بیشتر شرکت‌ها از عامل‌های هوش مصنوعی برای عرضه سریع‌تر محصولات یا سرعت‌دادن به فرایندهای کاری استفاده می‌کنند. Apate.ai آن‌ها را مخفیانه به میدان می‌فرستد تا خودشان هدف کلاهبرداری قرار بگیرند.

این استارتاپ استرالیایی که در سال ۲۰۲۴ و بر پایه پژوهش‌های انجام‌شده در دانشگاه مک‌کواری سیدنی تأسیس شد، هزاران عامل هوش مصنوعی را به کار می‌گیرد که خود را قربانیانی بی‌خبر جا می‌زنند. این عامل‌ها به تماس‌های کلاهبرداری پاسخ می‌دهند، به پیام‌ها و ایمیل‌های مشکوک جواب می‌دهند، روی لینک‌های فیشینگ کلیک می‌کنند و برای به‌دام‌انداختن کلاهبرداران به گروه‌های شبکه‌های اجتماعی می‌پیوندند. آن‌ها در نقش افراد گوناگون ظاهر می‌شوند؛ با سن، جنسیت و لهجه‌های متفاوت و به زبان‌های مختلف صحبت می‌کنند تا کلاهبرداران را آن‌قدر سرگرم کنند که اطلاعات مفیدی به دست آورند.

این شرکت می‌گوید ناوگان عامل‌هایش تاکنون در ۲٫۵ میلیون مکالمه، ۱۷ سال از وقت کلاهبرداران را تلف کرده است. اما برای مشتریان Apate که شامل بانک‌ها، شرکت‌های مخابراتی، نهادهای دولتی و شرکت‌های خدمات عمومی می‌شوند، مهم‌تر این است که عامل‌های مخفی تلاش می‌کنند کلاهبرداران را به افشای اطلاعاتی درباره خودشان وادار کنند که معمولاً فقط پس از کلاهبرداری از قربانی به دست می‌آید: حساب‌های بانکی، کیف‌پول‌های رمزارزی، شماره‌های تلفن، وب‌سایت‌های مخرب، برندهایی که وانمود می‌کنند نماینده آن‌ها هستند و جزئیات دیگری درباره کلاهبرداری‌هایشان.

Apate که یکی از فینالیست‌های رویداد امسال Startup Battlefield 200 در TechCrunch Disrupt است، این اطلاعات را در اختیار مشتریانش می‌گذارد تا از آن برای تدوین اقدامات و برنامه‌های مقابله با کلاهبرداری استفاده کنند. (این شرکت در رویداد Disrupt در برابر هیئتی از داوران سرمایه‌گذاری خطرپذیر ارائه خواهد داشت؛ این رویداد این هفته تا پنج‌شنبه ۱۵ اکتبر در مرکز Moscone West سان‌فرانسیسکو برگزار می‌شود.)

این رویکرد، شکل جالبی از تکامل به‌دام‌انداختن کلاهبرداران است؛ اما با توجه به اینکه هوش مصنوعی تا چه اندازه به کلاهبرداران و هکرها قدرت داده، چندان هم دور از انتظار نیست. اف‌بی‌آی در سال ۲۰۲۵ بیش از ۲۲ هزار شکایت درباره جرایم مرتبط با هوش مصنوعی دریافت کرد که حدود ۸۹۳ میلیون دلار خسارت به بار آورد. بیش از ۶۳۲ میلیون دلار از این خسارت‌ها مربوط به کلاهبرداری‌های سرمایه‌گذاری بود؛ اف‌بی‌آی می‌گوید کلاهبرداران در این موارد از هوش مصنوعی برای پیش‌بردن مکالمات و جعل صدا و چهره افراد مشهور، مدیران اجرایی و چهره‌های مورداعتماد استفاده می‌کنند.

مدت‌هاست که افراد برای سرگرمی، کلاهبرداران را عمداً سر کار می‌گذارند؛ گاهی هم با نتایجی خنده‌دار، مثلاً وقتی کلاهبرداران را وادار می‌کنند کتاب‌هایی کامل را با صدای بلند بخوانند یا حتی خال‌کوبی‌های مضحکی انجام دهند. حالا با افزایش توانایی‌های هوش مصنوعی، ورق در حال برگشتن است.

جالب اینکه ایده Apate با یک تماس کلاهبرداری واقعی شکل گرفت.

چند سال پیش، Dali Kaafar، بنیان‌گذار و مدیرعامل Apate، در پیک‌نیکی خانوادگی بود که با شماره‌ای ناشناس تماس گرفتند. وقتی فهمید پشت خط کلاهبرداری است، تصمیم گرفت برای سرگرمی فرزندانش خودش را به نادانی بزند و توانست تماس را ۴۴ دقیقه ادامه دهد.

