Wykrywanie oszustw AI rośnie o 809%: jak to działa 

Wykrywanie oszustw z użyciem AI to dziś warstwa, która działa pod Twoją płatnością, Twoim logowaniem i Twoją skrzynką mailową. System nie odpowiada na pytanie „czy to oszustwo?”, tylko „jakie jest ryzyko” - i zwraca liczbę od 0 do 100, na której podstawie przepuszcza, blokuje, żąda dodatkowego potwierdzenia albo wysyła sprawę do człowieka.

Liczba z nagłówka artykułu, czyli 809 procent, krąży w materiałach branżowych, ale nie znalazłem dla niej jednego źródła, któremu można ufać. Nie będę jej przypisywać konkretnemu raportowi. W zamian podaję liczby, które da się sprawdzić: FBI odnotowało w 2025 roku ponad 22 tysiące zgłoszeń powiązanych z AI, o łącznej wartości ponad 893 milionów dolarów strat. To nie jest jednak „wzrost wykrywania o 809%”, tylko skala zgłoszeń. Ten wzrost, o którym pisałem, trzeba czytać jako opis rynku narzędzi, nie jako jeden policzalny raport.

Poniżej rozkładam to na cztery części: co te systemy realnie potrafią, gdzie się mylą, ile kosztują i od czego zacząć w firmie, która nie ma działu IT.

Skala zagrożenia w liczbach, które da się sprawdzić

Amerykańskie FBI Internet Crime Complaint Center zebrało w 2025 roku ponad 22 364 zgłoszeń, w których ofiara sama wskazała związek z AI. Skorygowane straty sięgnęły 893 346 472 dolarów. Wartością tej liczby jest skala, a nie precyzja, bo raport sam ostrzega: wielu poszkodowanych nie zdaje sobie sprawy, że miało do czynienia z AI.

Rozbicie tego raportu pokazuje, gdzie problem jest najbardziej bolesny. Straty w skargach inwestycyjnych z oznaczonym związkiem z AI przekroczyły 632 milionów dolarów, przy ponad 8 miliardach wszystkich skarg inwestycyjnych. To oznacza, że dziewięć dziesiątych ofiar nie zauważa, że scam był generowany maszynowo. W firmach atakowanych przez podszywanie się pod przełożonego (ang. BEC) straty z udziałem AI przekroczyły 30 milionów dolarów. W oszustwach rekrutacyjnych z fałszywym głosem - prawie 13 milionów, w oszustwach „romantycznych” z prawdopodobnym udziałem AI ponad 19 milionów.

Tu jest też kontrpunkcik, o którym rzadko się pisze. Globalny współczynnik oszustw tożsamościowych w 2025 roku wyniósł 2,2 procent, czyli spadł z 2,6 procent w 2024 roku. Jednocześnie ten sam raport mówi o 180-procentowym wzroście tak zwanej „sophisticated fraud”, czyli oszustw wieloetapowych. Nie ma w tym sprzeczności: atakujący nie zwiększają liczby prób, tylko ich jakości. Proste zabiegi przestały działać, więc przerzucili się na trudniejsze.

Jak system rozpoznaje oszustwo w transakcji

Mechanizm w płatnościach wygląda tak: system dostaje dane o transakcji (kwota, kraj, urządzenie, adres IP, godzina) i liczy z nich cechy - ile klient wydał w ostatnich sześciu miesiącach, z ilu krajów logował się w ciągu ostatnich dwudziestu czterech godzin, ile transakcji zrobił w ostatniej godzinie. Te liczby musi mieć gotowe w ułamku sekundy, bo klient stoi przy kasie albo w formularzu płatności.

