KI hjelper banker med å spare millioner ved å transformere forebygging av betalingssvindel

• I gjennomsnitt tapte organisasjoner 60 millioner USD globalt på betalingssvindel i løpet av et år, ifølge forskning fra Mastercard i 2025. 
• Identitetstyveri øker raskt, drevet av generativ KI (gen KI) og resulterer i svindel.
• KI-verktøy som bruker sanntidsdata og trender kan bidra til å stoppe svindel før den skjer – og redusere tap.
• 83 % av bransjelederne sier at KI har redusert falske positive og kundefrafall, noe som markerer en ny æra innen svindelforebygging.

Utvidelsen av nettverk for sanntidsbetalinger har skapt nye muligheter for svindel. Faktisk vokste den estimerte globale økonomiske effekten av svindel til mer enn 485 milliarder USD i 2024 – et svimlende tall som forventes å øke i årene som kommer. 

Transaksjoner behandles i løpet av sekunder, noe som gjør tidsvinduet for oppdagelse og avverging mindre. I mellomtiden utformer kriminelle angrep som flytter penger raskt gjennom flere kontoer før de blir oppdaget.

Disse svindlerne bruker generativ KI til å utføre sosial manipulering og organisere raske transaksjoner med større presisjon. Ifølge en rapport fra Deloitte kan generativ KI føre til 40 milliarder USD i svindeltap i USA innen 2027 – over det tredobbelte av de 12,3 milliarder USD som ble sett i 2023. Ved å automatisere pengeflyten mellom kontoer i ulike institusjoner, kan svindlere skjule sporene og komplisere gjenopprettingen.

Men banker trapper også opp – ved å bruke KI til å slå tilbake raskere. Tidligere satte team for svindelforebygging manuelle regler for å bestemme hvilke transaksjoner som skulle godkjennes eller blokkeres. Nå kan KI analysere data for å oppdage uvanlige mønstre og ta smartere autorisasjonsbeslutninger i sanntid. 

Dette skiftet gir allerede resultater. Mastercard’s rapport om forebygging av betalingssvindel for 2025, produsert i samarbeid med Financial Times Longitude, viser at 42 % av utstedere og 26 % av innløsere har spart mer enn 5 millioner USD i svindelforsøk de siste to årene takket være KI. Men for å få mest mulig ut av KI til svindelforebygging, trenger organisasjoner data av høy kvalitet som mates inn i modeller for bedre risikobeslutninger.

Mastercard undersøkelse viser at organisasjoner tapte i gjennomsnitt 60 millioner USD på betalingssvindel det siste året. Og ettersom KI hjelper svindlere med å lage mer overbevisende svindel, forventes disse tapene å fortsette å stige:

• Kriminelle utnytter KI til å analysere store mengder offentlig tilgjengelige data og utforme svært målrettede svindelforsøk.
  
• Med rimelige verktøy for generativ KI kan svindlere lage overbevisende phishing-meldinger, syntetiske stemmekloner og deepfake-videoer i stor skala, noe som gjør det lettere å manipulere ofre til å godkjenne svindeltransaksjoner.

Samtidig, ettersom sanntidsbetalinger blir mer populære, har finansinstitusjoner bare et kort tidsvindu til å identifisere og blokkere KI-drevne svindelforsøk. Det er derfor ledere i betalingsbransjen følger nøye med på en rekke svindelrisikoer:

• Ledere ser på svindel med syntetisk identitet (61 %), etterligningssvindel (60 %) og grenseoverskridende svindel (54 %) som de raskest voksende truslene det neste året. Svindel med syntetisk identitet, som innebærer å kombinere stjålet personlig informasjon med fabrikkerte detaljer for å skape en falsk identitet, eskalerer ettersom svindlere bruker KI til å gå gjennom enorme datasett og bygge mer overbevisende profiler.
• Andre voksende risikoer inkluderer svindel i e-handel (47 %), misbruk av Kjøp nå, betal senere (BNPL) (42 %) og deepfakes (21 %). Bekymringer knyttet til svindel i e-handel og misbruk av BNPL, når ondsinnede aktører oppretter uautoriserte BNPL-kontoer eller transaksjoner, understreker behovet for sterkere kundebeskyttelse på tvers av det digitale betalingslandskapet.

Nitti prosent av betalingsledere forventer høyere økonomiske tap de neste tre årene hvis de ikke øker bruken av KI i forebygging av svindel. 

Heldigvis finnes det ulike måter å bruke KI på for svindelforebygging, fra å analysere transaksjonsmønstre til å redusere manuelle gjennomganger. Mange institusjoner genererer allerede høy avkastning på investeringen (ROI) som et resultat:

• 85 % av respondentene rapporterer at de ser avkastning ved bruk av AI til triagering og etterforskning av svindelsaker, gjenkjenning av transaksjonsmønstre og sanntidsdeteksjon av mistenkelige transaksjoner.
• 83 % sier at KI har fremskyndet prosessen deres for svindelundersøkelse og saksløsning betydelig.

