エージェント型不正対策オペレーションの台頭を扱う本シリーズ第1回では、現在あなたが運用している不正対策スタックが、もはや存在しない敵を前提に構築されていること、そして今感じているコスト削減圧力と不正対策システムの劣化が、実は同じ問題の別の現れに過ぎないことを論じます。
主なポイント
- 不正対策スタックのあらゆるレイヤーは、リリースされた瞬間から劣化し始めます。ルールは数日で、ブロックリストも同じスピードで、機械学習モデルは数週間から数か月かけて劣化していきます。
- 有効性は、設計時にどれだけ高度だったかではなく、システムがどれだけ最近学習したかによって決まります。最も重要なKPIはリアクションサイクル、つまりギャップを発見してから対策を展開するまでの時間です。
- エージェント型AIこそが、そのループを機械のスピードまで圧縮できる唯一の方法です。人間のチームには到底こなせないリアルタイムのラベリング、リングレベルでのアラートのクラスタリング、そして継続的な再チューニングといった能力を追加できるからです。
- 財務部門からのコスト削減命令は、再構築のための資金調達メカニズムです。それを意図的に活用するか、ただ受け入れてしまい、規模も小さくなり状況も悪化するかのどちらかです。
今年私が話をした不正対策責任者は皆、財務部から「コストを削減せよ」という同じ趣旨の通達を受け取っている。
その議論はもう済んでいますよね。あなたは、不正対策は一般的なコストセンターではなく、提案されている削減は損失の増加という形でより大きなコストを生み出し、人件費の削減で節約できる分を上回ってしまうこと、そしてあなたのチームはすでに最小限の体制で動いていることを説明しました。それでも結論は変わりません。削減は会社全体で進んでおり、あなたがどれだけ反対しても、あなたの組織でも実行されるのです。
だからここでは別の主張をしたいと思います。CFOには説明しづらいかもしれませんが、一度自分の中に落とし込んでしまえば行動に移しやすい考え方です──そのプレッシャーを利用するのです。
あなたの不正対策組織は、あなたが積極的に再構築するかどうかにかかわらず、2年後には本質的に今とは違う姿になっているでしょう。いま運用しているシステムは、人間の速度で動く攻撃者を前提に設計されたものであり、そのような攻撃者は急速に別の存在へと置き換えられつつあります。
そのシステムを中心に築き上げてきたチームは、今四半期に財務部が何をしようとも、いずれにせよ大きな負荷にさらされることになります。壊れつつあるのは予算ではなく、そのシステムそのものだからです。
コスト削減の指示と、あなたの不正対策スタックの劣化は、見方が違うだけで本質的には同じ問題です。その指示を、本来すでに着手しているべきだった再構築を強制的に進めるためのきっかけと捉えれば、そのコスト削減自体が変革のための原資になります。
しかし、それを現状を守るための戦いとして捉えてしまうと、その戦いには負け、人数は削減され、残されたシステムは依然として壊れ続けたまま、ただ小さくなるだけです。
次の計画ミーティングには、ぜひこの考え方を持ち込んでほしいんです。問いは「どうやって不正対策オペレーションのコストを削減するか？」ではなく、「私たちのシステムはどれだけ早く学習できるか？」です。なぜなら、コスト、損失、誤検知、承認率、そして2年後にあなたのチームがどうなっているかまで、重要なことはすべてその一つの数字に左右されるからです。
ただし重要なのは、どちらの問いに対する答えも同じだということです。「エージェント型AIの助けを借りること」です。
あなたの不正対策システムのあらゆる要素は、今まさに劣化しつつある
どんな不正対策スタックを見ても、同じようなアーキテクチャになっているはずです。最下層には一般ユーザー全体をスコアリングする機械学習モデルがあり、その上の中間層にはモデルが取りこぼしたものを拾うルールがあり、最上層には残ったグレーゾーンを扱う目視審査があります。いわば三層構造のケーキのようなもので、そうなっているのにはきちんとした理由があり、適切にメンテナンスされていれば、きちんと機能します。
