Fraud Conference 2026：AI 与移动网络情报如何重塑现代反欺诈体系

Fraud Conference 2026：AI 与移动网络情报如何重塑现代反欺诈体系

2026 年 5 月在伦敦举行的 Fraud Conference 2026，集中呈现了金融犯罪防控的一个现实转折：欺诈不再只是“检测问题”，而是涉及身份、设备、通信网络、支付流程与监管责任的系统性挑战。随着 AI 赋能攻击、社会工程、分阶段欺诈、数据泄露和有组织犯罪持续升级，银行和支付机构正被迫从事后拦截转向更早期、更实时、更协同的防御模式。此次会议的讨论显示，digital payments 的安全基础设施正在被重新定义，而 AI in finance 与移动网络情报正成为反欺诈体系的重要组成部分。

行业背景

在数字支付快速普及的背景下，诈骗手法也同步工业化。传统的未授权交易欺诈仍然存在，但近年来更具挑战的是授权推送支付欺诈（APP fraud）：受害者并非被强行盗刷，而是在社会工程、伪造身份、虚假客服、投资骗局或恋爱诈骗等话术影响下，自主发起转账。

这类欺诈的难点在于，从支付系统表面看，交易往往是“合法”的。也正因如此，单纯依赖交易拦截规则或静态身份验证，已经难以覆盖现代欺诈链条。会议中多位与会者都强调，欺诈防控正从“账户或交易层识别”转向“身份、设备和通信层的联合判断”。

英国监管环境的变化也强化了这一趋势。围绕 APP fraud 的强制赔付规则，银行不仅要补偿受害者，还需要证明自身具备更完善的预防能力。这意味着反欺诈不再只是合规成本问题，而是金融机构在 financial regulation 框架下必须长期建设的核心能力。

当前发展动态

本次会议最引人关注的一个主题，是“身份验证”与“移动网络情报”之间的关系。

与会观点认为，数字身份系统虽然仍是基础，但攻击者适应极快，且会利用同样依赖行为数据、设备特征和登录信号的控制机制来规避检测。因此，越来越多机构开始采用电信网络级别的信号来补足身份验证的盲区，例如 SIM swap 检测、设备与号码关联分析、实时线路完整性检查等。这类能力通常不依赖用户额外操作，因此在降低摩擦的同时，也有助于提升实时风险识别能力。

会议中提到的一个案例是，基于实时电话网络数据的诈骗识别方案在部分银行部署后，显示出对 APP fraud 侦测能力的提升。虽然不同机构和场景的效果并不相同，但这反映了一个更广泛的行业方向：payment infrastructure 的安全控制正在从银行内部延伸到通信网络、设备生态和共享情报层。

AI 的角色也在发生变化。与会讨论并未将 AI 视为单纯的威胁，而是将其定义为“攻防两端都在使用的能力”。诈骗方越来越善于利用自动化工具规模化生成消息、伪造话术和操纵受害者；防御方则开始利用 AI 做更快的模式识别、异常检测和可疑消息分类。

一个值得注意的方向是面向消费者的实时辅助工具。会议上讨论的一类方案将 AI 用于即时分析可疑消息，并在用户与诈骗分子互动的关键时刻提供提示。这类工具的意义并不在于替代银行风控，而在于把防护前移到“受害者尚未转账之前”的决策时点。

另一个讨论焦点是代理式支付（agentic payments）与可编程支付。随着 A2A 支付、开放银行和实时支付网络成熟，支付不再仅由人工触发，也可能由系统、规则引擎或 AI 代理发起与管理。会议认为，这类新型支付体验如果配合强认证、行为监测和规则约束，理论上可以在降低支付摩擦的同时，加强对异常交易的实时控制。这对 open banking、embedded finance 和未来的 real-time payments 架构具有重要意义。

对金融体系的影响

1. 支付效率

如果反欺诈控制能够从交易后转向交易前、从单点验证转向多信号联合判断，支付系统就能在更少人工干预下维持更高的放行率。对消费者而言，这意味着更少的二次确认和更流畅的支付体验；对企业而言，则有助于降低误拦截带来的交易损失。

2. 金融普惠

更智能的反欺诈体系也可能支持更广泛的数字金融接入。对于缺乏传统信用历史或长期账户行为记录的用户，移动网络信号、设备关系和行为模式可能成为补充性风险判断依据，从而帮助机构在更谨慎的前提下扩大服务覆盖。

3. 银行业竞争

银行和支付机构在反欺诈能力上的差异，正逐渐成为服务竞争的一部分。谁能更快整合电信情报、AI 模型和跨行业数据，谁就更有可能在保持合规的同时减少用户流失。这一点对 digital banking 平台和支付处理商尤其重要，因为用户通常不会长期容忍高摩擦、低透明度的安全流程。

4. 合规成本

在更严格的监管环境下，反欺诈投资将成为持续性的运营支出，而非一次性项目。银行需要证明自己不仅有模型，还具备可审计的流程、跨团队协作机制和清晰的事件响应能力。这使得 financial technology 供应商与金融机构之间的合作更像基础设施采购，而非单纯的软件部署。

5. 风险管理

AI 既提升了防御效率，也带来了新的模型风险、误判风险与对抗性攻击风险。随着诈骗分子开始测试和操纵 AI 决策系统，金融机构需要将模型治理、数据质量和人工复核机制纳入风控框架。未来的反欺诈体系不只是“更聪明”，也必须“更可解释、更可审计”。

面临的挑战

数据隐私

引入移动网络情报和行为数据后，数据边界问题会更加突出。机构如何在不突破隐私保护要求的前提下使用更丰富的风险信号，是落地过程中的核心问题。

网络安全

更大范围的数据交换意味着更高的攻击面。无论是通信数据、身份数据还是支付数据，一旦整合到同一决策链条中，就需要更强的访问控制、加密与监测机制。

技术整合

许多银行的反欺诈系统仍然由多个年代不同、供应商不同的组件拼接而成。要把 AI、实时风控、身份验证和电信级信号真正整合进同一个决策框架，往往需要较高的技术重构成本。

监管不确定性

围绕 AI、数据共享和支付责任的监管框架仍在演进。监管机构通常支持更强的消费者保护和更高的行业协作，但也会关注数据最小化、模型偏差和责任划分问题。对于涉及 digital identity、stablecoins、CBDC 或跨境支付场景的欺诈防控，监管边界会更复杂。

Future Outlook

未来三到五年，反欺诈体系大概率会继续沿着三个方向发展。

第一，实时化。随着实时支付网络和 A2A 交易继续扩张，风控必须跟上即时结算节奏，事后追回的空间会越来越小。

第二，情报融合。银行、支付机构、电信运营商、身份服务商和行业情报网络之间的协作会更紧密，反欺诈将从机构内能力转变为跨行业基础设施能力。

第三，AI 双向化。攻击方会继续利用 AI 规模化生成欺诈内容，而防御方则会把 AI 用于识别异常行为、辅助消费者决策和自动化处置。谁能更好地治理模型、整合数据并控制误判，谁就更可能在下一阶段的数字金融竞争中占据优势。

总体来看，Fraud Conference 2026 传递出的信号并不是“AI 会解决欺诈”，而是金融行业已经进入一个新阶段：反欺诈不再只是单一工具或单一团队的任务，而是由身份、移动网络、支付基础设施、监管合规与客户教育共同组成的系统工程。对于正在推进 banking innovation 和 digital payments 升级的机构来说，这一变化将直接影响其风险管理、用户体验和长期运营模式。