THE EVOLUTION OF ARTIFICIAL INTELLIGENCE MODELS IN FINANCIAL FRAUD DETECTION
REGISTRO DOI: 10.69849/revistaft/ra10202511112333
Murilo Cabral Paulino1
André Luiz da Silva2
Fabiana Florian3
Resumo: A crescente digitalização do setor financeiro e a sofisticação das fraudes impulsionam o uso de tecnologias capazes de ampliar a segurança e reduzir riscos. A Inteligência Artificial (IA) destaca-se como ferramenta estratégica na detecção de fraudes, substituindo métodos tradicionais por modelos preditivos capazes de processar grandes volumes de dados e identificar padrões complexos em tempo real. Este estudo tem como objetivo analisar a evolução da aplicação da IA na detecção de fraudes financeiras. Trata-se de pesquisa qualitativa, descritiva e bibliográfica, fundamentada em produções científicas recentes sobre o tema. Os resultados indicam que técnicas de machine learning e deep learning consolidaram-se como soluções eficazes, especialmente os modelos híbridos de redes neurais, que permitem maior precisão na identificação de transações fraudulentas. Contudo, persistem desafios quanto à explicabilidade dos algoritmos, vulnerabilidade a ataques e necessidade de dados de qualidade. Além disso, a adoção da IA requer governança ética, capacitação profissional e regulamentação adequada. Conclui-se que a IA representa um avanço significativo na prevenção de fraudes financeiras, promovendo eficiência, redução de custos e agilidade, desde que aliada à transparência e responsabilidade tecnológica.
Palavras-chave: Inteligência Artificial; Fraudes Financeiras; Machine Learning.
Abstract: The growing digitalization of the financial sector and the increasing sophistication of fraud have driven the adoption of technologies capable of enhancing security and reducing risks. Artificial Intelligence (AI) stands out as a strategic tool for fraud detection, replacing traditional rule-based systems with predictive models that can process large volumes of data and identify complex patterns in real time. This study aims to analyze the evolution of AI applications in financial fraud detection. It is a qualitative, descriptive, and bibliographic research based on recent scientific literature. The findings indicate that machine learning and deep learning techniques have consolidated as effective solutions, particularly hybrid neural network models, which allow greater accuracy in identifying fraudulent transactions. However, challenges remain regarding algorithm explainability, vulnerability to adversarial attacks, and the need for high-quality data. Furthermore, AI adoption requires ethical governance, professional training, and appropriate regulation. It is concluded that AI represents a significant advancement in fraud prevention, promoting efficiency, cost reduction, and agility, provided it is accompanied by transparency and technological responsibility.
Key-Words: Artificial Intelligence; Financial Fraud; Machine Learning.
1 INTRODUÇÃO
A intensificação do uso da internet e de plataformas digitais para operações bancárias e comerciais criou um ambiente propício para práticas fraudulentas cada vez mais sofisticadas, tornando essencial o desenvolvimento de estratégias eficazes para mitigação desses riscos, visto que a crescente complexidade do sistema financeiro global, aliada ao avanço da digitalização das transações, tem elevado significativamente os riscos de fraudes financeiras. A Inteligência Artificial (IA) tem se destacado como uma ferramenta essencial para aprimorar a segurança do setor financeiro, permitindo a detecção automática de anomalias e padrões suspeitos por meio de algoritmos avançados. A capacidade de processar grandes volumes de dados em tempo real e identificar comportamentos fraudulentos de maneira eficiente coloca a IA como uma aliada fundamental na proteção das instituições financeiras e dos consumidores contra atividades ilícitas (YOSHINAGA; CASTRO, 2023).
A evolução dos modelos de IA aplicados à detecção de fraudes financeiras reflete a necessidade crescente de respostas ágeis e precisas diante das novas modalidades de ataques cibernéticos. Técnicas como machine learning, deep learning e redes neurais têm sido amplamente utilizadas para fortalecer os mecanismos de segurança digital, minimizando perdas financeiras e reduzindo a incidência de crimes no setor. Contudo, a implementação dessas tecnologias também traz desafios, como questões éticas, privacidade de dados e a transparência dos algoritmos utilizados. Diante disso, torna-se essencial uma investigação aprofundada sobre os avanços, desafios e tendências da inteligência artificial na prevenção de fraudes, contribuindo para o aprimoramento das práticas de segurança financeira e para o desenvolvimento de diretrizes mais eficazes no combate a essas ameaças (COZMAN; PLONSKI; NERI, 2021).
