چطور هویت‌های ماشینی سیستم‌های احراز هویت بانکی را دور می‌زنند؟

تصور کنید در دنیایی زندگی می‌کنید که برای هر انسانی، ۱۰۹ موجود دیجیتال با قدرت تراکنش مالی وجود دارد. این دیگر یک پیش‌بینی نیست، بلکه واقعیت فعلی زیرساخت‌های دیجیتال ماست.

طبق گزارش اخیر صنعت که توسط SEON نقل شده است، نسبت هویت‌های ماشینی به انسانی به ۱۰۹ به ۱ رسیده است. این عدد در سال گذشته ۸۲ به ۱ بود و ۷۷٪ سازمان‌ها انتظار دارند این فاصله بیشتر شود. این تغییر، یک بحران ساختاری برای مالی جهانی ایجاد کرده است؛ زیرا سیستم‌هایی که برای تأیید انسان طراحی شده‌اند، اساساً قادر به شناسایی نرم‌افزارهایی نیستند که به نام هیچ‌کس عمل می‌کنند.

این بحران در حالی رخ می‌دهد که عامل‌های هوش مصنوعی (AI Agents) از چت‌بات‌های ساده به بازیگران اقتصادی مستقل تبدیل شده‌اند. برای دهه‌ها، صنعت امنیت بر این فرض استوار بود که یک «نشست» (Session) تأییدشده، به معنای یک «شخص» تأییدشده است؛ فرضی که اکنون منسوخ شده است.

دیوار KYC و راه‌برون کریپتویی

در یک آزمایش بهاری، مؤسسه Redwood Research به عاملی که بر پایه Claude Opus 4.7 ساخته شده بود، ۵,۰۰۰ دلار سرمایه و چهار روز فرصت داد تا بیشترین سود ممکن را کسب کند. طبق گزارش این مؤسسه، عامل در هر چهار تلاش به‌طور کامل شکست خورد. تمام تلاش‌ها در یک نقطه متوقف شد: کپچاها (CAPTCHAs) و بررسی‌های احراز هویت مشتری (KYC). این‌ها همان موانعی هستند که هر باتی برای باز کردن حساب بانکی با آن‌ها روبروست، زیرا سیستم‌ها فرض می‌کنند پشت هر حساب، انسانی با هویت قانونی و مسئولیت‌پذیری قرار دارد که نامش در اسناد ثبت شده است.

اما در حالی که درهای بانک‌های سنتی بسته ماند، برخی عامل‌ها راه ورودی جانبی پیدا کردند. بر اساس آمار مستقل Chainalysis، عامل‌هایی که راه‌بری را یافتند، تا اوایل سال ۲۰۲۶ بیش از ۱۰۰ میلیون پرداخت را از طریق پروتکل x402 شرکت Coinbase در شبکه Base پردازش کردند. این تراکنش‌ها با استیبل‌کوین‌ها تسویه شدند و هرگز با سیستم بانکی تماس نداشتند و به‌طور کامل درِ ورودیِ احراز هویت انسانی را دور زدند.

انفجار ترافیک عامل‌محور

مقیاس این گذار در هر دو بخش سازمانی و مصرف‌کننده در حال شتاب است:

• پذیرش سازمانی: ۹۹٪ سازمان‌ها پیش از این عامل‌های هوش مصنوعی را پذیرفته‌اند و ۴۰٪ از این عامل‌ها در حال حاضر به داده‌های سازمانی دسترسی دارند.
• عرضه اپلیکیشن‌ها: پیش‌بینی می‌شود تا پایان سال جاری، ۴۰٪ از برنامه‌های سازمانی با عامل‌های وظیفه‌محور (Task-specific) عرضه شوند؛ جهشی عظیم نسبت به رقم کمتر از ۵٪ در سال ۲۰۲۵. این رشد سریع، چالش‌های جدیدی در اجرای عملیاتی ایجاد کرده است؛ به‌طوری که بسیاری از عامل‌های پشتیبانی به‌دلیل عدم دسترسی به لایه‌ی اجرا با شکست مواجه می‌شوند.
• رفتار مصرف‌کننده: ۴۵٪ خریداران برای بخشی از خرید خود به هوش مصنوعی تکیه می‌کنند، حتی با وجود اینکه اکثر آن‌ها هنوز از فروشگاه‌های فیزیکی خرید می‌کنند.
• دیدگاه فروشندگان: ۹۵٪ فروشندگان ترافیک عامل‌های هوش مصنوعی را در سایت‌های خود می‌بینند، اما تنها ۲۰٪ آن‌ها کاتالوگ محصولاتی دارند که یک ماشین بتواند آن را به‌طور واقعی بخواند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اعتماد کورکورانه به لایه‌های دسترسی می‌تواند منجر به نشت‌های گسترده شود. در اینجا نیز مشکل دقیقاً همین است.

شکست پروکسی‌های نشست

امنیت مدرن بر مفهوم «نشست» (Session) متکی است؛ یعنی ورودی که بررسی‌های IP و اسکن‌های بیومتریک را پاس می‌کند. اما نشستی که تمام سیگنال‌ها، از جمله دستگاه واقعی و IP پاک را داشته باشد، دیگر ثابت نمی‌کند که چه کسی یا چه چیزی در آن سوی خط است.

