Joel Winteregg, VD för Vyntra – Intervjuserie

Joel Winteregg, VD för Vyntra, är en ledare inom finansiell teknik och mjukvaruingenjör med nästan två decennier av erfarenhet av att utveckla teknik för bedrägeriförebyggande, upptäckt av finansiell brottslighet och transaktionssäkerhet. Innan han tog rodret för Vyntra i juni 2025 tjänstgjorde han som Group‑VD för Intix och tillbringade mer än 18 år som VD och medgrundare av NetGuardians, där han hjälpte till att bygga artificiell intelligens och maskininlärningslösningar för finansiella institutioner. Tidigare i sin karriär arbetade Winteregg som nätverks‑ och mjukvaruingenjör vid Institute for Information and Communication Technologies, med fokus på öppen källkod‑säkerhetshanteringsplattformar och realtids‑händelsekorrelation. Han leder nu Vyntra efter sammanslagningen av Intix och NetGuardians.

Vyntra är ett fintech‑företag som tillhandahåller AI‑driven transaktionsintelligens till banker, betalningstjänstleverantörer, fintech‑företag och andra finansiella institutioner. Företaget bildades genom 2025‑unionen av NetGuardians och Intix och kombinerar realtids‑transaktionsobservabilitet med förebyggande av finansiell brottslighet, vilket gör det möjligt för institutioner att övervaka betalningsflöden, identifiera operativa avvikelser, upptäcka bedrägerier, spåra risker för penningtvätt och undersöka insiderhot. Plattformen centraliserar transaktionsdata över system och format samtidigt som den tillämpar beteendeanalys och kollektiv intelligens för att hjälpa organisationer att svara på risker utan att onödigt störa legitima betalningar. Vyntra rapporterar att de betjänar mer än 130 finansiella institutioner i över 60 länder.

Du har tillbringat nästan två decennier med att bygga NetGuardians till en erkänd aktör inom AI‑driven bedrägeriförebyggande, och har nyligen lett Intix innan du blev VD för Vyntra. Hur har ditt perspektiv på finansiell brottslighet utvecklats genom dessa roller, och vilket strategiskt gap strävar Vyntra efter att fylla idag?

Finansiell brottslighet är inte längre ett isolerat operativt problem. Den har blivit en systemisk risk för finansiella institutioner. Genom NetGuardians, Intix och nu Vyntra,, har förändringen varit tydlig. Bedrägerier har gått från att vara ett IT‑problem till ett problem på styrelsenivå. Det låg tidigare främst under ledningsnivån och ägdes av IT‑ och cybersäkerhetsteam. De finansiella, rykte‑ och regulatoriska konsekvenserna är nu tillräckligt betydande för att de sitter fast på styrelsers och C‑suite‑chefers agenda, och svaret som krävs har förändrats i enlighet med detta. Bedrägerier har också slutat vara en fråga om att upptäcka misstänkta transaktioner inom en enskild institution. De opererar nu över system, institutioner och kanaler och utvecklas kontinuerligt, vilket avslöjar ett gap mellan hur bedrägerier beter sig och hur de vanligtvis hanteras.

Vyntra fokuserar på att stänga det gapet, baserat på arbete med mer än 130 institutioner i över 60 länder, där bedrägeriförebyggande och transaktionsobservabilitet finns i samma plattform. Det innebär att gå bortom statiska kontroller och isolerade data, mot realtids‑intelligens, beteendeförståelse och en mer sammankopplad riskvy. Målet är att ingripa innan bedrägeriet ens inträffar samtidigt som institutionerna får bättre insyn i hela transaktionslivscykeln.

Globala förluster på grund av bankbedrägerier når nu hundratals miljarder årligen, med allt mer sofistikerade bluffkampanjer. Ur ditt perspektiv, vilka strukturella förändringar har förvandlat bedrägerier till ett system som ser ut som industrialiserat snarare än isolerad kriminell aktivitet? 

