AI Fraud Detection in 2026: How Financial Institutions Secure Real-Time Transactions

Real-time fraud detection is changing quickly because real-time payments leave almost no recovery window. A notable update came on September 2, 2026, when Visa announced an enhanced A2A Protect service that combines Visa and Featurespace technology into a unified fraud score for account-to-account payments. The point is not that one product solves fraud. The broader shift is that financial institutions are increasingly combining transaction-level AI with behavioral signals and network intelligence before money leaves an account.

That matters because a payment can now move from sender to recipient in seconds. A bank cannot wait for an overnight batch process to decide whether a transfer is suspicious. The fraud system has to collect signals, score risk, apply policy, and choose an action within the authorization or payment window—while still approving legitimate transactions quickly.

Visa's September 2026 announcement is available in its A2A Protect release. It is one example of a wider industry move toward real-time, network-informed decisioning rather than relying only on static rules inside a single institution.

What AI Fraud Detection Actually Does

AI fraud detection is the use of statistical and machine-learning models to estimate whether an activity is legitimate or suspicious. In payments, the model rarely works alone. It normally sits inside a larger decision system that also includes deterministic rules, authentication controls, velocity limits, sanctions or compliance checks, and human investigation.

For a card purchase, the institution may be deciding whether to approve, decline, or request stronger authentication. For an instant account-to-account transfer, it may be deciding whether to allow the payment, pause it where the payment scheme and law permit, request additional customer confirmation, or route the event to a fraud team.

Visa's current AI fraud detection overview describes real-time systems that analyze transaction and behavioral data rather than relying only on static rules or blacklists. That basic architecture is durable even as specific models and vendors change.

Why Real-Time Payments Raise the Stakes

Traditional fraud programs had more time in some payment flows to review unusual activity after the fact. Instant payments compress that timeline. The Federal Reserve's FedNow Service, for example, allows participating institutions to send and receive payments around the clock with recipients gaining access to funds immediately.

В июне 2025 года Федеральная резервная система (ФРС) добавила в FedNow функцию определения пороговых значений активности по счетам. Участвующие учреждения могут устанавливать пороговые значения суммы и скорости транзакций для каждого сегмента клиентов. Это полезная иллюстрация современной защиты от мошенничества: ИИ — это лишь один из уровней, в то время как простые средства контроля, такие как лимиты суммы и частоты, остаются ценными, поскольку они быстры, прозрачны и легко сочетаются с оценками моделей. См. объявление Федеральной резервной системы .

Конвейер обнаружения мошенничества в режиме реального времени

1. Зафиксируйте контекст транзакции.

Система начинается с самого платежа: сумма, продавец или получатель, время, канал, тип платежа, валюта и идентификаторы счета. Покупка продуктов на 12 долларов и перевод 12 000 долларов новому получателю не должны проходить через один и тот же этап принятия решения только потому, что это платежи.

2. Добавьте поведенческие сигналы и сигналы от устройств.

Платеж сравнивается с недавним поведением учетной записи. Полезными сигналами могут быть история входов в систему, идентификация устройства, характеристики IP-адреса или сети, стабильность геолокации, время, прошедшее с момента изменения пароля или контактных данных, возраст учетной записи, скорость транзакций, предыдущие получатели и типичные суммы платежей.

Эти функции помогают отличить «необычные» случаи от «мошеннических». Покупка авиабилета из другой страны может выглядеть необычно сама по себе, но нормально, если система также видит недавнее бронирование поездки, известное устройство и давние отношения с держателем карты.

3. Добавьте сетевой интеллект.

Некоторые виды мошенничества легче обнаружить в масштабах всей сети, чем внутри одного аккаунта. Подставные аккаунты, скоординированные мошеннические схемы, синтетические личности и структуры отмывания денег могут включать множество отправителей и получателей, распределенных по различным организациям.