پروتکل زمینهٔ مدل (MCP) — استانداردی باز که به ابزارهای AI اجازه می‌دهد به یک سرویس متصل شده و از طرف کاربر عمل کنند — این روند را تسریع کرده است. طبق مستندات رسمی، رجیستری MCP تا فوریه ۲۰۲۶ بیش از ۶,۴۰۰ سرور ثبت‌شده داشت؛ هدفی که تنها یک سال پس از انتشار پروتکل در سال ۲۰۲۴ به دست آمد.

وقتی انسانی از طریق MCP به یک عامل اجازه دسترسی می‌دهد، آن عامل می‌تواند بدون نیاز به ورود مجدد انسان در هر بار تراکنش، به فعالیت‌های خود ادامه دهد. مشکل اینجاست که سیستم‌های مدیریت ریسک فعلی راهی برای تشخیص یک «نماینده مجاز» از یک «عامل بدون مجوز» ندارند، چون هر دو با سیگنال‌های یکسانی وارد می‌شوند و از نظر سیستم، تفاوتی با هم ندارند. برای مهار این عدم قطعیت در رفتار عامل‌ها، جایگزینی پرامپت‌های موقت با قراردادهای متنی به عنوان راهکاری برای کاهش خطاهای عملیاتی پیشنهاد شده است.

نقطه کور ۴۰ میلیارد دلاری

این شکاف همین حالا از طریق تصاحب حساب‌ها (Account Takeovers) مورد سوءاستفاده قرار می‌گیرد. تحلیل روندهای جهانی در سال ۲۰۲۶ نشان داد که حساب‌های مالی ۳۲٪ از نفوذها را تشکیل می‌دهند. حملات «ربودن نشست» (Session Hijacking) و «خستگی چندعاملی» (MFA Fatigue) جایگزین تلاش‌های Brute-force شده‌اند، زیرا یک نشست ربوده شده، تمام اعتمادی را که یک ورود واقعی به دست آورده بود، به ارث می‌برد.

کلاهبرداری‌های هویتی در سطح جهانی در سال ۲۰۲۵ از ۵۰ میلیارد دلار فراتر رفت. بر اساس تخمین‌ها، حملات مبتنی بر هوش مصنوعی به‌تنهایی مسئول ۴۰ میلیارد دلار ضرر سالانه کسب‌وکارها بوده‌اند. چون بررسی ورود فقط یک بار در «درِ ورودی» اتفاق می‌افتد، هر اتفاقی بعد از آن، حکم تأییدشده دارد. هیچ سیستمی فاصله ۱۰ دقیقه‌ای بین یک ورود پاک و یک انتقال وجه کلاهبرداری را بازبینی نمی‌کند و این همان نقطه کور مرگبار است.

گذار به هویت مبتنی بر تداوم

تاماس کادار (Tamás Kádár)، مدیرعامل و هم‌بنیان‌گذار SEON، استدلال می‌کند که احراز هویت باید از «بررسی ظاهر» به «تأیید قصد» از طریق تداوم تغییر کند. اسکن‌های بیومتریک سلفی می‌توانند ثابت کنند سند متعلق به یک شخص است و آن شخص زنده است، اما نمی‌توانند «قصد واقعی» یا تاریخچه دیجیتالی که یک هویت واقعی در طول زمان جمع می‌کند را تأیید کنند.

در حالی که یک انسان واقعی سال‌ها رفتار آنلاین عادی دارد، عاملی که چند دقیقه قبل از تراکنش ایجاد شده، راهی برای جعل این ردپای دیجیتال ندارد. بیومتریک‌های رفتاری فعلی برای مقابله با کلاهبرداران انسانی طراحی شده بودند و یاد گرفته بودند حرکات بیش از حد نرم موس (که نشانه بات است) یا اثر انگشت‌های مزارع دستگاه‌های ابری (Cloud device farms) را شناسایی کنند؛ اما آن‌ها برای پاسخ به این سؤال ساخته نشده‌اند که «آیا این نشست اصلاً متعلق به کسی هست یا خیر».

برای ایمن‌سازی اقتصاد عامل‌محور، شرکت‌ها باید به سمت نظارت مستمر بر نشست‌ها حرکت کنند. این یعنی برخورد با کل نشست به عنوان یک رشته پیوسته، نه یک دروازه تک‌مرحله‌ای. شناسایی یک ابزار دسترسی از راه دور که در میانه پرداخت فعال می‌شود، یا تغییر اثر انگشت دستگاه (Device Fingerprint) پس از ورود، زنگ خطری است که بررسی اولیه هرگز نمی‌توانست بشنود. نادیده گرفتن این تمایز، اکنون گران‌ترین گزینه برای صنعت مالی است.

گام بعدی شما

• اگر مدیر محصول یا توسعه‌دهنده هستید، بررسی کنید که آیا سیستم‌های احراز هویت شما تنها در لحظه ورود (Login) عمل می‌کنند یا نظارت مستمر بر نشست‌ها را پیاده کرده‌اید.
• برای کاهش ریسک، از استانداردهایی استفاده کنید که بین دسترسی‌های انسانی و دسترسی‌های عامل‌محور (Agentic) تفکیک قائل می‌شوند.
• در صورت استفاده از پروتکل MCP، لایه‌های تأیید مجدد برای تراکنش‌های حساس (High-value) را فعال کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.