Ландшафт финтех-мошенничества драматически ускорился за последние два года. Карточное мошенничество, захват аккаунтов, манипулирование платежами и схемы с синтетическими личностями стали более изощренными и более дорогостоящими. Финансовые институты и финтех-платформы, защищающиеся от этих угроз, не могут делать это эффективно без искусственного интеллекта. Но способ развертывания ИИ для обнаружения мошенничества в Европе заметно отличается от США, и это различие создает долгосрочное конкурентное преимущество для европейских компаний.
Я внимательно отслеживаю компании, занимающиеся обнаружением мошенничества с помощью ИИ, через NexaTech Ventures, и то, что я вижу, - это раздвоение рынка. Американские финтех-платформы в основном передают риск мошенничества сторонним сервисам. Европейские компании создают собственные системы обнаружения мошенничества, которые интегрируются непосредственно в их инфраструктуру обработки платежей. Последствия существенны.
Проблема обнаружения мошенничества, которую на самом деле решает ИИ
Мошенничество асимметрично. Легитимная транзакция должна происходить в реальном времени, но мошенническую транзакцию можно обнаружить и отменить позже. Традиционные системы обнаружения мошенничества исторически пытались предотвратить мошенничество, используя системы на основе правил, которые помечают транзакции в соответствии с заранее определенными критериями. Эти системы необходимы, но принципиально ограничены. Система на основе правил, которая блокирует высокорисковые транзакции, неизбежно заблокирует и некоторые легитимные транзакции, создавая трение с клиентами, которое финтех-платформы не могут себе позволить.
ИИ меняет это уравнение. Модели машинного обучения, обученные на миллионах исторических транзакций, могут научиться различать легитимные и мошеннические паттерны с точностью, которую системы на основе правил не могут достичь. Еще важнее то, что они могут обучаться в реальном времени. По мере того как техники мошенничества эволюционируют, а атакующие адаптируют свои подходы, управляемые ИИ системы адаптируются одновременно. Это фундаментальное преимущество обучающихся систем над статическими системами на основе правил.
Техники мошенничества, развивающиеся в 2026 году, требуют такой адаптивной способности. Атаки по захвату аккаунтов стали механизированными, используя скомпрометированные учетные данные в масштабе на нескольких платформах. Платежное мошенничество становится все более смешанным — сочетая социальную инженерию, создание синтетических личностей и перевод стоимости для перемещения денег через выглядящие легитимными транзакционные цепочки. Обнаружение требует не только распознавания паттернов, но и понимания намерений и поведения в контексте.
Почему европейское регулирование создает защитные рвы
Директива PSD2 и ее преемник PSD3 (ожидается вступление в силу в 2025 году) обязали использовать строгую аутентификацию клиентов для всех онлайн-платежей и создали основу для открытого банкинга, которая требует от финансовых институтов делиться данными клиентов через API. Эта регуляторная среда часто изображается как бремя финтех-компаниями, расстроенными затратами на соблюдение требований. В реальности она создает долгосрочное конкурентное преимущество для компаний, которые создают системы обнаружения мошенничества в ней.
Причина заключается в доступе к данным и стандартизации. Структура PSD2 требует, чтобы авторизованные третьи стороны имели доступ к информации об аккаунтах клиентов, истории транзакций и событиям аутентификации. Для финтех-платформы, авторизованной как платежный институт согласно PSD2, это означает, что у них есть актив данных, которого в значительной степени не хватает их американским конкурентам: стандартизированный, одобренный регулятором доступ к широте истории транзакций клиентов и данным о поведении в нескольких европейских финансовых институтах.
Еще важнее то, что регуляторное требование прозрачности транзакций и отчетности создает структурированные данные. Каждый платеж должен быть зарегистрирован в стандартизированных форматах, каждое событие аутентификации записано, каждое требование о мошенничестве задокументировано. Это создает обучающие наборы данных для моделей машинного обучения, которые существенно чище и более полные, чем наборы данных, составленные из истории транзакций одной компании.
В NexaTech Ventures это один из ключевых сигналов, на которые мы обращаем внимание в европейских финтех-компаниях по обнаружению мошенничества: построили ли они свою систему для использования требований доступа к данным и прозрачности PSD2 и далее? Компании, которые это сделали, строят модели с доступом к более богатому набору функций, чем их американские конкуренты, что напрямую трансформируется в лучшую точность обнаружения мошенничества.