Ustalasz próg, a system podejmuje jedną z czterech decyzji: przepuść (ryzyko niskie), zablokuj (ryzyko wysokie), poproś o dodatkowe potwierdzenie (ryzyko średnie, np. kod jednorazowy) albo wyślij do kolejki dla człowieka. W praktyce cała ta operacja musi zmieścić się w budżecie poniżej 50 milisekund. Rozbicie tego budżetu wygląda tak: 5-10 ms na pobranie i przetworzenie danych, 10-25 ms na policzenie cech, 10-15 ms na sam model, 1-5 ms na podjęcie decyzji biznesowej.

Dwa silniki działają razem i warto rozumieć, dlaczego. Reguły są szybkie i zrozumiałe - znany adres IP oszustów blokuje się natychmiast, bez zastanawiania się. Model uczony na historii wchodzi tam, gdzie reguły nie sięgają: szuka nietypowych połączeń, których nikt nie opisał wprost. Sam model nie nadaje się do pracy w próżni, dlatego dobry system ma człowieka w pętli, a jego werdykt wraca do modelu jako dane treningowe.

Do liczenia rozsądnego wyniku potrzebna jest baza trzymająca cechy w pamięci RAM - odtąd odczyt trwa mikrosekundy zamiast milisekund. Tego typu fundamenty buduje się dopiero przy dużym wolumenie. W małej firmie rozsądniej kupić gotową usługę niż składać model od zera.

Klon głosu: trzy sekundy wystarczą

To jest powód, dla którego poziom zabezpieczeń bankowych i telefonowych przestał wystarczać. Microsoft opisuje to wprost: trzysekundowa próbka głosu wystarczy do wytrenowania modelu syntezy, a nawet zwykła poczta głosowa może dostarczyć odpowiedniego materiału. W praktyce atakujący zdobywa próbkę z wideo, podcastu, nagrania ze spotkania albo z mediów społecznościowych.

Konsekwencja jest poważna, bo cała klasa metod weryfikacji opiera się na rozpoznawaniu głosu, twarzy, adresu mailowego albo stylu pisania. Wszystkie one zakładają, że ktoś nie potrafi tych rzeczy powielić.

Typowy scenariusz w firmie wyglądem nie różni się od dnia wcześniejszego. Dział finansji odbiera telefon, głos brzmi jak prezes, mówi, że jest w drodze, nie ma czasu na wyjaśnienia i trzeba natychmiast opłacić fakturę. Albo dział kadr dostaje wiadomość od pracownika, który prosi o zmianę numeru konta do wypłaty. W obu przypadkach brak presji czasowej byłby najlepszą obroną, a jej nie ma.

Skala zjawiska: trzydzieści procent organizacji mówi, że padło oferą oszustw głosowych. Osobno, ataki phishingowe wspierane przez AI są oceniane jako około 24 procent skuteczniejsze niż ataki pisane przez człowieka - to liczba wtórna, przytoczona przez firmę produkującą menedżer haseł, więc traktuj ją jako orientacyjną.

Wniosek operacyjny jest prosty i nie wymaga modelu: pilne żądanie zawsze weryfikujesz innym kanałem. Dzwonisz na numer, który masz zapisany w kartotece, a nie na numer z wiadomości. Weryfikacja drugim kanałem kosztuje kilkanaście sekund i zatrzymuje atak, który wygląda jak wiarygodny głos szefa.

Phishing pisany przez AI: stare sygnały zawiodły

Przez lata phishing rozpoznawano po błędach - złej gramatyce, dziwnym tłumaczeniu, nieprofesjonalnym wyglądzie. AI to wyłączyło. Model pisze poprawnie w dowolnym języku, dopasowuje ton do konkretnej firmy i tworzy wiadomość, która wygląda jak zwykła komunikacja służbowa. Microsoft opisuje to wprost: napływ idealnie napisanych maili oznacza, że ocena po treści przestała działać.

Personalizacja idzie dalej. Atakujący zbiera dane z profili w sieciach zawodowych, ze strony firmy, z komunikatów prasowych i z komentarzy w social mediach, a model składa z tego spójną historię. Efekt wygląda tak, jakby pisał do Ciebie ktoś, kto zna Twoją rolę.

