「エージェンティック・フロードオペレーションの台頭」をテーマにしたシリーズ第2回では、Chen Zamir が、不正対応サイクルをAIエージェントに引き継ぐための5つのステップからなるプロセスを示し、その順番が各ステップそのものと同じくらい重要である理由を解説します。第1回はこちらからご覧ください。
エージェント型AIの導入を始めた多くの不正対策チームは、正しいところから着手しています。彼らは調査プロセスの中でエージェントを試験運用しており、アラートの補強、ケースの構造化、そして調査担当者が検証できる解決案の提示を行っています。概ね、その結果として明確な業務効率の向上が見られています。
問題は、ほとんど誰もその先へ進もうとしていないことです。
ある以前の投稿で、不正対策における最重要KPIは精度や的中率ではなく、リアクションサイクル――つまり、システムがギャップを検知して修正をリリースするまでにかかる時間だと主張しました。
そして、不正行為者がより素早く適応するためにAIを活用している一方で、不正対策チームも同じスピードに追いつくためにエージェント型AIを活用すべきです。
調査プロセスの一部を自動化することは、その取り組みにおける最初の一歩に過ぎません。
その1つのステップだけを短縮しても、残りの4つが人間の速度のままでは、調査プロセス自体は速くなっても、ループの欠陥はそのままです。調査担当者が追いかけているルールは依然として劣化し続けていますし、モデルに与えるラベルも依然として数週間遅れで届いています。
しかし、サイクル全体がマシンの速度で回り始めると、そのシステムはまったく別物になります。意思決定は、個々のイベントごとではなく、集団レベルやリングレベルで行われるようになります。1回の調査で15万件のアカウントにラベル付けが行われます。1つのポリシー提案が、何十件もの手動レビューに取って代わります。1件あたりの意思決定コストは桁違いに下がります。
そこに到達するには5つのステップが必要であり、その順番は多くの不正対策リーダーが想像する以上に重要です。各ステップは次のステップに必要なインプットを生み出すか、チームがそれを統制するために必要なケイパビリティを構築します。
先に進みすぎると、古いラベルに基づいて動くルール自動化や、誰も適切に管理できないポリシー自動化が生まれ、リターンが積み上がらないシステムに一年分の予算を費やすことになってしまいます。
従うべき手順は次のとおりです。
- 調査：アラートを精査し、ケースを構成し、解決策を提案する
- ケース：関連するアラートをまとめてリングレベルのケースにする
- ラベル：学習用の信号を継続的に生成します
- セグメンテーション：集団の治療方針を自動化する
- 検知：ルールやモデルの提案を自動化する
以下では、それぞれのステップと、その順序になっている理由を説明します。
どこから始めるべきか：エージェント型不正調査
ここは、エージェント型AIが現在最も成熟しており、あなたのチームの専門性が集約されていて、コスト削減効果が最初に現れる領域です。具体的には、次の3つの分野をカバーする必要があります。
エンリッチメントは調査担当者からエージェントへと移行します。デバイスデータ、IPコンテキスト、アカウント履歴、外部照会を取得する15分間の作業は並行して実行され、調査担当者がケースを開く前にケースに添付されます。
ケースのアウトプットは構造化されます。ほかのシステムが読み取れないコメント欄に文章を打ち込むのではなく、一貫性のある機械可読な形式で記録されるようになります。これは、この先のすべてのプロセスにとって最も重要な部分です。
そして最後に、エージェントは解決策を提案し、その根拠も示します。調査担当者の役割は、対応内容を一から考えることから、その提案を検証することへと変わります。これは新しいスキルであり、あなたのチームが最も低リスクで身につけ始められる場面です。
効率面での効果は本物です。30分かかっていた調査が、およそ5分にまで短縮されます。さらに大きな効果として、調査結果がより体系的に整理され、標準化され、機械が読み取りやすい形になります。
次に、アラートからケースを構築する
ケースが構造化されると、AI エージェントはそれらをクラスタリングできるようになります。新しいアラートは、デバイスのフィンガープリント、資金調達パターン、行動シグネチャなどに基づいて、既知のケース（不正リング）と照合されます。一致したものは既存のケースに紐づけられ、一致しなかったものは新たなケース候補となります。
