2026 年人工智慧詐欺偵測：金融機構如何保障即時交易安全

即時詐欺檢測技術正在快速發展，因為即時支付幾乎沒有補救時間。 2026年9月2日，Visa宣布推出增強型A2A Protect服務，將Visa和Featurespace的技術整合到一個統一的帳戶間支付詐欺評分系統中，這是一個值得關注的更新。關鍵不在於單一產品就能解決詐欺問題。更廣泛的轉變在於，金融機構越來越多地將交易級人工智慧與行為訊號和網路智慧結合，在資金離開帳戶之前就進行檢測。

這一點至關重要，因為現在付款可以在幾秒鐘內從付款人轉移到收款人。銀行無法等待隔夜的大量處理來判斷一筆轉帳是否可疑。反詐欺系統必須在授權或付款窗口期內收集訊號、評估風險、應用策略並選擇相應的操作—同時也要快速批准合法交易。

Visa 於 2026 年 9 月發布的公告已在其A2A Protect 版本中公佈。這只是整個產業轉向即時、基於網路資訊的決策模式的一個例證，而不再僅僅依賴單一機構內部的靜態規則。

人工智慧詐欺檢測究竟能做什麼

人工智慧詐欺偵測是指利用統計和機器學習模型來判斷某項活動是合法還是可疑。在支付領域，該模型很少單獨運行。它通常隸屬於一個更大的決策系統，該系統還包括確定性規則、身份驗證控制、交易速度限制、制裁或合規性檢查以及人工調查。

對於刷卡消費，金融機構可能需要決定是否批准、拒絕或要求進行更嚴格的身份驗證。對於即時帳戶間轉賬，金融機構可能需要決定是否允許付款、在支付方案和法律允許的情況下暫停付款、要求客戶提供額外確認，或將交易轉交給反詐欺團隊。

Visa 目前對人工智慧詐欺偵測的概述描述了即時系統，這些系統分析交易和行為數據，而不是僅依賴靜態規則或黑名單。即使具體模型和供應商發生變化，這種基本架構仍有效。

為什麼即時支付提高了風險

傳統的反詐騙程序在某些支付流程中擁有更多時間來事後審查異常活動。而即時支付則縮短了這一時間。例如，聯準會的FedNow服務允許參與機構全天候收發款項，收款人可以立即獲得資金。

2025年6月，聯準會金融服務公司在FedNow平台新增了帳戶活動門檻功能。參與機構可以根據客戶群體設定金額和交易速度閾值。這很好地詮釋了現代反詐騙策略：人工智慧只是其中一層，而金額和頻率限制等簡單控制措施仍然至關重要，因為它們快速、透明，並且易於與模型評分相結合。請參閱聯準會金融服務公司的公告。

即時詐欺偵測流程

1. 捕獲事務上下文

系統從支付本身開始：金額、商家或收款人、時間、管道、支付類型、幣種和帳戶識別碼。一筆12美元的雜貨購物和一筆12000美元的新收款人轉帳不應進入同一決策路徑，僅僅因為它們都是支付。

2. 新增行為和設備訊號

系統會將付款情況與近期帳戶行為進行比對。有用的指標包括登入記錄、裝置識別、IP 或網路特徵、地理位置一致性、密碼或聯絡方式更改時間、帳戶年齡、交易頻率、以往收款人以及典型付款金額。

這些特徵有助於區分「異常」和「詐欺」。單獨來看，客戶從另一個國家購買機票可能顯得異常，但如果系統同時偵測到近期旅行預訂記錄、已知設備以及長期存在的持卡人關係，則該交易就屬於正常情況。

3. 新增網路智能

有些詐欺行為在網路中比在單一帳戶內更容易被發現。洗錢帳戶、協同詐騙、虛假身分和洗錢結構可能涉及分佈在多個機構的眾多匯款人和收款人。

國際清算銀行於2025年6月發布的「赫塔計畫」（Project Hertha）探討了基於人工智慧的交易分析在即時零售支付系統中的應用。該專案使用包含180萬個帳戶和3.08億筆交易的合成資料集進行實驗，結果表明，添加支付系統分析功能後，模擬銀行和支付服務提供商識別非法帳戶的能力提高了12%，在檢測此前未曾發現的行為方面，識別率提升了26%。這些是基於合成數據的實驗結果，並非實際銀行在生產環境中的績效保證。該項目的價值在於其設計理念：網路模式能夠揭示單一銀行無法從自身帳簿中發現的關聯。請參閱國際清算銀行「赫塔計畫」報告。

