この記事では、私たちの「2026 Fraud Ops シリーズ」の幕開けとして、詐欺対策チームがより高い精度と自信、そしてスピードをもって業務を行うための実践的な手法を探っていきます。今後数週間にわたり、リアクティブな不正対策プログラムと、2026年以降を本当に見据えたチームとを分けるワークフロー、コントロール、ツールについて、順を追って解説していきます。
AIのブームは最高潮に達しており、あらゆる規模の企業が、この新しいテクノロジーを活用してビジネスを飛躍的に成長させる方法を模索しています。
リスクチームがAIをどう活用すべきかについて、LinkedInの投稿やカンファレンスのパネルディスカッションを嫌というほど目にしてきたと思います。それなのになぜか、ほとんどのユースケースは調査支援のコパイロットやアラート対応、そして機械学習の説明可能性にばかり集中しています。
誤解しないでください。これらはしっかりしたユースケースであり（Sardine がすべて対応しています）、もしあなたの想像力がこのレベルで止まっているのなら、AI を活用した不正防止があなたの不正対策チームにもたらせる可能性のほんの表面をかすっているにすぎません！
先進的な発想を持つリスクリーダーであれば、ここで紹介するのは、基礎をはるかに超えた不正対策チーム向けの実践的なAI活用事例が5つです。
拒否された取引に対するAIラベリングの活用
不正対策業務における最も厄介な課題の一つは、拒否された取引に正しくラベル付けすることです。
一方では、誤検知（本当は正当な取引なのに不正と判定してしまうケース）を正確に見極め、将来それを避けられるようにシステムを最適化するのは難しいという問題があります。他方では、実際の不正行為（真の陽性）としてあなたが阻止できた取引に正しくラベル付けしつつ、自身のパフォーマンスを正確に測定することも同様に難しいのです。
これは不正防止の世界で昔からある課題であり、これらのラベルを近似するためのさまざまな手法は存在するものの、どれも決定打にはなりません。
却下されたイベントのラベリング手法の一般的なアプローチの評価 | ||||
方法 | 精度 | スケーラビリティ | 補償範囲 | 有効性 |
チャージバックデータ（遅延フィードバック） | 高 | 高 | 承認済み取引 | A |
手動審査（調査担当者による） | 高 | 低 | スポットチェック／サンプルおよび選択した時間帯 | B |
顧客からの異議申し立て（ラベル遅延） | 中 | 中 | 報告された事案のみ | C |
既知の詐欺事例との強い関連性 | 高 | 高 | 承認済みおよび却下された取引 | A |
これはLLMが活躍できる代表的なユースケースです。人間の調査担当者と同程度の精度を維持しつつ、大規模に運用できるからです。 たとえ、人間の介入なしに自律的な判断を行うLLMのコパイロットを信頼しきれないとしても、このユースケースは性質が異なります。なぜなら、あなたはどうせブロックされるイベントにだけラベル付けしているからであり、その出力はシステムのモニタリングと再学習のためにしか使わないからです。これらのタスクは、個々のラベルよりも「全体像」を重視するため、多少の誤りに対しても寛容であり、顧客向けのアクションが直接トリガーされることもありません。
「却下された不正」取引にラベル付けされたデータがあれば、新しいモデル候補が依然として同程度の不正をブロックできているかどうかを確認できます。また、正当な顧客への影響を減らすためのルールやUXの変更についても検証できます。
ルール推奨エンジンとしてのAI活用
不正検知ルールを正確かつ堅牢に作成するにあたっては、チームごとに直面する課題が異なります。何百ものルールを監視し、パフォーマンスが落ちたときに最適化し続けることができないチームもあります。誤検知（フォルス・ポジティブ）でシステムを過負荷にしない、精度の高いルールを作成することに苦労しているチームもいます。そもそもどこから手を付ければよいのか分からないチームさえあるのです。
チームの規模やスキルレベルにかかわらず、いま直面している摩擦はAIによって大きく軽減できる可能性が高いです。本番環境ではルールは自動的に発火しますが、ルール作成そのものには、リサーチ、最適化、検証、モニタリング、ロジックの更新といった多くの手作業のプロセスが含まれます。これらはすべて、AIエージェントによって効率化され、場合によっては完全に置き換えることも可能です。 たとえば、以下の動画では、Sardine の Anomaly Detection が、ルールを提案するAIエージェントにどのようにデータを供給しているかを 新たに現れた不審なパターンに基づいて確認できます。
