生成AIが一般的になってからも、不正行為の発生率が劇的に急増したわけではありません。2年前のチャージバックのダッシュボードと現在を見比べても、数字はおそらくそれほど大きく変わっていないはずです。
それでも、私たちはこれから起こる変化の兆しを目にし始めています。
最も危険な攻撃は、従来の検知手法では見えないものです。最近ではその様相が変わってきており、より高速でダイナミックになり、脆弱性を狙う精度も非常に高くなっています。
まだ始まったばかりです。詐欺師たちは、これらの攻撃を大規模に構築して展開する方法を模索している段階で、多くはまだ完全にはやり方を掴めていません。しかし、実際に成功している攻撃は、これまで不正対策チームが相手にしてきたものとは本質的に異なるものです。
これらの手法が広まれば――そしてそれが現時点での私たちの予測ですが――発想をアップデートしていないチームは、その影響を数字にはっきりと感じることになるでしょう。
これらはポリモーフィック型の不正行為攻撃です。
それがどのようなものか、なぜ従来型の不正対策スタックを破綻させてしまうのか、そして実際に何をすべきなのかを説明します。
ポリモーフィック型の不正攻撃は実際にはどのようなものか
一般的な不正行為の攻撃では、不正行為者は特定の手口を選び、それが検知されるまで使い続けます。ここには、使用するデバイスやネットワークインフラ、標的と攻撃ベクター、そして具体的な行動手順が含まれます。
あなたのシステムが攻撃を検知すると（できれば素早く）、その攻撃はブロックされます。その時点で、不正行為者は体制を立て直し、自分たちの選択肢を考え直さなければなりません。攻撃のバリエーションを工夫して再度試みるべきか、それとも別の標的に移るべきか、というわけです。
ポリモーフィック攻撃は、そのような仕組みではありません。人間が実行方法を細かく指示するのではなく、その役割はエージェント型のAI不正システムに委ねられます。人間が決めるのは、全体の戦略、何を得たいのか、エージェントに利用させるリソース、そして予算です。
しかし、本当の脅威は自動化そのものというよりも、その反応速度にあります。
AIエージェントがブロックされると、拒否シグナルを読み取り、自分のパラメーターを調整して、再び試行します。日単位や数時間単位ではなく、サブセカンド単位の不正攻撃の中でそれを行うのです。
ブロックされた各試行は、不正防止のしきい値がどこにあるのかを示すデータポイントとなり、攻撃はその情報をもとにリアルタイムで自らを再構成し、そのしきい値のすぐ外側に収まるように調整されます。
それが実際にはどういう意味を持つのか、考えてみてください。詐欺防止チームが新たな攻撃を検知してから数日、時には数週間以内に対応できることはほとんどありません。ところが今や、攻撃者はミリ秒単位で対応しているのです。
この戦いはもともと不公平でしたが、今はさらに悪化しています。
実際のところ、多くのチームに残された選択肢はどれも悪いものばかりです。損失が出続けるのを受け入れつつ、より速い対応策の構築を目指すか、特定の地域からのトラフィックを丸ごと遮断したり、カードの特定カテゴリを一時停止したりといった乱暴な手段に頼るかのどちらかしかありません。
どちらの選択肢も、別種の敵を想定して作られた防御の産物にすぎません。
なぜエージェント型AIによる詐欺はアクセシビリティの問題をさらに深刻にするのか
高度な自動攻撃を実行するには、かつては本格的な技術的知識が必要でした。プログラミングの専門知識に加えて、不正防止システムがどのように機能するかを理解していることも求められていました。
実際のところ、優れた不正防止チームと同様に、高度な攻撃を行うには、それをうまく実行できるチームが必要でした。求められるスキルセットがあまりにも幅広かったのです。その結果、初期投資は増大し、参入ハードルはさらに高くなっていました。
エージェント型フレームワークによって状況は一変しました。
今では、AIエージェントを使って、コードを一行も書かず、また相手側でどのように不正防止が行われているかを知らなくても、機械の速度で大規模かつ高度な不正行為を実行できるようになっています。
