ИИ против мошенничества: кейсы банков и платёжных системКак Visa, Mastercard и JPMorgan используют модели для борьбы с фродом

Крупнейшие платёжные системы и банки годами накапливают данные о транзакциях и обучают на них модели, которые выявляют мошенничество за доли секунды.

ИИ в финансахОбновлено 12.11.20268 мин чтения
ИИ против мошенничества: кейсы банков и платёжных систем
▲ коротко: ИИ против мошенничества: кейсы банков и платёжных ✓ Visa предотвратила мошеннические транзакции на десятки миллиардов долларов, обучив модели на миллиардах транзакций VisaNet.✓ Mastercard применяет генеративный ИИ и графовые технологии и заявляет об удвоении точности выявления скомпрометированных карт.✓ JPMorgan использует глубокое обучение в мониторинге транзакций и фиксирует экономию около 2 млрд долларов в год на разных направлениях ИИ, включая фрод.✓ Общая логика всех трёх кейсов - переход от жёстких правил к моделям, которые учатся на исторических паттернах мошенничества.
~40 млрд $предотвращённое Visa мошенничество, по собственным данным компании
~125 мсскорость расчёта риск-оценки транзакции в системе Mastercard
~2 млрд $/годоценочная экономия JPMorgan от направлений ИИ, включая фрод-мониторинг

Почему правила перестали работать

Классические системы борьбы с мошенничеством строились на фиксированных правилах: если сумма транзакции превышает порог, или если покупка совершена в нетипичной для клиента стране, система блокирует операцию. Проблема в том, что мошенники быстро учатся обходить такие правила, а сами правила плохо масштабируются на миллиарды операций в день.

Крупные платёжные системы и банки перешли к моделям, которые обучаются на исторических данных и ищут не заранее заданные признаки, а статистические аномалии и скрытые связи между участниками платежей. Это и есть общий знаменатель кейсов Visa, Mastercard и JPMorgan. Переход занял не один год: большинство крупных платёжных систем начинали экспериментировать с моделями машинного обучения для фрода ещё в середине 2010-х, но массовое промышленное внедрение, о котором можно говорить с уверенностью, пришлось на период 2023-2025 годов, когда объём доступных данных и вычислительных мощностей позволил обучать по-настоящему крупные модели.

Кейс Visa: модели на миллиардах транзакций

Visa обучает модели выявления мошенничества на огромном массиве исторических данных сети VisaNet - по собственным заявлениям компании, речь о порядке 15 млрд транзакций. По данным Visa, системы на основе ИИ помогли предотвратить мошеннические операции на сумму порядка 40 млрд долларов в глобальном масштабе.

Отдельное направление - борьба с так называемым card testing, когда злоумышленники перебирают номера карт небольшими тестовыми платежами, чтобы найти рабочие реквизиты. Для этого Visa запустила генеративную модель VAAI Score, которая, по оценке компании, помогает сократить ущерб от подобных атак, оцениваемый в отрасли на уровне порядка 1,1 млрд долларов в год.

▲ хроника✓ 2023 · Visa сообщает о предотвращении мошеннических транзакций на десятки миллиардов долларов за счёт AI-моделей✓ 2024 · Mastercard масштабирует Decision Intelligence Pro на новые рынки✓ 2025-05 · JPMorgan на инвестиционном дне заявляет о сокращении стоимости KYC-процедур на 40%✓ 2025 · опрос Mastercard: 42% эмитентов экономят свыше 5 млн $ на фроде за два года благодаря ИИ✓ 2026 · банковские обзоры фиксируют, что ИИ-фрод-мониторинг стал стандартом для крупных платёжных систем

Кейс Mastercard: графы и генеративные модели

Mastercard пошла по пути сочетания генеративного ИИ с графовыми технологиями, которые анализируют связи между участниками платежей, а не отдельные транзакции изолированно. По заявлению компании, такой подход позволил вдвое повысить точность выявления скомпрометированных карт.

  • Decision Intelligence Pro - система оценки риска транзакции в реальном времени.
  • Расчёт риск-скора занимает порядка 125 миллисекунд.
  • По собственным данным Mastercard, точность выявления фрода выросла в среднем на 20%.

По опросу самой компании, проведённому среди эмитентов карт, 42% респондентов за два года использования таких инструментов сэкономили более 5 млн долларов на потерях от мошенничества.

Кейс JPMorgan: от правил к глубокому обучению

JPMorgan встроил модели глубокого обучения непосредственно в стек мониторинга транзакций, заменяя часть жёстких пороговых правил системами, которые обучаются на исторических данных и находят более тонкие паттерны аномалий. На инвестиционном дне в мае 2025 года банк заявил, что стоимость процедур KYC (проверки клиентов) снизилась на 40% по сравнению с 2022 годом, а число операций, требующих ручной проверки в платёжном направлении, сократилось более чем вдвое.

По собственной оценке банка, совокупный эффект от применения ИИ - включая фрод-мониторинг, повышение эффективности разработки и автоматизацию операций - делает затраты банка на ИИ практически нейтральными по отношению к получаемой экономии, оцениваемой на уровне около 2 млрд долларов в год.

