A mesterséges intelligencia milliókat takarít meg a bankoknak a fizetési csalások megelőzésének átalakításával

• A Mastercard kutatása szerint a szervezetek átlagosan 60 millió dollárt veszítettek a tavalyi évben fizetési csalások miatt.  
• A szintetikus személyazonossággal kapcsolatos csalások és a személyazonosságot megszemélyesítő csalások száma gyorsan növekszik, amit a generatív mesterséges intelligencia (gen AI) táplál. 
• A valós idejű adatokat és viselkedési ismereteket használó mesterséges intelligenciaeszközök segíthetnek megállítani a csalást, mielőtt az megtörténne - és csökkenthetik a veszteségeket. 
• Az iparági vezetők 83% szerint a mesterséges intelligencia csökkentette a téves pozitív jelenségeket és az elvándorlást, ami új korszakot jelent a csalás megelőzésében.

A csalás becsült globális pénzügyi hatása 2023-ra több mint 485 milliárd dollárra nőtt[1] - ez a szám megdöbbentő, és az elkövetkező években várhatóan tovább fog nőni. 

Egy katalizátor? A csalók a mesterséges intelligenciát használják arra, hogy gyorsan meggyőző mély hamisítványokat, szintetikus hangokat és hamisított dokumentumokat állítsanak elő, és így nagy léptékű social engineering csalásokat hajtsanak végre. A Deloitte jelentése szerint a mesterséges intelligencia 2027-ig 40 milliárd dollárnyi csalási veszteséget okozhat az Egyesült Államokban - ez több mint háromszorosa a 2023-ban tapasztalt 12,3 milliárd dollárnak.

De a bankok is lépéseket tesznek - a mesterséges intelligencia segítségével gyorsabban tudnak visszavágni. Korábban a csalásmegelőző csapatok kézi szabályokat állítottak fel annak eldöntésére, hogy mely tranzakciókat hagyják jóvá vagy blokkolják. A mesterséges intelligencia most már képes elemezni az adatokat, hogy szokatlan mintákat észleljen, és valós időben, okosabb engedélyezési döntéseket hozzon. 

Ez a váltás máris kifizetődő. A Mastercard 2025 fizetési csalás megelőzéséről szóló jelentése, amelyet a Financial Times Longitude-tal együttműködve készített, megállapította, hogy a kibocsátók 42% és az elfogadóhelyek 26% több mint 5 millió dollárt takarítottak meg a csalási kísérletektől az elmúlt két évben a mesterséges intelligenciának köszönhetően. Ahhoz azonban, hogy a legtöbbet hozhassák ki a mesterséges intelligenciából a csalás megelőzésében, a szervezeteknek kiváló minőségű adatokra van szükségük, amelyek a jobb kockázati döntésekhez szükséges modellekbe táplálnak.

A Mastercard kutatása szerint a szervezetek az elmúlt évben átlagosan 60 millió dollárt veszítettek a fizetési csalások miatt. És ahogy a mesterséges intelligencia segít a csalóknak meggyőzőbb csalásokat létrehozni, ezek a veszteségek várhatóan tovább fognak nőni:

• A bűnözők a mesterséges intelligenciát nagy mennyiségű nyilvánosan elérhető adat elemzésére és rendkívül célzott viselkedéses csalásokra használják fel. 
• A megfizethető AI-eszközökkel a csalók meggyőző adathalász üzeneteket, szintetikus hangklónokat és deepfake videókat hozhatnak létre, így könnyebben manipulálhatják az áldozatokat, hogy jóváhagyják a csalárd tranzakciókat.

