AI ya Kuzuia Ulaghai kwa Fintech na Malipo Kenya

Fedha kubwa zinafuata tatizo moja: ulaghai na uthibitishaji wa mikopo. Wiki hizi tumeona habari kwamba Informed.IQ—kampuni inayojenga zana za AI kwa fraud prevention na loan verification—imekusanya $63m. Mimi huona ishara hii kwa namna moja: wawekezaji hawalipii “sauti ya AI” tu; wanalipia uwezo wa kupunguza hasara, kuharakisha utoaji wa mikopo, na kuongeza uaminifu kwenye mifumo ya kidijitali.

Hii ina uzito mkubwa Kenya. Uchumi wetu unaendeshwa na simu: malipo ya simu, mikopo ya kidijitali, na huduma za buy-now-pay-later (BNPL) vinategemea kasi—na kasi ikija, wahalifu nao huja. Kwa kampuni ya fintech au mtoa huduma wa malipo ya simu, sekunde chache kwenye uthibitishaji zinaweza kuwa tofauti kati ya mteja kuendelea na safari ya malipo au kuacha.

Post hii ni sehemu ya mfululizo wetu wa “Jinsi Akili Bandia Inavyoendesha Sekta ya Fintech na Malipo ya Simu Nchini Kenya.” Tutatumia habari ya ufadhili wa Informed.IQ kama kioo cha kuangalia: kwa nini AI inaingia katikati ya ulinzi wa fedha, inafanyaje kazi kwenye uthibitishaji wa mkopo, na ni nini kampuni za Kenya zinapaswa kufanya sasa ili kukua bila kuvuja kwa ulaghai.

Kwa nini ufadhili wa $63m ni ishara kwa soko la Kenya

Jibu la moja kwa moja: Fedha hiyo inaonyesha kuwa AI ya usalama wa fintech imekuwa “gharama ya lazima” badala ya kipengele cha ziada.

Kwenye miaka ya awali ya mikopo ya kidijitali, baadhi ya watoa huduma walikua kwa kasi kwa kutumia vigezo rahisi: historia ya miamala, aina ya kifaa, eneo la jumla, na tabia chache za matumizi. Tatizo ni kwamba, mara tu vigezo vinapojulikana, wahalifu hujifunza kuvizunguka.

Uwekezaji mkubwa kama huu mara nyingi huenda kwenye maeneo matatu:

• Kutengeneza modeli bora za utambuzi wa ulaghai (fraud detection) zinazobadilika haraka.
• Kuunganisha vyanzo vingi vya data kwa uthibitishaji wa mkopo (loan verification) bila kuongeza msuguano kwa mteja.
• Uendeshaji na utii (compliance): audit trails, uelezeka wa maamuzi (explainability), na ulinzi wa data.

Kenya iko kwenye hatua ambayo ushindani sio tu riba au ada; ni uaminifu. Mteja akipoteza pesa mara moja kupitia ulaghai wa malipo ya simu, huwa hawalaumu “mhalifu”; wanalaumu brand. Kwa hiyo, kampuni za Kenya zinapaswa kuichukulia AI ya kupambana na ulaghai kama sehemu ya bidhaa (product), si sehemu ya nyuma (back office).

AI inavyobadilisha fraud prevention kwenye malipo ya simu

Jibu la moja kwa moja: AI hushinda ulaghai kwa kuchanganya ishara nyingi (signals) kwa wakati halisi na kufanya maamuzi ya “ruhusu, zuia, au chunguza” kwa sekunde.

Ulaghai kwenye malipo ya simu Kenya mara nyingi huonekana kwa mifumo kama:

• akaunti mpya zinazotuma miamala mingi kwa muda mfupi
• mabadiliko ya kifaa/SIM yanayofuatwa na uhamisho wa pesa
• muamala mkubwa ghafla kwa mteja aliyekuwa na tabia ya miamala midogo
• mitandao ya akaunti zinazotiririsha pesa (money mule networks)

“Signals” ambazo AI huangalia (zaidi ya OTP)

OTP na PIN bado ni muhimu, lakini peke yake haitoshi. Mfumo wa AI wa fraud detection hutazama mchanganyiko wa:

• Tabia ya mtumiaji: kasi ya kuandika, mfuatano wa kubofya, muda anaotumia kabla ya kuthibitisha.
• Kifaa na mazingira: alama ya kifaa (device fingerprint), toleo la OS, uadilifu wa app, viashiria vya root/jailbreak.
• Muundo wa miamala: kiasi, marudio, walengwa, muda wa siku, mabadiliko ya tabia.
• Mtandao wa uhusiano: akaunti zinazoonekana kushirikiana, namba/majina yanayojirudia, “clusters” za miamala.