しかし、これまで見てきたあらゆるアーキテクチャ図でいつも見落とされているのは、あの“ケーキ”の各レイヤーが、本番稼働した瞬間から劣化し始めているという点です。
ルールは最も早く劣化します。ひとたびルールを本番に出した瞬間から、敵対者はその周辺を探り始め、ルールが検知するはずだったパターンは数日のうちに変化してしまいます。ブロックリストも同じように腐っていきます。なぜなら、静的な防御は、その性質上、常に動き続ける標的に向けられているからです。
MLモデルの劣化はルールより遅いものの、リフレッシュにははるかに高いコストがかかります。さらに、多くのチームが過小評価している副作用があります。新しいモデルをリリースすると、スコア分布が変化し、旧来の分布に合わせて調整されていた下流のあらゆるルールが、突然すべて再調整を必要とするのです。数百ものルールが一晩で壊れたり予期せぬ挙動をしたりする可能性があり、そのせいで多くのチームがモデルのリフレッシュをできるだけ先延ばしにしてしまいます。
あなたの不正検知システムの中でゆっくりとしか劣化しない要素は、新鮮なデータで動いている部分、目の前の情報を今まさに読んでいる人間の調査担当者、そして――多くのチームがまだ十分に理解しきれていない点ですが――同じことを行っているエージェント型AIだけです。
あなたのスタックのそれ以外のすべては、数週間から数か月前に取得されたスナップショットに基づいて動いています。
不正検知ワークフローの精度は、最後に学習したときの状態以上には良くなりません
この記事全体の前提となる考え方は次のとおりです。
ある時点における不正検知システムの有効性は、導入時にどれだけ高度だったかではなく、どれだけ最近学習したかによって決まる。
多くのリーダーは、不正検知システムを「高度さ」という軸で評価します。より優れたモデル、より多くの特徴量、より賢いルール、より厳しいしきい値といった観点です。彼らは、有効性が設計された瞬間に決まるかのように扱います。しかし実際には、有効性が決まるのはシステムが使われる瞬間であり、その2つの瞬間のあいだのギャップこそが、パフォーマンスを左右する変数なのです。
今朝リリースされた大まかなルールは、先週現れた攻撃パターンに対しては、2か月前にリリースされた高度なルールよりも高いパフォーマンスを発揮します。結論は明快です。劣化を防ぎ高いパフォーマンスを維持するには、私たちのシステムがより頻繁に学習する必要があります。
リアクションサイクルは、不正検知ワークフローにおける最重要KPIです
不正対策チームについて一つだけ指標を測れるとしたら、私が選ぶのは、システム上の抜け穴を把握してから、その修正を実装するまでにかかる時間です。私はこれを「リアクションサイクル」と呼んでおり、2つのフェーズに分かれた6つのステップで構成されています。
学習フェーズでは、脅威を検知し、その範囲を特定し、根本原因を突き止めるまでを行います。実行フェーズでは、対策を設計し、テストし、本番環境に展開するまでを行います。私たち不正対策チームのあらゆる活動は、このサイクルの中にあります。運用しているテクノロジー、採用しているプロセス、チームが持つスキル、そして私たちを支援するツールのすべてが、このサイクルの一部なのです。
誤検知を減らしたいですか？サイクルを短縮しましょう。チャージバックを減らしたい、承認率を上げたい、調査の滞留を減らしたい——どの場合でも答えは同じです。
「不正対策の成果を改善する」という目標には、このループを通らないバージョンは存在しません。なぜなら、あなたがレポートするあらゆる指標――精度、再現率、FPR、損失率、コンバージョン――は、ひとつの上流の数値から派生した結果にすぎないからです。それは、何かを観測してから、それに対して行動を起こすまでのギャップをどれだけ素早く埋められるか、ということです。
しかし、いま自分たちのリアクションサイクルがどれくらいなのかを不正対策の責任者に聞いてみると、まず長い沈黙があって、そのあとに推測めいた答えが返ってくるだけでしょう。それを明示的に計測しているチームはほとんどなく、その代わりに、それに依存しているあらゆる指標だけを測っています。まさにそれこそが、この失敗パターンが見落とされやすい理由なのです。