Ugyanakkor a valós idejű fizetések népszerűségének növekedésével a pénzintézeteknek csak rövid idő áll rendelkezésükre, hogy felismerjék és megakadályozzák a mesterséges intelligencia alapú csalási kísérleteket. Ezért a fizetési iparág vezetői nagy figyelmet fordítanak a különböző csalási kockázatokra:

• A vezetők szerint a következő évben a leggyorsabban növekvő fenyegetések a szintetikus személyazonossággal kapcsolatos csalás (61%), a személyazonosságot megszemélyesítő csalások (60%) és a határokon átnyúló csalás (54%). A szintetikus személyazonossággal kapcsolatos csalások, amelyek során a lopott személyes adatokat hamis személyazonosság létrehozásához hamisított adatokkal kombinálják, egyre nagyobb méreteket öltenek, mivel a csalók a mesterséges intelligencia segítségével hatalmas adathalmazokat szitálnak át, és egyre meggyőzőbb profilokat állítanak össze.
• További növekvő kockázatok közé tartoznak az e-kereskedelmi csalások (47%), a Buy Now, Pay Later (BNPL) visszaélések (42%) és a hamisítványok (21%). Az e-kereskedelmi csalások és a BNPL-rel való visszaélések - amikor a rossz szereplők jogosulatlanul vezetnek BNPL-számlákat vagy tranzakciókat - miatt felmerülő aggodalmak aláhúzzák, hogy a digitális fizetések terén erősebb ügyfélvédelemre van szükség.

A pénzforgalmi vezetők kilencven százaléka számít nagyobb pénzügyi veszteségekre a következő három évben, ha nem növelik a mesterséges intelligencia használatát a csalás megelőzésében. 

Szerencsére a mesterséges intelligencia különböző módon alkalmazható a csalás megelőzésére, a tranzakciós minták elemzésétől a manuális felülvizsgálatok csökkentéséig. Számos intézmény már most is magas megtérülést (ROI) ér el ennek köszönhetően:

• A válaszadók 85% számoltak be arról, hogy a mesterséges intelligencia alkalmazása a csalási ügyek kivizsgálására és kivizsgálására, a tranzakciós minták felismerésére és a gyanús tranzakciók valós idejű felismerésére megtérül.
• 83% szerint a mesterséges intelligencia jelentősen felgyorsította a csalások kivizsgálását és az ügyek megoldását.

​​​Mégis, fontos megjegyezni, hogy a tartós befektetés vezet a legnagyobb nyereséghez. Az AI-t több mint öt éve használó szervezetek 4,3 millió dollár bevételkiesést jelentettek, ami majdnem kétszerese a 2,2 millió dolláros átlagos megtakarításnak. 

Ezzel egyidejűleg a vezetők tudják, hogy az AI naprakészen tartása a csalási taktikák fejlődésével jelentős akadályt jelent. Az új és újonnan megjelenő fenyegetések elleni védekezéshez az AI-eszközöknek valós időben kell tanulniuk és alkalmazkodniuk. 

A valós idejű adatokat és viselkedési ismereteket tartalmazó AI-eszközökkel a szervezetek hatékonyabb engedélyezési döntéseket hozhatnak a jóváhagyási arányok növelése és az ügyfelek elégedettségének megőrzése érdekében.

A probléma: A bankok eddig szabályalapú rendszereket használtak a tranzakciók jóváhagyására vagy blokkolására. Egy bank például beállíthat olyan szabályt, amely egy bizonyos dollárösszeg feletti vásárlásokat jelöl meg, vagy megtagadhatja a szokatlan helyekről származó tranzakciókat. De itt a probléma: A merev, manuális folyamatok lassíthatják a csalások felderítését, különösen, ha a csalások egyre gyorsabbá és összetettebbé válnak.

A megoldás: A mesterséges intelligencia megoldások könnyen leküzdhetik ezt a korlátozást, mivel több millió adatpontot elemeznek, hogy gyorsan értékeljék a tranzakciós kockázatot, és valós idejű betekintést nyújtsanak. Ez azt jelenti, hogy a bankok a felmerülő fenyegetéseket már a kialakulásukkor észlelhetik, és gyorsan megalapozott döntéseket hozhatnak, minimalizálva a felderítési késedelmet.

