Стабильное платёжное мошенничество — сигнал: пора ИИ

Европейские метрики по платёжному мошенничеству «держатся на одном уровне» — и это звучит почти успокаивающе. Но в банковской инфраструктуре спокойные графики часто означают не победу, а плато: мошенники адаптировались, антифрод-правила адаптировались тоже, и система застряла в равновесии.

Для руководителей платежей, риск-менеджеров, ИТ и безопасности это плохая новость. Стабильный уровень фрода при росте доли цифровых платежей обычно значит одно: борьба стала дороже, нагрузка на ручные проверки растёт, а клиентский опыт деградирует из‑за лишних отклонений операций. В серии «Искусственный интеллект в банковской инфраструктуре и платёжных системах» я постоянно вижу одну закономерность: как только банк перестаёт развивать антифрод, он начинает платить «налог за инерцию» — деньгами, лояльностью и репутацией.

Ниже — практичный разбор, почему «стабильно» не равно «безопасно», какие уязвимости чаще всего скрываются за ровной статистикой, и как ИИ в антифрод-системах помогает сдвинуть равновесие в пользу банка.

Почему «стабильный уровень мошенничества» — не повод расслабляться

Стабильность фрода почти всегда означает стабильность атак, а не их отсутствие. Мошенники работают как продуктовые команды: тестируют гипотезы, меняют каналы, автоматизируют сценарии. Если общий показатель не растёт, это может быть результатом того, что атаки перераспределились.

Вот что чаще всего прячется за «ровным» графиком:

• Смещение в новые типы операций. Например, меньше мошенничества в e-commerce, больше — в P2P или в быстрых переводах.
• Рост стоимости предотвращения. Больше ручных кейсов, больше звонков, больше дорогостоящих расследований.
• Увеличение ложных срабатываний (false positives). Банк «закручивает гайки» правилами, но платит за это потерей конверсии и ростом обращений в поддержку.
• Эффект сезонности и кампаний. В декабре (а сегодня как раз 20.12.2025) традиционно растёт активность мошенников: подарочные покупки, маркетплейсы, поездки, повышенные лимиты — всё это создаёт идеальный фон для атак.

Ровная статистика фрода — это часто признак того, что вы достигли предела возможностей правил и ручных проверок.

Где «ломается» классический антифрод: правила, списки и ручная проверка

Правиловые антифрод-системы хороши там, где нужно быстро закрыть известную дыру. Проблема в том, что мир платежей давно живёт в режиме быстрой адаптации противника.

Типичная картина в банке

1. Команда фиксирует рост инцидентов.
2. Добавляет правила (лимиты, условия по MCC, география, время, device-атрибуты).
3. Падает доля фрода по конкретному сценарию — и одновременно растут отклонения «чистых» операций.
4. Мошенники обходят правило через вариацию: другой канал, другой банк-получатель, другие суммы, дробление, подмена устройства.

Так возникает «стабильный уровень» мошенничества при ухудшении экономики:

• стоимость обработки одного инцидента растёт;
• SLA расследований ухудшается;
• клиенты получают блокировки «на ровном месте»;
• бизнес начинает давить на риск, чтобы «не резать продажи».

Почему ручные проверки перестали быть спасением

Ручная проверка работает, когда объём подозрительных транзакций управляемый. Но при высокой доле онлайн-операций и росте скорости платежей (мгновенные переводы, QR, P2P) окно для реакции сжимается до секунд.

Если решение принимается «после факта», банк часто может только:

• вернуть деньги (не всегда возможно),
• спорить по чарджбэкам,
• списывать убыток,
• объясняться с клиентом.

ИИ ценен тем, что позволяет перенести точку контроля в момент авторизации — и сделать это без тотальной блокировки.

Что реально даёт ИИ в антифроде платежей

ИИ в борьбе с мошенничеством — это не «магия» и не замена здравого смысла. Это способ выучить поведение клиентов, мерчантов и устройств на уровне, недоступном ручным правилам.

1) Поведенческая аналитика вместо «жёстких порогов»

Правило «сумма > X» грубое. ИИ-модель оценивает контекст:

• типичный диапазон сумм именно этого клиента;
• частоту операций;
• привычные получатели;
• устройство и его «профиль»;
• скорость набора, паттерны навигации (в цифровых каналах);
• аномалии в связях: новые получатели, новые устройства, смена гео.

В результате банк может не «рубить с плеча», а выбирать действие по риску: пропустить, запросить дополнительную проверку, отправить в подтверждение, временно ограничить.

2) Выявление сетей и «мулов»

Современный платежный фрод часто сетевой: цепочки карт/кошельков/получателей, «прогрев» реквизитов, распределение сумм. Тут особенно сильны графовые подходы и модели, которые ищут:

• общие атрибуты устройств;
• повторяющиеся получатели;
• подозрительные кластеры по времени/суммам;
• аномальные маршруты средств.

