A líder em análise on-chain não usa IA no trabalho principal

A empresa que mais entende de análise on-chain no mundo não usa IA na tarefa principal da área. A Chainalysis publicou um texto sobre o papel do machine learning na inteligência de blockchain, e o argumento central é que modelos preditivos não podem valer como verdade absoluta na hora de apontar quem controla uma carteira.

Um erro de modelo não é um erro qualquer. Um único agrupamento falso pode contaminar investigações inteiras e derrubar decisões de compliance.

A empresa separa o que o mercado chama de cluster em três afirmações analíticas, controle pela mesma chave, ligação entre endereço e entidade, e a relação entre os dois. A identificação de carteiras é a mais sensível e exige um padrão que a IA não cumpre.

O problema não é precisão. Um modelo perfeito ainda reprovaria, porque a lógica vem dos dados e não de regras que alguém audite. Se os dados mudam, as conclusões mudam.

O caso que ilustra o risco está documentado no relatório de ontologia da empresa. Um mesmo endereço recebeu dois vereditos opostos, um serviço de apostas na primeira análise, material de abuso infantil na segunda.

Não é que a IA não sirva para nada. A empresa usa modelos para gerar pistas, detectar anomalias e reconhecer padrões, e mantém uma ferramenta própria de combate a golpes que aprende com mensagens e movimentações. A identidade fica de fora, é o ponto que o padrão judicial protege.

O padrão que decide em tribunal

A diferença importa pouco se o caso for parar em um tribunal americano. O padrão Daubert exige metodologia testável, revisada por pares, com taxa de erro conhecida e aceitação no campo, e a Chainalysis é a primeira e única provedora a cumprir todos os critérios, no caso de 2024 contra o operador do mixer Bitcoin Fog, Roman Sterlingov, condenado e transformado em referência para a área.

O juiz aceitou a metodologia por ela ser transparente, mas a decisão vale para aquele método, não para a categoria.

As consequências de um agrupamento errado são reais. Um investigador pode passar meses perseguindo alguém por conexões que não existem, um banco pode congelar a conta de um cliente inocente ligado por engano a uma entidade sancionada, e um promotor pode ver o caso desmoronar.

No fim, a resposta de como dois endereços estão ligados precisa ser mais do que “o modelo disse”.

Um estudo acadêmico de 2025 mostrou que métodos determinísticos cobrem bem os serviços mais usados. A empresa resume a escolha em uma frase, machine learning é um compromisso que ninguém precisa fazer.

A discussão chega em um momento em que a IA domina o discurso do setor, e a resposta da maior provedora de inteligência on-chain é recusar o modelo preditivo justamente no ponto mais sensível, a identidade. A inovação esbarra no requisito mais antigo de todos, provas precisam sobreviver a um tribunal, e probabilidade não é prova.