高度な不正行為を行うためのハードルは、徐々にスキルから意図へと移りつつあります。
その結果として起こるのは、同じ攻撃者によるより大規模な攻撃だけではありません。攻撃者の数が増え、攻撃パターンは予測しづらくなり、脅威の範囲も広がります。ボリュームが増え、平均的な攻撃者のプロフィールが、経験も洗練度も低い人々へとシフトしていくと、攻撃はより混沌として扱いづらくなり、モデル化も一層困難になります。
最後に、エージェント型の攻撃が、詐欺行為を行う側とその標的との間に距離を生み出すことで、どのように道徳的な抑制を「弱める」のかについても触れておく必要があります。これは特に、ポリシー悪用、合成ID詐欺、アカウント乗っ取り詐欺、決済詐欺といった分野で顕著です。これらはしばしば「被害者なき」詐欺として認識されがちなタイプの攻撃です。
なぜ従来型の不正対策スタックでは、マシン速度の不正攻撃に太刀打ちできないのか
従来型の不正対策アーキテクチャ、つまり機械学習モデルの上にルールエンジンを載せた構成は、攻撃者が数日から数週間かけて手口を変えてくる世界を前提に設計されたものです。
パターンを見つけたら、それを記録し、ルールを作成して、不正対策ルールのデプロイに回します。しかし、優秀なチームであっても24時間以内に対応するのは難しいことが多いのです。私の経験では、対応に最大で1週間かかってしまうチームもよく見かけます。
モデルの再学習はさらに厄介です。実際に効果を出すには、ラベル付きのものも含めて、十分な量の新しいデータセットを蓄積する必要があります。そのためには、数か月かかってしまうことも珍しくありません。
これまでは、相手も人間だったおかげで、この程度の反応速度でもチームはなんとか生き残ることができていました。相手の適応サイクルも同様に遅かったのです。常に一歩遅れはしていましたが、その差はまだ許容できる範囲でした。
人間のペースで行われる攻撃 | ポリモーフィック／エージェント型攻撃 | |
適応サイクル | 時間から日数へ | ミリ秒 |
攻撃のバリエーション | 手動で慎重に | 自動化されたリアルタイム |
必要なスキル | 高度な技術的専門知識 | インテントのみ |
ブロックから学ぶ | 立て直して考え直す | 拒否のサインを読み取り、即座に対応を切り替える |
検知対象領域 | 繰り返しパターン | 変動するパラメーターと境界的な出来事 |
防衛ギャップ | 扱いやすい | もはや手に負えない |
しかし、そのギャップはもはや管理できるものではありません。
問題なのはここでは設計です。どれだけ分析担当者を高速化しても、どれだけ閾値を厳しくしても、悪い設計のシステムは直りません。機械の速度で対応するのに人間の介入を必要とする不正検知システムは、その構造上すでに後れを取っているのです。
詐欺師たちに追いつくためには、詐欺対策チームは自分たちのアプローチを根本から見直す必要があります。そして彼らの秘密兵器は、悪意ある攻撃者たちと同じ「エージェント型AI」です。
まずは基本がきちんと機能していなければならない
機械のスピードで行われる攻撃への明白な解決策は、より高速で自動化された検知システムです。私たちはこのテーマについて、最近のウェビナーで詳しく議論しましたので、こちらからご覧いただけます。
しかし、この件について不正対策チームと話していると、いつも同じジレンマにぶつかります。土台が壊れたままの状態でどれだけ速いシステムを作っても、役には立ちません。ノイズを加速させるだけなのです。
もし学習ループが完全に機能していないなら、エージェントを追加してもこのギャップは埋まりません。ラベルが3か月も古かったり、自分たちがどれだけ多くの誤検知を出しているのか把握できていなかったりすれば、AIエージェントは単に、間違った判断により早くたどり着かせてしまうだけです。
ポリモーフィックなエージェントが、防御側に実際には何を求めているのかを考えてみてください。エージェントは拒否シグナルを読み取り、それから学習し、攻撃者が探索するスピードよりも速く適応する必要があります。そのためには、クリーンなデータパイプライン、観測可能な検知ロジック、そしてきちんと閉じるフィードバックループが求められます。
