A u plaćanjima: više ne samo da otkriva prijevaru, već sada uči kako kupujete kako bi prepoznao kada to niste bili vi

Rast digitalnih plaćanja pratila je tiha transformacija financijskih prijevara. Ono što se nekada uglavnom oslanjalo na krađu vjerodajnica ili kloniranje kartica sada uključuje društveni inženjering, sintetičke identitete i alate umjetne inteligencije koji mogu učiniti napade uvjerljivijima i skalabilnijima. U ovom scenariju, banke, fintech tvrtke i tvrtke suočavaju se sa sve složenijim izazovom: zaštititi korisnike bez ugrožavanja brzine i jednostavnosti koje karakteriziraju digitalna plaćanja.

Prema istraživanju Instituta Datafolha u partnerstvu s Brazilskim forumom za javnu sigurnost (FBSP), otprilike 24 milijuna Brazilaca bilo je žrtvama financijskih prijevara koje uključuju Pix, kreditne kartice i uplatnice između srpnja 2024. i srpnja 2025., akumulirajući procijenjene gubitke od gotovo 29 milijardi brazilskih reala. Nadalje, informacije iz Nacionalne strategije za borbu protiv korupcije i pranja novca (ENCCLA) pokazuju da je više od polovice Brazilaca već pretrpjelo neku vrstu financijske prijevare.

Danas tri trenda redefiniraju upravljanje rizicima u financijskom sektoru. S jedne strane, prijevare brzo rastu i promijenile su se u prirodi, potaknute socijalnim inženjeringom i korištenjem generativne umjetne inteligencije. S druge strane, regulacija zahtijeva sustave praćenja u stvarnom vremenu, transparentne i podložne reviziji. I konačno, obrana postaje sve ovisnija o umjetnoj inteligenciji i mehanizmima autentifikacije s niskim trenjem koji mogu zaštititi korisnika bez ugrožavanja iskustva plaćanja.

Zamislite potrošača koji svako jutro kupuje kavu, u isto vrijeme i u istom kafiću. Odjednom, nekoliko minuta kasnije, pojavljuje se kupnja visoke vrijednosti, obavljena na drugom uređaju i u drugom gradu. U tom trenutku najvažnije pitanje više nije "koja je lozinka?", već "ima li ovo ponašanje smisla za ovog kupca?". Ovo je nova granica sprječavanja prijevara: umjesto da se oslanja isključivo na lozinke ili vjerodajnice, umjetna inteligencija uči kako svaka osoba kupuje kako bi prepoznala kada osoba koja plaća možda nije ona.

Odgovor industrije ukazuje na modele sposobne za interpretiranje ponašanja, a ne samo za primjenu unaprijed definiranih pravila. Učestalost kupnje, uobičajene vrijednosti, vremena, lokacija, korišteni uređaji i vrste objekata neki su od signala koji omogućuju izradu dinamičkih profila rizika potrošača. Kada transakcija značajno odstupa od ovog obrasca, sustavi mogu identificirati anomalije i procijeniti razinu rizika prije nego što odobriju operaciju.

Ova promjena također odgovara na ekonomsku potrebu. Osim borbe protiv prijevara, institucije moraju smanjiti takozvane lažno pozitivne rezultate, legitimne transakcije odbijene zbog sumnje na rizik. Za banke, fintech tvrtke i tvrtke izazov nije samo blokirati prijevarne aktivnosti, već to učiniti bez stvaranja nepotrebnih trenja ili utjecaja na konverziju legitimnih plaćanja.

Očekuje se da će se pritisak na ekosustav povećati u nadolazećim godinama. Studija GlobalDate procjenjuje da bi gubici povezani s prijevarama putem Pixa mogli doseći otprilike 11 milijardi brazilskih reala godišnje do 2028. godine, dok podaci Serasa Experian pokazuju da je 2025. godine u brazilskoj trgovini svake dvije minute bio pokušaj prijevare. U ovom scenariju, upravljanje rizicima prestat će biti samo zaštitna funkcija i postat će strateški element digitalnog financijskog iskustva.

*Rodrigo Rodrigues, COO i suosnivač Akua