De acordo com Yoshinaga e Castro (2023), as fraudes financeiras representam um dos maiores desafios para o setor bancário, resultando em perdas bilionárias anualmente. A rápida adaptação dos fraudadores às novas tecnologias exige que as instituições financeiras aprimorem constantemente seus mecanismos de segurança, utilizando abordagens baseadas em dados e inteligência artificial para identificar atividades suspeitas antes que causem danos significativos. Compreender a evolução desses modelos e seus desafios torna-se essencial para o aprimoramento das estratégias de mitigação de riscos e para a formulação de políticas regulatórias mais eficazes.
O trabalho tem como objetivo analisar a evolução dos modelos de inteligência artificial na detecção de fraudes financeiras, investigando as principais metodologias utilizadas, suas aplicações no mercado e os desafios enfrentados pelas instituições na implementação dessas tecnologias. A pesquisa pretende fornecer um panorama crítico sobre as contribuições da IA para o setor financeiro, avaliando seu impacto na mitigação de riscos e na proteção dos usuários. Espera-se identificar tendências emergentes e as lacunas existentes na literatura, contribuindo para o avanço do conhecimento acadêmico e para a formulação de estratégias mais eficazes na prevenção de fraudes (COZMAN; PLONSKI; NERI, 2021).
Cozman, Plonski e Neri (2021) destacam que, embora as técnicas de machine learning e deep learning tenham se mostrado eficazes na identificação de padrões fraudulentos, ainda há dificuldades relacionadas à interpretabilidade dos algoritmos, à necessidade de grandes volumes de dados para treinamento e à conformidade com normas de proteção à privacidade. Essas limitações apontam para a necessidade de estudos que avaliem as diferentes abordagens utilizadas e proponham soluções para tornar a inteligência artificial mais acessível, transparente e eficiente no setor financeiro.
O problema desta pesquisa reside na dificuldade de adaptação das instituições financeiras às novas formas de fraudes e na necessidade de aprimoramento dos modelos de IA para garantir maior precisão e confiabilidade na detecção de atividades ilícitas. Apesar dos avanços tecnológicos, ainda existem limitações nos modelos atuais, como o alto índice de falsos positivos, a vulnerabilidade a ataques adversariais e a falta de explicabilidade das decisões algorítmicas. Assim, a questão a ser investigada nesta pesquisa é como a evolução dos modelos de inteligência artificial tem contribuído para aprimorar a detecção de fraudes financeiras e quais são os desafios que ainda precisam ser superados.
A hipótese é o aprimoramento das técnicas de aprendizado de máquina e a implementação de modelos mais transparentes e adaptáveis, será possível aumentar a precisão na detecção de fraudes, reduzindo as falhas nos sistemas atuais e tornando-os mais confiáveis e acessíveis para o setor financeiro. Testar essa hipótese requer uma análise aprofundada das pesquisas existentes, a fim de identificar os principais avanços, desafios e oportunidades de melhoria no uso da IA para segurança financeira.
Foi realizada uma pesquisa bibliográfica com a finalidade de investigar como os modelos de Inteligência Artificial evoluíram o suficiente para detectar fraudes financeiras. Pretende-se explorar como a IA está sendo utilizada neste contexto e analisar os seus impactos atuais e futuros. O processo metodológico compreenderá as seguintes etapas: I) definição dos critérios de inclusão e exclusão dos estudos, priorizando pesquisas que abordem a aplicação da IA na detecção de fraudes financeiras; II) análise comparativa das abordagens utilizadas nos diferentes modelos de IA destacando seus avanços e limitações; e III) identificação das tendências emergentes e dos desafios a serem superados para a implementação eficaz dessas tecnologias no setor financeiro (MENDES KDS, SILVEIRA RCC, GALVÃO CM, 2008).
2 REVISÃO BIBLIOGRÁFICA
A presente pesquisa adota uma abordagem qualitativa, descritiva e bibliográfica, com o objetivo de compreender a evolução dos modelos de Inteligência Artificial (IA) na detecção de fraudes financeiras e analisar as contribuições e limitações das principais técnicas contemporâneas. De acordo com Cozman, Plonski e Neri (2021), a IA deve ser compreendida como um campo interdisciplinar que envolve não apenas o desenvolvimento técnico de algoritmos, mas também dimensões éticas, sociais e econômicas que afetam diretamente a aplicação desses sistemas em contextos complexos, como o financeiro. Essa perspectiva justifica o uso de uma metodologia qualitativa, voltada à interpretação e à compreensão aprofundada dos fenômenos e não apenas à mensuração quantitativa de variáveis.