همه خندیدند، اما Kaafar متوجه شد کلاهبردار در این ۴۴ دقیقه به قربانی واقعی زنگ نزده است. در عین حال، ۴۴ دقیقه از وقت خودش هم تلف شده بود و همین او را به فکر انداخت: آیا می‌تواند این کار را خودکار کند و در این فرایند اطلاعات مفیدی به دست آورد؟

این ایده سرانجام به پژوهشی در محل کار او، دانشگاه مک‌کواری، انجامید. Kaafar و همکارانش در آنجا از یادگیری ماشین و پردازش زبان طبیعی برای کشف محتوای تماس‌های کلاهبرداری و یافتن روش‌های بهتر برای شناسایی و پیشگیری از کلاهبرداری استفاده کردند.

Brad Joffe، هم‌بنیان‌گذار و مدیر ارشد بازرگانی شرکت، به TechCrunch گفت: «بیشتر این صنعت پس از وقوع کلاهبرداری وارد عمل می‌شود. شرکت‌های مخابراتی شماره‌ها را مسدود می‌کنند، اما کلاهبرداران شماره‌های تازه‌ای می‌گیرند. بانک‌ها تراکنش‌ها را زیر نظر می‌گیرند، اما تا آن زمان کلاهبردار به مشتری دسترسی پیدا کرده است. ما مستقیماً سراغ کلاهبردار می‌رویم و پیش از آنکه کسی آسیب ببیند، اطلاعات را به دست می‌آوریم. عامل‌های هوش مصنوعی ما هر روز از طریق تماس، پیام، ایمیل و وب با ده‌ها هزار کلاهبردار صحبت می‌کنند. آنچه در اختیار مشتریانمان می‌گذاریم، حاصل این مکالمات و راه‌هایی است که می‌توانند از آن استفاده کنند.»

Joffe گفت Apate برای به‌کارگیری عامل‌ها و تحلیل داده‌ها از مدل‌های پیشرفته و همچنین مدل‌هایی استفاده می‌کند که خودش آن‌ها را با fine-tuning آموزش داده است. این شرکت مدل‌هایش را با مکالمه‌هایی آموزش می‌دهد که عامل‌هایش با کلاهبرداران داشته‌اند و نیز با پژوهش‌هایی که Kaafar در دانشگاه مک‌کواری انجام داده است.

مشتریان علاوه بر دسترسی به ناوگان عامل‌های Apate، به درگاه بینش‌های این شرکت هم دسترسی دارند که اطلاعات و تحلیل‌هایی درباره کلاهبرداری‌های هدف‌گیرنده کاربران نهایی یا کارکنان، برندها، محصولات و موارد دیگر ارائه می‌دهد. مشتریان حتی می‌توانند مأموریت‌های مشخصی به این عامل‌ها واگذار کنند؛ مثلاً به‌دست‌آوردن شماره حساب بانکی یا نشانی کیف‌پول رمزارزی. عامل‌های متنی Apate می‌توانند انجمن‌ها، گروه‌های سرمایه‌گذاری و پلتفرم‌های اجتماعی را برای یافتن فعالیت‌های احتمالی کلاهبرداری جست‌وجو کنند و سپس با هویتی ساختگی وارد مکالمه شوند تا اطلاعات کلاهبرداران را آشکار کنند.

از جمله مشتریان این استارتاپ می‌توان به Commonwealth Bank of Australia، شرکت TPG Telecom و نیز شرکت‌های خدمات عمومی، مخابراتی و نهادهای دولتی دیگر اشاره کرد. Joffe گفت TPG نزدیک به ۵۹۰ هزار تماس را به عامل‌های Apate ارجاع داده، گزارش‌های عمومی خسارت‌های ناشی از کلاهبرداری در Commonwealth به میزان ۷۶ درصد کاهش یافته و یک بانک استرالیایی که نامش فاش نشده، با استفاده از عامل‌های تماس خروجی این استارتاپ، ۲۲ کارزار کلاهبرداری را مختل کرده است.

سرمایه‌گذاران هم روی سودآوریِ فریب‌دادن کلاهبرداران حساب باز کرده‌اند. Apate در ماه اوت ۸٫۱۵ میلیون دلار سرمایه اولیه از Lobby Capital، OIF Ventures، Investible، Concept Ventures و Baobab Ventures جذب کرد. Joffe گفت این شرکت ۲۰ نفره در مجموع کمی کمتر از ۱۰ میلیون دلار سرمایه جذب کرده و قصد دارد سرمایه‌گذاری جدید را صرف توسعه محصول و گسترش بین‌المللی کند؛ از جمله با افتتاح دفتری در لندن و تقویت حضورش در آمریکا.

Joffe گفت: «نام Apate از الهه فریب در اساطیر یونان گرفته شده و با توجه به کاری که عامل‌های ما انجام می‌دهند، انتخاب مناسبی به نظر می‌رسید.» او افزود که این استارتاپ در محتوای ارائه‌اش حتی نمونه‌هایی از ناسزا گفتن کلاهبرداران به ربات‌ها را هم نشان می‌دهد.

«ما این را نشانه‌ای از کلافگی می‌دانیم و در Apate با شنیدن هر ناسزا جشن می‌گیریم. احتمالاً یکی از معدود کسب‌وکارهای دنیاست که وقتی مردم به محصولش ناسزا می‌گویند، خوشحال می‌شود.»