Ваш стек защиты от мошенничества был построен для человеческих противников

За последние 30 лет CAPTCHA выполняла одну задачу: заставить машину провалить тест, который человек проходит без раздумий. Эта задача завершена. Исследователи, тестирующие автоматические решатели против изображений reCAPTCHA v2 от Google, сообщили о 100% уровне успеха, повысившемся с примерно 68‑71% в ранних исследованиях, и не обнаружили значительной разницы между количеством испытаний, которые бот должен был пройти, и тем, которое проходил человек.

Если рассматривать CAPTCHA как замену целой категории контроля, построенного на том же предположении — что некоторые задачи тривиальны для человека и сложны для машины, и прохождение задачи доказывает, что вы человек — пришло время пересмотреть параметры контроля. AI‑агенты тихо стерли это предположение в области распознавания изображений, заполнения форм и многократной навигации, а большинство команд по управлению рисками ещё не перестроили свои стеки в ответ.

Калибровка против неправильного противника

Каждое правило в зрелом стеке борьбы с мошенничеством было настроено против конкретного противника, будь то человек, выдающий себя за другого человека, или бот‑ферма, имитирующая множество людей одновременно. Проверки скорости выявляют тех, кто открывает аккаунты быстрее, чем это мог бы сделать человек. Правила повторного использования устройств ловят тех, кто переиспользует оборудование между идентичностями. Оба типа правил построены вокруг человеческих ограничений: физического времени, необходимого для заполнения формы, и практических затрат на покупку новых устройств.

Эти же ограничения не сдерживают AI‑агента, как нас, людей. Он может заполнить форму за то время, за которое человек лишь читает первое поле, и может быть развернут, использован один раз и утилизирован практически без затрат. Автоматический трафик теперь составляет более 53% всего веб‑трафика, по сравнению с 51% годом ранее, тогда как человеческая активность упала до 47% и продолжает снижаться. Более четверти атак ботов (27%) теперь направлены непосредственно на API, полностью обходя пользовательский интерфейс и работая на машинных скоростях, а финансовый сектор сам по себе поглотил 24% всех бот‑атак и 46% инцидентов захвата аккаунтов в 2025 году. Правила, построенные вокруг человеческого темпа, никогда не смогут поймать класс трафика, у которого нет никакого темпа.

Где проявляются трещины

Первый инстинкт отрасли заключался в том, чтобы бороться с ИИ более ИИ, рассматривая модель‑чёрный ящик как серебряную пулю против чёрного ящика‑противника. Этот инстинкт лишь усугубляет проблему. Модель мошенничества, которая не может объяснить собственное решение, почти невозможно защитить перед регулятором, клиентом или внутренним аудитором, когда решение оспаривается, и непрозрачная модель, обученная для борьбы с непрозрачной угрозой, лишь усиливает непрозрачность, а не решает её. Защищаемость здесь — не просто философская прихоть; это также возможность продемонстрировать управление моделью: какая именно модель работает в данный момент, что изменилось по сравнению с предыдущей версией, на каких данных модель обучалась, кто одобрил изменение и почему. Система, построенная для автоматического обновления самой AI‑модели, никогда не была задумана для создания такой документации.

Другой необходимой защитой, позволяющей отличить добросовестных от злонамеренных, является многоуровневая интеллигенция: глубина сигналов по достаточному количеству независимых измерений, чтобы поддельная личность, захваченный аккаунт или «денежный мул» не имели где скрываться. Каждое дополнительное измерение — отдельная возможность обнаружить несоответствие, часть общей инфраструктуры мошенничества или поведение, не совпадающее с данными о человеке. Ни один отдельный сигнал не обязан нести всю тяжесть решения. Чем шире контекст, тем более изолированная, неоднозначная подсказка становится тем, на чём команда по борьбе с мошенничеством может реально опереться.

