Google DeepMind e Singapura lançam Gemma contra golpistas: perdas somam S$4 bilhões

As fraudes respondem por mais da metade de todos os crimes registrados em Singapura, e as perdas acumuladas desde 2019 passaram de S$4 bilhões. O Google DeepMind e a Government Technology Agency of Singapore (GovTech) apresentaram na Singapore International Cyber Week 2026 a sua resposta: um modelo de detecção de conversas fraudulentas que roda inteiramente no smartphone. A base é uma versão leve da Gemma, ajustada com cenários de golpes locais. O projeto nasceu da parceria nacional entre o DeepMind e o governo de Singapura.

Por que os filtros no servidor chegam ao limite

Os golpes mudaram. O phishing simples perdeu espaço para a engenharia social: a vítima é trabalhada por muito tempo com conversas convincentes, e só depois lhe pedem dinheiro. Segundo os autores do projeto, esses cenários concentram até 80% de todas as perdas. É difícil pegá-los por um link ou pelo padrão de um e-mail, porque a conversa pode nem conter um link malicioso.

O segundo problema é a criptografia. A proteção clássica escaneia as mensagens no servidor, mas muitos mensageiros usam criptografia de ponta a ponta, e a plataforma simplesmente não enxerga o conteúdo dos chats. O terceiro é o contexto local. Modelos de uso geral têm mais dificuldade para reconhecer falsificações de órgãos públicos, bancos e personalidades locais de Singapura, além de esquemas regionais que surgem e somem rapidamente.

A solução da equipe é levar a análise para o dispositivo. A conversa fica com o usuário, e o alerta aparece antes de a pessoa enviar dinheiro ou dados de acesso.

Como funciona o pipeline de duas etapas

Rodar um classificador complexo num celular comum significa disputar bateria. Por isso, o sistema é dividido em duas etapas. Primeiro, um classificador leve, com consumo mínimo de energia, examina as mensagens recebidas; sua tarefa é notar uma possível ameaça. Se surge uma suspeita, entra a segunda etapa: a Gemma ajustada avalia um trecho maior da conversa e confirma a ameaça ou descarta o alarme. Esse esquema também serve para reduzir falsos positivos: uma conversa cotidiana em que alguém pede dinheiro emprestado não deve parecer um ataque.

Quando a ameaça é confirmada, o modelo exibe um alerta direto na tela, com a recomendação de parar e não compartilhar informações sensíveis nem dinheiro. No treinamento, foram usados diálogos reais em sua estrutura: imitações de órgãos públicos, bancos, figuras públicas locais e esquemas regionais atuais.

Principais parâmetros do projeto:

• Base: Gemma, modelo leve do Google DeepMind, ajustado com cenários locais de fraude.
• Onde roda: no smartphone; a análise das conversas não exige envio de dados para a nuvem.
• Etapa 1: classificador leve de mensagens recebidas, com baixo consumo de energia.
• Etapa 2: avaliação contextual de um trecho maior da conversa pela Gemma ajustada.
• Ambiente de treinamento: ambiente gerenciado da GovTech no GCP, com dados isolados.
• Dados: conjuntos anonimizados de denúncias de fraude e de fluxos de inteligência, sem dados pessoais de cidadãos.
• Validação: diálogos sintéticos e corpora locais, cobrindo diferentes categorias de golpes e falsificações.
• Não divulgado: tamanho do modelo, precisão, taxa de falsos positivos, lista de dispositivos compatíveis.

Governança de dados e limitações

Os autores destacam a disciplina adotada no desenvolvimento. O ajuste foi feito em uma "sandbox soberana", ambiente da GovTech que a própria agência opera. Toda informação privada e pessoalmente identificável foi excluída da amostra de treinamento. A resistência a novas técnicas foi testada com diálogos sintéticos que imitam táticas variáveis de falsificação de identidade.

Mark Chen, diretor de confiança e segurança da GovTech, define o objetivo assim: detectar em tempo real tentativas de fraude locais e direcionadas, sem violar a privacidade das conversas.

Para quem isso é útil e o que falta

O projeto foi pensado como referência para mensageiros e fabricantes de sistemas operacionais: eles podem embarcar modelos leves como esse e proteger os usuários localmente, sem quebrar a criptografia de ponta a ponta. Para bancos e reguladores de outros países, é um modelo de trabalho: um modelo nacional treinado com dados locais, mais análise no lado do cliente.

Mas a publicação deixa perguntas sem as quais não é possível avaliar a eficácia real. Não há números de precisão e de recall na detecção, nem dados sobre falsos positivos em conversas reais ou sobre o consumo de bateria em horas. Também não está descrito como a ferramenta será integrada a aplicativos específicos nem quem vai atualizar o modelo quando os golpistas mudarem de esquema. Por ora, é a demonstração de uma abordagem, não um produto pronto para implantação em massa. Vale acompanhar qual plataforma será a primeira a integrar o modelo e a publicar medições independentes.