Hoja yangu hapa ni hii: ulaghai wa kisasa ni wa kimfumo, kwa hiyo ulinzi lazima uwe wa kimfumo pia.

Maamuzi ya hatua tatu: ruhusu, zuia, au chunguza

AI nzuri haizuii kila kitu. Inapanga hatari na kuchukua hatua sahihi:

1. Ruhusu (low risk): muamala unapita bila msuguano.
2. Challlenge (medium risk): hatua ya ziada kama step-up verification.
3. Zuia/hold (high risk): muamala unasimamishwa na kupelekwa kwa uchunguzi.

Kwa malipo ya simu, “challenge” lazima iwe nyepesi. Ukimlazimisha mteja kupiga simu kwa kituo cha huduma kila mara, utapoteza wateja na mapato.

AI kwenye loan verification: kasi bila kupunguza ubora

Jibu la moja kwa moja: AI inaongeza kasi ya mikopo ya kidijitali kwa kuhakiki utambulisho, mapato, na uwezekano wa kulipa kwa kutumia data na uthibitishaji unaoendana na mazingira ya simu.

Kenya ina mahitaji makubwa ya mikopo midogo ya muda mfupi (micro-loans). Changamoto ni kwamba uthibitishaji wa mapato kwenye sekta isiyo rasmi (informal) ni mgumu. Hapa ndipo AI inaingia kwa vitendo.

Kinachoweza kuhakikiwa kwa njia ya AI (kwa mazingira ya Kenya)

Bila kuingia kwenye “hadithi za AI,” mambo yanayofanya kazi kwa vitendo ni:

• Ulinganifu wa utambulisho: picha ya kitambulisho + selfie (liveness) + ukaguzi wa ughushi wa hati.
• Uchambuzi wa miamala ya simu: muundo wa kupokea/kutuma pesa, malipo ya bili, na uthabiti wa matumizi.
• Uthibitishaji wa ajira/biashara: rekodi za malipo ya wateja, ratiba ya miamala, msimu wa biashara.
• Utambuzi wa makundi hatarishi: akaunti zilizounganishwa na tabia ya kutolipa (kwa kuzingatia sheria za faragha na ridhaa).

Kiwango cha ubora hakimaanishi “kukataa wengi.” Kwa mtazamo wa biashara, uthibitishaji bora unamaanisha:

• kukubali wateja sahihi zaidi
• kupunguza mikopo mibaya (defaults)
• kutoa mikopo kwa bei sahihi kulingana na hatari

Uhalisia mgumu: AI inaweza kuharibu bidhaa kama haitadhibitiwa

Nimeshuhudia bidhaa zikiharibika pale timu zinapoweka modeli ya AI bila guardrails. Matokeo yake ni maamuzi yasiyoelezeka, malalamiko ya wateja, na hatari ya udhibiti.

Kwa loan verification, kampuni zinahitaji kujibu maswali haya mapema:

• Ni data gani inaruhusiwa kukusanywa, na ridhaa inachukuliwaje?
• Maamuzi ya kukataa mkopo yanawezaje kuelezwa kwa lugha rahisi?
• Ni nani anayeangalia model drift—yaani modeli “kuzidi kupotoka” kadri wahalifu wanavyojifunza?

Nini fintech za Kenya zinapaswa kujifunza (na kutekeleza) sasa

Jibu la moja kwa moja: Shinda ulaghai kwa mchanganyiko wa AI, taratibu za bidhaa, na uendeshaji wa timu—si kwa tool moja.

Haya ni mapendekezo ya moja kwa moja kwa fintech, sacco za kidijitali, na watoa huduma wa malipo ya simu nchini Kenya.

1) Jenga “fraud stack” yenye tabaka

Usiweke matumaini yako yote kwenye OTP, wala kwenye modeli moja ya ML. Tabaka zinazoleta matokeo:

• sheria za msingi (rules) kwa mashambulizi yanayojulikana
• modeli ya ML kwa mifumo mipya
• ufuatiliaji wa mtandao wa miamala (graph/network analytics)
• case management kwa timu ya uchunguzi

Sentensi moja ya kukumbuka: Kama ulinzi wako ni kipengele kimoja, ulaghai wako utakuwa “feature” ya wahalifu.

2) Pima mafanikio kwa metri sahihi (si “fraud blocked” tu)

Metri zinazosaidia kufanya maamuzi ya biashara:

• Fraud loss rate (hasara kama asilimia ya thamani ya miamala)
• False positives (wateja halali wanaozuiwa)
• Time to decision (muda wa uamuzi kwa muamala/mkopo)
• Approval rate yenye ubora (idhini ya mkopo + utendaji wa marejesho)

Kampuni nyingi hupenda kuonyesha “tumezuia ulaghai mwingi.” Lakini ukizuia wateja halali pia, unajiumiza kimapato kimya kimya.