Den avgörande förändringen är skala. Bedrägerier har blivit organiserade, upprepbara och alltmer industrialiserade, och är inte längre en serie av isolerade incidenter. I åratal förstås bedrägerier främst i termer av volym. Fler attacker krävde fler kontroller, och institutioner svarade genom att förfina detektionsregler och stärka autentisering. Detta tillvägagångssätt har nu nått sin gräns.

Det vi ser nu är något annorlunda. Bedräglare opererar i skala med samma samordning och effektivitet som legitima företag. De testar, förfinar och optimerar sina metoder. De är agila, oberoende av efterlevnad eller juridiska skyldigheter, och experimenterar ständigt med nya verktyg och taktiker. Framgångsrika metoder återanvänds och delas, och kampanjer utformas med prestanda i åtanke. AI påskyndar detta, men är inte den grundläggande orsaken. Det bara turbo‑laddar ett redan organiserat system. Det möjliggör snabbare målgruppsriktning, mer övertygande kommunikation och större personalisering. Den kombinationen gör bedrägerier mer skalbara och avsevärt svårare att upptäcka. De har slutat vara opportunistiska och har börjat likna en industri.

En växande andel av dagens bedrägerier involverar “auktoriserade” transaktioner, där offer manipuleras att själva skicka pengar. Varför har traditionella ramverk för bedrägeriförebyggande svårt med denna kategori, och vad måste i grunden förändras?

Traditionella ramverk är byggda kring obehörig aktivitet. De är utformade för att upptäcka intrång, komprometterade autentiseringsuppgifter eller misstänkta åtkomstmönster. Vid auktoriserade bedrägerier fungerar systemet som avsett. Kunden autentiserar, transaktionen bekräftas, och det finns ingen uppenbar teknisk avvikelse. Ur ett systemperspektiv ser allt legitimt ut.

Omfattningen av detta problem är betydande. Enligt UK Finances senaste Annual Fraud Report ökade APP‑bedrägeriförlusterna 19% år 2025 till £576,4 miljoner, över 248 070 fall.  Problemet är att bedrägeriet redan har inträffat innan betalningen. Det sker i interaktionen, genom manipulation och social ingenjörskonst. Vad som måste förändras är fokus. Istället för att bara titta på om en transaktion är auktoriserad, måste institutionerna förstå kontext och avsikt. Det kräver beteendeinsikt och realtidsanalys, inte bara transaktionsnivåkontroller.

Instantbetalningssystem accelererar globalt, men de komprimerar också fönstret för att upptäcka bedrägerier till sekunder. Hur bör finansiella institutioner ompröva riskhantering i en värld där transaktioner är i princip omedelbart irreversibla? 

Hastigheten har blivit en av de avgörande faktorerna både för bedrägerier och förebyggande. Många bluffar utvecklas nu inom en enda dag, och när pengar har överförts flyttas eller tas de ofta bort inom minuter. Samtidigt är betalningsinfrastrukturen utformad för att leverera omedelbarhet, och regleringen påskyndar den förändringen. EU:s Instant Payments Regulation kräver att alla betalningstjänsteleverantörer i eurozonen skickar omedelbara kreditöverföringar och erbjuder Verification of Payee‑tjänster från oktober 2025.

Det skapar en spänning mellan hastighet och säkerhet. I den miljön är försenad intervention inte längre hållbar. Riskhantering måste fungera i realtid. Istället för att bromsa betalningar måste riskdetektering, beslutsfattande och svar vara tillräckligt snabba för att ske inom själva betalningsflödet. Detta förändrar i grunden hur institutioner måste tänka kring bedrägerier. Institutioner måste gå från efter‑händelse‑analys till förebyggande i flödet, och stoppa bedrägliga transaktioner innan avräkning, inte undersöka dem i efterhand.

AI används nu på båda sidor av ekvationen, av bedragare för att skala attacker och av finansiella institutioner för att upptäcka dem. Hur ser nästa fas av detta kapprustning ut, och var ser du balansen luta? 