Архитектурное преимущество
Европейские финтех-компании развертывают ИИ обнаружения мошенничества на другом архитектурном уровне, чем большинство американских финтех-платформ. Вместо использования обнаружения мошенничества как последующей проверки завершенных транзакций, они встраивают его в сам конвейер обработки платежей. Это требует других технических подходов и создает другую конкурентную динамику.
Принятие решений о мошенничестве в реальном времени в масштабе — проведение оценки мошенничества в течение миллисекунд после начала транзакции — требует перемещения вычислений ближе к самой транзакции. Европейские компании, создающие собственную платежную инфраструктуру, развертывают модели машинного обучения непосредственно в свой уровень обработки транзакций, достигая задержек, которые платформенные подходы не могут сравнять.
Это имеет эффекты второго порядка. Меньшая задержка означает более точные данные о функциях в момент принятия решения. Более точные данные о функциях означают лучшую производительность модели. Лучшая производительность модели означает меньшую блокировку легитимных транзакций, что напрямую трансформируется в преимущество клиентского опыта и более низкие затраты на привлечение клиентов.
Несколько европейских финтех-компаний построили собственную инфраструктуру обработки транзакций специально для этого. Они не передают свой риск мошенничества третьим сторонам; они контролируют свой риск мошенничества, владея полным конвейером транзакций от начала до расчета.
Инвестиционная возможность
Рынок ИИ обнаружения мошенничества существенен и растет. Согласно недавним аналитическим исследованиям, глобальные потери финтех от мошенничества превышают сто миллиардов фунтов ежегодно и растут быстрее, чем объемы транзакций. Экономическое обоснование инвестиций в предотвращение мошенничества прямолинейно.
Но возможность для европейских инвесторов более специфична. Наиболее защищенные бизнесы обнаружения мошенничества в финтех — это те, которые объединяют три элемента: собственные модели ИИ, обученные на больших, разнообразных наборах данных транзакций; архитектурную интеграцию в инфраструктуру обработки платежей, а не дополнительное размещение; и регуляторные структуры соблюдения, которые создают долгосрочные преимущества данных.
В NexaTech Ventures мы поддерживаем европейские компании, которые соответствуют этим критериям. Нас меньше интересуют компании, которые создают универсальные платформы обнаружения мошенничества для продажи банкам или финтех-компаниям. Эти бизнесы сталкиваются с интенсивным ценовым давлением и борются за защиту рыночной позиции. Мы поддерживаем компании, которые создают обнаружение мошенничества как источник конкурентного преимущества в своих собственных финтех-платформах.
Европейские финтех-компании, которые решат эту проблему — достигнув превосходной точности обнаружения мошенничества при поддержании более низких показателей отклонения легитимных транзакций — достигнут преимущества клиентского опыта, которое трансформируется в устойчивый рост и защищаемую рыночную позицию.
Что должно произойти дальше
Чтобы европейские финтех-компании полностью использовали это преимущество, им нужно сделать три вещи. Во-первых, существенно инвестировать в инфраструктуру машинного обучения и таланты. Создание собственных моделей обнаружения мошенничества требует постоянных инвестиций в возможности науки о данных, которые многие финтех-компании исторически передавали на аутсорсинг. Это должно измениться.
Во-вторых, открыто делиться данными внутри европейской финтех-экосистемы. Коллективная способность обнаружения мошенничества европейских финтех значительно улучшилась бы, если бы индустрия делилась анонимизированными данными о мошенничестве и сотрудничала в разработке моделей. Это потребовало бы тщательного учета GDPR, но технически возможно и принесло бы пользу всем в экосистеме.
В-третьих, инвестировать в регуляторные отношения, которые управляют европейскими финтех. Компании, которые помогают формировать то, как реализуются регулирования, такие как PSD3, будут иметь долгосрочное влияние на конкурентный ландшафт.
Возможность ИИ обнаружения мошенничества в европейских финтех — это не хайп. Это реально, это существенно, и это доступно компаниям, которые подходят к этому стратегически.
Scott Dylan — основатель NexaTech Ventures. Он пишет об ИИ, финтех и технологических инвестициях. Читайте больше на scottdylan.com.