詐欺師たちが賢くなったわけではなく、機械のようなスピードを手に入れただけだ
では、反対側で何が起きているのか考えてみましょう。過去2年間で詐欺師たちが賢くなったわけではなく、より速くなったのです。
2025年頃から脅威インテリジェンスチームが指摘し始め、私自身も複数のSardine顧客で確認しているのは、新しいタイプの攻撃行動です：サブセカンド適応。防御策が稼働し始めると、その展開が完了する前に攻撃のほうがそれを回避する形に変化してしまいます。向こう側の不正AIエージェントは、リアルタイムで拒否シグナルを読み取り、さまざまなパターンを試し、有効だった手口を一気にスケールさせているのです。
チームはすでに、防御が十分な速さで適応できなかったために、特定の発行会社のカードを数週間にわたって全面停止したり、受信トラフィックの大きな割合をブロックしたりといった、極端で大まかな対策を取らざるを得なくなっています。
しかし、最も高度なポリモーフィック攻撃を脇に置いたとしても、すでに前提条件は変化しています。詐欺師たちは、業務の退屈な部分をこなすためにAIエージェントを使い、キャンペーンの成果を分析し、スクリプトを微調整し、マネーミュール口座を維持するためのカスタマーサポートメールに返信しています。そして、そうしたエージェントによって生み出された時間は、今やあなたを出し抜くために使われているのです。
現在あらゆる不正対策チームが運用しているシステムは、攻撃者の適応と防御側の対応とのギャップがまだ対処可能だった世界を前提に設計されています。
あなたたちのサイクルは遅かったですが、相手も同じように遅かったのです。なぜなら、敵対者は人間であり、人間規模のツールを使い、人間の速度で動いていたからです。その前提は今や崩れ去り、かつては対処可能だったギャップは、いま加速度的なスピードで広がりつつあります。
最適化では今の仕組みは救えない
このようなプレッシャーに直面すると、本能的に最適化しようとします。会議を短くしたり、より良いダッシュボードを用意したり、アナリストを増やしたり、ルール適用のSLAを厳しくしたり、部門横断のタスクフォースを立ち上げたり、四半期ごとのモデル更新を毎月に前倒ししたりするのです。
そうした取り組みにチームが全力を注ぐのを見てきましたが、そのどれもが、今この瞬間に求められるスピードを生み出せていません。なぜか？それは、最適化する層を間違えているからです。
あなたのリアクションサイクルが遅いのは、それを運用している人たちが遅いからではありません。人間のスピードでの学習を前提に設計されているから遅いのです。モデルは四半期ごとに更新され、ルールは週次の定例会議で見直され、セグメンテーションのしきい値はあっても年に一度見直されるかどうかという程度で、調査から得られたフィードバックが検知レイヤーに構造化された形で戻ってくることはほとんどありません。たとえ戻ってきたとしても、実際の事象から数週間も経ってからなのです。
うまくいっても、そのプロセスから引き出せる改善はせいぜい20％程度です。しかし、どれだけ小さな最適化を積み重ねても、「人間のスピードで回す」という根本的な設計前提は変えられません。もはや人間の速度で動いていては通用しないのです。
不正対策ワークフローの劣化を解決する方法は、すでに目の前にあります
ここでは慎重になりたいと思います。というのも、この点については業界に誤った捉え方があふれているからです。私は、いま人間が行っている業務をAIで自動化すべきだと主張しているわけではありません。そのような捉え方はあまりに単純で方向性もなく、おそらくあなたの組織を失敗へと導いてしまうでしょう。
実際の主張はもっと具体的です。学習ループそのものを、人間の速度ではなく機械の速度で回す必要があるということです。
これは単に「人員をAIに置き換える」だけでは済みません。重要なのは、システムそのものとその動き方を再設計することです。反応サイクルをマシンの速度で回すには、高速な学習を可能にする別種のアーキテクチャが必要です。自動化だけではそこには到達できません。
では、自動化だけで止めてしまうと何が問題になるのでしょうか？ チームはこれまでやっていた仕事をこなすスピードこそ上がりますが、実際に不正率を動かす仕事というのは、そもそも人間がやっていなかった種類の仕事であり、自動化では存在しなかった仕事を新たに生み出すことはできません。