Практический эффект: банк начинает видеть не отдельные транзакции, а инфраструктуру мошенника.

3) Адаптация к новым схемам быстрее правил

Правила — это реакция на уже известный сценарий. ИИ (при правильной постановке) ловит сдвиги распределений: когда меняется поведение, даже если конкретная схема ещё не описана.

Это особенно важно в декабрьский пик: мошенники массово тестируют новые сценарии на фоне шумного трафика. Модель, которая мониторит дрейф, позволяет оперативно включать защитные контуры.

4) Оптимизация триажа и нагрузки на антифрод-центр

В реальности антифрод — это не только «поймать фрод», но и не утопить операционную команду. ИИ помогает:

• ранжировать кейсы по ожидаемому ущербу;
• объединять связанные события в один кейс;
• предлагать объяснения (почему риск высокий) для аналитика;
• снижать долю ложных тревог.

Хороший антифрод-ИИ снижает фрод и одновременно улучшает клиентский опыт. Если стало «безопаснее, но больнее» — архитектура выбрана неправильно.

Как внедрять ИИ в платёжной инфраструктуре без «большого взрыва»

Рабочая стратегия — гибридный контур: правила + модели + оркестрация решений. Большинство банков выигрывают, когда перестают противопоставлять эти подходы.

Архитектура, которая обычно «взлетает»

1. Сбор событий в реальном времени: платежные события, логины, смены устройств, изменения профиля клиента, данные по получателям.
2. Feature store (единые признаки): чтобы модель и правила считали одно и то же, синхронно.
3. Модель скоринга риска транзакции + дополнительные модели (анализ устройств, графовые связи, аномалии).
4. Decision engine: единый слой решений (approve / decline / step-up / hold).
5. Петля обратной связи: результаты расследований, чарджбэки, обращения клиентов, подтверждённые кейсы.

Какие проверки дают быстрый эффект (первые 8–12 недель)

• Скоринг на уровне авторизации для одного канала (например, P2P или e-commerce).
• Step-up аутентификация только для верхнего риск‑перцентиля.
• Автоматическая кластеризация подозрительных получателей.

Этот подход снижает риск проекта: вы получаете измеримый результат, не переписывая всю платформу.

Метрики, которые стоит закрепить до старта

Если измерять только «процент фрода», легко обмануть самих себя. Я бы фиксировал минимум:

• Fraud loss rate (убытки) и prevented fraud (предотвращённый ущерб);
• False positive rate (ложные отклонения);
• конверсию платежей и долю «брошенных» операций после доппроверок;
• время до решения (latency) на авторизации;
• нагрузку на антифрод-аналитиков (кейсы/смена).

Частые вопросы от банков и платёжных команд (и честные ответы)

«ИИ заменит правила?"

Нет. Правила нужны для комплаенс‑ограничений, быстрого патча, «красных линий» и интерпретируемых запретов. Но правила больше не могут быть основой антифрода в высокоскоростных платежах.

«А если данных мало или они грязные?"

Тогда начинать надо не с модели, а с событийной дисциплины: единые идентификаторы, качество device‑данных, нормализация получателей, корректная разметка инцидентов. ИИ усиливает порядок; хаос он не чинит.

«Как не ухудшить клиентский опыт?"

Фокус на step-up только для реально подозрительных и на снижении ложных блокировок. Лучший сценарий — когда клиент видит проверку редко, но в нужный момент.

Что делать банку уже этой зимой (план действий)

Стабильный уровень платёжного мошенничества — это не «мы справились», а мы зафиксировались на текущем уровне зрелости. Если оставить всё как есть, в 2026 году вы, скорее всего, будете тратить больше на предотвращение и компенсации при той же статистике.

Я бы действовал так:

1. Выберите один самый болезненный поток (P2P, быстрые переводы, e-commerce) и посчитайте полную экономику фрода: убытки + операции + поддержка.
2. Постройте гибридный контур: модель скоринга + decision engine + понятные правила‑ограничители.
3. Запустите пилот на реальном трафике с A/B‑контролем: измеряйте не только фрод, но и ложные отклонения и конверсию.
4. Настройте петлю обучения: разметка, дрейф, регулярный пересмотр признаков.

Если вам нужно быстро оценить потенциал ИИ в антифроде платежей, обычно хватает двух артефактов: карта платежных потоков (где принимаются решения) и выгрузка событий за 60–90 дней. Дальше уже можно говорить предметно.

А у вас «стабильный» уровень мошенничества — это результат зрелой защиты или признак того, что система упёрлась в потолок правил и ручных проверок?