人間は依然として、そしておそらく今後もプロセスに関与し続けるべきです。というのも、これらのプロセスは、お客様に影響を与える自動化された意思決定を行うソリューションを設計しているからです。すべてのLLMの出力は監視され、検証されるべきです。
しかし、新しいルールのパフォーマンスをざっと確認して妥当性をチェックするために必要なスキルセットやリソースは、そのルールを最初から調査し、書き上げるために必要なものと比べればごく一部にすぎません。とりわけルール作成には、データリテラシーとドメイン専門知識という、めったに両立しない能力の組み合わせが求められますが、そのどちらかが欠けている組織は、しばしばルール作成に苦労します。LLM は、この両方を、しかも低コストで提供してくれます。
AIを活用して機械学習スコアを最適化する
あらゆるチームは、機械学習モデル を扱う場合、それが「プラグアンドプレイ」のような簡単な解決策ではないことを理解しています。効果的に活用するには、スコアのパフォーマンスにおけるROC曲線を分析し、どのスコア以上でイベントをブロックするか、追加調査のフラグを立てるか、あるいは認証フローに送るかといったアクションのためのカットオフ値を慎重に選定する必要があります。
これらのカットオフを正しく設定することは、非常に高度なデータ分析作業となり、多くのチームが対応できるわけではなく、オンボーディング時のサービスとして提供していないベンダーも少なくありません。とはいえ、それですら氷山の一角に過ぎません。
多くの機械学習スコアは、特に複数の地域、商品、決済手段にまたがる複雑なビジネスにおいては、高い偽陽性率を避けるために、いっそう慎重な扱いが求められます。これらの軸にまたがるそれぞれの集団セグメントごとに、異なるカットオフ値が必要になる可能性が高いのです。
以下の図からわかるように、地域と商品という2つの次元を重ね合わせるだけで、Blockアクションのために9種類の異なるカットオフを検討する必要が出てきます。
そのような対応が必要であり、モデル自体が自動的にそのように調整されていない理由は、それぞれのセグメントが異なるコンテキストを持っているからです。データの質や利用可能性の違い、不正の圧力の違い、不正のパターンの違い、そして関与する不正行為者の違いがあるのです。
しかし、モデルはこれら個々のセグメントではなく、全体の母集団を対象に学習されています。そこで、どのように微調整するかを判断する場面で、あなたの不正対策チームが重要な役割を果たすのです。
たとえ非常に優秀なチームであっても、ここまで多くの労力をデータ分析に割くのは難しく、その結果、モデルは本来の性能を十分に発揮できていないことがよくあります。しかし、LLM はルールの推奨を支援するのと同じ方法で、このユースケースもサポートできます。これにより時間とリソースを節約できるだけでなく、10 チーム中 9 チームにとっては、パフォーマンスをこれまでにないレベルへと引き上げることが可能になります。
ベンダー選定におけるバイアスを避けるためのAI活用
ベンダーの選定は常に不安定で難しい判断であり、特にリスクマネジメントの分野では、さまざまなプレーヤーの違いがあいまいなマーケティングによってしばしば見えにくくなります。高度な脅威の台頭と、それらの脅威を解決すると主張する新たなベンダーの登場により、世界はますます複雑になっています。この分野で長年の経験を持ち、関係するプレーヤーに精通した業界の専門家であっても、すべての選択肢を把握することはできないでしょう。
しかし、重要なのは関連するすべてのプロバイダーを洗い出すことだけではありません。あなたのビジネス特有のニーズに本当に合致するプロバイダーを絞り込むことも同じくらい重要です。というのも、たとえ他社と同じものを販売しているように見えても、各ベンダーはそれぞれ異なる市場、業界、ユースケース、そして顧客規模を得意分野としているからです。
チームはよく、選択肢を洗い出して、関係のないベンダーを排除し、いかにも手っ取り早そうな解決策に飛びついてしまいます。経営陣の誰かが不正対策ソリューションを提供している知り合いを持っているかもしれないし、取締役が共通している会社があるかもしれないし、あるいは単に競合他社が使っているベンダーを選んでしまうかもしれません。とにかく早く片づけて、次のタスクに進みたいのです。