В отчете Банка международных расчетов (BIS) по проекту «Герта», опубликованном в июне 2025 года, исследовалась аналитика транзакций на основе ИИ для розничных платежных систем в режиме реального времени. В экспериментах с использованием синтетического набора данных, содержащего 1,8 миллиона счетов и 308 миллионов транзакций, добавление аналитики платежной системы помогло имитированным банкам и поставщикам платежных услуг выявить на 12% больше незаконных счетов, а также улучшить показатели на 26% при обнаружении ранее не встречавшегося поведения. Это были экспериментальные результаты на синтетических данных, а не гарантии производительности для реальных банков. Ценность проекта заключается в уроке проектирования: сетевые закономерности могут выявлять взаимосвязи, которые отдельный банк не может увидеть из своего собственного реестра. См. отчет BIS по проекту «Герта» .

4. Составьте одну или несколько оценок риска.

Модели преобразуют характеристики в вероятность, оценку или категорию риска. Учреждения могут использовать несколько моделей одновременно — например, одну для выявления захвата учетной записи, другую для выявления мошенничества с использованием банковских карт, третью для оценки риска мошенничества и сетевую модель для выявления подозрительных взаимоотношений между получателями.

Оценка, полученная с помощью модели, не является автоматически окончательным решением. Банк может комбинировать ее с такими правилами, как «новое устройство плюс новый получатель платежа плюс необычно большая сумма» или с пороговыми значениями для сегментов клиентов. Цель состоит в том, чтобы сбалансировать потери от мошенничества со стоимостью блокировки добросовестных клиентов.

5. Организовать действие

Типичные результаты включают одобрение, отклонение, усиление аутентификации, запрос подтверждения, задержку (если это разрешено) или отправку на проверку. Усиление аутентификации означает запрос более надежных доказательств только в случае повышенного риска — например, дополнительное подтверждение в приложении или другой фактор аутентификации.

Система принятия решений должна быть достаточно быстрой, чтобы вписываться в платежный процесс. Платформы авторизации карт обычно принимают решения о рисках за миллисекунды, в то время как системы мгновенных платежей, как правило, обрабатывают транзакцию за считанные секунды от начала до завершения.

Какие сигналы данных имеют наибольшее значение?

Правила по-прежнему имеют значение наряду с искусственным интеллектом.

Легко назвать правила устаревшими, а машинное обучение — их заменой. В системах обнаружения мошенничества в реальных условиях это обычно слишком упрощенно. Правила отлично подходят для известных ситуаций, требующих детерминированных действий: заблокированные страны, невозможные типы транзакций, нормативные требования, дублирующиеся события, жесткие лимиты сумм или недавно введенные меры экстренного контроля.

Искусственный интеллект наиболее эффективен, когда принятие решения зависит от сочетаний сигналов или поведения, которые невозможно четко выразить в виде короткого списка правил. Поэтому зрелые институты используют многоуровневый подход: правила для четкой политики, машинное обучение для сложных рисков, сетевой анализ для анализа взаимосвязей и экспертная оценка для неоднозначных или важных случаев.

Почему ложные срабатывания являются ключевым показателем безопасности

Система защиты от мошенничества, блокирующая всё подряд, технически эффективна в предотвращении мошенничества, но непригодна в качестве платежной системы. Ложное срабатывание — это когда законная транзакция ошибочно классифицируется как подозрительная. Слишком много ложных срабатываний приводит к проблемам для клиентов, увеличению расходов на колл-центры, отказу от покупок и потере доверия.

Именно поэтому учреждения отслеживают не только общий процент выявления мошенничества. Важные показатели включают потери от мошенничества, коэффициент обнаружения, точность, процент ложноположительных результатов, процент одобрений, процент проблем, возникающих у клиентов, объем ручной проверки, задержку и финансовые затраты на каждый тип принятия решений.

Оптимальный пороговый уровень зависит от контекста. Покупка с использованием карты на 50 долларов может оправдывать иной допустимый уровень риска, чем перевод 250 000 долларов на новый счет. Таким образом, контроль мошенничества в режиме реального времени — это задача оптимизации, а не просто задача классификации.

Мошенничество с авторизованными платежами сложнее, чем мошенничество с украденными учетными данными.