A pesquisa qualitativa foi escolhida por possibilitar a análise detalhada das abordagens teóricas, conceituais e empíricas sobre o tema, permitindo interpretar o modo como diferentes autores tratam a inserção da IA em ambientes financeiros. Como destaca Damaceno (2018), compreender o fenômeno da inteligência artificial requer ultrapassar o senso comum e as distorções midiáticas, aproximando-se de uma análise crítica e técnica que revele suas verdadeiras capacidades e limitações. Assim, esta metodologia privilegia a reflexão interpretativa, buscando estabelecer relações entre os fundamentos teóricos da IA e suas aplicações práticas no combate às fraudes financeiras.
O delineamento descritivo foi adotado com o intuito de mapear e caracterizar as principais contribuições acadêmicas e institucionais sobre o tema. A pesquisa teve como escopo identificar as metodologias empregadas nos estudos de machine learning e deep learning, suas arquiteturas predominantes e os resultados obtidos quanto à eficiência na detecção de atividades fraudulentas. Para Yoshinaga e Castro (2023), a aplicação da IA no setor financeiro está diretamente associada à reformulação de processos decisórios, ao aprimoramento da gestão de riscos e à necessidade de reestruturação dos mecanismos de controle interno. Diante disso, o caráter descritivo deste estudo permite não apenas inventariar os avanços técnicos, mas também compreender as implicações organizacionais e éticas decorrentes dessa transformação tecnológica.
A coleta de dados baseou-se exclusivamente em fontes secundárias, obtidas por meio de levantamento bibliográfico sistemático realizado entre os meses de fevereiro e agosto de 2025. Foram consultadas bases de dados acadêmicas nacionais e internacionais, como Scielo e IEEE Xplore, utilizando descritores como “artificial intelligence and financial fraud detection” e “machine learning and banking security”. Foram incluídas publicações compreendidas entre 2018 e 2024, nos idiomas português e inglês e que atendessem ao critério da pesquisa. Excluíram-se trabalhos voltados a outras áreas ou de período de tempo delimitado para este estudo.
O processo metodológico seguiu três etapas principais: (I) seleção e categorização das fontes, priorizando estudos com relevância teórica e aplicação prática comprovada; (II) análise comparativa das abordagens, considerando técnicas, resultados e limitações; e (III) síntese interpretativa dos achados, buscando convergências e lacunas no campo. Segundo Oliveira et al. (2024), a análise metodológica comparativa é essencial para compreender o impacto real da IA nas organizações, pois evidencia as diferenças entre as aplicações teóricas e as práticas operacionais adotadas por instituições financeiras. Assim, cada fonte foi avaliada quanto à sua pertinência metodológica, qualidade dos dados e contribuição para o entendimento dos mecanismos de detecção de fraude.
A análise dos resultados foi conduzida sob o paradigma da interpretação crítica, conforme preconizado por Morgado (2021), que enfatiza a necessidade de compreender a IA não apenas como instrumento técnico, mas como fenômeno sociotécnico que transforma paradigmas econômicos e de segurança. Dessa forma, as informações extraídas das fontes foram organizadas em eixos temáticos, abrangendo: (a) avanços tecnológicos e metodológicos; (b) desafios éticos e regulatórios; e (c) implicações organizacionais. Cada eixo foi discutido à luz da literatura, buscando integrar a dimensão técnica e a dimensão social da inteligência artificial. Essa estrutura analítica possibilitou a construção de um panorama abrangente, capaz de situar os progressos e as limitações da IA na prevenção de fraudes financeiras.
Por fim, as considerações metodológicas deste estudo também reconhecem as limitações inerentes à pesquisa bibliográfica. Embora as fontes analisadas ofereçam ampla visão sobre o tema, a ausência de dados empíricos primários restringe a generalização dos resultados. Todavia, conforme argumentam Gonçalves e Reinaldi (2023), a literatura científica atual fornece evidências suficientes para sustentar análises consistentes sobre o papel da IA nos controles internos e na auditoria automatizada de instituições financeiras. Assim, este estudo se propõe a consolidar o conhecimento existente e fomentar novas investigações que aliem abordagens empíricas e teóricas, contribuindo para a formulação de políticas e estratégias eficazes no uso ético e transparente da inteligência artificial.