Kapprustningen accelereras av AI, men resultatet kommer inte enbart att definieras av teknik. Det beror lika mycket på hur effektivt intelligens delas och tillämpas. Bedragare opererar redan som starkt koordinerade nätverk, och finansiella institutioner måste i allt högre grad svara på samma sätt. De delar infrastruktur, data och taktik, och när ett tillvägagångssätt blockeras anpassas det snabbt och distribueras någon annanstans. AI förstärker detta genom att möjliggöra snabbare iteration och mer övertygande, skalbara kampanjer.

På försvarssidan sker en tydlig förflyttning från att behandla bedrägerier som ett problem för en enskild institution till att erkänna det som en utmaning på nätverksnivå. Initiativ som EBA CLEARING:s FPAD och utvecklingar från SWIFT speglar en rörelse mot delad, realtids‑bedrägeriinformation, särskilt i samband med instantbetalningar. Detta är viktigt eftersom många av de mest värdefulla signalerna ligger utanför en enskild institution, vare sig det gäller mule‑konton, beteendeavvikelser eller framväxande mönster. När den intelligensen delas och tas in i realtid förbättras detektionen. När den inte gör det flyttar bedrägeriet sig bara någon annanstans. Balansen kommer att gynna dem som kan kombinera realtidsanalys med kollektiv intelligens. De som opererar i isolering kommer att ha svårt att hålla jämna steg.

Vyntra betonar beteendeanalys och realtids‑transaktionsintelligens. Hur skiljer detta sig från regelbaserade system, och varför blir beteende den kritiska signalen i bedrägeridetektering? 

Regelbaserade system är i grunden statiska. De förlitar sig på fördefinierade villkor och kända mönster. Det fungerar till en viss grad, men blir mindre effektivt när bedrägerier utvecklas. Beteendeanalys är annorlunda. Den ser på hur handlingar avviker från förväntade mönster i realtid. Det inkluderar hur en användare interagerar, hur beslut fattas och hur transaktioner passar in i ett bredare sammanhang. Vad som gör modern beteendedetektion mer kapabel är kombinationen av metoder som arbetar tillsammans. Oövervakad inlärning identifierar avvikelser utan att behöva veta hur bedrägerier ser ut i förväg, övervakad inlärning drar nytta av kända bedrägerimönster för att skärpa detektionen över tid, och aktiv inlärning matar in verkliga resultat tillbaka i modellen kontinuerligt, så att systemet förbättras med varje beslut det fattar.

Detta är viktigt eftersom moderna bedrägerier är utformade för att framstå som legitima på transaktionsnivå. I många moderna bedrägeriscenarier blir beteende den tydligaste indikatorn på att något är fel, även när själva transaktionen ser legitim ut. Genom att fokusera på beteende och kontext kan institutioner identifiera risk tidigare, ofta innan transaktionen är slutförd.

Det pågår en ökande diskussion kring “community intelligence” eller delad bedrägeridata mellan institutioner. I praktiken, hur realistiskt är storskaligt samarbete mellan finansiella institutioner med tanke på regulatoriska begränsningar, och vilka modeller fungerar faktiskt? 

Samarbete går från att vara valfritt till att vara nödvändigt, men det måste anta en fungerande form. Detta är inte ett nytt koncept för Vyntra. Delad intelligens har varit en del av vårt tillvägagångssätt i åratal, eftersom bedrägerier aldrig har opererat snyggt inom institutionella gränser. Några modeller framträder i praktiken. Konsortium‑ eller delad‑nyttjandemodeller samlar data via en central enhet. Federerade och sekretess‑bevarande designer låter institutioner träna på delade mönster utan att exponera rå kunddata. Nätverks‑nivå‑intelligensinitiativ, såsom EBA CLEARING:s FPAD, skjuter bedrägerisignaler över deltagare i realtid när instantbetalningar skalar. Var och en fungerar inom befintliga regulatoriska ramverk snarare än runt dem, vilket gör dem livskraftiga i skala. Enligt vår erfarenhet ser institutioner som delar intelligens inom ett pålitligt, GDPR‑kompatibelt nätverk förbättrade detekteringsgrader med omkring 20%, även om den exakta siffran varierar beroende på nätverksdesign och deltagarnivåer. När instantbetalningsreglering påskyndar gränsöverskridande transaktionsvolymer, kommer de institutioner och nätverk som investerar i delad intelligensinfrastruktur nu att vara bättre positionerade att hantera de bedrägerier som oundvikligen följer med den tillväxten.