Некоторые виды мошенничества относительно просты: преступник крадет учетные данные и инициирует платеж, который клиент не авторизовал. Другой вид мошенничества, часто называемый мошенничеством с авторизованными платежами (APP-мошенничеством) , происходит, когда клиента обманом заставляют отправить деньги лично.

Для ИИ это сложнее, поскольку вход в систему, устройство, аутентификация и окончательное подтверждение могут быть подлинными. Подозрительные сигналы могут вместо этого появиться в сети получателей, в описании транзакции, в необычных отношениях с получателем, в скорости платежей или в более широкой схеме мошенничества.

Это одна из причин, почему сетевая аналитика привлекает все больше внимания. Запуск компанией Mastercard в 2025 году системы TRACE в филиппинской сети платежей в режиме реального времени и ее инструменты A2A для выявления мошенничества в Великобритании являются примерами того, как поставщики пытаются выявлять риски в нескольких учреждениях, а не рассматривать данные каждого банка как изолированный остров.

Изменение моделей: мошенники меняются быстрее, чем статичные модели.

Смещение модели происходит, когда статистическая взаимосвязь между входными данными и результатами мошенничества меняется со временем. Меняется поведение потребителей, запускаются новые продукты, меняются сезонные закономерности, а преступники целенаправленно проверяют контрольные параметры, чтобы найти слабые места.

В ответ на это учреждения проводят мониторинг, переобучение, тестирование по принципу «чемпион-соперник», настройку пороговых значений, обновление правил и сбор обратной связи по подтвержденным случаям мошенничества. Особенно важны качественные метки. В рамках проекта Hertha были выделены размеченные обучающие данные, надежные механизмы обратной связи и объяснимые алгоритмы как ключевые факторы эффективности.

Системы, работающие в режиме реального времени, также нуждаются в защите от искаженных или некачественных меток. Если клиенты ошибочно оспаривают законные транзакции или следователи классифицируют случаи непоследовательно, модель может выявить неверную закономерность.

Объяснимость и проверка человеком по-прежнему имеют значение.

Решения, касающиеся мошенничества, влияют на доступ к денежным средствам, качество обслуживания клиентов и выполнение нормативных обязательств. Учреждениям необходимо достаточно подробное объяснение, чтобы понять, почему модель ведет себя по-разному, расследовать ошибки и обосновать изменения пороговых значений или политики.

Объяснимость не требует, чтобы каждая модель была простой. Она требует полезных оперативных результатов: какие сигналы определяли риск, какие правила срабатывали, как менялся результат с течением времени и соответствовало ли принятое решение утвержденной политике.

В случаях высокого риска или неоднозначных ситуаций работа следователей остается важной. Человеческий анализ может учитывать контекст, которого нет у модели, выявлять новые схемы мошенничества и создавать более точные метки для следующего обновления модели.

В 2026 году управление моделью будет иметь такое же значение, как и точность модели.

В апреле 2026 года Управление контролера денежного обращения (OCC), Федеральная резервная система и Федеральная корпорация страхования депозитов (FDIC) выпустили пересмотренное межведомственное руководство по управлению модельными рисками, в котором подчеркивается риск-ориентированный подход. В руководстве обсуждаются разработка и использование моделей, их проверка и мониторинг, управление и контроль, а также модели третьих сторон. В нем также указывается, что генеративный ИИ и агентный ИИ не входят в сферу действия данного руководства, поскольку они являются новыми и быстро развивающимися технологиями.

Для групп по борьбе с мошенничеством практический вывод таков: одной высокоэффективной модели недостаточно. Учреждениям необходимы четкая информация о владельце, документированное предполагаемое использование, тестирование, мониторинг, контроль изменений, управление данными и надлежащий надзор за моделями поставщиков. См. пересмотренное руководство OCC по рискам, связанным с моделями, от 2026 года .

Добровольная структура управления рисками в сфере ИИ, разработанная NIST, обеспечивает более широкую межотраслевую структуру, охватывающую принципы управления, картирования, измерения и контроля. Это не банковское регулирование, но она полезна для систематизации вопросов, касающихся надежности, прозрачности, конфиденциальности, безопасности и подотчетности.

