Construir versus comprar verificação de identidade: a conta completa

Em algum momento da vida de todo produto que precisa saber quem é o usuário, alguém propõe em reunião: e se a gente mesmo fizer a verificação? O argumento parece aritmética simples. O fornecedor cobra por verificação, existem modelos de código aberto disponíveis, e um protótipo que compara a selfie com a foto do documento fica de pé em uma semana. Este artigo faz a conta que a reunião costuma pular.

A comparação justa não é entre o preço por verificação e o custo de rodar um modelo. É entre esse preço e o custo total de construir, calibrar, operar, defender juridicamente e manter competitivo um sistema inteiro, ano após ano. Em alguns cenários construir ganha, e este texto diz quais. Na maioria, a conta completa muda a decisão, e é melhor descobrir isso no papel do que no décimo mês do projeto.

O que construir inclui de verdade

Verificação de identidade não é um modelo, é uma esteira. Na ponta do usuário: captura com câmera, validação de enquadramento e de qualidade da imagem, recaptura orientada quando a foto vem ruim. No servidor: detecção de rosto, prova de vida (distinguir um rosto vivo de uma foto impressa, de uma tela ou de uma máscara), comparação facial de um para um contra o documento, leitura do documento por reconhecimento óptico de caracteres, consulta cadastral do CPF ou do CNPJ em fonte oficial e um motor de decisão que combine tudo isso em aprovar, reprovar ou revisar. Em volta: filas e retentativas, webhooks, painel de revisão manual, trilha de auditoria e política de retenção com expurgo.

O protótipo de uma semana cobre um item dessa lista. O produto precisa cobrir todos, porque o fraudador ataca o elo mais fraco, não o mais interessante de programar. Um comparador facial excelente atrás de uma prova de vida fraca é uma porta blindada em parede de gesso.

Modelos: a régua é pública, a licença é armadilha

O NIST (National Institute of Standards and Technology), instituto de padronização do governo dos Estados Unidos, mantém desde fevereiro de 2017 uma avaliação contínua de reconhecimento facial, gratuita e aberta a desenvolvedores do mundo inteiro, hoje chamada FRTE (Face Recognition Technology Evaluation), nome adotado em 2023 no lugar da sigla anterior, FRVT. A estatística de participação do próprio programa, atualizada em 31 de julho de 2026, dá a dimensão da competição na trilha de um para um: 1.441 algoritmos submetidos por 439 desenvolvedores distintos.

A tabela do NIST mede a taxa de falsa não correspondência, a proporção de comparações legítimas rejeitadas, com o limiar de cada algoritmo fixado para produzir uma taxa de falsa correspondência de um em um milhão. Daí saem duas consequências para quem pretende construir. A primeira: existe régua pública, então "nosso modelo funciona bem" deixou de ser resposta aceitável, dentro ou fora de casa. A pergunta certa é onde ele ficaria nessa tabela, medido com a mesma metodologia.

A segunda é a armadilha da licença. A licença do peso treinado é um documento separado da licença do código, e parte relevante dos pesos abertos de melhor desempenho é publicada apenas para uso de pesquisa, com cláusula que veda uso comercial. Quem descobre isso depois do protótipo escolhe entre um modelo mais fraco de licença limpa e treinar o próprio peso, e treinar exige o ativo da próxima seção.

Prova de vida tem norma própria e o mesmo problema de régua. A ISO/IEC 30107-3, norma de teste e relatório de detecção de ataque de apresentação, organiza a medição em duas taxas que andam sempre juntas: a de ataques classificados como genuínos e a de usuários genuínos classificados como ataque. Construir em casa significa montar também o laboratório que produz esses ataques, com fotos impressas, telas, máscaras e a fronteira móvel dos vídeos sintéticos, porque acurácia única não é métrica.

Dados de calibração: o custo que ninguém orça

Modelo sem calibração local é palpite com currículo. Todo limiar de decisão, a partir de qual similaridade se aprova e abaixo de qual se reprova, precisa ser calibrado contra dados parecidos com a população real do produto: documentos brasileiros nos seus vários leiautes, câmera de celular de entrada, luz doméstica e exemplos reais de fraude para medir o outro lado da curva.

Não é preciosismo, é mecanismo documentado. A página do FRTE explica que variações demográficas na taxa de falsa correspondência podem decorrer da sub-representação de um grupo no conjunto de imagens usado para treinar o algoritmo, e que falsos negativos dependem fortemente da qualidade da imagem, com exemplos explícitos de iluminação inadequada para pessoas de pele escura e superexposição para pessoas de pele clara. Os relatórios NIST IR 8280 e NIST IR 8429, ligados a essa mesma página, tratam só disso. Um modelo calibrado em outra população pode errar de forma desigual entre os seus usuários, e isso só se descobre medindo com dados seus.

