ИИ помогает банкам сэкономить миллионы, трансформируя предотвращение мошенничества с платежами

• Согласно исследованию Mastercard, в среднем за последний год организации потеряли 60 миллионов долларов из-за мошенничества с платежами.  
• Мошенничество с синтетическими личностями и мошенничество с имитацией быстро растут, чему способствует генеративный ИИ (генеративный ИИ). 
• Инструменты ИИ, использующие данные в реальном времени и аналитику поведения, могут помочь остановить мошенничество до его возникновения — и снизить убытки. 
• 83% лидеров отрасли считают, что ИИ снизил количество ложных срабатываний и текучести, что ознаменовало новую эру в предотвращении мошенничества.

По оценкам, глобальные финансовые потери от мошенничества в 2023 году превысили 485 миллиардов долларов[1] — ошеломляющая цифра, которая, как ожидается, будет расти в последующие годы. 

Один катализатор? Мошенники используют генерированный ИИ для быстрого создания убедительных дипфейков, искусственных голосов и поддельных документов для проведения масштабных мошенничеств с социальной инженерией. Согласно отчету Deloitte, генерационный ИИ может привести к 40 миллиардам долларов убытков от мошенничества в США к 2027 году — более чем втрое больше, чем в 2023 году.

Но банки тоже берут на себя ответственность — используя ИИ для более быстрого сопротивления. Ранее команды по предотвращению мошенничества устанавливали ручные правила для решения того, какие транзакции одобрять или блокировать. Теперь ИИ может анализировать данные, чтобы обнаруживать необычные закономерности и принимать более разумные решения по авторизации в реальном времени. 

Эта смена уже приносит плоды. Отчёт Mastercard по предотвращению мошенничества с платежами за 2025 год, подготовленный в партнерстве с Financial Times Longitude, показал, что 42% эмитентов и 26% эквайеров сэкономили более 5 миллионов долларов на попытках мошенничества за последние два года благодаря ИИ. Но чтобы максимально эффективно использовать ИИ для предотвращения мошенничества, организациям нужны высококачественные данные, которые появляются в моделях для более эффективных решений по риску.

Исследование Mastercard показало, что за последний год организации потеряли в среднем 60 миллионов долларов из-за мошенничества с платежами. И поскольку ИИ помогает мошенникам создавать все более убедительные схемы мошенничества, ожидается, что эти потери будут продолжать расти:

• Преступники используют ИИ для анализа больших объёмов общедоступных данных и создания целенаправленных поведенческих мошенничества. 
• С помощью доступных инструментов генерационного ИИ мошенники могут создавать убедительные фишинговые сообщения, синтетические голосовые клоны и дипфейковые видео в больших масштабах, что облегчает манипуляцию жертвами с целью одобрения мошеннических транзакций.

В то же время, по мере роста популярности платежей в режиме реального времени, у финансовых учреждений остается лишь короткий промежуток времени для выявления и блокирования попыток мошенничества с использованием искусственного интеллекта. Именно поэтому лидеры платежной индустрии внимательно следят за различными рисками мошенничества:

• Лидеры считают, что мошенничество с использованием поддельных личных данных (61%), мошенничество с использованием чужих личных данных (60%) и трансграничное мошенничество (54%) являются наиболее быстрорастущими угрозами в течение следующего года. Мошенничество с использованием искусственной идентификации, заключающееся в объединении украденной личной информации с вымышленными данными для создания поддельной личности, набирает обороты, поскольку мошенники используют ИИ для анализа огромных массивов данных и создания все более убедительных профилей.
• Другие растущие риски включают мошенничество в электронной коммерции (47%), злоупотребления принципами «Купи сейчас, плати позже» (BNPL) (42%) и дипфейки (21%). Опасения по поводу мошенничества в электронной коммерции и злоупотреблений BNPL, когда злоумышленники совершают несанкционированные счета или транзакции BNPL, подчёркивают необходимость усиления защиты клиентов во всей сфере цифровых платежей.

Девяносто процентов лидеров платежных систем ожидают увеличения финансовых потерь в ближайшие три года, если они не расширят использование ИИ для предотвращения мошенничества. 

К счастью, существует множество способов применения ИИ для предотвращения мошенничества — от анализа паттернов транзакций до сокращения ручных проверок. Многие учреждения уже получают высокую отдачу от инвестиций (ROI) благодаря этому:

• 85% респондентов сообщают, что получили доходность от использования ИИ для сортировки и расследования дел о мошенничестве, распознавании закономерностей транзакций и обнаружения подозрительных транзакций в реальном времени.
• 83% считают, что ИИ значительно ускорил процесс расследования мошенничества и разрешения дел.

