Svindelstabelen din ble bygget for menneskelige motstandere

I de siste 30 årene har CAPTCHA gjort én oppgave: få en maskin til å mislykkes i en test som en person passerer uten å tenke. Den oppgaven er over. Forskere, testing av automatiserte løsningsprogrammer mot Googles reCAPTCHA v2‑bildeutfordringer, rapporterte en suksessrate på 100 %, opp fra omtrent 68 % til 71 % i tidligere arbeid, og fant ingen betydelig forskjell mellom antallet utfordringer en bot måtte løse og antallet en menneske gjorde.

Hvis vi ser på CAPTCHA som en erstatning for en hel kategori av kontroll bygget på samme premiss – at visse oppgaver er trivielle for et menneske og vanskelige for en maskin, og dermed beviser at du er menneske ved å bestå oppgaven – er det på tide å revurdere kontrollparametrene. AI‑agenter har stille slettet premisset innen bildegjenkjenning, skjema‑utfylling og flerstegs‑navigering, og de fleste risikoteam har ennå ikke bygget om stabelen som svar.

Kalibrert mot feil fiende

Alle regler i en moden svindelstabel var finjustert mot en spesifikk motstander, enten det er et menneske som utgir seg for et annet menneske eller en bot‑farm som etterligner mange mennesker samtidig. Hastighetskontroller fanger noen som åpner kontoer raskere enn en person plausibelt kunne. Regler for gjenbruk av enheter fanger noen som resirkulerer maskinvare på tvers av identiteter. Begge ble bygget rundt menneskelige grenser, den fysiske tiden det tar å fylle ut et skjema og de praktiske kostnadene ved å kjøpe nye enheter.

De samme begrensningene begrenser ikke en AI‑agent slik de gjør for oss, mennesker. Den kan fullføre et skjema på den tiden et menneske bruker på å lese det første feltet, og den kan settes i drift, brukes én gang og kastes bort til en kostnad som er nær null. Automatisert trafikk utgjør nå mer enn 53 % av all nettrafikk, opp fra 51 % ett år tidligere, mens menneskelig aktivitet er ned til 47 % og fortsatt faller. Over en kvart av bot‑angrep (27 %) retter seg nå direkte mot API‑er, og omgår brukergrensesnittet helt for å operere med maskinhastighet, og finansielle tjenester alene absorberte 24 % av alle bot‑angrep og 46 % av konto‑overtakelses‑hendelser i 2025. Regler bygget rundt menneskelig tempo ville aldri fange en type trafikk som ikke har noe tempo overhodet.

Hvor sprekkene viser seg

Bransjens tidlige instinkt har vært å bekjempe AI med mer AI, ved å behandle en svartboks‑modell som en sølvkule mot en svartboks‑motstander. Det instinktet forverrer problemet i seg selv. En svindelmodell som ikke kan forklare sin egen beslutning er nesten umulig å forsvare overfor en regulator, en kunde eller en intern revisor når beslutningen blir utfordret, og en ugjennomsiktig modell trent til å fange en ugjennomsiktig trussel forsterker ugjennomsiktigheten i stedet for å løse den. Forsvarlighet her er ikke en filosofisk finurlighet; det betyr også å kunne demonstrere modellstyring: nøyaktig hvilken modell som er i drift, hva som endret seg fra forrige versjon, hvilken informasjon modellen ble trent på, hvem som godkjente endringen og hvorfor. Et system bygget for automatisk å oppdatere AI‑modellen selv var aldri designet for å produsere en slik papirkjede.

En annen forsvarsmekanisme som kreves for å skille de gode fra de utspekulerte er lagdelt intelligens: signaldybde på tvers av nok uavhengige dimensjoner slik at en fabrikkert identitet, en kapret konto eller en penge­mule går tom for steder å gjemme seg. Hver ekstra dimensjon er en separat mulighet til å fange en inkonsekvens, en del av delt svindelinfrastruktur eller atferd som ikke samsvarer med personen i filene. Ingen enkelt signal trenger å bære hele beslutningsvekten. Jo bredere konteksten er, desto mer blir et isolert, tvetydig hint noe et svindelteam faktisk kan stå bak. 