LLM、特にAIエージェントは、この課題に対するごく自然な解決策です。AIエージェントはあなたにインタビューし、ニーズを明確なチェックリストに落とし込み、関連するベンダーを調査し、数時間、場合によってはそれ以下の時間で詳細な候補リストを作成することができます。
重要なのは節約できる時間ではなく、あなたの判断が、（しばしば偶然の）馴染みやすさによる偏りが少ない、適切な市場調査に基づいているという確信です。そして、偏りが少ないほど、長期的な成果はより良いものになります。
インシデントの根本原因分析におけるAIの活用
不正防止において負担の大きい点のひとつは、アラートやリクエスト、インシデントを常に管理し続けなければならないことです。パフォーマンスの変化は日々発生し得るものであり、コードリリースや新製品のローンチ、季節要因、新たな・あるいは変化する不正パターン、さらにはマーケティングキャンペーンなど、さまざまな社内外の要因に影響されます。さらに、注視すべき指標も多数あり、損失や不正発生率から承認率・コンバージョン率に至るまで、多岐にわたります。
リスクチームが評価しなければならないインシデントの種類は多岐にわたるため、どのようなシナリオが実際に起こりうるのかを事前に見通し、それに対して自動対応をコード化することは困難です。つまり、インシデントが日々発生する中で、リスクチームは朝会でのダッシュボード確認から根本原因の分析、そしてタイムリーな解決に至るまで、その大半を手作業で対応せざるを得ません。そしてチームが問題解決に総出で取り組んでいる間、その週に達成すべき目標は中断されてしまうのです。
考えられる根本原因が数多くあることを踏まえると、このプロセスはさらに難しくなります。新しいモデルのバージョンが不具合を起こしているかどうかを突き止めるには、ある場所を確認する必要がありますが、単なる季節性の問題ではないかを見極めるには、別の場所を見る必要があります。よほど正確な当たりを最初から持っていない限り、誰が原因なのかを突き止めるまでに、5回以上も異なる分析作業を繰り返すことになりかねません。さらに、こうした課題は、経験やデータリテラシーが不足しているチームでは一層顕著になります。
エージェント型AIは、監視すべきシナリオがあらかじめ決められたセットに依存しないため、このギャップを埋めることができます。
原因分析ワークフローのビフォー／アフター | |
本日の手動インシデント分析 | AI支援による根本原因分析 |
朝のスタンドアップの際にダッシュボードを確認する | メトリクス全体で異常を自動検知 |
一度に一つの仮説だけを立てて検証する | 複数の仮説を優先度付きで同時に提案する |
ルール、モデル、ログ、トラフィックレポート間を移動 | 関連するシグナルを1つの調査ビューに集約する |
アナリストの直感とこれまでの経験に大きく依存する | 観測されたデータの変化に基づいて仮説の優先順位を付ける |
解決までの時間は、アナリストやインシデントによって異なります | 検索範囲を素早く絞り込むことで、問題解決までの時間を短縮する |
AIをいつ活用すべきかの判断フレームワーク
AIはリスクマネジメントの分野ではまだ始まったばかりで、これから検討すべきユースケースは数多くあります。上で紹介した5つのアイデアは、皆さんの想像力を刺激するための一例にすぎません。何か考えるきっかけになっていれば幸いです。
しかし、日々の業務で別の課題に直面しているとしたらどうでしょうか？ それらのうち、どれがLLMに適しているのでしょうか？ 実験を始める前に、すでに実証済みの解決策が存在しないことを、どのように確認すればよいのでしょうか？
もしそうであれば、GenAI が役立つ問題にはどのような特徴があるのか、いくつか考えてみましょう。
- 非構造化データの扱い
- 自動化には細分化されすぎている意思決定シナリオ
- 現在のチーム体制では対応しきれないデータ分析要件
もしある問題が上記のうち少なくとも二つに当てはまるなら、LLM はごく少ないリソースで解決策を提供するのに役立つ可能性が高いです。
「Fraud Ops 2026」シリーズの次回ブログ「不正検知ルールを安全にリリースする方法」をどうぞお楽しみに。