Rilevamento delle frodi con IA e il futuro della sicurezza dei pagamenti

Un sistema di sicurezza dei pagamenti può apparire quasi perfetto pur fallendo nel suo compito più importante. Se le frodi rappresentano solo una piccola frazione delle transazioni, un algoritmo che approva tutto sarà corretto nella maggior parte dei casi. I clienti potrebbero subire meno interruzioni, ma i criminali non incontreranno alcuna resistenza.

Questa tensione è al centro di una nuova revisione sistematica di Herlina Manurung e Dyah Rizki Arinengsih, pubblicata su Social Sciences & Humanities Open.¹ Sintetizzando 38 studi su rendicontazione finanziaria, pagamenti e rilevamento delle frodi basato su rete, le ricercatrici sostengono che una protezione affidabile richiede più di impressionanti punteggi di riferimento.

Per banche, reti di pagamento e investitori, le implicazioni sono pratiche. Un migliore rilevamento delle frodi potrebbe proteggere i ricavi e ridurre i costi operativi. Tuttavia, tali benefici dipendono da sistemi che distinguono comportamenti sospetti da attività legittime, rimangono utili man mano che i criminali si adattano e forniscono prove su cui gli investigatori possono intervenire.

Perché un’alta accuratezza può nascondere un rilevamento delle frodi debole

Consideriamo una piattaforma di pagamento ipotetica che elabora 100.000 transazioni, di cui 100 sono fraudolente. Un modello che classifica ogni transazione come legittima ottiene un’accuratezza del 99,9% senza rilevare alcuna frode.

Ora immaginiamo un sistema che intercetta 80 transazioni fraudolente ma segnala erroneamente l’1 % delle 99.900 legittime. Genera 1.079 avvisi, includendo 999 falsi allarmi. Solo circa il 7,4 % dei suoi avvisi identifica frodi reali. Queste cifre illustrano il problema; non sono risultati della revisione.

Un tale sistema potrebbe comunque prevenire perdite consistenti, a seconda dei valori delle transazioni e di come vengono gestiti gli avvisi. Tuttavia, la sua utilità non può essere valutata solo in base all’accuratezza. Gli investigatori devono elaborare gli avvisi, i clienti potrebbero affrontare difficoltà inutili e i commercianti possono perdere vendite legittime.

La revisione, pertanto, sottolinea precisione, recupero e valutazione sensibile ai costi. La precisione misura quante segnalazioni effettivamente riguardano frodi. Il recupero misura quanta parte della frode il sistema intercetta. Nessuna delle due metriche sostituisce la necessità di comprendere le conseguenze finanziarie degli errori.

L’obiettivo commerciale è ridurre il danno totale: perdite per frode, spese di indagine, attrito con i clienti e ricavi persi a causa di rifiuti errati.

Cosa ha rilevato la revisione sul rilevamento delle frodi

Gli autori organizzano i loro risultati attorno a quattro dimensioni: gestione di eventi rari e costi di errore disuguali, mantenimento di una valutazione affidabile, resistenza a condizioni mutevoli e manipolazioni deliberate, e utilizzo di relazioni ed evidenze interpretabili.

La loro analisi descrittiva rivela un divario tra modellazione sofisticata e test di resilienza documentati.

Queste categorie si sovrappongono. I conteggi rappresentano frequenze minime supportate dai riassunti delle fonti degli autori, quindi un metodo non segnalato non dovrebbe essere automaticamente considerato assente.

La revisione presenta anche dei limiti. Le sue evidenze provengono principalmente da ricerche indicizzate su Scopus e in lingua inglese, e i record storici di screening incompleti limitano la tracciabilità. Le differenze tra set di dati, definizioni di frode e metodi di valutazione hanno impedito un aggregazione quantitativa. Essa fornisce un utile quadro di progettazione, piuttosto che una prova che un algoritmo superi costantemente ogni alternativa.

Perché i modelli di frode devono essere testati per il futuro

Un modello addestrato sulle transazioni di ieri affronta due tipi di cambiamento. Il comportamento legittimo varia man mano che i clienti viaggiano, i commercianti lanciano promozioni e le abitudini di pagamento evolvono. Anche i criminali modificano le loro strategie per sfuggire al rilevamento. La revisione distingue i cambiamenti di distribuzione dal comportamento avversario deliberato, mostrando perché entrambi sono importanti.

Il test può nascondere accidentalmente queste sfide. Una divisione casuale delle transazioni storiche può collocare record strettamente correlati sia nel set di addestramento sia in quello di valutazione. Il modello beneficia così di clienti o pattern familiari che non sarebbero necessariamente disponibili quando si affronta un’attività realmente nuova.

Testare su periodi successivi, o separare le entità tra addestramento e valutazione, offre una valutazione più impegnativa. Anche in tal caso, le prestazioni devono essere monitorate dopo il rilascio.

Ciò suggerisce un modo diverso di valutare la tecnologia antifrode: chiedersi quanto rapidamente la degradazione diventa visibile e quanto in sicurezza il sistema può riprendersi. Un punteggio iniziale elevato ha valore limitato se un nuovo attacco rimane non rilevato per settimane.

Domande operative utili includono:

• Quanto frode viene intercettata con un volume di avvisi gestibile?
• Con quale frequenza le transazioni legittime vengono interrotte?
• Cosa accade quando i comportamenti cambiano o gli aggressori si adattano?
• Gli investigatori possono comprendere e verificare le prove?

