بات‌های نفوذی Apate چگونه مسیر انتقال داده به بانک‌ها را می‌سازند؟

تصور کنید یک کلاهبردار تلفنی ساعت‌ها وقت خود را صرف متقاعد کردن کسی کند که در واقع اصلاً وجود ندارد. این دقیقاً همان کاری است که Apate، استارت‌آپ استرالیایی تأسیس‌شده در سال ۲۰۲۴، برای مقابله با شبکه‌های پیچیده کلاهبرداری در جهان انجام می‌دهد. هزاران عامل هوش مصنوعی اکنون در لباس قربانیانی بی‌گناه ظاهر شده‌اند تا پیچیده‌ترین کلاهبرداران جهان را فریب دهند. این رویکرد در مقیاس وسیع‌تر با به‌کارگیری صدها هزار ربات برای شبیه‌سازی قربانیان ایده‌آل، منابع مجرمان را به شدت تحلیل می‌برد.

این شرکت عامل‌های مخفی را به میدان می‌فرستد تا به تماس‌های مشکوک پاسخ دهند، روی لینک‌های فیشینگ کلیک کنند و در گروه‌های تاریک شبکه‌های اجتماعی عضو شوند تا مجرمان را به افشای هویت خود ترغیب کنند. طبق گزارش این شرکت، این استراتژی برخلاف سیستم‌های امنیتی سنتی که پس از وقوع جرم واکنش نشان می‌دهند، مستقیماً هدف را روی کلاهبردار متمرکز می‌کند و سناریوی پیشگیری از کلاهبرداری را کاملاً تغییر می‌دهد.

تکنولوژی Apate بر پایه پژوهش‌های دانشگاه مک‌کواری در سیدنی بنا شده است. دالی کافر (Dali Kaafar)، مؤسس و مدیرعامل شرکت، در این دانشگاه از یادگیری ماشین (Machine Learning) و پردازش زبان طبیعی (NLP) برای رمزگشایی از سازوکارهای تماس‌های کلاهبرداری استفاده کرده است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زاینده اشاره کردیم، نبرد میان مهاجم و مدافع در عصر هوش مصنوعی به یک جنگ مقیاس‌پذیری تبدیل شده است. در اینجا، Apate یک «تله‌ی دیجیتال» فعال ساخته است؛ شبیه به یک ماهی‌گیر حرفه‌ای که طعمه‌ای جذاب می‌گذارد اما خودش در جای امنی نشسته است تا ماهی را شکار کند.

ایده‌ی کسب‌وکار از یک تجربه شخصی شروع شد. سال‌ها پیش، دالی کافر در یک پیک‌نیک خانوادگی تماسی کلاهبرداری دریافت کرد. او برای سرگرمی فرزندانش، نقش یک فرد ساده‌لوح را بازی کرد و کلاهبردار را ۴۴ دقیقه پشت خط نگه داشت. در حالی که خانواده‌اش به این اتفاق می‌خندیدند، کافر متوجه شد که این ۴۴ دقیقه، زمانی است که کلاهبردار نمی‌توانست از آن برای شکار یک قربانی واقعی استفاده کند. او از خود پرسید که آیا می‌توان این فرآیند را برای کسب اطلاعات مفید خودکار کرد؟ همین پرسش منجر به تحقیقات او در دانشگاه مک‌کواری شد.

عامل‌های Apate با سن، جنسیت و لهجه‌های مختلف و به زبان‌های گوناگون صحبت می‌کنند تا کلاهبرداران را در گفتگو نگه دارند. این عامل‌ها صرفاً منتظر نمی‌مانند، بلکه فعالانه با مجرمان تعامل می‌کنند. به نقل از این شرکت، این ناوگان دیجیتال تاکنون ۱۷ سال از زمان کلاهبرداران را در ۲.۵ میلیون گفتگو تلف کرده است.

برای قدرت بخشیدن به این عامل‌ها، Apate ترکیبی از مدل‌های پیشرو (Frontier Models) و مدل‌های اختصاصی با تنظیم دقیق (Fine-tuning) — مثل وقتی که به یک پزشک عمومی، تخصص پوست می‌دهیم تا در یک حوزه خاص خبره شود — استفاده می‌کند. این مدل‌ها بر اساس داده‌های پژوهشی دانشگاه مک‌کواری و گفتگوهای واقعی که عامل‌ها با کلاهبرداران داشته‌اند، آموزش دیده‌اند.

این سامانه برای استخراج داده‌های ارزشمندی طراحی شده که معمولاً تنها پس از سرقت از یک انسان واقعی فاش می‌شوند:

• ردپاهای مالی: شماره حساب‌های بانکی و آدرس کیف‌پول‌های ارز دیجیتال.
• زیرساخت‌ها: وب‌سایت‌های مخرب و شماره تلفن‌های مورد استفاده برای هماهنگی.
• تاکتیک‌ها: برندها و چهره‌های معتبری که کلاهبرداران در حال حاضر در حال جعل هویت آن‌ها هستند.

مشتریان می‌توانند مأموریت‌های خاصی را به این عامل‌ها بسپارند؛ مثلاً جست‌وجوی یک آدرس کیف‌پول خاص در یک تالار گفتگوی سرمایه‌گذاری. عامل‌های متنی می‌توانند تالارهای گفتگو و پلتفرم‌های اجتماعی را برای یافتن فعالیت‌های کلاهبرداری جست‌وجو کنند و سپس با هویت‌های جعلی وارد گفتگو شوند تا جزئیات عملیاتی را بیرون بکشند. این شرکت یک پورتال تحلیل داده فراهم کرده تا مشتریانی چون بانک‌ها، شرکت‌های مخابراتی، سازمان‌های دولتی و شرکت‌های خدمات شهری بتوانند تحلیل‌های مربوط به کلاهبرداری‌های هدفمند علیه کارکنان، برندها یا محصولات خود را رصد کنند.

