I takt med at den globale handel i stigende grad er flyttet over på digitale platforme, har svindel med betalingskort og digitale identiteter udviklet sig til en højteknologisk industri. Hvor cyberkriminelle tidligere primært stjal fysiske kort, opererer de i dag gennem massive datalækager, automatiserede bot-netværk og sofistikerede phishing-kampagner. For at beskytte forbrugere, webshops og kortudstedere mod disse trusler har betalingsinfrastrukturen undergået et radikalt teknologisk skifte: Overgangen fra simple regelbaserede systemer til avanceret, AI-drevet svindelforebyggelse (Fraud Detection).

Historisk set har bankers og kortindløseres forsvarsværker været baseret på statiske regelsæt. Et klassisk regelbaseret system fungerer ud fra hårde “hvis-så” parametre. Hvis en transaktion overstiger 10.000 kroner, og kortet anvendes i et andet land end kortholderens bopæl, bliver betalingen afvist. Problemet med denne statiske tilgang er todelt. For det første lærer svindlere hurtigt grænseværdierne at kende og tilpasser deres metoder, så de opererer lige under radaren – for eksempel ved at lave mange små transaktioner på 9.000 kroner. For det andet resulterer hårde regler i en massiv overvægt af såkaldte “false positives” – legitime kunder, der uretmæssigt får afvist deres transaktion, fordi de eksempelvis befinder sig på en forretningsrejse og køber en dyr flybillet.

For at løse denne gordiske knude har betalingsnetværkene implementeret maskinlæringsmodeller (Machine Learning), der i stedet for at kigge på isolerede regler, foretager en dynamisk risikovurdering af hver enkelt transaktion i realtid. På de få sekunder, det tager fra forbrugeren trykker “Gennemfør køb” til terminalen bipper godkendt, behandler den underliggende AI-model hundredevis af variabler og tildeler transaktionen en risikoscore.

Centrale datapunkter i algoritmens risikovurdering

Når en moderne AI-model analyserer en indgående betalingsanmodning, trækker den på enorme mængder struktureret og ustruktureret data for at fastslå sandsynligheden for svindel. Følgende elementer udgør kernen i vurderingen:

• Enhedssignatur (Device Fingerprinting): Modellen analyserer den hardware, der benyttes til købet. Er det kundens sædvanlige smartphone, eller er det en ukendt computer med en browser, der prøver at skjule sin identitet via en VPN? Operativsystem, skærmopløsning og sprogindstillinger er afgørende indikatorer.
• Geografisk triangulering: Det sammenholdes, hvor kortholderens IP-adresse befinder sig, hvor varerne ønskes leveret, og hvor kortet sidst har været brugt fysisk. Hvis et kort anvendes fysisk i en kaffebar i København kl. 12:00, og der fem minutter senere forsøges et e-handelskøb fra en IP-adresse i Sydamerika, vil algoritmen øjeblikkeligt flage det.
• Adfærdsbiometri (Behavioral Biometrics): Dette er et af de mest avancerede nye forsvarsværker. AI’en overvåger, hvordan kunden interagerer med betalingssiden. Indtastes kortoplysningerne med den hastighed og rytme, et menneske typisk har, eller bliver dataene “pasted” ind på et millisekund af et automatiseret bot-script?
• Transaktionshastighed (Velocity Checks): Modellen kigger efter klynger af hurtige transaktioner. Bliver det samme kort forsøgt brugt på fem forskellige webshops inden for 10 minutter, eller bliver den samme IP-adresse brugt til at teste 50 forskellige kortnumre med små beløb (såkaldt card testing)?
• Historisk adfærd og netværksintelligens: Modellen kender kortholderens normale købsmønster og sammenholder dette med global data. Hvis en specifik webshop for nyligt har været udsat for angreb, øges risikoscoren for alle transaktioner mod denne forretning midlertidigt.

Hele denne databehandling og risikoscoring munder ud i en beslutning, der i overensstemmelse med EU’s krav om Strong Customer Authentication (SCA) dikterer det videre forløb. Vurderer algoritmen, at transaktionen udgør en meget lav risiko – eksempelvis et lille beløb hos kundens faste supermarked via en kendt telefon – kan transaktionen ofte godkendes via “friktionsløst flow” (frictionless flow) uden krav om ekstra godkendelse. Vurderes transaktionen som værende i mellemfeltet rent risikomæssigt, udløses en anmodning om step-up autentifikation, hvor kunden skal bekræfte identiteten via for eksempel MitID eller fingeraftryk. Kun ved en absolut højrisikoscore afvises betalingen proaktivt uden kunden får mulighed for at godkende den.

Den primære styrke ved at anvende kunstig intelligens i svindelforebyggelse er modellens evne til at lære af sine fejl. Hver gang en transaktion markeres som svindel (true positive) eller en ægte kunde efterfølgende klager over en afvisning (false positive), fodres dette resultat tilbage i algoritmen som træningsdata. Dette skaber en selvforbedrende cyklus, hvor netværket dag for dag bliver bedre til at skelne den kriminelle hacker fra den almindelige, købelystne forbruger.

Den største udfordring for den fremtidige betalingsinfrastruktur ligger i selvsamme teknologi. Efterhånden som cyberkriminelle begynder at anvende AI til at generere syntetiske identiteter, deepfakes af stemmer og automatiserede scripts, der kan efterligne menneskelig adfærdsbiometri, udvikler svindelforebyggelse sig til et våbenkapløb mellem algoritmer. Det understreger nødvendigheden af, at de finansielle forsvarsværker forbliver dynamiske og konstant investerer i at forstå den nyeste teknologiske arkitektur.

Dette indlæg er udarbejdet af AI-redaktionen på Betalingsmidler.dk som en del af vores løbende dækning af finansiel teknologi, transaktionsformer og lovgivning. Har du spørgsmål til artiklen eller input til nye emner inden for betalingsinfrastruktur, er du altid velkommen til at kontakte redaktionen.