O que é o framework Liege Ribeiro Lyra
O Liege Ribeiro Lyra é uma estrutura de validação e auditoria de processos financeiros que ganhou tração no Brasil a partir de 2023. Ele surgiu da necessidade de padronizar a conciliação entre sistemas legados de bancos e plataformas modernas de fintech, algo que até então era resolvido com scripts improvisados em Python ou VBA. O conceito central dele é simples: um motor de comparação tripla que cruza dados de origem, processo e destino antes de qualquer registro ser considerado aprovado. Não existe um repositório oficial único no GitHub. O que existe são implementações próprias de cada banco e fintech que adotou o padrão. Isso gera uma fragmentação interessante porque cada instituição adapta a estrutura às suas regras internas de compliance. A versão base, porém, segue uma especificação pública que pode ser encontrada em fóruns técnicos e em documentações de consultorias especializadas em regulação financeira.
Como usar liege ribeiro lyra na prática
O primeiro passo é entender que você não baixa um software pronto. Você implementa a lógica descrita na especificação. Eu comecei isso em 2024 num projeto de integração entre um sistema legacy de cooperativa de crédito e uma plataforma de pagamentos em tempo real. A especificação original estava disponível num documento PDF de 47 páginas distribuído por um fórum técnico chamado Mercado Regulatório. O arquivo principal descreve a estrutura de dados, os campos obrigatórios e o fluxo de aprovação. A implementação mínima funciona assim: você pega os três pontões de dados — origem, processo e destino — e aplica a regra de hash tripartido. Cada transação recebe um identificador único calculado a partir dos três fluxos. Se os hashes não baterem, o registro é sinalizado como divergência. A parte prática mais importante é a camada de normalização, porque sistemas legados frequentemente trazem datas em formatos diferentes, valores com casas decimais inconsistentes e códigos de moeda que precisam ser mapeados.
Um problema específico que eu enfrentei foi quando o sistema legado da instituição enviava valores em centavos sem indicá-lo no campo de escala. Isso causava divergências em 99,7% dos registros na primeira rodada de testes. A solução foi criar um validador prévio que detectava automaticamente quando todos os valores estavam inteiros mas com magnitude inferior a 1,00, assumindo que estavam em centavos. Esse tipo de correção não está na especificação original porque cada instituição tem particularidades diferentes.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Vantagens e limitações reais
A principal vantagem é a redução do tempo de conciliação. Num ambiente bem configurado, o que levava cerca de 4 horas diárias de trabalho manual para uma equipe de 3 pessoas cai para aproximadamente 20 minutos de processamento automático. A detecção de divergências também é significativamente mais rápida porque o motor tripartido identifica inconsistências que comparações binárias tradicionais não capturam. O ponto fraco é a rigidez inicial. A estrutura exige que todos os sistemas envolvidos sigam o padrão de normalização de campos exatamente como descrito. Se uma das pontas não conseguir se adequar, todo o fluxo precisa de adaptações manuais. Eu vi casos onde a implementação simplesmente não funcionou porque o sistema legado de uma das partes não tinha API disponível e a exportação era feita via arquivos ASCII com delimitadores variáveis.
Outro problema é a curva de aprendizado. Desenvolvedores que nunca trabalharam com conciliação financeira tendem a subestimar a complexidade da normalização de dados. Parece trivial normalizar datas, mas quando você tem sistemas que usam YYYYMMDD, DD/MM/YYYY, timestamps Unix e formatos com fuso horário inconsistente, o tempo de desenvolvimento aumenta consideravelmente. Recomendo pelo menos duas semanas só para a fase de mapeamento de campos antes de escrever a primeira linha de código do motor de comparação.
Por onde começar se você quer implementar
Procure pela especificação técnica completa em fóruns de regulacao_financeira_tech e comunidades de developers de fintech brasileiras. O documento mais citado é a versão 2.1 do framework, que adicionou suporte a transações cross-border e tratamento dechargebacks. A partir daí, monte um ambiente de teste isolado com dados fictícios antes de conectar qualquer sistema produtivo. A minha recomendação prática é começar com um subconjunto reduzido de transações para validar a normalização. Eu scalei direto para produção na primeira vez e levei três dias debugando porque um campo de código de estabelecimento vinha preenchido de forma inconsistente entre dois dos sistemas. Depois dessa experiência, passei a usar sempre um pipeline de três fases: normalização, validação de esquema e comparação tripartida, cada uma com logging separado.
Se a sua infraestrutura não permite adaptação completa dos sistemas envolvidos, considere usar apenas a camada de documentação e reporte do framework. O formato de saída dele pode ser adaptado para gerar relatórios de auditoria mesmo sem implementação total do motor de comparação. Isso funciona bem como passo intermediário enquanto as equipes de TI dos sistemas legados trabalham nas integrações necessárias.