Obrona musi więc patrzeć w inne miejsce niż na styl tekstu. Na nadawcę, czyli domenę i historię konta. Na kanał - wiadomość od szefa, która nagle przychodzi przez WhatsApp zamiast przez Teams, powinna zapalić czerwoną lampkę. Na zachowanie menedżera haseł, i to jest pomysł, który możesz włączyć dziś: jeśli menedżer haseł nie proponuje automatycznego wypełnienia danych logowania, to strona nie jest prawdziwą stroną. Adresy się nie zgadzają, więc menedżer nie podsuwa zapisanych danych. Jedna decyzja w ustawieniach chroni przed dużą częścią ataków.

Detektor deepfake: szuka śladów, nie ocenia treści

Detektor nie czuje fałszu. Bierze obraz lub wideo i szuka w nim śladów, które zostawia generator: drobne artefakty w skórze, dziwne krawędzie, błędy w odbiciach, za gładkie tło. Model zwraca punkt, czyli ocenę prawdopodobieństwa, że materiał wygenerowano maszynowo. Progi ustawia operator, nie model.

Realne zastosowanie w firmie jest dość wąskie, ale konkretne: zdjęcie lub wideo przyszłego dostawcy, kredyt żądający pilnego przelewu, rzekomy właściciel konta, wideo pracownika proszącego o zmianę danych. Darmowe narzędzia webowe istnieją, choć w wersji beta. Obsługują formaty jpeg, png, webp, mp4 i mov, z limitem 10 MB dla obrazu i 50 MB dla wideo. Plik jest przechowywany tymczasowo, do kilku minut, i przekazywany podwykonawcy.

Znać trzeba jego ograniczenia, bo są konkretne. Skompresowany plik potrafi dać wynik fałszywie dodatni przy prawdziwym zdjęciu, a zrzut klatki z wideo również. Odwrotnie: filtry i efekty z mediów społecznościowych nie są klasyfikowane jako deepfake. Dlatego zamiast orzeczenia „to jest prawda”, dostajesz punkt i informację, że plik warto potraktować jako podejrzany.

Detektory nie podają wiarygodności w procentach ani wskaźnika fałszywych alarmów. Nie znajdziesz w dokumentacji odpowiedzi na pytanie „jaki procent moich prawdziwych zdjęć oznaczy jako fałszywe”. To realna luka, o której trzeba mówić wprost przy wdrożeniu.

Oznakowanie plików: dowód pochodzenia zamiast zgadywania

Jest alternatywa dla zgadywania, czy plik jest prawdziwy. Zamiast tego plik sam może nieść dowód pochodzenia. Aparat albo aplikacja dokłada do zdjęcia podpis kryptograficzny z listą twierdzeń: kto, czym, na jakim sprzęcie, co zostało zmienione. Te dane są osadzone w pliku jako manifest, a każda kolejna edycja jest dopisywana do historii. Gdy ktoś przepisze zawartość, podpis przestaje się zgadzać i system to widzi.

Standard C2PA 2.2 opisuje dokładnie ten mechanizm: twierdzenia tworzą pochodzenie pliku i stanowią sygnały zaufania, a opakowane w podpisane jednostkę nazywane claim. Manifest powstaje już w aparacie i trafia do pliku razem z miniaturką i skrótami kryptograficznymi, które wiążą zdjęcie z manifestem.

Jedno zastrzeżenie, które oszczędzi Ci rozczarowania: to specyfikacja, a nie produkt. Włączenie jest dobrowolne, a ja nie znalazłem narzędzia, które mała firma włączyłaby w przepływie faktur czy maili, żeby sprawdzać te podpisy przy odbiorze.