نتایج این استقرارها ملموس است. لیست مشتریان این شرکت شامل Commonwealth Bank of Australia و TPG Telecom است. به گزارش Apate، شرکت TPG Telecom نزدیک به ۵۹۰ هزار تماس را به سمت عامل‌های این شرکت منحرف کرده است. همچنین Commonwealth Bank of Australia شاهد کاهش ۷۶ درصدی در ضررهای گزارش‌شده از کلاهبرداری‌های عمومی بوده است.

یک بانک نام‌برده دیگر در استرالیا نیز با استفاده از عامل‌های خروجی (Outbound Agents)، ۲۲ کمپین کلاهبرداری مجزا را مختل کرد. این اقدام پیش‌دستانه در شرایطی رخ می‌دهد که طبق گزارش FBI در سال ۲۰۲۵، بیش از ۲۲ هزار شکایت مربوط به جرایم مرتبط با هوش مصنوعی ثبت شده که منجر به ضرری ۸۹۳ میلیون دلاری گشته است.

بیش از ۶۳۲ میلیون دلار از این ضررها مربوط به کلاهبرداری‌های سرمایه‌گذاری بوده است. FBI می‌گوید مجرمان از هوش مصنوعی برای مدیریت گفتگوها و جعل عمیق (Deepfake) — شبیه به یک ماسک دیجیتال بسیار دقیق که چهره و صدای دیگران را تقلید می‌کند — صدای مدیران، سلبریتی‌ها و سایر چهره‌های مورد اعتماد را جعل می‌کنند.

سرمایه‌گذاران روی این مدل «کلاهبرداری‌زدایی به عنوان سرویس» (Scam-baiting as a service) شرط بسته‌اند. در اوت، Apate مبلغ ۸.۱۵ میلیون دلار سرمایه اولیه (Seed Funding) از شرکت‌هایی چون Lobby Capital، OIF Ventures، Investible، Concept Ventures و Baobab Ventures جذب کرد. مجموع سرمایه‌های جذب‌شده توسط این شرکت تا به امروز به نزدیکی ۱۰ میلیون دلار رسیده است.

این شرکت که با تیمی ۲۰ نفره فعالیت می‌کند، قصد دارد از سرمایه جدید برای گسترش بین‌المللی استفاده کند. این برنامه‌ها شامل افتتاح دفتر در لندن و افزایش حضور در بازار ایالات متحده است. همچنین Apate یکی از فینالیست‌های Startup Battlefield 200 در رویداد TechCrunch Disrupt سن‌فرانسیسکو در سال جاری است.

این شرکت که نام خود را از الهه فریب در یونان باستان گرفته، ماهیت تقابلی کار خود را پذیرفته است. براد جاف، مدیر ارشد تجاری (CCO) شرکت، می‌گوید آن‌ها حتی زمانی که کلاهبرداران در متریال‌های تبلیغاتی‌شان به بات‌ها فحاشی می‌کنند، جشن می‌گیرند؛ زیرا این عصبانیت و استیصال را نشانه‌ی موفقیت در اتلاف وقت مجرم می‌دانند.

این رویکرد، عصر جدیدی از جنگ نامتقارن در امنیت سایبری است. سال‌ها بود که هکرها از هوش مصنوعی برای مقیاس‌پذیری جعل عمیق و فیشینگ استفاده می‌کردند؛ حالا مدافعان از هوش مصنوعی برای مقیاس‌پذیری «عصبانیت و اتلاف وقت» استفاده می‌کنند؛ کاری که پیش از این تنها توسط آماتورهای انسانی انجام می‌شد که کلاهبرداران را مجبور می‌کردند کتاب‌های کامل بخوانند یا تتوهای مضحک بزنند.

با خودکارسازی «کلاهبرداری‌های طولانی» (Long Con)، Apate منطق مقیاس‌پذیری خودِ مجرمان را علیه آن‌ها به کار می‌گیرد. هر دقیقه‌ای که یک بات نقش یک بازنشسته‌ی گیج را بازی می‌کند، دقیقه‌ای است که یک قربانی واقعی در امان می‌ماند.

باید منتظر ماند و دید که این مدل چگونه با واکنش‌های احتمالی کلاهبرداران برخورد می‌کند؛ مجرمانی که ممکن است برای شناسایی این بات‌ها، هوش مصنوعی‌های «تشخیص کلاهبرداری» خودشان را مستقر کنند. در همین راستا، گوگل نیز با توسعه مدل‌های محلی روی دستگاه، به دنبال شناسایی کلاهبرداری‌های تلفنی بدون نیاز به ارسال داده به ابر است تا لایه‌ی جدیدی از امنیت را فراهم کند.

گام بعدی شما

• اگر مدیر IT یا امنیتی هستید، مدل «تله‌های فعال» (Active Honeypots) را برای شناسایی سریع‌تر زیرساخت‌های مهاجمان بررسی کنید.
• برای مقابله با جعل عمیق صوتی، پروتکل‌های تأیید هویت چندمرحله‌ای (MFA) را در ارتباطات حساس سازمانی پیاده کنید.
• رفتارهای مشکوک در تماس‌های تلفنی را به جای قطع سریع، با ابزارهای تحلیل مکالمه رصد کنید تا الگوهای جدید کلاهبرداری را شناسایی کنید.

اما نبرد واقعی زمانی آغاز می‌شود که کلاهبرداران عامل‌های شناسایی بات را مستقر کنند — به تحلیل ما درباره‌ی امنیت مدل‌های استدلالی مراجعه کنید.