しかし、多くの不正防止チーム、特に人間のスピードで動くシステムを支えているチームには、その基本的なインフラが欠けていることがよくあります。データはしばしば複数のシステムに分断され、機械が利用できる形に処理されておらず、ときには対面での会話でしかやり取りされないことさえあります。
AI がそれ自体でこれらの制約を克服できる魔法のような解決策だという考え方は誤解です。少なくとも、追加のコストや時間、性能の低下なしには実現できません。
私が見る中で、不正対策チームがAIを急いで活用しようとするときに犯す最大の誤りは、自分たちがその準備ができているかを確認する前に導入を決めてしまうことです。
あなたのデータはクリーンで、きちんと構造化されていますか？ 単一の環境でアクセスされ、処理できる状態になっていますか？ ラベルは正確ですか？ ルール変更を安定的かつ安全に、そして迅速に展開できていますか？
どれも華やかな作業ではありません。データパイプラインを整備し、ラベル付けのサイクルを短縮しても、社内向けの魅力的な売り文句にはなりません。ですが、これは他のあらゆることを実現するための前提条件なのです。
クリーンでタイムリーなシグナルから学習できないエージェント型検知システムは、攻撃者の適応よりも早く劣化していくだけの、ありふれたシステムに過ぎない。
実際に反撃するために必要なもの
この時点で、こう考えているかもしれません。「攻撃がミリ秒単位で適応してくるなら、ラベル付けを速くしたところで何の意味があるのか？ ほぼリアルタイムのフィードバックでさえ、ミリ秒レベルの応答には到底及ばないのではないか」と。
それはもっともです。しかし、それでは、こうした攻撃が実際の環境でどのように見えるのかという重要な点が抜け落ちています。
ポリモーフィック攻撃は、名前から受ける印象ほど目に見えないものではないことが多い。
それぞれのイベントだけを見ると、単体ではグレーゾーンに見えるかもしれません。しかし、大量に発生した場合には、こうした攻撃は何百、何千回もの試行が、個々のパラメータが変化していても同じ基盤となるフィンガープリントを共有しているため、はっきりとした痕跡を残します。全体像を俯瞰してみれば、その攻撃はたいてい一目瞭然です。
それが本当に厄介なところで、攻撃はあなたが設定したしきい値の内側で動くように学習してしまったのです。問題は、それが見えていないことではありません。あなたのシステムが、見るべき適切なレベルで観測するように設計されていないことが問題なのです。
そこに到達するには、3つの要素が同時に機能している必要があります。
第一に：イベントをケースごとにまとめること。
あなたの検知は個々のトランザクションごとに発火しますが、まさにそれこそがポリモーフィック攻撃に悪用される点です。各イベントはギリギリのラインにとどまる一方で、全体としての連なりは明白です。
一見無関係に見えるイベントを、共通するデバイス特性や振る舞い、タイミングによってまとめてくれるエージェントがあれば、正しい分析単位を得られます。個々のイベントではなくリング全体を見られるようになれば、その攻撃はたいてい容易に見抜けます。
第二に：事例を検討してパターンを見極める。
ケースレベルに到達したら、全データを照会し、異常を特定し、観測している内容を過去の攻撃と比較できるエージェントが必要になります。
ポリモーフィック攻撃は、すでに受けた攻撃が進化したバージョンであることが多いです。新たな変種が既知の攻撃と強く結びついていると認識することは、それに対処するためのほとんど必須条件と言えます。
そうしなければ、正当なユーザーを拒否してしまうリスクが高すぎます。
三つ目：パターンを安全にルール変更へと落とし込む。
攻撃を見抜くだけでは意味がなく、すぐに対処できてこそ価値があります。つまり、ルールエンジンにアクセスし、その機能を理解し、実際に適用する前に過去のデータに対して提案された変更をバックテストできるエージェントが必要だということです。
それがなければ、壊滅的なほど大量の誤検知を引き起こす変更をデプロイしてしまうリスクが高すぎます。