4. 產生一個或多個風險評分

模型將特徵轉換為機率、評分或風險類別。機構可以同時使用多個模型——例如，一個用於帳戶盜用，一個用於非面對面刷卡欺詐，一個用於詐騙風險，以及一個用於可疑收款人關係的網絡模型。

模型評分並非最終決定因素。銀行可能會將其與「新設備+新收款人+異常高額金額」等規則或客戶細分閾值結合使用。其目的是在詐欺損失和阻止真實客戶的成本之間取得平衡。

5. 策劃行動

典型的處理結果包括批准、拒絕、加強身分驗證、要求確認、在允許的情況下延遲處理，或提交審核。加強身分驗證是指僅在風險增加時才要求更強的證明，例如，額外的應用程式內確認或其他身分驗證因素。

決策引擎必須夠快，才能融入支付流程。信用卡授權平台通常在幾毫秒內做出風險決策，而即時支付系統從發起支付到結算通常只有幾秒鐘的時間。

哪些數據訊號最重要？

規則在人工智慧時代依然重要

人們很容易將規則描述為過時的，並將機器學習視為其替代品。但在實際的詐欺控制系統中，這種說法通常過於簡單。規則非常適合需要確定性操作的已知情況，例如：被屏蔽的國家/地區、不可能的交易類型、監管要求、重複事件、嚴格的金額限製或新引入的緊急控制措施。

當決策取決於無法用簡短規則清單清晰表達的訊號或行為組合時，人工智慧的優勢最為顯著。因此，成熟的機構採用分層方法：使用規則制定明確的政策，利用機器學習處理複雜的風險，運用網路分析來分析關係，最後透過人工審核來解決模糊不清或影響重大的案例。

為什麼誤報是核心安全指標

攔截所有詐欺行為的系統雖然在技術上能有效阻止欺詐，但卻無法作為支付系統使用。誤報是指將合法交易錯誤地歸類為可疑交易。過多的誤報會導致客戶不滿、增加呼叫中心成本、導致訂單放棄，並最終損害客戶信任。

因此，機構追蹤的指標不僅包括詐欺查獲率。重要的衡量指標還包括詐欺損失、召回率或偵測率、精確率、誤報率、批准率、客戶摩擦率、人工審核量、延遲以及每種決策類型的財務成本。

最佳閾值取決於具體情況。 50 美元的刷卡消費和 25 萬美元的企業轉移到新帳戶所需的容忍度可能截然不同。因此，即時詐欺控制是一個最佳化問題，而不僅僅是一個分類問題。

授權推播支付詐騙比盜用憑證詐騙更難得逞

有些詐騙手法相對簡單：犯罪者竊取憑證，發動未經客戶授權的付款。另一類詐騙，通常稱為授權推送支付（APP）詐騙，則是指犯罪者誘騙客戶親自匯款。

對於人工智慧來說，這更難做到，因為登入、裝置、身份驗證和最終確認都可能是真實的。可疑訊號反而可能會出現在收款方網路、交易記錄、異常的收款人關係、支付速度或更廣泛的詐騙模式中。

這就是網路級智慧日益受到關注的原因之一。萬事達卡計畫於2025年在菲律賓的即時支付網路中推出TRACE系統，並在英國推出A2A詐欺偵測工具，這些都顯示服務供應商正試圖識別跨多個機構的風險，而不是將每家銀行的資料視為孤立的孤島。

模型漂移：詐騙分子變化速度快於靜態模型

當輸入資料與詐欺結果之間的統計關係隨時間變化時，就會發生模型漂移。消費者行為會發生變化，新產品會不斷推出，季節性模式會發生變化，犯罪者也會故意試探控制措施以尋找漏洞。

機構的應對措施包括監控、重新訓練、冠軍挑戰者測試、閾值調整、規則更新以及從已確認的詐欺案例中收集回饋。高品質的標籤尤其重要。 Hertha 計畫強調，標籤的訓練資料、健全的回饋循環和可解釋的演算法是提高有效性的關鍵因素。