Где место генеративного искусственного интеллекта — и где оно не место

Генеративный ИИ может помочь следователям обобщать дела, извлекать информацию из заметок, составлять отчеты о расследованиях или осуществлять поиск в больших массивах документов и материалов дел. Это не означает, что крупная языковая модель должна быть единственным механизмом авторизации, определяющим законность платежа.

Основные системы оценки риска мошенничества в режиме реального времени обычно основаны на структурированных статистических моделях, оптимизированных для классификации с низкой задержкой, обнаружения аномалий, анализа графов и калиброванных оценок риска. Генеративные системы могут улучшить рабочий процесс, особенно после получения оповещения, но финансовым учреждениям по-прежнему необходимы детерминированные средства контроля и измеримое поведение модели на протяжении всего пути транзакции.

Что испытывают клиенты, когда система работает?

Большинство систем обнаружения мошенничества с использованием ИИ работают незаметно. Обычный платеж одобряется без дополнительных действий. Платеж средней сложности может потребовать подтверждения в приложении. Транзакция с высоким риском может быть отклонена или отправлена ​​на проверку. Цель состоит в избирательном снижении рисков: добавление мер безопасности только тогда, когда риск это оправдывает.

Для клиентов это означает, что самая передовая система защиты от мошенничества может казаться менее навязчивой, чем старая, поскольку она может более точно отличать нормальное поведение от подозрительной активности. Для организаций же задача состоит в том, чтобы сохранить этот опыт, одновременно оперативно реагируя на новые схемы мошенничества и обрабатывая платежи.

Практическая архитектура для финансовых учреждений

• Собирайте высококачественные сигналы о транзакциях, учетных записях, устройствах и поведении пользователей в режиме реального времени.
• Используйте детерминированные правила для четкой политики и известных ситуаций высокого риска.
• Применяйте модели с обучением под наблюдением и обнаружения аномалий для оценки рисков на уровне транзакций.
• Добавьте графовую или сетевую аналитику там, где важны взаимоотношения между «курьерами» и «получателями».
• Объедините баллы в механизме принятия решений с пороговыми значениями, специфичными для каждого сегмента.
• При наличии неопределенности в отношении риска используйте поэтапную аутентификацию или проверку, вместо автоматического отклонения каждой аномалии.
• Используйте данные о подтвержденных случаях мошенничества, отзывах клиентов и результатах расследований для обратной связи с моделью мониторинга.
• Отслеживайте одновременно количество ложных срабатываний, процент одобрений, потери от мошенничества, задержки и объем проверок.
• Проверяйте модели материалов и отслеживайте отклонения, качество данных и зависимость от поставщиков.
• Обеспечьте наличие четких механизмов эскалации в случае сбоев в работе моделей, потоков данных или платежных систем.

Направление движения

Обновление Visa A2A Protect от сентября 2026 года, настраиваемые средства контроля рисков от FedNow и проект BIS Project Hertha указывают в одном направлении: защита от мошенничества переходит от изолированных правил транзакций к многоуровневому анализу данных в режиме реального времени. Наиболее эффективные системы сочетают в себе индивидуальное поведение, контекст учетной записи, данные об устройстве, сетевые связи, правила и экспертные знания.

Искусственный интеллект улучшает способность быстро оценивать риски, но не устраняет компромиссы. Финансовым учреждениям по-прежнему приходится решать, какой уровень трения допустим, как проверяются модели, какие данные можно использовать на законных и этических основаниях, как регулируются системы третьих сторон и что происходит, когда модель неопределенна.

В этом и заключается практический смысл обнаружения мошенничества с помощью ИИ в сфере финансовых операций в режиме реального времени: не один алгоритм, который «знает» мошенничество, а разработанная система принятия решений, которая непрерывно преобразует быстро меняющиеся доказательства в соразмерные действия до того, как транзакция превратится в невозмещаемый убыток.