不正対策チームは、両側からプレッシャーを受けています。
攻撃件数は依然として高止まりし、その複雑さは増す一方です。それにもかかわらず、この絶え間ないプレッシャーの中で、世界中の不正対策担当者たちは、予算削減や採用抑制に直面しながら、より少ないリソースでより多くの成果を求められる状況に備えています。
これは、MRCの「2026年版 グローバルeコマース決済＆不正レポート」から浮かび上がる姿であり、第27版となる本レポートは、Visa Acceptance Solutions、CyberSource、Verifiの協賛のもと、調査会社B2B Internationalによって実施されました。
2025年末に、37か国の1,200社以上のeコマース事業者を対象に調査が行われました。これは不正対策の現状を毎年まとめたレポートの中でも、最も包括的なものの一つで、まだお読みでないなら、ぜひ目を通すべき内容です。
当然ながら、私の関心はほとんどすべて、特定のセクション――「不正対策の戦略と課題」に向けられていました。その要約には2つのパートがあり、それらを合わせて読むと、レポート本編では語りきれていない物語が浮かび上がってきます。
その物語はエージェント型AIについてですが、業界で一般的に語られるような形ではありません。
予算がすべてを物語っている
私の足を止めたその数字から話を始めましょう。
2024年には、加盟店の10％が不正対策における最優先事項として「運用コストの最小化」を挙げていました。しかしそのわずか2年後の2026年には、その割合はほぼ3倍の29％にまで増加しています。
MRCの調査史上初めて、3つの中核的な優先事項が収束しました。すなわち、不正行為とチャージバックの削減、顧客体験の向上、そして運用コストの最小化が、加盟店のほぼ同程度の割合から最重要課題として挙げられています。
これは大きな変化です。コスト削減は長年ずっと三番手の優先事項に過ぎませんでした。
では、何が変わったのでしょうか？
簡単に言えば、理由はマクロ経済です。2026年初頭は景気が絶好調という年ではありませんでした。ただ、その捉え方には異論があります。今の環境が2023年や2024年と比べて極端に悪くなっているわけではないからです。
より率直に言えば、何か構造的な変化が起きたということです。取締役会や経営陣はここ2年間で、エージェント型AIが人員を大幅に削減しつつ成果を維持することで、カスタマーサポートを変革していく様子を見てきました。その結果、いまや「AIがカスタマーサポートでそれができるなら、不正対策業務でも同じことができるはずだ」という期待が広く浸透しています。そしてその期待は、まさに今行われている人員計画の意思決定の前提として、すでに織り込まれているのです。
データはこれを裏付けています。加盟店の52％が、今後2年間で不正対策の人員や人材への支出は横ばい、もしくは減少すると見込んでいます。ほぼ同じ割合の44％が、ツールやテクノロジーへの支出についても同様だと回答しています。
総合すると、これらのデータは、詐欺対策の専門家が縮小するリソースの中で拡大する脅威への対応を余儀なくされているという厳しい現実を浮き彫りにしています。
そして、この傾向が今後逆転する可能性は低いでしょう。
私たちは、2022年や2023年の不正対策オペレーションの人員数には戻りません。
問題は、不正対策チームが小規模なままかどうかではありません。それは、彼らがどのように仕事をこなすことを期待されているのか、ということです。
明らかな答えは、エージェント型AIを導入して空いた席を埋め、小規模なチームでもより多くのことができるようにすることです。
それはこのレポートの結論でもあるのでしょうか？ 直接そうとは言えませんが、読者に他の選択肢や示唆をほとんど残していないのも事実です。結局のところ、今の環境ではエージェント型AIがあらゆる問題に対するデフォルトの答えになっているのです。
データの問題こそが本当の焦点だ
さて、ここからがこのレポートで私がより興味深いと思う部分です。
コスト圧力は目先の課題ですが、不正対策の責任者たちにとって最大のフラストレーションは、実はお金そのものではありません。そして、ここからがエージェント型AIの話がより複雑になり、私の考えでは、より説得力を増してくる部分です。
15種類の不正対策上の課題を提示されたところ、2025年の加盟店は、そのうち上位6つのうち4つがデータとテクノロジーに関する問題だと回答しました。全体では、80％が少なくとも1つはデータやテクノロジーに関する課題に苦戦していると答えています。
詳しく見ると、加盟店が挙げた主な課題の上位4つは次のとおりです。