Nem meglepő, hogy a szervezetek 80% számolt be arról, hogy a mesterséges intelligencia segített a felesleges kézi felülvizsgálatok megszüntetésében. Mivel a mesterséges intelligencia lehetővé teszi a kibocsátók és a vásárlók számára a fenyegetések korábbi előrejelzését, a csalással foglalkozó csapatok számára is előnyös, mivel kapacitást szabadít fel az összetettebb vizsgálatokra.

A probléma: Mivel a statikus engedélyezési szabályokból hiányzik az árnyalás, gyakran vezetnek téves pozitív eredményekhez, azaz amikor a jogszerű tranzakciókat tévesen csalárdként azonosítják, és elutasítják vagy felülvizsgálatra jelölik. A belső csapatoknak okozott többletmunkán túl ez az ügyfélélményt is rontja. 

A megoldás: A fejlett mesterséges intelligenciamodellek képesek elemezni a különböző adatpontokat a csalási kockázat pontos felmérése érdekében. Ha például egy ügyfél, aki rendszeresen középkategóriás ruhákat vásárol, hirtelen több luxus divatcikket vásárol egy szezonális leárazás során, a fejlett AI modellek elemezhetik az olyan tényezőket, mint a korábbi vásárlási viselkedés, a kereskedő hitelessége és az időzítés, hogy megállapítsák, hogy ez a kiadási hullám legitim viselkedés-e.

Ez a kontextust ismerő intelligencia pontosabb engedélyezési döntéseket hoz, amelyek anélkül akadályozzák meg a csalást, hogy növelnék a súrlódásokat az ügyfelek számára. Valójában a válaszadók 83% számolt be arról, hogy a mesterséges intelligencia jelentősen csökkentette a téves pozitív eredményeket és az ügyfelek elvándorlási arányát az elmúlt évben.

A probléma: Bár a mesterséges intelligencia támogathatja a csalások valós idejű felderítését, ahhoz, hogy hatékony maradjon, kiváló minőségű adatokra van szükség. A vezetők megértik ezt az igényt: a válaszadók 64% szerint fel kell gyorsítaniuk az új, hiteles adatforrásokhoz való hozzáférést, hogy lépést tudjanak tartani a fejlődő fenyegetésekkel.

A megoldás: A hatékony AI csalásfelismerő modellek a teljes fizetési ökoszisztémából származó inputokat integrálják, beleértve a kártyahálózati információkat, a kereskedői adatokat és a fogyasztók digitális identitásából származó információkat. 

Egy mesterséges intelligencia eszköz például értékelheti a kereskedő kockázatát a korábbi csalási arányok alapján, miközben elemzi az ügyfél sebességét is, amely azt követi nyomon, hogy milyen gyakran fordulnak elő rövid időn belül olyan műveletek, mint a vásárlás vagy a számlaváltás.

A jövőben a szervezetek sikere a mesterséges intelligenciával történő csalásfelderítés terén két tényezőtől függ majd: a modell nagy mennyiségű adat elemzésére való képességétől, valamint attól, hogy képes-e kombinálni a múltbeli mintákat és a friss információkat a döntéshozatal elősegítése érdekében.

A generatív mesterséges intelligencia megváltoztatja a csalás témakörét. A csalók gyorsabbak és alkalmazkodóbbak a mesterséges intelligencia segítségével - és a pénzintézeteknek is így kell tenniük.

A Mastercard Decision Intelligence megoldása a mesterséges intelligenciát és a hálózati ismereteket használja a tranzakciók elemzéséhez és pontozásához a kockázati szint alapján. A gazdag, valós idejű betekintés révén magabiztos engedélyezési döntéseket hozhat, több valódi tranzakciót hagyhat jóvá, és megvédheti bevételeit, mivel a csalási taktikák folyamatosan fejlődnek. 

Készen áll arra, hogy átalakítsa csalás elleni védelmét a mesterséges intelligencia segítségével? Tudja meg, hogyan segíthet a Mastercard, vagy olvassa el jelentésünket a felmérés összes tanulságáért.