Yapay zekâ destekli dolandırıcılık savunması kullanan şirketlerin %77’si teknolojinin manuel yöntemlerden daha iyi sonuç verdiğini söylüyor.
Yapay zekâ kullananların %59’u paranın işten çıkmadan önce dolandırıcılık girişimlerinin en az %90’ını durduruyor; yapay zekâ aracı kullanmayan firmalarda bu oran %32.
Yapay zekâ tabanlı dolandırıcılık tespiti olmayan şirketlerin %58’i önümüzdeki 12 ay içinde bunu uygulamayı planlıyor.
Dolandırıcılık ekipleri yıllardır yapay zekânın manuel kontrolleri iyileştirip iyileştiremeyeceğini tartıyor. Teknolojiyi devreye alan şirketlerde sonuçlar giderek netleşiyor.
PYMNTS Intelligence’ın Bottomline iş birliğiyle hazırlanan “Önleme Öncelikli: Ödeme Dolandırıcılığına Karşı Daha Akıllı Savunma” araştırmasına göre, yapay zekâ destekli savunma kullanan şirketlerin %77’si manuel yöntemlere göre daha iyi sonuç aldığını söylüyor.
Verilere göre yapay zekâ aracı kullanan şirketlerin %59’u paranın işten çıkmadan önce dolandırıcılık girişimlerinin en az %90’ını durduruyor. Yapay zekâ tabanlı dolandırıcılık aracı olmayan firmalarda aynı düzeyde koruma bildirenlerin oranı %32.
Şirketler, bir ödemenin zarara dönüşmeden önce daha fazla dolandırıcılık girişiminin engellenip engellenmediğini ölçebiliyor.
Ödeme Öncesi Önleme
Zamanlama kritik çünkü şirketlerin karşılaştığı birçok dolandırıcılık şeması meşru bir ödeme sürecini manipüle etmek üzere tasarlanmış.
Şirketlerin yarısı, yapay zekâ ile yazılmış tedarikçi veya satıcıyı taklit eden e-postaların en sık karşılaştıkları yapay zekâ destekli dolandırıcılık taktiği olduğunu söylüyor; %88’i böyle e-postalarla yılda en az birkaç kez karşılaşıyor. Yaklaşık üçte biri, %32’si, iş e-postası ele geçirmeyle ayda en az bir kez karşılaşıyor.
Bu saldırıların durdurulması, ödeme talimatının alınmasıyla fonların serbest bırakılması arasındaki sürece bağlı olabiliyor.
Rapor, şirketlerin savunma kapsamında gerçek zamanlı risk puanlaması, otomatik belge doğrulama, e-posta taraması, sentetik kimlik tespiti ve davranışsal biyometri kullandığını anlatıyor. Yapay zekâ benimseyenlerin %83’ü gerçek zamanlı öngörüsel risk puanlaması, %82’si otomatik belge doğrulama kullanıyor. %78’i gelen e-posta ve mesajlarda yapay zekâ üretimi işaretleri arıyor.
Bu kontroller işlemin farklı noktalarına hitap ediyor. Bir e-posta manipülasyon belirtileri açısından incelenebiliyor, belgeler doğrulanabiliyor, işlem gerçekleştiği anda puanlanabiliyor ve fonlar serbest bırakılmadan önce ödeme detayları bilinen bilgilerle karşılaştırılabiliyor.
Veriler, şirketlerin bu yetenekleri tek tek değil birlikte kullandığını gösteriyor. Tüm şirketlerin %42’si üç veya daha fazla yapay zekâ dolandırıcılık aracı kullanıyor, sadece %1’i bir ya da iki araç kullanıyor. %57’si hiç kullanmıyor.
Rapordaki örnekler yapay zekâ tespitinin hesap doğrulama, anomali izleme ve güvenilir tedarikçi bilgisiyle birlikte çalıştığını gösteriyor. Bir durumda makine öğrenmesi şüpheli havale talebindeki alıcı hesabını işaretledi. Başka bir firmada anomali izleme, talimatlar satıcının normal kalıbından sapınca bir ACH ödemesinin yeniden yönlendirilme girişimini yakaladı.
Örnekler yapay zekânın ödeme sürecinin bir parçası haline gelebileceğini gösteriyor. Olağandışı bir talebi tespit etmek faydalı, ancak kaybı önlemek için işlem tamamlanmadan önce sinyale tepki verebilen kontroller gerekiyor.
Ödeme yöntemi de denklemi etkiliyor. Şirketlerin %35’i çek dolandırıcılığı yaşadığını bildiriyor ve %48’i çeklerin dışa dönük dolandırıcılık kayıplarının en az %10’unu oluşturduğunu söylüyor. %15’i bu kayıpların dörtte birinden fazlasını çeklere bağlıyor.
Daha fazla şirket sonuçları kendileri test etmeye hazır görünüyor.
Halen yapay zekâ tabanlı dolandırıcılık tespiti kullanmayan şirketlerin %58’i önümüzdeki 12 ay içinde uygulamayı planladığını söylüyor.
Başlangıç noktası mevcut benimseyenlerden belirgin şekilde farklı. Kullanmayanların %55’i manuel incelemelerinin yeterince iyi çalıştığını düşünüyor ve bu görüşü yapay zekâ kullanıcılarına göre %89 daha fazla benimsiyor.