- データを効果的に活用して不正を管理すること - 31％
- 不正防止におけるAI／機械学習の精度 - 31％
- データの利用可能性とアクセス性 - 29%
- 新たな種類の不正行為の特定と対応 - 29%
これらは一見すると4つの別々の問題のように見えますが、実際には異なる角度から見た同じ課題にすぎません。
最も大きな課題を見てください。それはデータをいかに効果的に活用するかということです。データにアクセスすることではなく（それはリストの3番目の課題です）、それを活用することです。この違いは非常に大きいのです。
ほとんどの不正対策チームは、データを収集するためのツールを持っています。しかし、そのデータをリアルタイムの意思決定や捜査の手がかり、あるいはルール更新へと十分なスピードで変換できる分析基盤や人材を備えているチームはごくわずかです。
データは存在しているのに、それを活用する力が欠けている。
ML の精度に関する課題も、同じような状況を物語っています。詐欺防止の ML モデルは、この 10 年ほどで大きく精度が向上したとは言い難く、むしろ頭打ちになっているとさえ言えるでしょう。ですから、チームがより高い精度を望んでいても、それが本当に実現するのかについて、私自身はいまだ懐疑的です。
しかし、より興味深い問いは、彼ら自身も大きな期待を抱いていない可能性が高いにもかかわらず、なぜチームはそれをそれほど高く評価するのかという点です。
私の考えでは、その理由は単純です。先ほど話したのとまったく同じ問題を解決してくれるからです。もしあなたのモデルが自動的に不正検知をしてくれるなら、自分でデータを分析する必要はありません。
だから彼らに本当に必要なのは、より優れたモデルではありません。モデルに足りないものを見極め、その抜けている部分を埋めるルールを作り出すための、より良い入力シグナルと、より賢い研究開発プロセスなのです。
「新たな不正パターンを特定し対応すること」は、最初の2つの問題が引き起こす症状にすぎません。データパイプラインが分断され、チームのリソースも限界に近い状態では、新たに現れるパターンに先回りして対応することはほぼ不可能です。
人間のアナリストが新たな攻撃を特定し、仮説を立て、ルールを書き、レビューを受けて本番環境に反映する頃には、その攻撃はすでに拡大しています。
報告書がほのめかしながらも決して明言していないつながりはこうです。エージェント型AIは、これら4つの課題すべてに対する一つの首尾一貫した解決策になり得るということです。ただし、正しく使われた場合に限ります。
誘惑としては、ちょうど不正対策業務のときと同じように、いまやっていることを自動化するためにエージェント型AIを使おうとしてしまうことです。
それは妥当な第一歩です。時間を節約し、手作業の負担を減らせます。しかし、本当の価値があるのはそこではありません。
本当の価値は「まったく新しい」機能にあります。つまり、いまのチームには人手やスキルセット、余裕がなくて、そもそも手を付けられていないことを実現できるようにすることです。
不正防止において「ネットニュー」がどのようなものか、具体的な例を挙げます。
1. AIエージェントがフラグを立てるのは、取引パターンの異常です。
2. 2番目のエージェントがレビューを行い、人間と同じようにその異常を確認し、疑わしい各ケースにラベルを付け、攻撃のパターンを分析します。
3. 3番目のエージェントがルールを作成し、それをブロックするためのものとしてデプロイ前レビューに回します。
これらすべては、不正対策アナリストも、バックログチケットも、スプリントサイクルも必要とせずに行われます。
しかし、そのようなワークフローは、たとえ人間が作業している場合でも、現在多くの不正対策チームには存在していません。
それを運用するには、高度な分析スキル、不正対策の専門知識、そして人間のチームでは現実的に維持できないレベルの業務スピードを組み合わせる必要があります。特に、コスト削減と人員削減が求められる環境ではなおさらです。
エージェント型AIは、そのワークフローを速くするだけではありません。それを実現可能にするのです。
表面的な部分を取り除くと、まさにこれこそが4つのMRC課題が説明している内容です。
チームは必要なスキルやリソース（帯域）が不足しているため、自分たちのデータを十分に活用できていません。機械学習の精度はすでに頭打ちになっており、次の改善はモデルそのものからではなく、より優れた研究開発プロセスから生まれるでしょう。
新たな不正の種類を特定するには、大規模かつほぼリアルタイムの分析が必要であり、基本的な業務をこなすのがやっとというほど逼迫したチームでは対応できません。