調査担当者のキューは、関連性のないアラートの山ではなく、精選された組み立て済みケースの集合へと変わります。リングの拡大は自動的に行われ、ひとつの判断で何千もの事象に一度にラベル付けできるようになり、チーム本来の効率性が解き放たれます。
このステップは、事前に行われた構造化の作業なしには不可能です。それを省略したチームは、そもそもクラスタリングを構築することができません。
次に、不正検知ラベルを自動化します
ここまでのところ効率は上がっているかもしれませんが、対応サイクル自体はそれほど速くなっていません。このステップこそがすべてを変える前提条件であり、その重要性はいくら強調してもしすぎることはありません。
あなたの対応サイクルにおける最大のボトルネックは、ラベル（ラベリング）です。チャージバックは取引から数週間、時には数か月後に発生し、真実が確認できた頃には、攻撃パターンはすでに変化してしまっています。
最先端の検知システムを持つチームでも、パフォーマンスが伸び悩むのを見てきました。その理由はただ一つ、フィードバックループがあまりにも遅すぎたからです。
エージェント型AIを活用し、正しい手順を正しい順番で踏めば、このギャップは比較的容易に埋めることができます。すでに調査結果を提案してくれるAIエージェントがあり、その提案を大規模にラベルとして活用できるのです。
これがうまく機能する理由は、学習用のラベルは完璧である必要がないからです。担当者が取引を「不審」とラベリングしたとしても、そのせいで顧客が取引を拒否されることはありません。これらのラベルは、モデルの再学習やルールのバックテストにのみ使われ、顧客向けの最終判断には直接使われないのです。
担当者によって誤って付けられた不完全なラベルは、あなたの判断を損なってしまうのでしょうか？ そうでもありません。なぜなら、ルールや機械学習モデルはもともとノイズの多いデータを前提に動いているからです。担当者によるある程度の誤り率は、すでにチャージバックや調査結果に含まれているノイズと大差ありません。そして、その「不完全さ」を許容できることこそが、大規模な継続的ラベリングを可能にしているのです。
このステップが終わる頃には、これまで数週間かかっていた反応サイクルのいちばん遅い部分が、数時間にまで短縮されています。そこから本当の可能性が開けていきます。
次に、リスクのセグメンテーションに取り組みましょう
セグメンテーションは、各イベントのリスクをどのように処理・評価するか、つまりどのルールを発動させるか、どのベンダーに連携するか、あるいはステップアップ認証を実行するかどうかを決定するレイヤーです。
多くのチームはこの重要なステップを軽視しがちで、たとえ実施しているチームでも、一度設定したら放置するような運用に陥ることがよくあります。しかし、まさにそのレイヤーこそが不正対策の戦略を実装する場所であり、そこをおろそかにすると、新たな脅威への対応スピードが大きく低下してしまいます。
注意点として、セグメンテーションにはまだ明確な責任者や目標、KPI、そしてセグメント間でユーザーを移動させるためのプロセスが定義されていない可能性が高いということがあります。
問題は、誰も手動で管理していないものは、いきなり自動化できないということです。チームは、変更を提案するエージェントをきちんと管理できるようになる前に、「良い状態」とは何かを学ばなければなりません。
もう一つ指摘しておくべき違いがあります。これは、あなたのチームにとって新しい取り組みです。これまでのステップはすべて同じパターンに従っており、エージェントが本番のデータパイプラインを観察し、その中を流れるものを処理していました。
しかし、リスクセグメンテーションの変更を提案する場合は、これまでとは異なる進め方になります。エージェントは、さまざまな集団における過去の対応パフォーマンスを分析し、個々の案件判断ではなくポリシー変更を提案します。これは単なる言葉の違いではなく、エージェントの判断をどのようにテストし、検証し、モニタリングするかを変えるものです。
良い知らせとして、エージェントは新しいセグメントを作っているわけではなく、既存のセグメント間でユーザー集団を移動させているだけです。たとえば、25〜30日経過したアカウントのグループが、高リスクのバケットから中リスクのバケットへ移されます。これは、その行動パターンが既存ユーザーに近づいているためです。
リスクセグメントはあらかじめ定義されていて範囲も限られているため、新しい不正検知ルールよりもテストや検証がしやすくなります。