私の経験では、多くのチームがリスクを過小評価してしまうのは、最後のそのステップです。攻撃が進行中のとき、本能的に素早く動こうとします。素早く動けるエージェントが、かつ ルール変更が本番稼働前に誤検知率にどんな影響を与えるかを見せてくれることこそが、実際にあなたを守ってくれるのです。
ステップ | 機能 | 重要な理由 |
1. イベントをクラスターごとにケースにまとめる | 共通するデバイス、行動、タイミングのシグナルに基づいて関連イベントをグループ化します | グレーゾーンの個別取引と、不正行為のネットワーク（フロードリング）を明らかにします |
2. 事例について考察する | 完全なデータを照会し、異常を特定し、既知の攻撃と比較します | 誤検知を減らし、新たなリングを既存のパターンと関連付けます |
3. ルール変更のバックテスト | 本番導入前に、提案されたルールを過去データで検証します | チームが壊滅的な誤検知の急増を招くことなく、素早く動けるようにする |
そのギャップこそがリスクです
ほとんどの不正対策スタックは、十分な準備が整う前にポリモーフィック攻撃に直面することになります。そのときに優位に立つチームは、もっとも厳格なルールや、もっとも高精度なモデルを持っているチームではありません。
攻撃が行われているのと同じ時間枠の中で、システムが学習し適応できるようにしているチームこそが、勝ち残ることになるでしょう。
攻撃がどれだけ素早く適応するかと、防御側がどれだけ素早く対応できるかの「差」が、本当に重要な指標です。その差が自社ではどれくらいあるのかを、実際のインシデントで損失として計測することになる前に把握しておく価値があります。
全体像を知りたいですか？
今お読みいただいた内容は、なぜポリモーフィック攻撃が従来型の不正対策スタックを破綻させてしまうのかを概観したものです。
このトピックについて、いくつか参考資料をご用意しています。
このウェビナーはオンデマンドでご覧いただけます また、不正検知システムがどのように機能しているのか、そしてなぜそれが変わりつつあるのかを詳しく解説します。
当社のホワイトペーパー「The Rise of Agentic Fraud Ops」ではさらに踏み込み、リアクションサイクル全体を整理して示し、学習スピードを最大化するために不正対策オペレーションシステムの各段階をどのように再設計すべきかを解説し、現在うまく機能している仕組みを壊すことなく移行するための5つのフェーズからなるステップを提示しています。
不正対策プログラムを担当していて、AIを実際にどこに組み込むべきか考えているのであれば、次に進むべき正しいステップがそこになります。
ポリモーフィック型不正攻撃に関するよくある質問
ポリモーフィック型の不正攻撃とは何ですか？
ポリモーフィック詐欺攻撃とは、防御対策に応じてその挙動を変化させるタイプの不正行為です。1つの手口をブロックされるまで繰り返すのではなく、拒否シグナルを読み取り、パラメータを調整し、再度攻撃を試みます。そのため、静的なルールや時間のかかる手動審査に依存した従来型の不正対策スタックでは検知が難しくなります。
エージェント型AIを悪用した不正は、不正防止のあり方をどのように変えるのか？
エージェント型AIによる不正行為は、不正防止のあり方を一変させます。なぜなら、攻撃者が機械のスピードで適応できるようになったからです。人間の詐欺師であれば、ブロックされた後に手口を変えるまでに数時間から数日かかることがありますが、AIエージェントならミリ秒単位でテストし、学習し、攻撃手法を再構成できます。その結果、依然として人間のスピードに依存した対応サイクルに頼っている不正対策チームには、大きなプレッシャーがかかることになります。
なぜマシンレベルの高速な不正行為は防ぐのがより難しいのですか？
機械的なスピードで行われる不正攻撃は、ほとんどの不正対策チームが調査・ラベリング・ルール作成・変更のテスト・修正のデプロイを行うスピードよりも速く進むため、阻止するのがより困難です。もし不正検知ルールエンジンやラベル付け、フィードバックループの動きが遅いと、あなたが対応する前に、攻撃者は不正防止のしきい値を探る機会を何度も得てしまいます。
なぜポリモーフィック型の不正行為攻撃は、従来型の不正検知スタックを崩壊させてしまうのか？