Det samme prinsippet gjelder enten beslutningen tas av en person eller en modell. En AI‑risikomotor er ikke smartere enn dataene den får. Hvis du fjerner halvparten av dimensjonene, får du et system som resonnerer med total sikkerhet fra halve bildet, og det er like sant for en maskinlæringsmodell som scorer en transaksjon på millisekunder som for en analytiker som arbeider med en sak manuelt. Det blir mer sant, ikke mindre, etter hvert som mer av beslutningsprosessen flyttes til agentiske systemer som tar avgjørelsen uten noen person i kretsløpet. Dybden i konteksten er ikke bare hvordan du fanger en agent som begår svindel. Det er forutsetningen for å kunne stole på en agents beslutning om hva som helst.

Førekontexten inn i en modell hvis resonnement forblir lesbart, i stedet for et enkelt svartboks‑system som gjetter intensjon fra kun ett signal, og beslutningen slutter å være bare nøyaktig. Den blir forsvarlig. Denne forskjellen betyr mer mot AI‑agenter enn den gjorde mot menneskelige svindelringer, fordi en agent etterlater en annen type spor. Den vrikker ikke, nøler ikke eller gjør de små feilene som atferdsbiometri er bygget for å oppdage. Den etterlater i stedet et fotavtrykk; i en tid med de legitimasjonene den bruker og sammenhengen i en enhetshistorikk som enten strekker seg tilbake eller ikke lenger enn transaksjonen foran deg. Den kjører et fjern‑tilgangsverktøy stille i bakgrunnen mens andres legitimasjon blir brukt. Ingen av disse krever ansiktsgjenkjenning. Det krever bare evnen til å lese hele økt‑detaljene mot et bredt signalsett.

Det menneskelige tegnet som ikke lenger finnes

Ingen steder er omkalibreringen mer presserende enn i identitetsverifisering, hvor svindelteam har bygget en hel disiplin rundt å fange menneskelige tegn, som en unaturlig blinkefrekvens, en feiljustert leppesynkronisering eller et teksturert artefakt i et foto. Deepfake‑verktøy har lukket de fleste av disse hullene, og kriminelle trenger ikke lenger å bygge dette verktøyet selv.

Interpols globale vurdering av finansiell svindeltrussel, publisert i mars, fant at finansiell svindel tappet mer enn 442 milliarder dollar fra verdensøkonomien i 2025, med AI‑forsterket svindel nå omtrent 4,5 ganger mer lønnsom enn tradisjonelle metoder. Rapporten identifiserer «deepfake‑as‑a‑service»-operasjoner på mørke nettmarkedsplasser som selger syntetiske identitetskitt, komplette med AI‑genererte video‑avatarer, stemmeklone og biometriske data, som lar en angriper bygge en overbevisende digital klone fra kun 10 sekunder med lyd hentet fra et innlegg på sosiale medier.

Det pålitelige signalet var aldri ID‑dokumentet. Det er kontinuitet: den digitale fortiden en ekte identitet akkumulerer over år med vanlig kontogaktivitet og atferdsmønstre, den typen historie en syntetisk identitet, eller en agent som står i stedet for en, har ingen tid til å bygge. Et system som kun ser etter et fabrikkert ID‑dokument vil fortsette å mislykkes. Et system som ser etter en manglende historikk har et vanskeligere mål å forfalske.

Ombygging for en annen motstander

Ingen av dette er et argument for panikk, og det er heller ikke et argument om at menneskelig svindel har forsvunnet. Det har den ikke. Det er et argument for at en stabel som er finjustert helt til menneskelige grenser, tempo og tegn har et strukturelt blindspot akkurat der AI‑agenter opererer, og dette blindspottet vil ikke lukke av seg selv. Hver av disse kontrollene, testet alene, kan fortsatt vise seg å være ren. Det er først når disse kontrollene leses sammen, på tvers av nok uavhengige dimensjoner, at mønsteret en isolert kontroll var bygget for å gå glipp av blir synlig.

Agentbaserte AI‑systemer kan nå autonomt planlegge og gjennomføre en komplett svindelkampanje, fra rekognosering til løsepengekrav, i stor grad uten en menneskelig operatør i kretsløpet. Løsningen er ikke en regel som festes på den gamle stabelen. Det er et ombygd premiss. Testen er ikke lenger om noe ser ut som en menneskelig svindler – det er om det noen gang har vært en ekte menneske bak det i det hele tatt.