Австралийский стартап Apate предлагает банкам, телеком-операторам, государственным структурам и коммунальным компаниям использовать AI-агентов как приманку для мошенников. Агенты отвечают на звонки и сообщения, поддерживают переписку, переходят по фишинговым ссылкам и собирают сведения о действующих схемах. Значение подхода в том, что антифрод-системы получают индикаторы компрометации не из жалоб пострадавших, а непосредственно во время попытки обмана.
От задержки звонка к сбору разведданных.
Как пишет TechCrunch, Apate основана в 2024 году на базе исследований Университета Маккуори в Сиднее. По версии происхождения проекта, которую приводит Reformy.kz, идея выросла из разговора со злоумышленником: основатель и гендиректор Дали Каафар однажды удерживал мошенника на линии 44 минуты. Исследовательская работа затем была связана с применением машинного обучения и обработки естественного языка для анализа мошеннических звонков.
Продукт переводит этот приём в масштабируемый процесс. По данным компании, тысячи агентов используют вымышленные личности разного возраста и пола, меняют акценты и языки. Их задача — не только занять оператора схемы разговором, но и добиться раскрытия полезных атрибутов: номера телефона, банковского счёта, криптокошелька, адреса вредоносного сайта, названия бренда, от имени которого действуют преступники.
Как устроена ценность для заказчика.
В традиционном антифроде многие сигналы появляются после перевода денег, обращения клиента или блокировки подозрительной операции. Apate пытается получать их раньше. Полученный номер счёта или адрес кошелька можно проверить и использовать как один из сигналов для внутренних правил мониторинга; сведения о домене или легенде звонка могут пригодиться для фильтрации трафика и предупреждений пользователям. Сами по себе ответы мошенников не заменяют верификацию, но расширяют набор данных для неё.
Согласно материалу Inc., заказчики получают аналитический портал и могут формулировать агентам конкретные задания, например запросить реквизиты счёта или криптокошелька. В описании VMTech также говорится, что текстовые агенты ищут мошенническую активность на форумах, в инвестиционных группах и социальных сетях. Это показывает, что сервис работает не только как голосовой бот, но и как система сбора данных из нескольких каналов.
Технически основная сложность такого продукта — совместить естественный диалог, устойчивую персону и целевое извлечение фактов. По сведениям Habr, Apate использует внешние передовые модели наряду с собственными моделями, дообученными под конкретные задачи. Для обучения задействуются диалоги агентов с мошенниками и результаты исследований Университета Маккуори. Такая схема позволяет адаптироваться к языку и сценариям злоумышленников, но требует контроля качества: неверно распознанные реквизиты или ошибочно связанный с мошенничеством бренд могут создавать риск ложных срабатываний у клиента.
Что говорят заявленные результаты.
Apate утверждает, что провела 2,5 млн разговоров и суммарно заняла у мошенников 17 лет времени. Эти показатели описывают масштаб взаимодействий, но не доказывают предотвращённый финансовый ущерб: методика подсчёта времени и связь между разговором агента и сорванной атакой публично не раскрываются. Поэтому их следует воспринимать как данные компании о работе платформы, а не как независимую оценку эффективности.
Более прикладные метрики приводит Runet: система, по этим данным, собрала свыше 250 тыс. элементов информации, а TPG Telecom перенаправил агентам почти 590 тыс. подозрительных звонков. Там же сообщается о снижении публично зарегистрированных потерь от мошенничества на 76% у одного из банков после внедрения системы. Без сведений о периоде измерений, контрольной группе и других антифрод-мерах этот результат нельзя однозначно приписать Apate, однако он показывает, на какой бизнес-эффект ориентируется поставщик.
Рыночный контекст и ограничения подхода.
Для рынка антифрода Apate представляет сдвиг от пассивного обнаружения к активному сбору информации о противнике. Вместо того чтобы ждать жалоб и расследований, организации могут пополнять базы индикаторов по мере появления новых сценариев. Наибольшая ценность возникает, если данные быстро проходят проверку и попадают в операционные процессы банка или оператора: фильтры звонков, блокировки доменов, мониторинг переводов и клиентские предупреждения.
Компания привлекла в августе $8,15 млн, а совокупный объём финансирования, по данным Habr, составляет чуть менее $10 млн. Средства планируется направить на международное расширение, включая офис в Лондоне и рост присутствия в США. Для разработчиков и заказчиков ключевыми останутся вопросы точности извлечения данных, защищённого обращения с переписками, контроля действий агентов и измерения эффекта по воспроизводимой методике. Именно эти параметры определят, станет ли активный AI-сбор данных устойчивым элементом антифрода, а не только демонстрацией возможностей диалоговых моделей.
