70 pontos base na conversão, sem aumento na fraude.

Para melhorar ainda mais conversão e reduzir fraude, a indústria deve buscar um cenário em que filtragem precisa por um PSP seja recompensada pelos bancos emissores de forma mais transparente.

O valor dos dados do PSP para otimização cresce quando combinados com machine learning. A precisão e escalabilidade do ML supera regras rígidas. Além dos benefícios em precisão e escala, há um interesse crescente em eficiência operacional, especialmente com foco macroeconômico em lucro em vez de só crescimento da receita.

Historicamente, o processamento exige decisões sequenciais isoladas — por exemplo, análise antifraude sem considerar a autenticação. O próximo passo é focar em um resultado global ótimo ao invés de várias decisões ótimas localmente.

Com o Adyen Uplift, temos fortes evidências de que modelos devem ser otimizados globalmente. Combinar decisões individuais em um resultado único por comprador, no nível da plataforma, equilibra conversão, fraude e custo.

Com maior dependência de ML, surge o desafio de conflitos de interesse entre comerciantes, PSPs e emissores. Para mitigar isso, a interpretabilidade e explicabilidade das decisões de ML são essenciais. 

Comerciantes precisam testar diferentes estratégias de risco e pagamento que equilibrem conversão, custo e fraude em paralelo para encontrar o ponto ideal. A experimentação sistemática dos modelos de IA, controlada pelo comerciante, os ajuda a se adaptar ao comportamento real, refinando os modelos com dados reais.

A automação significativa na gestão de pagamentos aumenta eficiência, reduz operações manuais e dá recomendações impactantes com base em insights gerais do PSP. Qualquer mudança no setup de pagamentos deve passar por um experimento para validar impacto em métricas críticas: conversão, fraude e custo. 

Por fim, é necessário investimento contínuo na responsabilidade sobre dados. Grandes PSPs e adquirentes com licença bancária estão bem posicionados para isso, usando controles robustos para coletar, proteger e usar dados de pagamento.

Enfrentar a assimetria de informação continua sendo prioridade para todos os envolvidos no processamento de pagamentos. A maior adoção de biometria e carteiras digitais ajudará a obter confirmação explícita da identidade do usuário, reduzindo fraudes sem comprometer a experiência.

Há valor adicional para quem assume o papel de parceiro confiável, fornecendo insights corretos e oportunos sobre risco e identidade na cadeia de valor.

À medida que machine learning e grandes conjuntos de dados evoluem de complementares para essenciais, o uso de ferramentas de experimentação deve ser prioridade para todos que buscam uma infraestrutura de pagamentos mais eficiente e confiável.

Quer saber mais sobre nossas otimizações de pagamento impulsionadas por IA? Conheça o Adyen Uplift.

Aumente a conversão de pagamentos com IA

Conheça o Adyen Uplift, nosso motor de otimização com inteligência artificial que ajuda empresas a aumentar as taxas de aprovação e reduzir fraudes.

Saiba mais