3) Tumia AI pia kwenye mawasiliano ya mteja (ndipo kampeni yetu inaingia)

Kwenye mfululizo wetu, tumesisitiza kuwa AI haipo tu kwenye usalama; ipo pia kwenye maudhui ya kidijitali na mawasiliano.

Kwa fraud prevention, AI inaweza kusaidia:

• kutengeneza ujumbe wa in-app wa tahadhari unaoeleweka (bila kulaumu mteja)
• kuendesha elimu ya wateja kwenye mitandao ya kijamii kuhusu mbinu mpya za ulaghai
• kuboresha majibu ya kituo cha huduma kwa triage ya malalamiko (mfano: “SIM swap”, “account takeover”, “sent to wrong number”)

Hii si “marketing” tu; ni kupunguza hasara. Mteja akielewa ishara za ulaghai mapema, kesi nyingi hazifiki hatua ya hasara.

4) Tengeneza mpango wa “human-in-the-loop” unaofanya kazi

AI inapofanya maamuzi ya hatari kubwa (kuzuia akaunti, kukataa mkopo, kushikilia muamala mkubwa), lazima kuwe na:

• njia ya haraka ya mteja kukata rufaa
• uchunguzi wa kibinadamu kwa kesi zenye utata
• utaratibu wa kuboresha modeli kutokana na matokeo ya uchunguzi

Kwenye msimu wa sikukuu (Desemba), miamala huongezeka, na ulaghai huongezeka pia. Ukikosa human-in-the-loop, timu yako itazidiwa au utalazimika “kufunga” mfumo kwa wateja wote—mbaya zaidi.

Maswali yanayoulizwa mara kwa mara (yanayosaidia uamuzi wa haraka)

Je, AI ina maana nitakusanya data nyingi za wateja?

Hapana. Lengo ni kukusanya data yenye maana, si data nyingi. Nyingi ya ishara muhimu hutokana na tabia ya miamala na kifaa, na inaweza kuwekewa mipaka kwa faragha.

Ni wapi pa kuanzia kama mimi ni fintech ndogo?

Anza na sehemu yenye maumivu zaidi:

1. hatua 1 ya ulinzi: rules + device fingerprint + velocity checks
2. hatua 2: modeli rahisi ya risk scoring
3. hatua 3: case management na feedback loop

Ukitaka kujaribu kila kitu mara moja, utaishia na mrundikano wa tools bila matokeo.

AI inaweza kusaidiaje kupunguza mikopo mibaya bila kuua ukuaji?

Kwa kupanga wateja kwenye vikundi vya hatari na kuweka:

• viwango tofauti vya mikopo (limits)
• bei tofauti (risk-based pricing)
• ratiba ya marejesho inayolingana na mzunguko wa mapato

Hatua za kuchukua wiki hii (ndiyo, wiki hii)

Jibu la moja kwa moja: Chagua eneo moja la ulaghai, weka metri, kisha boresha kwa mzunguko wa kila wiki.

Hivi ndivyo ninavyopendekeza timu ifanye ndani ya siku 7–10:

1. Chagua “fraud pattern” 1–2 zinazokuumiza zaidi (mfano: account takeover au SIM swap).
2. Tengeneza dashboard ya fraud loss rate, false positives, na time to decision.
3. Weka hatua ya step-up kwa miamala ya hatari ya kati (si kwa kila mtu).
4. Andika playbook fupi ya uchunguzi (nani anaangalia nini, ndani ya muda gani).
5. Anzisha kampeni ya elimu ya wateja ya wiki moja (ujumbe mfupi, mifano halisi, lugha rahisi).

Ukiifanya hii vizuri, utaona kupungua kwa kesi zinazojirudia—na huduma kwa wateja itapumua.

Ufadhili wa Informed.IQ unatuambia nini kuhusu 2026 Kenya?

Fedha za $63m kwa AI ya fraud prevention na loan verification zinaonyesha kuwa soko la kimataifa limeamua: usalama na uthibitishaji ni injini ya ukuaji. Kenya, kwa kuwa ni soko linaloongoza kwa malipo ya simu, ina sababu ya kuwa mkali zaidi—kwa sababu viwango vya miamala na kasi ya ueneaji wa bidhaa ni vikubwa.

Kwa kampuni za fintech na malipo ya simu nchini Kenya, hatua bora si kusubiri hadi ulaghai uwe kashfa. Ni kujenga ulinzi wa AI unaolinda wateja, unaobaki rafiki kwa matumizi ya kila siku, na unaoendana na sheria na faragha.

Ikiwa unajenga au kuendesha bidhaa ya malipo au mikopo ya kidijitali, swali la kujiuliza kuingia 2026 ni hili: ni sehemu gani ya safari ya mteja wako bado inategemea “imani” badala ya uthibitishaji wa akili?