あなたのチームの誰も、リアルタイムで新しい取引にラベル付けをしたり、何千ものアカウントにまたがるアラートをクラスタリングしてそれらが属する不正グループを特定したり、コホートの変化に合わせてセグメンテーションのしきい値を継続的に調整したりはしていません。
これらは自動化すべき「作業」ではなく、多くの人間のチームにはそもそも実現する余力がなかった「能力」です。ケースレビューを3倍速くして調査コストを削減できたとしても、リアクションサイクル自体は短くなりません。なぜなら、そのサイクルを本当に制約しているのは調査員の作業スピードではないからです。ラベルは数週間遅れて届き、ルールは常に事後対応で書かれ、検知ロジックの更新が行われる頃には、攻撃はとっくに次の段階へ進んでしまっている――それこそが問題なのです。
皮肉なことに、その解決策は、攻撃者の適応サイクルを数週間から数秒へと圧縮したのと同じものです。エージェント型AIはすでに両陣営で使われており、唯一の問題は、どちらがそれをより効果的に活用できるかという点だけです。
エージェント型AIは、アラートをリングレベルのケースにクラスタリングできるため、1つの判断で数千件のイベントにラベル付けできます。さらに、新しいデータから継続的にラベルを生成し、数日単位でフィードバックループを閉じることができます。また、新しいルールを提案し、すでにバックテスト結果が添付されたモデル更新候補を提示することも可能です。
以前は開いていた部分でループが閉じつつあるため、反応サイクルが圧縮され、これまでチームが持っていなかった能力を追加したことで、いまや機械のスピードで対応できるようになっています。
具体的なエージェント型AIによるリング検知の事例については、わずか11分で15万件の不正アカウントから成る不正リングをどのように暴いたかをご覧ください。
チャンスを捉えよ、流行を追うな
財務部門から感じているプレッシャーは、これからもなくなりません。正面から対立するのがなぜ間違ったやり方なのかはすでにお伝えしましたが、最後に、これまで経験してきたどの予算サイクルともこの瞬間が違うのはなぜかについてお話ししたいと思います。
再構築とコスト削減は、別々のプロジェクトである必要はありません。
不正対策部門だけを30％削減しても、調査員が減っただけで同じ壊れたサイクルを回し続けることになります。アラートは積み上がり、不正率はじわじわ上がり、12か月後には組織は小さくなり、状況は今より悪化しています。
しかし、まずはループ自体を作り直せば、同じ30％の人員削減でも、最初の一手ではなく、その結果として自然に現れるものになります。ファイナンスから見える数字は同じでも、今度は本当に機能する仕組みが手に入るのです。
ほとんどの不正対策リーダーは、これから18か月のあいだ、コスト圧力に抵抗するか、そのしわ寄せを下手な形で受け止めるかのどちらかに追われることになります。第三の道（いずれにせよ必要になるシステム再構築のための資金として、意図的にこのコスト削減を活用する道）を選ぶには、次の経営会議に、これまでとは違う論拠を携えて臨む必要があります。
「私のチームを削減しないでくれ」ではなく、「再構築する権限を与えてください。人員削減はその結果として起こることです。」
これが、この記事を読んでいるすべての不正対策リーダーに、ぜひ準備しておいてほしい主張です。いずれにせよ、今のあなたの不正対策チームは、これから18か月間のプレッシャーで崩壊してしまうでしょう。
唯一の問題は、それに取って代わるものをあなたが設計するのか、それとも偶然に寄せ集められたものになってしまうのかということです。
同じマシン速度の議論をAMLに適用した、分野横断的な視点については、Sardine's agentic AI for AMLを参照してください。
完全な不正検知ワークフローの再構築
ここまで読んでいただいた内容は、エージェント型AIが、単にコスト削減要因ではなく、なぜ今後の不正対策オペレーションの中核となるのかを大きく捉え直したものです。もっと深く知りたい方や、全体像を把握したい方は、ホワイトペーパーをご覧ください（本記事はその内容をもとに作成されています）。