L’IA basata su grafi può rivelare reti fraudolente

Le singole transazioni raramente raccontano l’intera storia. Diversi pagamenti dall’aspetto ordinario possono diventare sospetti quando condividono lo stesso dispositivo, si collegano allo stesso conto di destinazione o formano una sequenza insolita tra i commercianti.

L’apprendimento basato su grafi rappresenta le entità come nodi collegati, consentendo ai modelli di esaminare le relazioni insieme agli attributi delle transazioni. Questo può aiutare a identificare comportamenti coordinati che la valutazione isolata delle transazioni non rileva.

L’importanza più ampia dell’analisi relazionale si estende a crypto wash trading and market manipulation, dove attività apparentemente indipendenti possono nascondere coordinamento. I compiti di rilevamento differiscono, ma entrambi illustrano perché l’attività aggregata può risultare fuorviante senza contesto.

I grafi introducono proprie vulnerabilità. I criminali possono creare connessioni apparentemente legittime per mascherare conti sospetti, mentre relazioni obsolete o incomplete possono distorcere le valutazioni del rischio. La revisione tratta quindi le informazioni strutturali come qualcosa da convalidare e proteggere, piuttosto che come una garanzia automatica di risultati migliori.

Anche qui le spiegazioni sono importanti. Mostrare a un investigatore i conti o i percorsi di transazione alla base di un avviso può rendere le prove più facili da esaminare. Tuttavia, ciò non stabilisce, di per sé, che la frode sia avvenuta.

Una migliore rilevazione delle frodi può proteggere i ricavi dei pagamenti

L’opportunità economica va oltre la semplice prevenzione del furto. Una transazione legittima rifiutata erroneamente può spingere il cliente verso un’altra carta o un altro commerciante. Un numero eccessivo di avvisi consuma anche tempo del personale, tempo che potrebbe essere dedicato all’indagine di minacce più gravi.

Come spiega Securities.io nella descrizione di card networks, issuers, acquirers, and processors, i pagamenti coinvolgono più imprese con ruoli differenti. I miglioramenti nelle decisioni di autorizzazione possono quindi generare benefici lungo l’intera catena di transazione, sebbene tali benefici non si distribuiranno in modo uniforme a tutti i partecipanti.

La discussione di Mastercard del 2026 su AI payment fraud prevention evidenzia la riduzione delle revisioni manuali e dei falsi positivi come obiettivi di business. Il suo documento fornisce un contesto commerciale, non una validazione indipendente della revisione accademica.

Una implicazione utile è che rilevamento e intervento debbano essere valutati congiuntamente. Un punteggio di rischio può attivare una sospensione temporanea, un’autenticazione aggiuntiva, una revisione manuale o un rifiuto. Scegliere la risposta appropriata può essere importante quanto produrre il punteggio stesso.

Mastercard offre esposizione alla sicurezza dei pagamenti basata su IA

Questi incentivi rendono Mastercard una società rilevante per gli investitori interessati a infrastrutture finanziarie abilitate dall’IA.

Il suo Decision Intelligence Pro combina tecniche di grafico e modelli di IA generativa per valutare il rischio di transazione usando contesto comportamentale e relazionale. Mastercard posiziona il servizio attorno al miglioramento della rilevazione delle frodi riducendo al contempo i rifiuti ingiustificati.

Il collegamento con la revisione è concettuale. Il documento non testa il prodotto di Mastercard né verifica le sue affermazioni commerciali. Tuttavia, l’approccio dell’azienda illustra come le informazioni di rete e l’analisi contestuale possano diventare servizi venduti alle istituzioni finanziarie.

Per gli investitori, il potenziale vantaggio risiede nella combinazione di intelligenza delle transazioni, relazioni consolidate con i clienti e integrazione nei flussi di lavoro di autorizzazione. Se ciò diventerà un vantaggio competitivo duraturo dipenderà dall’esecuzione, dalla governance dei dati, dai servizi concorrenti e dai risultati misurabili dei clienti.

Mastercard fornisce anche un’esposizione più ampia ai pagamenti, piuttosto che un investimento puro nella rilevazione delle frodi. La sua valutazione e le performance complessive dell’azienda rimangono fattori importanti nella valutazione dell’opportunità.

Ultime notizie e sviluppi su Mastercard (MA)

Una rilevazione affidabile delle frodi con IA richiede risultati misurabili

La revisione sostiene l’ottimismo riguardo a una migliore sicurezza finanziaria, chiarendo al contempo cosa dovrebbe significare il progresso. Il successo richiede di intercettare più attività dannose senza creare interruzioni sproporzionate, mantenere le prestazioni al variare delle condizioni e fornire agli investigatori prove utili.

Il prossimo vantaggio competitivo potrebbe derivare dal collegare tali capacità a operazioni affidabili. Per le società di pagamento, il benchmark significativo è quanto valore rimane protetto dopo aver considerato le perdite per frode, i costi operativi e l’attrito con i clienti.

Riferimenti:

¹ Manurung, H., & Arinengsih, D. R. (2026). Apprendimento automatico robusto per la rilevazione delle frodi in presenza di squilibri, rarità e comportamenti avversari: evidenze nei contesti di rendicontazione finanziaria, pagamenti e ecosistemi grafici. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697