AI 被用于将诈骗者的时间反过来对付他们
人工智能正在加速多种网络诈骗，但也开始成为干扰诈骗者的工具。一种不断发展的反网络犯罪方式利用对话式 AI 冒充可信的潜在受害者，把诈骗者引入耗时的电话和在线交流，同时收集有关其运作方式的信息。
澳大利亚公司 Apate 是采用这一策略的机构之一。过去两年里，该公司一直在开发一种系统，把电话诈骗者转给能够持续对话的 AI 机器人，使其既不交出资金，也不提供敏感信息。其逻辑很直接：诈骗者每花一分钟试图说服一个合成受害者，就少用一分钟联系真实的人。
这一点很重要，因为大规模诈骗行动往往依赖自动拨号和高频消息。一场令人信服的对话未必能摧毁诈骗网络，却可能干扰使网络难以打击的效率，也能生成情报，帮助银行、电信公司和调查人员识别活跃行动。
制造可信但不会受骗的目标
Apate 创始人兼首席执行官 Dali Kaafar 将目标描述为从诈骗者角度看“完美的受害者”：目标看起来足够容易被说服，可以让交流持续下去，却永远不会真正上当。机器人要让来电者相信付款、账户信息或其他结果似乎触手可及，从而持续占用他们的注意力。
公司称，其平台由银行使用并得到电信公司的支持，目前运行约35万个机器人。据 Kaafar 介绍，这些机器人不仅接听电话，也能进入诈骗聊天群并回复短信，把拖延和收集情报的策略延伸到不同渠道。
系统使用不同性格、语言能力和用户资料，以免回复重复或容易被识别。有些机器人可能使用 WhatsApp，有些则不会；有些会接听电话，有些会挂断并表示稍后回电。这种差异是策略核心：反诈骗机器人不需要赢得争论，只需保持可信，长时间占用诈骗者注意力，使其无法接触潜在受害者。
情报与拖延同样重要
消耗时间只是模式的一部分。Apate 表示，它已收集超过25万条关于诈骗者的实时信息，包括诈骗网址、洗钱 mule 账户和银行资料。这些信息可能有用，因为诈骗活动通常依赖不断变化的电话号码、付款路径、链接和消息账户网络。
理论上，实时交流中收集的情报可以让防御系统更快响应。银行可能识别可疑收款地点，电信运营商可能发现重复号码或模式，平台也可能对诈骗链接采取行动。原文没有说明每条信息如何验证或共享，因此数据规模和实际影响应视为公司说法。但这说明了防御者为何关注既能互动又能观察的对话系统。
这一模式不同于传统的公众宣传活动，后者要求人们识别警示信号并拒绝可疑请求。教育仍然重要，但它把很大一部分负担放在个人用户身上。AI 诱饵则试图把部分负担转回攻击者，通过全天候、可大规模互动的目标牵制他们。
围绕真实性的较量
这种方法是否有用，取决于一个困难问题：机器人能否让专业诈骗者相信？诈骗者适应很快，许多人也擅长通过脚本引导焦虑或分心的人。如果他们能轻易识别机器人，威慑效果就会减弱，系统还可能暴露自身方法。
因此，人物设定、语言变化和不完美但类似人类的行为都很重要。过于完美的声音或重复的回答可能和直接拒绝一样可疑。有效诱饵必须足够可信，鼓励诈骗者继续交流，同时遵守严格安全边界：不能提供真实凭据、转移资金或给正常用户带来新风险。
欺骗性防御系统应在何时何地使用，也存在更广泛的问题。它们可能收集有价值的情报，但部署机构需要建立数据处理、与主管部门协作以及避免误触真实用户的控制措施。原文强调了技术潜力，却没有完整说明其治理方式或独立效果测试。
生成式 AI 的新型防御用途
AI 诈骗的兴起让人们很容易只把这项技术看作网络犯罪的放大器。诈骗行动可以通过自动化扩大覆盖范围，逼真的文字和语音也让操纵更难被发现。AI 诱饵提供了另一种可能：同样的自然对话能力可以转向防御。
这些系统并非试图阻止每一个恶意来电，而是希望在接触发生后改变诈骗的经济性。如果诈骗者无法迅速分辨机器人和潜在受害者，每条虚假线索都可能降低行动效率。规模足够大时，高频诈骗活动可能变得更昂贵、回报更低。
现在还不能把这种策略视为执法、更强平台防护或消费者保护的替代品。但它显示出网络防御正从被动过滤转向主动互动：AI 不只是筛查可疑活动，也试图拖住活动背后的人。
下一项检验是可衡量的影响
对话式反诈骗系统最有力的依据将是结果证据：成功诈骗减少、行动周期缩短、情报更有用，以及对误报和意外后果的清晰统计。企业、银行和电信公司还需要确定这些系统如何与现有举报及欺诈响应流程衔接。
目前，Apate 的工作显示，AI 可以把诈骗者最核心的资源——时间——转化为弱点。随着网络犯罪分子越来越多地自动化接触潜在受害者，防御者也开始自动化地让他们忙个不停。
本文依据 Wired 的报道撰写。阅读原文。
Originally published on wired.com