ポリモーフィック型の不正攻撃は、従来の不正対策スタックを破綻させます。なぜなら、そのスタックは動きの遅い攻撃者を前提に設計されているからです。ルールエンジンと機械学習モデルを組み合わせた仕組みは、攻撃者の手口が数日から数週間かけて変化する場合には有効に機能します。しかし、攻撃がリアルタイムで変異し、ブロックされるたびに学習して高度化していく状況では、その仕組みは対応しきれません。
AIによる不正防止において、不正フィードバックループはどのような役割を果たしますか？
不正対策におけるフィードバックループは、新たな攻撃からシステムがどれだけ早く学習できるかを左右します。ラベルが古かったり、データが分断されていたり、検知ロジックの可視性が低かったりすると、AIによる不正防止の効果は弱まります。フィードバックループを高速化することで、チームはパターンを素早く見つけ出し、ルールを更新し、攻撃が実際の損失を生む前に対策を講じられるようになります。
なぜ古い不正ラベルは、AIによる不正検知にとって問題になるのですか？
古い不正ラベルが問題なのは、不正検知システムに過去の攻撃パターンを学習させてしまうからです。ラベルが数週間から数か月も遅れて届くと、AIによる不正検知は常に過去のデータから学習している一方で、攻撃者は現在進行形で手口を変化させています。ポリモーフィック型の不正は、このタイムラグをさらに危険なものにします。
AI対応の不正防止には何が必要ですか？
AI に対応した不正防止には、クリーンなデータ、可観測な検知ロジック、正確なラベル、迅速なフィードバックループ、安全なルールのデプロイが必要です。壊れたインフラの上に AI エージェントを載せても問題は解決しません。誤った判断に、より早くたどり着いてしまうだけです。
不正対策チームはどのようにしてポリモーフィック詐欺を検知できますか？
不正対策チームは、個々の取引だけを見るのではなく、関連するイベントをまとめてケースとしてクラスター化することで、多形的な不正を検知できます。各イベントはそれ単体ではグレーに見えるかもしれませんが、より大きな不正グループとして捉えると、共通するデバイス特性、行動シグナル、タイミングのパターン、その他のつながりが浮かび上がり、攻撃の実態が明らかになります。
なぜ不正対策チームはイベントをケースとしてまとめるべきなのか？
不正対策チームは、ポリモーフィック攻撃が個々の検知しきい値をわずかに下回るよう設計されているため、イベントをケースとしてまとめて扱うべきです。イベントをケース単位でクラスター化することで、個々の試行をバラバラに見るのではなく、全体のパターンを把握できるようになります。これにより不正グループ（フロードリング）の検知が容易になり、アナリストにとっても、より適切な分析単位が得られます。
バックテストされた不正検知ルールは、リアルタイムの不正対応にどのように役立ちますか？
バックテスト済みの不正検知ルールにより、チームは不要な誤検知を増やすことなく迅速に対応できます。ルール変更を本番適用する前に、不正対策チームは過去データに対してテストを行い、正当なユーザーへの影響を把握できます。これにより、リアルタイムでの不正対応をより安全かつ精度高く行うことが可能になります。
不正検知におけるラーニング・ベロシティとは何ですか？
不正検知におけるラーニング・ベロシティとは、不正検知システムが攻撃を観測し、そのパターンを理解し、ロジックを更新して対応するまでの速さを指します。サブセカンド単位で不正攻撃が行われる世界では、攻撃者の適応スピードと防御側の対応スピードの差が、最も重要なリスク指標の一つになります。
エージェンティックな不正対策オペレーションとは何ですか？
エージェンティック・フロードオプスとは、AIエージェントが不正行為の検知、調査、ラベリング、クラスタリング、そして対応を支援し、従来の手作業中心のワークフローよりも高速に処理できる不正対策オペレーションモデルのことです。ポリモーフィックな不正攻撃に対しては、防御側が攻撃のスピードにより近い速度で学習し適応する必要があるため、エージェンティック・フロードオプスが重要になります。