КомпанияТехнологияЗаявленный эффект
Visaмодели на данных VisaNet, VAAI Score~40 млрд $ предотвращённого фрода
Mastercardгенеративный ИИ + графовый анализрост точности выявления фрода вдвое
JPMorganглубокое обучение в мониторинге транзакций−40% стоимости KYC, −50%+ ручных проверок

Что это значит для рынка в целом

Все три кейса показывают общую тенденцию: крупнейшие игроки финансового рынка переходят от статичных правил к адаптивным моделям, которые постоянно переобучаются на новых данных. Это требует огромных объёмов исторических транзакций - то, что доступно в первую очередь крупным платёжным сетям и банкам с многолетней историей данных.

Похожая логика применения ИИ к финансовым данным встречается и в прогнозировании рыночных движений, где модели тоже ищут закономерности в огромных массивах исходных данных, а не следуют жёстким формулам. Параллельно растёт интерес к крупным инфраструктурным инвестициям под ИИ-направления в финансах - например, запуск платформы на 40 млрд долларов командой ветеранов Guggenheim показывает, что капитал идёт не только в модели, но и в инфраструктуру вокруг них.

Отдельный вызов для всей отрасли - доверие регуляторов к алгоритмическим решениям о блокировке операций: если модель ошибается и блокирует легитимную транзакцию клиента, это прямой репутационный и финансовый риск для банка. Поэтому крупные игроки стараются не полностью автоматизировать итоговое решение, а оставлять человеку возможность быстро разблокировать операцию после уточнения деталей - та же логика «алгоритм подсказывает, человек подтверждает», которая применяется, например, и в модернизации систем управления воздушным движением.

Ограничения подхода и риски

У моделей, обученных на исторических данных, есть системное ограничение: они хорошо находят паттерны, похожие на прошлые случаи мошенничества, но могут пропускать принципиально новые схемы атак, которых раньше не было в обучающей выборке. Именно поэтому банки продолжают инвестировать не только в сами модели, но и в скорость их переобучения - чем быстрее система адаптируется к новым типам фрода, тем короче окно, в которое мошенники успевают нанести ущерб.

Кроме того, усложнение моделей - особенно с использованием графовых и генеративных подходов - создаёт дополнительные требования к объяснимости решений: регуляторы в большинстве юрисдикций требуют, чтобы банк мог объяснить клиенту, почему конкретная операция была заблокирована, а не просто сослаться на «решение алгоритма».

Как небольшим банкам догнать крупных игроков

У Visa, Mastercard и JPMorgan есть явное преимущество - десятилетия накопленных транзакционных данных и собственные команды специалистов по машинному обучению. Для небольших банков и финтех-компаний повторить этот путь напрямую сложно, поэтому на рынке растёт спрос на готовые платформы фрод-мониторинга, которые предоставляют похожую функциональность как облачный сервис.

Это создаёт вторичный рынок - поставщиков антифрод-решений, которые по сути упаковывают похожие подходы (графовый анализ связей, модели аномалий) в продукт, доступный компаниям без собственной исследовательской команды. По мере того как такие платформы становятся зрелее, разрыв в возможностях между крупнейшими банками и остальным рынком должен постепенно сокращаться, хотя крупные игроки продолжают сохранять преимущество за счёт объёма и разнообразия данных. Регуляторы банковского сектора в ряде стран также начинают поощрять такой обмен инфраструктурой, поскольку устойчивость всей платёжной системы выигрывает от того, что антифрод-защита не ограничена только крупнейшими участниками рынка.

Ещё один путь для небольших игроков - сотрудничество напрямую с платёжными системами: поскольку и Visa, и Mastercard обрабатывают транзакции банков-эмитентов любого размера, часть антифрод-аналитики фактически уже доступна небольшим банкам через саму инфраструктуру платёжной сети, а не только через отдельные коммерческие продукты.

Вопросы и ответы

На каких данных обучаются модели выявления фрода в Visa?

По заявлению компании - на массиве порядка 15 млрд транзакций сети VisaNet, что позволяет находить статистические закономерности, недоступные для систем на жёстких правилах.

Что такое Decision Intelligence Pro у Mastercard?

Система оценки риска транзакций в реальном времени, которая анализирует связи между участниками платежей и рассчитывает риск-скор за порядка 125 миллисекунд.

Как ИИ помог JPMorgan сократить расходы на проверку клиентов?

Банк заявил о снижении стоимости процедур KYC на 40% по сравнению с 2022 годом благодаря моделям, встроенным в мониторинг транзакций и верификацию клиентов.

Заменяет ли ИИ человека в расследовании мошенничества?

Нет, в описанных кейсах модели отвечают за первичное выявление аномалий и расчёт риск-оценки, а итоговое решение по спорным случаям и расследование остаются за специалистами банков. Эта комбинация - автоматическое выявление плюс финальная проверка человеком - остаётся стандартом отрасли даже при дальнейшем росте точности самих моделей.

Ещё по теме

Следующая новость уже в ленте