Um modelo de inteligência artificial treinado por um pesquisador brasileiro identifica carteiras usadas para lavar dinheiro em USDT e USDC com 98,57% de acerto.
A seguir:
- Como o modelo StableAML, criado por um pesquisador brasileiro na Duke University, separa carteiras sancionadas, ligadas a cibercrime e usuários comuns.
- Por que a lavagem via stablecoins já supera qualquer outro método.
- Como uma nova resolução do Banco Central conecta esse estudo diretamente ao mercado cripto brasileiro.
Pesquisadores da Duke University, liderados pelo brasileiro Luciano Juvinski, publicaram um dos primeiros modelos de IA capazes de rastrear lavagem de dinheiro por comportamento em USDT e USDC na rede Ethereum. O estudo, batizado de StableAML, saiu no Blockchain Journal e está disponível em acesso aberto no arXiv.
Mas nada disso é aleatório.
Enquanto o modelo prova que dá para rastrear lavagem sem depender de identidades, o Banco Central do Brasil avança com normas que restringem justamente o uso de stablecoins em fluxos internacionais.
O que é o StableAML e como ele funciona
O artigo descreve o StableAML como um sistema de classificação que divide carteiras Ethereum em três grupos: sancionadas ou congeladas, ligadas a cibercrime e usuários normais. Stablecoin, aqui, é a moeda digital atrelada ao dólar; USDT e USDC somam a maior fatia do mercado.
A equipe, formada por Juvinski, Haochen Li e Alessio Brini, construiu o modelo dentro do programa de mestrado em FinTech da Pratt School of Engineering, revela comunicado oficial da Duke.
Além disso, o dataset reúne 334.754.008 transferências e 54.998.597 endereços únicos na Ethereum, dos quais 16.433 carteiras foram rotuladas manualmente para treinar e testar os algoritmos.
As rotulagens vieram de fontes públicas, como Chainalysis, TRM Labs, Crystal Intelligence e listas de sanções da OFAC, aponta o relatório. Por fim, a distribuição ficou em 48,7% de carteiras normais, 36,5% ligadas a cibercrime e 14,8% sancionadas ou bloqueadas.
Árvores de decisão venceram redes neurais
O achado mais contraintuitivo do estudo é que ensembles de árvores de decisão, como CatBoost, XGBoost, LightGBM e Random Forest, superaram redes neurais profundas e modelos baseados em grafos.
O CatBoost liderou, com acurácia geral de 98,57% e macro-F1 de 0,9775 segundo os resultados publicados.
A explicação está no comportamento das próprias redes ilícitas. Grafos perdem precisão quando a rede de transações se fragmenta; o que é um padrão típico de lavagem. Por outro lado, modelos comportamentais mantêm a consistência mesmo com a dispersão de fundos.
Por que esse resultado importa agora
Os resultados mostram um crescimento acelerado na atividade de endereços ilícitos: em 2025, eles receberam US$ 154 bilhões, uma alta de 162% sobre os US$ 57,2 bilhões revisados de 2024, segundo o relatório de crimes cripto de 2025 da Chainalysis.
Além disso, stablecoins respondem por 84% de todo o volume ilícito identificado em 2025, ante 63% em 2024, superando o Bitcoin pelo terceiro ano seguido. Somente a stablecoin russa A7A5, atrelada ao rublo, movimentou US$ 93,3 bilhões em transações ilícitas no primeiro ano de operação.
Nesse cenário, a Tether já atua como um dos maiores pontos de congelamento do mercado. A empresa apoiou o bloqueio de US$ 344 milhões em USDT em coordenação com a OFAC e autoridades dos EUA. Em outra ação, a empresa ajudou o Secret Service a congelar US$ 23 milhões ligados à exchange sancionada Garantex.
No entanto, mesmo com o histórico de congelamentos, a Tether já reverteu bloqueios em cinco blockchains neste ano, o que mostra que o processo ainda depende de decisão manual da emissora, não de um sistema automatizado como o StableAML.
“Stablecoins viraram o tecido conjuntivo das finanças ilícitas, mas essa mesma visibilidade é o que as torna auditáveis. Queríamos mostrar que dá para pegar lavagem estudando comportamento, não identidades.”
Luciano Juvinski, em comunicado da Duke University.
Por fim, vale notar que o time publicou dataset e código-fonte em acesso aberto. Assim, exchanges, compliance teams e reguladores podem adaptar o modelo aos próprios fluxos.