Aqui a conta jurídica chega antes da técnica. A Lei 13.709/2018, a LGPD (Lei Geral de Proteção de Dados Pessoais), classifica dado biométrico vinculado a uma pessoa natural como dado pessoal sensível no artigo 5º, inciso II, e o artigo 11 fecha as hipóteses em que dado sensível pode ser tratado. Os artigos 15 e 16 mandam eliminar os dados ao término do tratamento, com hipóteses de conservação taxativas. O artigo 46 exige medidas de segurança, o artigo 48 obriga a comunicar incidente relevante à autoridade nacional e ao titular, e o artigo 38 prevê que a autoridade nacional determine ao controlador um relatório de impacto à proteção de dados, inclusive de dados sensíveis. Montar um acervo de selfies e documentos para calibrar o próprio modelo é, juridicamente, operar um banco de dados biométricos: pede base legal definida, finalidade documentada, expurgo auditável e plano de resposta a incidente. Nada disso está no orçamento do protótipo, e tudo isso aparece na primeira auditoria.

Operação contínua: o protótipo é foto, a operação é filme

Fraude é adversário adaptativo. O ataque que a sua prova de vida reprova neste trimestre será substituído por outro no seguinte, e a esteira que não é re-treinada, re-calibrada e re-testada degrada sozinha, em silêncio, sem gerar um único erro em log. Mexer num limiar tem dois modos de falha, e os dois custam dinheiro invisível: rejeitar usuário legítimo corrói a conversão, aprovar fraude corrói o caixa e a relação com o regulador. Nenhum deles aparece no painel de disponibilidade.

Some a isso a infraestrutura de servir modelos com latência estável no pico, o armazenamento de mídia cifrada com expurgo programado, a observabilidade, o plantão e a fila de revisão manual dos casos de fronteira, que pede gente treinada e critério escrito. E some o item mais caro e menos visível: custo de oportunidade. As pessoas capazes de manter essa esteira são as mesmas capazes de construir o que diferencia a sua empresa.

A conta lado a lado, e quando construir ganha

No lado construir, a planilha honesta tem pelo menos estas linhas: time permanente de engenharia e de ciência de dados, licenciamento ou treino de modelos, coleta e guarda legal dos dados de calibração, laboratório de ataques, infraestrutura de produção, compliance contínuo, revisão manual e o tempo até a primeira verificação confiável em produção. No lado comprar: preço por verificação, dias de integração e o risco de dependência do fornecedor, mitigável ao exigir contrato de API substituível, exportação de dados e porta de saída negociada antes da entrada. Esse lado só é calculável quando o preço é público e a unidade de cobrança é clara. Na UNIFOKAL, por exemplo, o preço de cada módulo é público para que a conta feche sem reunião comercial, e a mesma régua vale contra qualquer fornecedor.

Construir ganha em três cenários. Quando a verificação é o próprio produto que se vende, porque aí o investimento é o negócio e não um custo dele. Quando o volume é tão alto que o custo unitário domina as outras linhas e a empresa sustenta um time dedicado permanente, com dados próprios suficientes para calibrar e re-calibrar. Ou quando uma exigência de soberania ou de regulação impede o uso de terceiros. Fora desses casos, a decisão racional costuma ser comprar bem: sandbox testado pela própria equipe, contrato lido com a LGPD na mesa e métricas cobradas na metodologia das normas, não no folheto.

A conta completa não é um argumento contra construir. É um argumento contra decidir com metade da planilha, que é como quase toda decisão de construir foi tomada.

Fontes citadas

• NIST, Face Recognition Technology Evaluation (FRTE) 1:1 Verification: avaliação contínua desde 2017, estatísticas de participação, metodologia de medição e notas sobre variação demográfica: pages.nist.gov/frvt/html/frvt11.html
• NIST IR 8280 (FRTE Part 3: Demographic Effects) e NIST IR 8429 (FRTE Part 8: Summarizing Demographic Differentials), relatórios de variação demográfica do NIST
• ISO/IEC 30107-3, norma de teste e relatório de detecção de ataque de apresentação em biometria
• Lei 13.709/2018, LGPD, artigos 5º, 11, 15, 16, 38, 46 e 48, disponível no portal do Planalto: planalto.gov.br