3 APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO CONTEXTO FINANCEIRO
O dinamismo do setor financeiro contemporâneo, marcado pela digitalização intensiva das operações e pela globalização dos mercados, tornou a fraude financeira um fenômeno não apenas mais recorrente, mas também mais complexo de ser identificado. Modelos tradicionais de detecção, baseados em regras fixas e auditorias manuais, mostraram-se insuficientes diante da velocidade e da criatividade dos ataques cibernéticos. Nesse contexto, a Inteligência Artificial (IA) surge como resposta estratégica, oferecendo capacidade de análise em larga escala e adaptação contínua. O diferencial da IA está na possibilidade de cruzar variáveis múltiplas em tempo real, identificando correlações sutis que escapariam ao olhar humano ou aos sistemas estatísticos clássicos (YOSHINAGA; CASTRO, 2023).
A aplicação da IA no setor financeiro ocorre majoritariamente por meio de técnicas de machine learning e deep learning. Enquanto os algoritmos de aprendizado supervisionado têm sido amplamente empregados na classificação de transações legítimas e fraudulentas, modelos não supervisionados são utilizados para detecção de anomalias em padrões de consumo, identificando irregularidades mesmo na ausência de rótulos prévios. Segundo Morgado (2021), tais abordagens são particularmente eficazes quando se lida com bases de dados altamente desbalanceadas, como é o caso das fraudes financeiras, em que o número de operações legítimas é infinitamente superior ao de ilícitas.
Os avanços mais recentes se concentram em arquiteturas de redes neurais profundas, capazes de analisar séries temporais e dados multimodais com alto grau de precisão. Trabalhos como o de Cozman et al. (2021) demonstram que modelos híbridos, que combinam convolutional neural networks (CNNs) e recurrent neural networks (RNNs), apresentam desempenho superior na detecção de fraudes em transações eletrônicas quando comparados a métodos puramente estatísticos. Isso se deve à habilidade desses modelos em capturar tanto as características estáticas da transação quanto as dinâmicas associadas ao comportamento do usuário.
No entanto, a sofisticação técnica traz novos desafios, entre eles a explicabilidade das decisões algorítmicas. O chamado “problema da caixa-preta” limita a aceitação plena da IA em instituições financeiras, pois gestores e reguladores demandam justificativas claras sobre por que determinada operação foi classificada como fraudulenta. Iniciativas como o movimento Explainable Artificial Intelligence (XAI) têm buscado mitigar esse problema, propondo algoritmos transparentes que conciliam acurácia com interpretabilidade (MORGADO, 2021).
A discussão sobre viés algorítmico também tem ganhado centralidade. Estudos como o de Oliveira et al. (2024) alertam que a IA pode reproduzir e até acentuar desigualdades sociais, penalizando determinados grupos em análises de crédito ou monitoramento de risco. Esse viés decorre, em grande parte, da qualidade dos dados de treinamento, frequentemente marcados por históricos discriminatórios. Assim, a auditoria contínua e o uso de bases de dados representativas tornam-se imperativos para evitar a cristalização de injustiças nos modelos de detecção de fraude.
Outro ponto de destaque é a vulnerabilidade dos sistemas de IA a ataques adversariais. Fraudadores podem manipular entradas de dados de forma sutil, enganando algoritmos altamente treinados e comprometendo a confiabilidade dos sistemas. Yoshinaga e Castro (2023) demonstram que pequenas alterações nos parâmetros de entrada podem induzir modelos de classificação a erros críticos, o que revela a necessidade de mecanismos de defesa mais robustos e da integração da IA com sistemas tradicionais de segurança cibernética.
Do ponto de vista organizacional, a IA não apenas redefine processos, mas também transforma a governança e a cultura corporativa. Morgado (2021) observa que a introdução de sistemas inteligentes altera a lógica decisória das instituições financeiras, redistribuindo poder entre gestores, algoritmos e reguladores. A dimensão ética passa a ser indissociável da dimensão técnica, impondo novos paradigmas de responsabilidade institucional.
Estudos empíricos recentes reforçam essa perspectiva. Oliveira et al. (2024), em pesquisa aplicada com profissionais da área financeira, evidenciam ganhos significativos em eficiência e redução de custos decorrentes do uso da IA, mas também destacam a necessidade de capacitação das equipes responsáveis por sua implementação. A tecnologia, isoladamente, não garante resultados; sua efetividade depende da interação com atores humanos qualificados e da integração a políticas organizacionais consistentes.