これらすべての懸念に対する統一的な答えは何でしょうか？それは、適切なデータにアクセスできるプラットフォーム上に導入されたエージェント型AIです。
Sardineのエージェントが設計された目的
特定のユースケースについては、より詳しく説明してきましたが、このブログで取り上げているので、ここですべてを繰り返すつもりはありません。ただし、MRCレポートが浮き彫りにしている内容という文脈で、ぜひ直接お伝えしておきたいポイントが1つあります。
不正対策プラットフォームの課題は、単なるワークフローの自動化だけでなく、データへのアクセスにもあります。エージェントは、参照できる情報の質と量によって初めて有用なものになります。
異常を検知できても、それをネットワークレベルの不正シグナルやデバイスの挙動、過去の取引パターンと照合できないエージェントは、実際に導き出せる結論が限られてしまいます。
Sardine のエージェントが他と異なるのは、プラットフォーム内部で動作している点です。デバイスインテリジェンス、正確な IP 検知、行動シグナル、ネットワークグラフデータ、そしてマーチャント間を横断する不正検知シグナルといった、フルデータスタックへネイティブにアクセスできます。
汎用的なLLMラッパー上で動くエージェントは、データを取り込み、正規化し、あなたが手動で与えたあらゆるコンテキストの範囲内で動作しなければなりません。
Sardine のプラットフォーム上で動作するエージェントは、何が起きたのか、その理由、そしてネットワーク全体で類似の事象がどのような様子だったのかをすでに把握しています。
これは、レポートが浮き彫りにしている課題に直接関わる重要な点です。「データを効果的に活用する」ことは、エージェントをデータウェアハウスに接続するだけでは解決しません。
これは、不正の文脈を理解するエージェントによって解決され、さらに、デバイスのフィンガープリント、IPマスキングの挙動、あるいはベロシティパターンなど、強化された不正データそのものへアクセスできることによって実現されます。
しかし、ここでの限界についても率直にお伝えしたいと思います。
エージェント型AIは、壊れた不正対策スタックを魔法のように直してくれるわけではありません。データが分断され、ツールが複数ベンダー間でバラバラに連携しておらず、チームとして明確な調査用SOP（標準手順）が確立されていないのであれば、エージェントはその問題をそのまま引き継ぐだけです。どんなにAIを使っても、「ゴミを入れればゴミが出る」という原則はここでも変わりません。
MRC のデータによると、今後 1 年間で加盟店の 43％ が不正対策のオーケストレーションを優先事項に挙げています。これは偶然ではありません。
オーケストレーションは前提条件です。オーケストレーションなしの自動化は、混乱を加速させるだけです。
また、指摘すべき実際の失敗パターンも存在します。上で挙げた同じブログ記事の中で、特に一般的な3つについて書いています：幻覚的な結論、過度に疑い深いエスカレーション、そしてコンプライアンスやオペレーションチームに対して正当化できないアウトプットです。
これらは現実的なリスクです。これらを軽減するには、エンドツーエンドの調査を行おうとする汎用エージェントではなく、範囲を絞った特定のタスクに特化した専用エージェントを使うことが重要です。
エージェント型AIは、クリーンなデータ、統合されたシステム、明確なプロセスといった基盤づくりをきちんと行ってきたチームにこそ大きな成果をもたらします。そうした準備ができていないチームにとっては、問題を解決するよりも先に、その問題点を一気に表面化させてしまう可能性が高いでしょう。
結論
MRC の 2026 年版レポートは、転換点を迎えた業界の姿を切り取ったスナップショットです。
予算はさらに厳しくなり、チームは小規模化し、不正行為はこれまでになく複雑になっています。
そして、エージェント型AIはコスト削減を迫る大きな要因となっている一方で、同時にそれこそが唯一現実的な解決策でもあるのです。
ただし重要なのはここからです。既存のワークフローを自動化するためにそれを使うチームは、得られる成果が段階的な向上にとどまります。それでもやる価値はありますし、誤解しないでほしいのですが、それが到達点というわけではありません。
自動化された不正検知の研究開発やリアルタイムのパターン識別など、これまでにない機能をAIで構築するチームこそが、本当に状況を一変させる存在になるのです。
だから本当に問うべきなのは、あなたのチームがエージェント型AIを導入すべきかどうかではありません。これまで不可能だったどんなものを、それを使って構築していくのかということです。