​​​Тем не менее, важно помнить, что устойчивые инвестиции приводят к наибольшей прибыли. Организации, использующие ИИ более пяти лет, сообщают об экономии в размере 4,3 миллиона долларов США за счет сокращения упущенной прибыли, что почти вдвое превышает среднюю экономию в 2,2 миллиона долларов США. 

Одновременно руководители понимают, что поддержание актуальности ИИ по мере развития мошенничества — серьёзное препятствие. Чтобы защищаться от новых и возникающих угроз, инструменты ИИ должны учиться и адаптироваться в режиме реального времени. 

С помощью инструментов ИИ, включающих данные в реальном времени и аналитику поведения, организации могут принимать более эффективные решения по авторизации, чтобы повысить уровень одобрения и удовлетворять клиентов.

Проблема в том, что исторически банки использовали системы, основанные на правилах, для одобрения или блокировки транзакций. Например, банк может установить правило, отмечающее покупки свыше определённой суммы или отклоняющее транзакции, исходящие из непривычных точек. Но вот в чём проблема: жёсткие, ручные процессы могут замедлить выявление мошенничества, особенно по мере того, как мошенничество становится быстрее и сложнее.

Решение: решения на базе ИИ могут легко преодолеть это ограничение, анализируя миллионы точек данных для быстрой оценки рисков транзакций и предоставления аналитики в реальном времени. Это позволяет банкам замечать новые угрозы по мере их развития и быстро принимать обоснованные решения, минимизируя задержку обнаружения.

Неудивительно, что 80% организаций сообщили, что ИИ помог устранить ненужные ручные проверки. Поскольку ИИ позволяет эмитентам и покупателям предугадывать угрозы заранее, он также выгоден для мошеннических групп, освобождая возможности для более сложных расследований.

Проблема: Поскольку статические правила авторизации не обладают достаточной детализацией, они часто приводят к ложным срабатываниям, то есть когда законные транзакции ошибочно идентифицируются как мошеннические и отклоняются или помечаются для проверки. Помимо создания дополнительной работы для внутренних команд, это также негативно сказывается на качестве обслуживания клиентов. 

Решение: Продвинутые модели ИИ могут анализировать различные точки данных для точной оценки риска мошенничества. Например, если покупатель, регулярно покупающий одежду среднего класса, внезапно приобретает несколько предметов роскоши во время сезонной распродажи, современные модели ИИ могут анализировать такие факторы, как историческое поведение покупок, доверие продавца и время, чтобы определить, является ли этот скачок расходов законным поведением.

Такой контекстно-ориентированный интеллект способствует более точным решениям авторизации, предотвращая мошенничество без увеличения трений для клиентов. Фактически, 83% респондентов сообщают, что ИИ значительно снизил ложные срабатывания и уровень оттока клиентов за последний год.

Проблема: хотя ИИ поддерживает обнаружение мошенничества в реальном времени, для эффективности ему необходимы высококачественные данные. Лидеры понимают этот спрос: 64% респондентов считают, что им необходимо ускорить доступ к новыми, надёжным источникам данных, чтобы идти в ногу с развивающимися угрозами.

Решение: эффективные модели обнаружения мошенничества с помощью ИИ интегрируют данные из всей платёжной экосистемы, включая аналитику карточных сетей, данные продавцов и инсайты из цифровой идентичности потребителей. 

Например, инструмент искусственного интеллекта может оценивать риск продавца на основе исторических уровней мошенничества, а также анализировать скорость клиента, который отслеживает, как часто происходят такие действия, как покупки или смены счета, за короткий промежуток времени.

В дальнейшем успех организаций в обнаружении мошенничества с помощью ИИ будет зависеть от двух факторов: способности модели анализировать большие объемы данных и ее умения объединять исторические закономерности и новую информацию для принятия решений.

Генеративный искусственный интеллект меняет ландшафт мошенничества. Благодаря искусственному интеллекту мошенники действуют быстрее и адаптируются лучше, и финансовым учреждениям тоже необходимо это уметь.

Решение Decision Intelligence от Mastercard использует ИИ и сетевую аналитику для анализа и оценки транзакций на основе уровня риска. Обладая богатой аналитикой в реальном времени, вы можете принимать уверенные решения по авторизации, одобрять более подлинные транзакции и защищать доходы по мере развития мошеннических тактик. 

Готовы трансформировать защиту от мошенничества с помощью ИИ? Узнайте, как Mastercard может помочь, или ознакомьтесь с нашим отчётом, чтобы получить все инсайты по опросу.