In Breve
- Qual è l'impatto dell'AI sulle frodi finanziarie?
- L'AI sta rendendo le frodi più sofisticate, consentendo ai criminali di superare i controlli di sicurezza.
- Come possono le istituzioni difendersi dalle frodi?
- Le istituzioni devono adottare approcci proattivi e investire in tecnologie AI per migliorare la rilevazione delle frodi.
- Quali sono le nuove tattiche usate dai criminali?
- I criminali utilizzano deepfake e ingegneria sociale per manipolare le vittime e ottenere informazioni sensibili.
L’Intelligenza Artificiale Alimenta il Fenomeno delle Frodi Finanziarie: Le Istituzioni Devono Reagire
Nel Regno Unito, le perdite per frodi finanziarie hanno raggiunto la cifra record di 1,3 miliardi di sterline, un chiaro segnale di un fenomeno in rapida espansione. L’uso crescente di tecnologie avanzate, in particolare l’intelligenza artificiale (AI), sta diventando un’arma nelle mani di reti criminali sempre più sofisticate.
Le Nuove Tattiche dei Criminali
I gruppi di frode stanno adottando tecnologie come la generative AI per migliorare le loro operazioni. Questi strumenti consentono di industrializzare l’ingegneria sociale, creando identità sintetiche in grado di superare i controlli di conoscenza del cliente (KYC) e costruendo storie creditizie credibili. Queste tecniche permettono ai criminali di rimanere operativi per mesi prima di eseguire la frode.
Un’altra innovazione allarmante è l’uso dei deepfake, che consente di generare voci e video così realistici da indurre le vittime a autorizzare transazioni o a fornire credenziali sensibili. Tali tattiche minano la fiducia, un elemento cruciale per determinare la legittimità di un’operazione.
La Difesa delle Istituzioni Finanziarie
Le attuali tecnologie di frode non vengono principalmente contrastate dai sistemi di sicurezza delle banche, ma piuttosto attaccano i clienti stessi. I criminali utilizzano chiamate convincenti e impersonificazioni realistiche, accompagnate da campagne di social engineering personalizzate, per erodere lo scetticismo delle vittime.
Di conseguenza, gli attacchi ai sistemi bancari si presentano con caratteristiche tecniche di legittimità, rendendo più difficile la loro rilevazione. Inoltre, l’AI potrebbe essere utilizzata per attacchi diretti contro le infrastrutture delle istituzioni, con i criminali che mappano i controlli e si mantengono al di fuori dei confini di rilevamento.
Approcci Proattivi alla Prevenzione delle Frodi
I team di prevenzione frodi nelle istituzioni finanziarie sono spesso organizzati attorno alla gestione degli incidenti, focalizzandosi su rilevazione, risposta e chiusura dei casi. Tuttavia, approcci più efficaci considerano la rilevazione come una funzione di ricerca, alla ricerca di spostamenti comportamentali che possano indicare test o sondaggio degli asset.
È fondamentale avere personale con competenze avanzate, in grado di analizzare i sistemi piuttosto che limitarsi a operarli. Le competenze richieste includono ragionamento statistico, pensiero avversariale, progettazione dei sistemi e analisi dei feedback.
Investimenti in Soluzioni AI
Non tutte le organizzazioni possiedono queste competenze interne. Sebbene l’assunzione di nuovo personale possa sembrare una soluzione, l’evoluzione degli strumenti AI offre soluzioni avanzate facilmente integrabili nelle infrastrutture esistenti. È consigliabile investire in fornitori esterni che rendano questi strumenti accessibili e combinino analisi statistica con capacità di reasoning.
Progettazione Sicura delle Tecnologie
L’implementazione di nuove tecnologie deve essere progettata per non aumentare ulteriormente i rischi. Ogni modello incorpora ipotesi che gli attori avversari tenteranno di sondare sistematicamente. Pertanto, i sistemi devono essere considerati superfici di attacco fin dalla fase di progettazione e sottoposti a test interni prima della produzione.
Le difese basate su AI devono operare in millisecondi per identificare i rischi senza compromettere l’esperienza del cliente, valutando ogni transazione in tempo reale attraverso centinaia di segnali confrontati con pattern storici per identificare anomalie.