検知レイヤーは最後に残しておく
検知は、イベントを分類するレイヤーです。MLモデルがスコアを付け、その上にルールのレイヤーが重なり、両者によってほとんどの判断が自動的に処理されます。ただし、自動でルールが発火することと、自動でルールが作成されることを混同してはいけません。
検知の自動化を最後に行うのが正しい判断であり、その理由は2つあります。
最初の理由はすでに説明したとおり、燃料です。検知の自動化には、有用であるために新鮮で信頼できるラベルが必要です。すでに自動化された早期ラベリングが整っていなければ、新しいルールを提案するエージェントは、単に間違ったルールをより速く提案しているにすぎません。
2つ目の理由は、ルールを作成・調整するエージェントをガバナンスすることが複雑だという点です。特に、チームが自分たちでルールを書くスキルや、深いデータ分析を行うエージェントを管理する力をまだ身につけていない場合は、なおさらです。
既存の選択肢の中からエージェントが選ぶセグメンテーションと違い、検知は生成的なものです。これまで存在しなかったもの――新しいルールパターンや新機能、さらには新しい機械学習モデルまでも提案します。
エージェント型セグメンテーションを習得することで、チームは検知の自動化に必要なガバナンスの経験を得られます。
しかし、このステップをマスターしてしまえば、あなたの対応サイクルは機械のスピードで回り始めます。アラートが入ってきてリングレベルのケースに自動でクラスタリングされ、自動ラベリングされ、セグメント変更や新しいルールの提案に向けた継続的な分析を行うエージェントの燃料となるのです。
実際に必要なこと
正直に言うと、これはたった1四半期で終わるプロジェクトではありません。
最も先行しているチームでも、取り組み始めてから6〜12か月ほど経った段階で、「まだやるべき重要な仕事が残っている」と言うでしょう。各ステップには、ツールの整備や組織の変革、そして次のステップに進む前に新しい働き方を自分たちのものにするためのチームの時間が必要です。
不正対策チームは、ここで明確なリスクに直面しています。一方では、AI を導入して人員を削減するよう求める圧力が日増しに高まっていますが、それをどうすれば安全に実現できるのかについては、ほとんど明確になっていません。
先行きが不透明な環境では、最終的な目標を明確にすることが何より重要です。それは単にコストを下げることではなく、より良い組織をつくることです。その意味を自社のビジネスの中でしっかりと理解できれば、取るべき正しいステップの順序が自然と見えてきます。
先ほどお伝えしたように、この手順は単にどこでさらにコストを削減できるかという話だけではありません。依存関係を整理し、新たなチームの力を育てることでもあります。これらを無視すれば、不要だと思っていたチームを慌てて再採用しなければならなくなるかもしれません。そして、それが決して簡単なことではないことは、私たち全員がよく知っています。
全体像を把握する
これはロードマップの概要です。全体像を知るには、ホワイトペーパーをチェックしてみてください。 この投稿はその内容をもとにしています。
本ホワイトペーパーでは、なぜエージェント型の不正対策オペレーションが、すべての不正対策チームにとって備えるべき現実となっているのか、そのようなシステムはどのような姿であるべきか、実際に必要となる人員規模とスキル構成、継続的な学習を大規模に安全に行うためのガバナンスモデル、そして18か月間のロールアウトパターン――何がうまくいき、どこでチームがつまずき、あなたの組織の中でそのシーケンスをどう守り抜くか――について解説しています。
もしあなたが、自社でこの取り組みに資金を投じ、計画を立て、社内で推進・擁護していく立場にあるなら、その多くの答えがそこにあります。
この一連のプロセスに使うプラットフォームを評価する際には、ベンダーに対して、次の5つの質問への答えをこの順番で求めてください。エージェントの身元をどのように検証しますか？ エージェントの意図をどのように推定しますか？ 想定されるパターンと比較して行動をどのように測定しますか？ 特定のアクションをどのように認可し、取り消しますか？ ユーザーのジャーニー全体にわたって、セッションをどのように継続的に監視しますか？
5つすべてに答えを持っているベンダーは、完全なトラストモデルに基づいて運用していると言えます。2つか3つしか答えを持っていないベンダーは、まだそのモデルを構築している段階です。