即時系統也需要防範惡意標籤或低品質標籤。如果客戶錯誤地對合法交易提出異議，或調查人員對案件的分類不一致，模型就可能學習到錯誤的模式。

可解釋性和人工審核仍然至關重要

詐欺決策會影響資金取得、客戶體驗和監管義務。機構需要充分的解釋來理解模型為何出現異常行為，調查錯誤，並為調整閾值或政策提供基礎。

可解釋性並不要求每個模型都很簡單。它確實需要有用的操作性輸出：哪些訊號驅動了風險，哪些規則被觸發，分數如何隨時間變化，以及決策是否符合已批准的政策。

對於高風險或情況不明的事件，調查人員仍然至關重要。人工審核可以納入模型所缺乏的背景訊息，識別新出現的詐騙手段，並為下一次模型更新創建更完善的標籤。

2026 年模型治理與模型準確性同等重要

2026年4月，美國貨幣監理署（OCC）、聯準會和聯邦存款保險公司（FDIC）發布了修訂後的跨機構模型風險管理指南，強調基於風險的方法。該指南討論了模型的開發和使用、驗證和監控、治理和控制以及第三方模型。指南也指出，生成式人工智慧和智慧體人工智慧不在本指南的適用範圍內，因為它們是新興技術且發展迅速。

對於反詐騙團隊而言，實際意義在於，僅僅擁有高效能模型是不夠的。機構需要明確的所有權、記錄在案的預期用途、測試、監控、變更控制、資料治理以及對供應商模型的適當監督。請參閱美國貨幣監理署 (OCC) 2026 年修訂的模型風險指南。

美國國家標準與技術研究院 (NIST) 的自願性人工智慧風險管理框架圍繞著治理、映射、衡量和管理提供了一個更廣泛的跨行業結構。它並非銀行業監管，但有助於梳理有關可靠性、透明度、隱私、安全性和問責制的問題。

生成式人工智慧的適用場景——以及不適用場景

生成式人工智慧可以幫助調查人員總結案情、從筆記中提取資訊、撰寫調查報告或搜尋大型政策和案例庫。但這並不意味著大型語言模型應該成為唯一決定付款是否合法的授權引擎。

核心即時詐欺評分通常依賴針對低延遲分類、異常檢測、圖分析和校準風險評分進行最佳化的結構化統計模型。生成式系統可以增強工作流程，尤其是在發出警報之後，但金融機構仍需要在交易路徑中實施確定性控制並評估模型行為。

當系統正常運作時，客戶的體驗如何？

大多數人工智慧詐欺檢測都是無感的。正常的支付無需額外步驟即可獲得批准。略微異常的付款可能會觸發應用程式內確認。高風險交易可能會被拒絕或提交審核。其目標是選擇性地增加安全措施：僅在風險達到一定程度時才增加安全措施。

對客戶而言，這意味著最先進的詐欺系統可能比舊系統更不易引起反感，因為它能更準確地區分正常行為和可疑活動。對金融機構而言，挑戰在於如何在應對新的詐騙模式的同時，保持這種良好的用戶體驗，並保持支付速度。

面向金融機構的實用架構

• 即時收集高品質的交易、帳戶、設備和行為訊號。
• 對於明確的政策和已知的高風險情況，應採用確定性規則。
• 應用監督式和異常檢測模型進行交易層級風險評估。
• 在涉及騾子和接收者關係的地方，添加圖或網絡分析。
• 將分數與特定細分市場的閾值結合到決策引擎中。
• 當風險不確定時，應使用逐步認證或審核，而不是自動拒絕所有異常情況。
• 將已確認的詐欺行為、客戶回饋和調查結果回饋到模型監控。
• 綜合追蹤誤報率、批准率、詐欺損失、延遲和審核量。
• 驗證材料模型並監控漂移、數據品質和供應商依賴性。
• 當模型、資料來源或支付系統發生故障時，請保持清晰的升級路徑。

旅行方向

Visa A2A Protect 於 2026 年 9 月推出的更新、FedNow 的可設定風險控制以及 BIS 的 Hertha 專案都指向同一個方向：反詐騙正從孤立的交易規則轉向分層即時智慧。最強大的系統會將個人行為、帳戶資訊、設備資料、網路關係、規則和專家經驗結合。

人工智慧提高了風險評估的速度，但並不能消除權衡取捨。金融機構仍需要決定可接受的摩擦程度、模型的驗證方式、哪些數據可以合法合規地使用、第三方系統的管理方式，以及當模型出現不確定性時該如何應對。

這就是人工智慧詐欺偵測在即時金融領域的實際意義：它不是一個「知道」詐欺的單一演算法，而是經過精心設計的決策系統，它能夠不斷地將快速變化的證據轉化為相應的行動，從而防止交易造成無法挽回的損失。