A fizetések terén: már nem csak a csalást észleli, hanem megtanulja, hogyan vásárol, hogy felismerje, mikor nem Ön vásárol

A digitális fizetések növekedését a pénzügyi csalások csendes átalakulása kísérte. Ami egykor főként a hitelesítő adatok ellopására vagy a kártya klónozására támaszkodott, az ma már magában foglalja a társadalmi manipulációt, a szintetikus személyazonosságot és a mesterséges intelligencia eszközeit, amelyek képesek meggyőzőbbé és skálázhatóbbá tenni a támadásokat. Ebben a forgatókönyvben a bankok, a fintech cégek és a vállalatok egyre összetettebb kihívással néznek szembe: megvédeni a felhasználókat a digitális fizetésekre jellemző sebesség és egyszerűség feláldozása nélkül.

A Datafolha Intézet és a Brazil Közbiztonsági Fórum (FBSP) által partnerségben végzett felmérés szerint körülbelül 24 millió brazil esett áldozatul Pix-eket, hitelkártyákat és fizetési bizonylatokat érintő pénzügyi csalásoknak 2024 júliusa és 2025 júliusa között, ami közel 29 milliárd brazil dollár becsült veszteséget jelentett. Továbbá a Korrupció és Pénzmosás Elleni Küzdelem Nemzeti Stratégiájának (ENCCLA) adatai szerint a brazilok több mint fele már elszenvedett valamilyen pénzügyi csalást.

Napjainkban három trend határozza újra a pénzügyi szektor kockázatkezelését. Egyrészt a csalás gyorsan növekszik, és jellege megváltozott, a társadalmi manipuláció és a generatív mesterséges intelligencia használata miatt. Másrészt a szabályozás valós idejű, átlátható és auditálható monitoring rendszereket igényel. Végül pedig a védelem egyre inkább a mesterséges intelligenciától és az alacsony súrlódású hitelesítési mechanizmusoktól függ, amelyek képesek megvédeni a felhasználót a fizetési élmény veszélyeztetése nélkül.

Képzeljünk el egy fogyasztót, aki minden reggel kávét vásárol, ugyanabban az időben és ugyanabban a kávézóban. Hirtelen, néhány perccel később, egy nagyobb értékű vásárlás jelenik meg, egy másik eszközön és egy másik városban. Abban a pillanatban a legfontosabb kérdés már nem az, hogy "mi a jelszó?", hanem az, hogy "értelmes-e ez a viselkedés ennél a vásárlónál?". Ez a csalásmegelőzés új határterülete: ahelyett, hogy kizárólag jelszavakra vagy hitelesítő adatokra hagyatkozna, a mesterséges intelligencia megtanulja, hogyan vásárol minden egyes személy, hogy azonosítsa, mikor lehet, hogy a fizető személy nem ő.

Az iparág válasza olyan modellekre mutat, amelyek képesek a viselkedés értelmezésére, nem csak előre meghatározott szabályok alkalmazására. A vásárlási gyakoriság, a szokásos értékek, az időpontok, a helyszín, a használt eszközök és a létesítmények típusai azok a jelek, amelyek lehetővé teszik a dinamikus fogyasztói kockázati profilok felépítését. Amikor egy tranzakció jelentősen eltér ettől a mintától, a rendszerek azonosítani tudják az anomáliákat, és fel tudják mérni a kockázat szintjét egy művelet engedélyezése előtt.

Ez a változás egy gazdasági igényre is reagál. A csalás elleni küzdelem mellett az intézményeknek csökkenteniük kell az úgynevezett téves pozitív eredményeket, azaz a gyanított kockázat miatt elutasított jogos tranzakciókat. A bankok, a fintech cégek és a vállalatok számára a kihívás nemcsak a csalárd tevékenységek blokkolása, hanem az is, hogy ezt szükségtelen súrlódások generálása vagy a jogos fizetések átváltásának befolyásolása nélkül tegyék.

Az ökoszisztémára nehezedő nyomás várhatóan növekedni fog az elkövetkező években. A GlobalData tanulmánya szerint a Pix rendszeren keresztül elkövetett csalásokkal kapcsolatos veszteségek 2028-ra elérhetik az évi 11 milliárd reál dollárt, míg a Serasa Experian adatai szerint 2025-ben kétpercenként történt csalási kísérlet a brazil kereskedelemben. Ebben az esetben a kockázatkezelés már nem pusztán védelmi funkció, hanem a digitális pénzügyi élmény stratégiai elemévé válik.

*Rodrigo Rodrigues, az Akua vezérigazgatója és társalapítója