それは、なぜエージェント型への移行がすべての不正対策チームにとって直視すべき現実なのかを、次の点を含めて詳しく解説しています。
そのようなシステムはどのような姿であるべきか
- 新しいシステムに実際に必要な人員数とスキル構成
- 継続的な学習を大規模に安全に運用するためのガバナンスモデル
- 18か月にわたるロールアウトのパターン、その成功要因と、チームがつまずきやすいポイント
- 自社組織の中でこのシーケンスをどのように守り抜くか
もしあなたが、自社でこの取り組みに資金を出し、優先順位をつけ、社内で擁護していく立場にあるなら、その多くの答えをそこで見つけることができるでしょう。
不正対策のリアクションサイクルとは何ですか？
不正対応サイクルとは、不正対策チームがシステム上の抜け穴に気づき、それに対する対策を実装し終えるまでにかかる時間のことです。このサイクルは2つのフェーズに分かれた6つのステップで構成されます。学習フェーズ（検知、影響範囲の把握、根本原因の特定）と、実行フェーズ（設計、テスト、デプロイ）です。不正対策チームが報告する他のあらゆる指標、たとえば誤検知件数、チャージバック件数、承認率、損失率などは、すべてこのサイクルをどれだけ速く回せているかによって生じる二次的な結果にすぎません。
なぜエージェント型AIは、不正検知において従来のルールベースや機械学習と異なるのですか？
ルールも機械学習モデルも、本番稼働した瞬間から劣化が始まります。ルールは数日単位で、モデルは数週間から数か月かけて性能が落ちていきます。エージェンティックAIは常に最新データで動作し、新しい取引にラベル付けを行い、アラートをリングレベルのケースにクラスタリングし、すでにバックテスト結果が添付されたモデル更新候補を提示します。違いは「エージェンティックAIのほうが賢い」ことではなく、「より最近の学習ができている」ことにあります。
不正検知におけるモデルドリフトとは何ですか？
モデルドリフトとは、機械学習による不正検知モデルが、ある時点の攻撃パターンのスナップショットをもとに学習されている一方で、攻撃者側の手口がその後変化してしまうことで起きる現象です。モデルは導入時と同じようにスコアリングを続けますが、スコアリング対象となる母集団は変化しており、その結果として性能が気づかれないまま低下していきます。モデルをリフレッシュするとベースラインはリセットされますが、同時にスコア分布も変わり、そのスコアに依存するすべての下流ルールを再調整しなければならなくなります。そのため、多くのチームはモデルのリフレッシュを先延ばしにしてしまうのです。
不正対策業務において、エージェント型AIの最適な導入パターンは何ですか？
実運用でうまく機能しているパターンは、調査全体を一気通貫でこなそうとする単一のエージェントではなく、特定のタスクに特化した複数のエージェントを組み合わせるやり方です。最新データに対してラベルを生成するエージェント、取引の輪（リング）を見つけるクラスタリングエージェント、制裁リストとの照合を行うエージェント、SAR（疑わしい取引報告書）の叙述部分を下書きするエージェント、といった具合です。それぞれのエージェントには明確な入力・出力・評価方法が定義されています。仕事が積み上がっていくのは、1つのエージェントがあらゆる仕事を同時にこなそうとするからではなく、各エージェントが自分の役割をきちんと果たすからなのです。
エージェント型AIは、不正対策チームの人員規模とスキル構成にどのような影響を与えますか？
人員数は通常減少しますが、チームの「規模」よりも「構成」が大きく変わります。検知や機械学習エンジニアリングの比重は増え、一次対応でケースを処理するアナリストは急速に減少し、調査担当者はエージェントからエスカレーションされた案件を扱う、より少数でシニアな層に集約されます。さらに、エージェントそのものを評価する新しい役割が生まれます。ガバナンスとモデルリスクの比重も高まります。フロードリーダーが参加する計画の議論では、単なるコストラインではなく、このようなチームの「形」を描き出すべきです。
