ربات‌های طعمه‌گذار کلاهبرداری Apate با 197,000 پرسونا میدان را تغییر دادند

شرکت Apate با اتکا بر بیش از 197,000 شخصیت ساختگی هوش مصنوعی و نزدیک به 200,000 «قربانی» مجازی، به‌شکل هدفمند علیه شبکه‌های کلاهبرداری آنلاین عمل می‌کند. این ربات‌ها هم‌زمان وقت کلاهبرداران را تلف می‌کنند و داده‌های عملی برای پیگرد تراکنش‌ها و شناسایی آدرس‌های کیف‌پول و شماره‌های حساب استخراج می‌کنند. در شش هفته منتهی به پایان سال 2025، ربات‌های Apate تنها برای یک اپراتور استرالیایی به نام TPG حدود 600,000 تماس برقرار کردند؛ بنیان‌گذاران می‌گویند بیش از 500 روز از زمان کلاهبرداران هدر رفته است که معادل صرفه‌جویی تقریبی 13,000,000 دلار برآورد شده است.

نحوه عملکرد ربات‌های طعمه‌گذار

ربات‌های Apate عمدتاً از پیام‌رسان‌هایی مانند واتس‌اپ و تلگرام برای ورود به مکالمه با کلاهبرداران استفاده می‌کنند. مدل‌های زبانی این ربات‌ها بر مبنای صدها ساعت گفتگوهای ضبط‌شده بین طعمه‌گذاران انسانی و کلاهبرداران آموزش دیده‌اند تا زبان، لهجه، تأخیرها و واکنش‌های طبیعی را بازتولید کنند. هدف اصلی دوگانه است: خنثی‌سازی مؤثر ظرفیت عملیاتی کلاهبرداران و استخراج اطلاعاتی که امکان پیگیری جریان وجوه را فراهم می‌کند.

ویژگی‌های فنی و رفتاری

  • شروع با 120 پرسونا و گسترش تا 197,000 پرسونا که هرکدام تیک‌های صوتی، لهجه و مکث‌های طبیعی دارند.
  • تمرین مدل‌ها با گفت‌وگوهای واقعی به‌منظور تولید پاسخ‌های قابل‌باور و تطبیق‌پذیر در برابر تاکتیک‌های مختلف کلاهبرداران.
  • استخراج حجم بالایی از داده (آدرس کیف‌پول رمزارزی، شماره حساب و الگوهای ارتباطی) برای استفاده‌ی مؤسسات مالی و شرکت‌های تحلیل بلاک‌چین.

تیم Apate در دفتر سیدنی در حال کار روی ربات‌ها

پیدایش ایده و مسیر توسعه

خاستگاه پروژه یک تماس کلاهبرداری ساده بود: بنیان‌گذار هنگام پیک‌نیک خانوادگی در سیدنی تماس را 44 دقیقه ادامه داد تا وانمود کند ساده‌لوح است. او با کشیدن گفت‌وگو توانست هم فرزندش را سرگرم کند و هم الگوهای تاکتیکی کلاهبرداران را ثبت کند. نتایج این تجربه نشان داد که خودکارسازی رفتار طعمه‌گذاران انسانی می‌تواند در مقیاس وسیع اطلاعات ارزشمندی تولید کند. پس از دوره‌ای تحقیق و دریافت بودجه از دفتر اطلاعات ملی استرالیا، پروژه در سال 2023 به شرکتی مستقل تبدیل شد و اکنون با بانک‌های بزرگ استرالیا و مؤسساتی در بریتانیا، آفریقای جنوبی و جنوب‌شرق آسیا همکاری دارد.

رقبا و نمونه‌های مشابه

Apate تنها بازیگر در این حوزه نیست؛ به‌عنوان مثال اپراتور بریتانیایی O2 کمپینی با عنوان «مادربزرگ هوش مصنوعی» اجرا کرد که با روایت داستان‌های کوتاه کلاهبرداران را برای ساعت‌ها مشغول می‌کرد. تفاوت Apate در مقیاس عملیات و تمرکز بر جمع‌آوری داده‌های کاربردی برای پیگیری جرائم مالی است. در برخی پروژه‌ها، این شرکت اطلاعات آدرس‌های کیف‌پول را برای رهبران تحلیل بلاک‌چین جمع‌آوری می‌کند تا جریان پول سریع‌تر ردیابی شود؛ رویکردی که شباهت‌هایی با خدمات شرکت‌هایی مانند Chainalysis دارد.

نمونه‌هایی از پرسوناهای ساختگی ربات‌های Apate

آمار، یافته‌ها و موارد قابل‌توجه

  • 600,000 تماس در مدت 6 هفته برای یک اپراتور مخابراتی.
  • بیش از 500 روز کاریِ تلف‌شدهٔ کلاهبرداران و صرفه‌جویی تقریبی 13,000,000 دلار.
  • کشف بازاری در هند که حساب‌های بانکی تأییدشده را با کمیسیون تا 5٪ برای پول‌شویی کلاهبرداری تبلیغ می‌کرد.
  • استخراج صدها تا هزارها آدرس کیف‌پول رمزارزی از گفتگوها که امکان جلوگیری از انتقال وجوه را پیش از وقوع ضرر افزایش می‌دهد.

چالش‌های اخلاقی، قانونی و فنی

استفاده از ربات‌ها برای مقابله با کلاهبرداری همراه با مخاطراتی است. کلاهبرداران نیز به‌سرعت ابزارهای مشابه توسعه می‌دهند و احتمال ظهور «کلاهبردارهای هوش مصنوعی» در مقیاس گسترده واقعی است. همچنین مسائل مرتبط با حریم خصوصی، چارچوب‌های قانونی برای پردازش داده‌ها و مرز میان کارزارهای دفاعی و فریب‌کاری عملاً مطرح می‌شود. برای کاهش ریسک سوءاستفاده و حفظ حقوق شهروندان، لازم است شرکت‌های فناوری، نهادهای مالی و قانون‌گذاران چارچوب‌های شفاف و سازوکارهای مشترک برای اشتراک‌گذاری داده‌های تهدید و حفاظت از حریم خصوصی تدوین کنند.

کارکنان Apate در دفتر سیدنی در حال تحلیل داده‌ها

سناریوهای محتمل آینده

مسابقهٔ فناورانه میان ربات‌های مدافع و مهاجم به یک رقابت تسلیحاتی تبدیل خواهد شد؛ بنابراین هر پیشرفت فنی باید همراه با استانداردهای اخلاقی و نظارتی باشد. در صورت طراحی چارچوب‌های مشترک برای به‌اشتراک‌گذاری اطلاعات تهدید و حفظ حریم خصوصی، ابزارهایی مانند Apate می‌توانند بسیاری از خسارت‌های مالی را پیش از وقوع کاهش دهند؛ اما نتیجه نهایی بستگی به ساختار مالکیت و نحوه اعمال کنترل‌ها دارد.

منابع و مطالعه بیشتر

برای بررسی عمیق‌تر مفاهیم مرتبط با طعمه‌گذاری و سیاست‌های مقابله، به صفحه Scambaiting در ویکی‌پدیا و منابع شرکت‌های تحلیل بلاک‌چین مانند Chainalysis مراجعه کنید.