​​​Likevel er det viktig å huske at vedvarende investeringer fører til de største gevinstene. Organisasjoner som har brukt KI i over fem år rapporterer at de sparer 4,3 millioner dollar i tapt inntekt, nesten det dobbelte av gjennomsnittlig besparelse på 2,2 millioner dollar. 

Samtidig vet ledere at det å holde KI oppdatert etter hvert som svindeltaktikker utvikler seg, er en betydelig utfordring. For å beskytte seg mot nye og fremvoksende trusler, må KI-verktøy lære og tilpasse seg i sanntid. 

Med KI-verktøy som inkluderer data i nær sanntid og kontekstuell innsikt, kan organisasjoner ta mer effektive autorisasjonsbeslutninger for å øke godkjenningsratene og holde kundene fornøyde.

Problemet: Historisk sett har banker brukt regelbaserte systemer for å godkjenne eller blokkere transaksjoner. For eksempel kan en bank sette en regel for å flagge kjøp over et visst dollarbeløp eller avvise transaksjoner som stammer fra uvanlige steder. Men her er problemet: Stive, manuelle prosesser kan bremse oppdagelsen av svindel, spesielt ettersom svindelforsøk blir raskere og mer komplekse.

Løsningen: KI-løsninger kan enkelt overvinne denne begrensningen ved å analysere millioner av datapunkter for raskt å vurdere transaksjonsrisiko og tilby sanntidsinnsikt. Dette betyr at banker kan oppdage nye trusler etter hvert som de oppstår, og raskt ta informerte beslutninger, noe som minimerer forsinkelser i oppdagelsen.

Det er ingen overraskelse at 80 % av organisasjonene rapporterte at KI hjalp til med å eliminere unødvendige manuelle gjennomganger. Mastercards Decision Intelligence Pro-løsning (DI Pro) hjelper med akkurat det: den gir risikoscore og innsikt i nær sanntid under autorisering. Banker trenger ikke å vente eller undersøke senere – de kan bestemme umiddelbart om de vil godkjenne eller avslå. 

Problemet: Fordi statiske autorisasjonsregler mangler nyanser, fører de ofte til falske positive resultater, det vil si når legitime transaksjoner feilaktig identifiseres som uredelige og avvises eller flagges for kontroll. Utover å skape ekstra arbeid for interne team, skader dette også kundeopplevelsen. 

Løsningen: Avanserte KI-modeller kan analysere ulike datapunkter for å vurdere svindelrisiko med presisjon. Hvis for eksempel en kunde som regelmessig kjøper klær i mellomklassen plutselig kjøper flere luksusmoteartikler under et sesongsalg, kan avanserte KI-modeller analysere faktorer som historisk kjøpsatferd, selgers troverdighet og tidspunkt for å avgjøre om denne økningen i forbruk er legitim atferd.

Denne kontekstuelle innsikten fører til mer nøyaktige autorisasjonsbeslutninger som forhindrer svindel uten å øke friksjonen for kundene. Faktisk rapporterer 83 % av respondentene at KI har redusert falske positive og kundefrafall betydelig det siste året. 

Problemet: Selv om KI kan støtte oppdagelse av svindel i sanntid, krever det data av høy kvalitet for å forbli effektivt. Ledere forstår dette kravet, og 64 % av respondentene sier at de må få raskere tilgang til nye, troverdige datakilder for å holde tritt med trusler i stadig utvikling.

Løsningen: Effektive KI-modeller for svindeloppdagelse integrerer innspill fra hele betalingsøkosystemet, inkludert informasjon fra kortnettverk, selgerdata og innsikt fra forbrukernes digitale identitet. 

Et KI-verktøy kan for eksempel vurdere en selgers risiko basert på historiske svindelrater, samtidig som det analyserer kundens transaksjonshyppighet, som sporer hvor ofte handlinger som kjøp eller kontoendringer forekommer i løpet av en kort periode.

Ved hjelp av avansert KI og Mastercard Merchant User Connected Intelligence (MUCI)-algoritmen, kobler DI Pro mønstre på tvers av brukere, selgere og transaksjoner for å gi kontekst, ikke bare en score.

Fremover vil organisasjoners suksess med KI-basert svindeloppdagelse avhenge av to faktorer: modellens kapasitet til å analysere store datamengder og evnen til å kombinere historiske mønstre med ny informasjon for å bistå i beslutningsprosesser.

Generativ KI endrer landskapet for svindel. Svindlere er raskere og mer tilpasningsdyktige med KI – og det må finansinstitusjoner også være.

Mastercard’s Decision Intelligence -løsning bruker KI og nettverksdrevne innsikter til å analysere og vurdere transaksjoner basert på risikonivået. Med omfattende innsikt i transaksjoner i nær sanntid kan du ta trygge autorisasjonsbeslutninger, godkjenne flere ekte transaksjoner og beskytte inntekter etter hvert som svindeltaktikker fortsetter å utvikle seg. 

Klar for å transformere svindelforsvaret ditt med KI? Finn ut hvordan Mastercard kan hjelpe, eller les rapporten vår for å se all innsikt fra undersøkelsen.