Além disso, a literatura aponta para a importância da regulamentação no uso da IA aplicada à detecção de fraudes. A ausência de normativas claras sobre a responsabilidade de erros algorítmicos e o tratamento de dados sensíveis abre espaço para riscos jurídicos e sociais. A governança algorítmica surge, assim, como dimensão fundamental para a sustentabilidade do setor financeiro. Gonçalves e Reinaldi (2023) sublinham que o fortalecimento dos controles internos, apoiados em IA, depende de auditorias regulares, transparência nos critérios decisórios e supervisão por órgãos independentes. A governança não deve ser vista como entrave à inovação, mas como elemento estruturante para assegurar a confiança de clientes e investidores.
Ademais, o potencial preditivo da IA abre espaço para um novo paradigma de atuação das instituições financeiras: em vez de reagirem a fraudes já consumadas, elas passam a agir preventivamente. Modelos de streaming analytics permitem identificar em tempo real operações atípicas, bloqueando-as antes que causem danos expressivos. O estudo de Gonçalves e Reinaldi et al. (2018) demonstra que sistemas de aprendizado contínuo, baseados em big data, são capazes de adaptar-se rapidamente a novas modalidades de fraude, superando as limitações dos modelos estáticos.
A integração da IA com tecnologias emergentes, como blockchain, também desponta como tendência promissora. De acordo com Cozman et al. (2021), a descentralização oferecida pelo blockchain, combinada com a capacidade analítica da IA, pode ampliar a rastreabilidade e a segurança das transações financeiras. Essa convergência tecnológica não apenas fortalece os mecanismos de prevenção de fraudes, mas também redefine as bases da confiança no sistema financeiro.
Por outro lado, é preciso reconhecer que a adoção da IA não é homogênea. Instituições de menor porte, especialmente em países em desenvolvimento, enfrentam limitações de infraestrutura tecnológica e de capital humano para implementar soluções avançadas. Esse cenário acentua desigualdades entre mercados, criando um fosso tecnológico que pode comprometer a competitividade global. A literatura sugere que políticas públicas de incentivo à inovação e à capacitação digital são indispensáveis para democratizar o acesso a tais ferramentas (COZMAN; PLONSKI; NERI, 2021).
Nesse sentido, a academia desempenha papel central na produção de conhecimento crítico e na formação de profissionais capacitados. Iniciativas como as parcerias universidade-empresa, já em curso em países como Estados Unidos e China, têm acelerado a transferência de tecnologia e estimulado a criação de modelos mais robustos. Contudo, como destaca Damaceno (2018), é igualmente fundamental aproximar o conhecimento técnico da percepção popular, combatendo estigmas e desinformações que dificultam a aceitação social da IA.
Assim, a evolução dos modelos de IA na detecção de fraudes financeiras não deve ser compreendida apenas como questão técnica, mas também como fenômeno sociotécnico. Envolve interações entre algoritmos, pessoas, organizações e reguladores, exigindo abordagens interdisciplinares. A análise das tendências emergentes revela que o futuro do setor dependerá tanto da sofisticação dos modelos quanto da capacidade de conciliá-los com valores de transparência, equidade e justiça social.
Em síntese, a literatura revisada aponta para um avanço expressivo da IA na prevenção de fraudes financeiras, com impacto positivo sobre a eficiência operacional, a precisão das análises e a capacidade de resposta das instituições. Todavia, persistem desafios críticos relacionados à explicabilidade, ao viés algorítmico, à segurança cibernética e à regulação. Superar essas barreiras requer esforços coordenados entre pesquisadores, reguladores e agentes do mercado.
Portanto, o desenvolvimento tecnológico deve caminhar em paralelo com a construção de um ecossistema institucional sólido, que garanta a utilização ética, transparente e inclusiva da IA. O futuro da detecção de fraudes financeiras dependerá da capacidade de alinhar inovação e responsabilidade, assegurando não apenas a redução de riscos, mas também a preservação da confiança pública no sistema financeiro global.
4 CONCLUSÃO
O presente estudo teve como objetivo analisar a evolução dos modelos de IA aplicados à detecção de fraudes financeiras, considerando suas contribuições técnicas, desafios éticos e impactos organizacionais. A partir da revisão bibliográfica realizada, foi possível constatar que o uso de tecnologias baseadas em machine learning e deep learning consolidou-se como estratégia fundamental para o fortalecimento da segurança bancária e o aprimoramento dos mecanismos de controle interno. O avanço desses modelos tem permitido maior precisão na identificação de comportamentos suspeitos, demonstrando o papel decisivo da IA na mitigação de riscos e na modernização das instituições financeiras.
