Нейросеть запоминает привычки клиента и останавливает платёж, который на него не похож

В 3:12 ночи с карты владельца магазина уходит платёж на 180 тысяч рублей — в стране, где он никогда не был. Сам он спит. Но операция уже висит в паузе: система заметила, что этот человек так себя не ведёт, и притормозила перевод до подтверждения. Ещё пять лет назад мошенник успел бы вывести деньги трижды. Сегодня его останавливает не дежурный сотрудник и не жёсткое правило в настройках, а нейросеть, которая знает привычки клиента подчас лучше, чем он сам.

От жёстких правил к «портрету поведения»

Раньше защита от мошенничества держалась на списке запретов, который кто-то написал руками: платёж больше такой-то суммы — блок, операция из такой-то страны — блок, больше пяти списаний за час — блок. Просто, но тупо: правило не отличает вора от человека, который впервые купил дорогой билет. Новый подход перевернул логику. Вместо готовых запретов система строит «портрет нормального поведения» каждого клиента и сравнивает с ним каждое новое действие. Не «сумма большая», а «для этого человека сумма большая, время странное и получатель незнакомый — всё сразу».

Как машина понимает, что операция «не та»

Представьте, что у каждого клиента есть невидимый привычный рисунок: во сколько он обычно платит, с какого телефона, в каких магазинах, на какие суммы, как быстро набирает данные карты. Нейросеть держит этот рисунок в памяти и на каждую новую операцию за доли секунды сверяет сотни мелких признаков — устройство, город, скорость, получателя, темп трат. Пока всё совпадает с привычкой — платёж проходит незаметно. Стоит нескольким признакам разом выбиться из картины — операция подсвечивается как подозрительная. Человек этого даже не чувствует: вся проверка занимает меньше времени, чем загрузка страницы оплаты.

Почему старые фильтры блокировали своих

Главная беда прежних систем — они мешали честным людям. Клиент уехал в отпуск за границу, впервые расплатился картой в другой стране — и получил блокировку на ровном месте, потому что сработало грубое правило «операция из-за рубежа». Магазин из-за таких ложных тревог терял продажи, а банк — доверие. Поведенческие модели заметно аккуратнее: они срезают ложные срабатывания примерно на 40–60% по сравнению со старыми правилами. Это не абстрактная цифра — это те самые платежи честных покупателей, которые раньше отклонялись зря, а теперь спокойно проходят.

Кому это уже нужно

Первыми за это взялись банки и платёжные сервисы, но круг быстро расширился. Интернет-магазины и маркетплейсы так отсеивают оплату ворованными картами и накрутки. Финансовые отделы обычных компаний ловят другую беду — подставные счета. Классическая схема: бухгалтеру приходит письмо «поставщик сменил реквизиты, платите теперь сюда». Система сверяет новые реквизиты с историей расчётов, замечает, что раньше деньги уходили совсем другому получателю, и подсвечивает подмену до того, как перевод ушёл. Один пойманный такой случай окупает защиту на год вперёд.

Где подвох

Идеальной эту защиту называть рано. Ложные тревоги всё равно случаются — просто их стало меньше. Важна объяснимость: если система заблокировала платёж, бизнесу нужно понимать, почему именно, иначе клиент уходит в непонимании, а разобраться в отказе некому. Есть и обратная сторона гонки: мошенники тоже вооружились ИИ и учатся имитировать обычное поведение, поэтому модели приходится постоянно дообучать на свежих схемах. И главное — спорные случаи всё ещё должен разбирать человек. Отдать деньги на полный автопилот вслепую — плохая идея; сильные решения работают в связке «машина фильтрует, человек решает пограничное».

Что это меняет для бизнеса и клиента

Для клиента защита становится тихой и фоновой: меньше внезапных блокировок на пустом месте, быстрее проходит регистрация и первая покупка. Для бизнеса это прямые деньги — меньше потерянных продаж из-за ложных отказов, меньше ручных проверок, меньше убытков от реального мошенничества. Раньше безопасность и удобство тянули в разные стороны: закрутишь фильтры — отпугнёшь честных, ослабишь — пропустишь вора. Поведенческий ИИ впервые позволяет не выбирать между этими двумя крайностями.

Вывод

Защита от мошенничества перестала быть списком запретов и стала наблюдателем, который знает привычки клиента и реагирует на отклонение, а не на формальный признак. Для бизнеса это значит одно: можно ловить воров и при этом не терять честных покупателей. Такие поведенческие модели — часть того, что умеют современные ИИ-агенты, и в МАВИИ мы помогаем компаниям встроить подобную автоматизацию так, чтобы она приносила результат, а не создавала новую головную боль.