Тот же принцип действует независимо от того, принимает решение человек или модель. AI‑движок риска не умнее данных, которые ему дают. Если убрать половину измерений, вы получаете систему, рассуждающую с полной уверенностью лишь по половине картины, и это так же верно для модели машинного обучения, оценивающей транзакцию за миллисекунды, как и для аналитика, работающего с делом вручную. Чем больше принятие решений переходит к агентным системам, принимающим решение без участия человека, тем более правдиво, а не менее, становится их суждение. Глубина контекста — это не только способ поймать агента, совершающего мошенничество. Это предварительное условие доверия к решению агента в любой сфере.

Передайте этот контекст модели, чьи рассуждения остаются читаемыми, а не единой чёрной коробке, угадывающей намерения по одному сигналу, и решение перестаёт быть просто точным. Оно становится защищённым. Это различие важнее в борьбе с AI‑агентами, чем с человеческими мошенническими группами, потому что агент оставляет иной след. Он не дергается, не колеблется и не делает мелких ошибок, которые биометрические поведенческие системы созданы выявлять. Вместо этого он оставляет цифровой отпечаток: в эпоху используемых им учётных данных и согласованности истории устройства, которая либо простирается дальше текущей транзакции, либо нет. Он тихо запускает удалённый доступный инструмент в фоне, пока чужие учётные данные тратятся. Для этого не требуется «читать лицо»; достаточно возможности проанализировать полные детали сессии по широкому набору сигналов.

Человеческий признак, которого больше нет

Нигде переоценка не столь срочна, как в проверке личности, где команды по борьбе с мошенничеством построили целую дисциплину, ориентированную на улавливание человеческих признаков, таких как неестественная частота моргания, несоответствие синхронизации губ или текстурный артефакт на фотографии. Инструменты deepfake закрыли большинство этих пробелов, и преступникам больше не нужно создавать такие инструменты самостоятельно.

Глобальная оценка финансовых мошенничеств Интерпола, опубликованная в марте, показала, что финансовое мошенничество высосало из мировой экономики более 442 млрд долларов в 2025 году, а мошенничество, усиленное ИИ, теперь примерно в 4,5 раза более прибыльно, чем традиционные методы. В отчёте выявлены операции «deepfake‑as‑a‑service» на тёмных веб‑рынках, продающие наборы синтетических личностей, включающие AI‑сгенерированные видеовыражения, голосовые клоны и биометрические данные, позволяющие злоумышленнику создать убедительный цифровой клон из всего лишь 10‑секундного аудио, полученного из поста в соцсетях.

Надёжный сигнал никогда не был документом удостоверения личности. Это непрерывность: цифровое прошлое реальной идентичности накапливается за годы обычной активности аккаунта и поведенческих паттернов, тогда как у синтетической личности или у агента, выступающего от её имени, нет времени на создание такой истории. Система, ищущая лишь поддельный документ, будет постоянно терпеть неудачу. Система, ищущая отсутствие истории, сталкивается с гораздо более сложной задачей подделки.

Перенастройка для другого противника

Ни это не аргумент к панике, ни утверждение, что человеческое мошенничество исчезло. Оно не исчезло. Это аргумент в том, что стек, полностью настроенный под человеческие ограничения, темп и признаки, имеет структуральную «слепую зону» именно там, где работают AI‑агенты, и эта слепая зона не закроется сама по себе. Любая из этих проверок, протестированная в одиночку, может всё ещё показывать чистый результат. Только когда эти проверки рассматриваются вместе, по достаточному количеству независимых измерений, становится виден шаблон, который отдельная проверка была создана, чтобы пропустить.

AI‑агентные системы теперь могут автономно планировать и выполнять полную мошенническую кампанию, от разведки до требования выкупа, в значительной степени без участия человека в цепочке. Решение — не правило, навешенное на старый стек. Это переосмысленная предпосылка. Тест теперь не в том, выглядит ли что‑то как человеческий мошенник — а в том, был ли когда‑либо настоящий человек за этим.