Observou-se que os modelos híbridos de redes neurais, capazes de combinar características estáticas e dinâmicas dos usuários, representam o estado da arte em detecção automatizada de fraudes. Esses sistemas não apenas ampliam a capacidade de análise de grandes volumes de dados, mas também oferecem respostas em tempo real a atividades irregulares. Entretanto, a literatura analisada, incluindo os trabalhos de Yoshinaga e Castro (2023) e de Oliveira et al. (2024), evidencia que a eficiência técnica ainda convive com obstáculos significativos, como a falta de transparência algorítmica, a vulnerabilidade a ataques adversariais e a dependência de dados de alta qualidade e integridade.
Além dos desafios tecnológicos, identificou-se que a adoção da IA no setor financeiro requer transformações estruturais nas organizações. Conforme argumentam Morgado (2021) e Gonçalves e Reinaldi (2023), a governança algorítmica e a formação continuada de profissionais tornam-se essenciais para garantir o uso ético e responsável dessas ferramentas. A ausência de regulamentações específicas e a concentração tecnológica em grandes instituições criam um cenário de assimetria informacional que pode comprometer a equidade e a segurança sistêmica. Assim, a consolidação da IA como aliada na prevenção de fraudes depende de uma integração efetiva entre inovação, regulação e ética aplicada.
Do ponto de vista teórico, esta pesquisa contribui ao reforçar a importância de compreender a inteligência artificial como fenômeno sociotécnico, cuja eficácia não pode ser dissociada das dimensões humanas e institucionais que a sustentam. Cozman, Plonski e Neri (2021) destacam que o desenvolvimento tecnológico precisa ser acompanhado por uma cultura organizacional orientada à transparência e à responsabilidade. Nesse sentido, o aprimoramento dos modelos de IA requer não apenas avanços computacionais, mas também o fortalecimento das políticas de governança e da confiança pública nas instituições financeiras.
Conclui-se, portanto, que a inteligência artificial representa um marco na evolução dos sistemas de detecção de fraudes financeiras, promovendo eficiência operacional, redução de custos e agilidade na resposta a incidentes. Contudo, seu pleno potencial depende de esforços contínuos de aprimoramento técnico e normativo, que conciliem desempenho e integridade. Recomenda-se que pesquisas futuras ampliem o debate sobre a explicabilidade dos algoritmos e a democratização do acesso às tecnologias de IA, de modo a construir ecossistemas financeiros mais seguros, transparentes e socialmente sustentáveis.
5 REFERÊNCIAS BIBLIOGRÁFICAS
COZMAN, F. G.; PLONSKI, G. A.; NERI, H. et al. Inteligência artificial: avanços e tendências. Universidade de São Paulo. Instituto de Estudos Avançados, 2021. Disponível em:<https://www.livrosabertos.abcd.usp.br/portaldelivrosUSP/catalog/view/650/579/2181>. Acesso em 15 de abril de 2025.
DAMACENO, S. S. Inteligência Artificial: uma breve abordagem sobre seu conceito real e o conhecimento popular. 2018. Disponível em <https://periodicos.set.edu.br/cadernoexatas/article/view/5729/2966>. Acesso em 12 de abril de 2025.
GONÇALVES, L. B.; REINALDI, M. A. A. A inteligência artificial no controle interno de instituições financeiras. Revista Ciência Contábil, 2023. Disponível em <https://revistas.ufg.br/rci/article/view/80817?utm_source=chatgpt.com>. Acesso em 13 de maio de 2025.
MORGADO, S. M. A. Inteligência Artificial e Metamorfose dos Paradigmas: Economia na Era da Transformação.
OLIVEIRA, P. M. F de; DIAS, S. B. A; MENDES, A. V; ROCHA, W. P. Inteligência Artificial Aplicada à Gestão Financeira. PUC Goiás, 2024. Disponível em: <https://repositorio.pucgoias.edu.br/jspui/bitstream/123456789/7894/1/TCC%20II%20P%c3% bablio%20corrigido%2024.06.pdf>. Acesso em 02 de maio de 2025.
YOSHINAGA, C. E.; CASTRO, F. H. Inteligência Artificial: A vanguarda das finanças. GV-Executivo, v. 22, n. 3, 2023. Disponível em https://periodicos.fgv.br/gvexecutivo/issue/view/v24n4/2872. Acesso em 11 de maio de 2025.