Många finansiella institutioner kämpar fortfarande med höga falska‑positiva nivåer, vilket skapar friktion för kunder och operativa ineffektiviteter. Hur minskar moderna AI‑drivna system falska positiva utan att öka riskexponeringen? 

Falska positiva är ofta en följd av begränsad kontext. När beslut baseras på smala signaler tenderar systemen att överkompensera. Moderna tillvägagångssätt minskar detta genom att införliva mer data och bättre kontext. Beteendeinsikt, transaktionshistorik och realtidsignaler möjliggör mer exakt riskbedömning. Målet är inte bara att blockera fler transaktioner, utan att fatta bättre beslut. I branschen har stora finansiella institutioner som implementerar beteende‑AI‑system rapporterat en minskning av falska positiva med mellan 60% och 90% jämfört med äldre regelbaserade kontroller. Falska positiva skadar förtroendet när legitima kunder upprepade gånger avbryts. När system kan skilja på genuina avvikelser och legitimt beteende kan de minska onödig friktion samtidigt som de behåller starkt skydd.

Interna bedrägerier och insiderhot är fortfarande underdiskuterade jämfört med externa attacker. Hur betydande är denna risk idag, och hur bör institutioner ompröva övervakning av interna beteenden och åtkomstmönster? 

Intern risk underskattas ofta, men den är en del av samma bredare utmaning. Enligt ACFE registrerade bank- och finanssektorn fler fall av yrkesbedrägeri än någon annan bransch i studien, med en medianförlust på $120 000 per fall och en median upptäcktstid på 12 månader. Ju längre det fönstret är öppet, desto större blir förlusterna. På samma sätt som externa bedrägerier i allt högre grad förlitar sig på beteende och åtkomstmönster gäller det även internt. Övervakning måste gå bortom statiska behörigheter och periodiska kontroller.

Att förstå hur system används, hur åtkomstmönster utvecklas och var avvikelser uppstår är kritiskt. Effektiv intern tillsyn är inte övervakning av anställda. Det är proportionerlig granskning av aktivitet inom känsliga finansiella system, fokuserad på den åtkomst och de beteenden som medför verklig risk. Den distinktionen är viktig, eftersom generell övervakning utan kontext skapar brus snarare än insikt, och medför egna operativa och kulturella konsekvenser. Principen är konsekvent: beteende ger den mest meningsfulla signalen när andra indikatorer verkar normala.

Ser vi fem år framåt, tror du att bedrägeriförebyggande kommer att bli helt autonomt och förutsägbart, eller kommer mänskligt omdöme fortsatt vara ett kritiskt lager i systemet? Var slutar balansen slutligen? 

Bedrägeriförebyggande kommer att bli mer automatiserat och mer förutsägbart, särskilt när realtidsbeslut blir avgörande. System kommer i ökande grad att hantera en stor del av detektering och ingripande, särskilt där hastigheten är kritisk.

Dock kommer det inte att bli helt autonomt. Omdöme kommer att förbli ett nödvändigt lager, både inom institutioner och på kundsidan. Ur ett institutionellt perspektiv kommer det alltid att finnas fall där kontext, tvetydighet och eskalering kräver att en person ingriper. Många bedrägeriscenarier, särskilt auktoriserade bluffar, involverar fortfarande mänsklig manipulation och social ingenjörskonst, vilket enbart automatisering inte kan läsa. Detta förstärks av regulatorikens inriktning. Oavsett om det är genom Storbritanniens PSR-ersättningsregim eller EU:s PSD3-förslag, hålls institutioner till en högre standard för att förhindra bedrägerier och skydda kunder. Det ökar behovet av tillsyn, inte bara automatisering. Om fem år kommer det som skiljer de institutioner som lyckas från de som hamnar efter att vara förmågan att exakt veta hur automatisering och omdöme samverkar.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Vyntra.