Fałszywe alarmy: najdroższa część wdrożenia

O tym rzadko się pisze, a to najważniejszy wątek kosztowy. Fałszywy alarm to poprawna transakcja Twojego klienta potraktowana jako oszustwo. Koszt jest znany dokładnie: reklamacja, opóźnienie, utracona sprzedaż i ręczna robota personelu. Reguły oparte na stałych listach generują takie alarmy w dużej ilości, bo są tępe narzędzia. Klient wyjeżdżający na wakacje dostaje zablokowaną kartę, a sprzedawca traci sprzedaż. Takie fałszywe alarmy kosztują amerykańskich detalistów miliardy dolarów rocznie - więcej niż samo oszustwo.

Model zmniejsza ten problem, ale go nie likwiduje. Zbyt agresywny model wciąż psuje doświadczenie klienta, więc potrzebne jest stałe monitorowanie, dostrajanie progów i człowiek w pętli.

Klasyczny przypadek brzmi niepozornie: model oznacza zakupy klienta na wakacjach jako oszustwo. To nie musi być zły model, to model pozbawiony kontekstu. Nie dostał informacji, że ten klient wyjeżdża za granicę dwa razy w roku ani że przed chwilą szukał lotów na ten kierunek. Wiele tak zwanych awarii modelu to po prostu awarie kontekstu.

Przed wdrożeniem ustaw sobie trzy liczby: jaka część oszustw jest łapana, jaka część alarmów to fałszywe trafienia i jaka część spraw trafia do ręcznej obsługi. Bez tych trzech wskaźników nie odróżnisz systemu, który działa, od systemu, który tylko generuje pracę dla twoich ludzi.

Druga strona rachunku: w Ameryce Północnej każdy dolar stracony na oszustwo obciąża instytucje finansowe łącznie 4,41 dolara kosztów towarzyszących, wliczając opłaty, kary i koszty operacyjne. To argument za wdrożeniem, ale warto go porównać z kosztem obsługi fałszywych alarmów, bo w praktyce te dwie liczby warto zestawić ze sobą przed podjęciem decyzji.

Co realnie da się włączyć w małej firmie

Tu najczęściej rozczarowanie, bo lista narzędzi do wykrywania oszustw wygląda w cennikach jak coś dla banków i ubezpieczycieli. Sprawdziłem, co jest dostępne i ile kosztuje.

Weryfikacja, czy to prawdziwy człowiek, zamiast CAPTCHA. Cloudflare Turnstile zastępuje przepisywanie znaków sprawdzaniem interakcji. Plan bezpłatny obejmuje do 20 widgetów i nielimitowaną liczbę weryfikacji, z analityką dostępną do siedmiu dni wstecz. To najprostszy krok, jaki możesz zrobić dziś, i jedyny, który nic nie kosztuje. Nie wykrywa przy tym deepfake’a głosowego ani obrazu - robi co innego.

Automatyzacja własnych sprawdzeń. Jeśli odbierasz płatności albo rozliczasz faktury, n8n pozwala zbudować przepływ, który sprawdza każdą transakcję i podejrzaną kieruje do człowieka. Cena zależy od planu i liczby uruchomień, nie od kroków: 20 euro miesięcznie przy 2,5 tysiącu uruchomień, 50 euro przy 10 tysiącach, 667 euro przy 40 tysiącach w wariancie tylko na własnym serwerze. Dane w wariancie chmurowym przechowywane są w UE, we Frankfurcie.

Detektor obrazu i wideo. F-Secure Deepfake Detector jest bezpłatny, ale w wersji beta. Powiązana subskrypcja kosztuje 49 koron szwedzkich miesięcznie po tygodniowym okresie próbnym.

Menedżer haseł z wbudowaną ochroną. Darmowy plan Bitwardena wystarczy dla zespołu, który nie potrzebuje administracji. Mechanizm z poprzedniej sekcji działa bez dodatkowej konfiguracji.

Ocena ryzyka w płatnościach wbudowana w bramkę. Stripe Radar liczy ryzyko każdej płatności w czasie rzeczywistym i potrafi blokować fałszywe konta. Dostawca podaje, że średnio blokuje 42 procent więcej oszustw na planie Standard niż na Lite, oraz deklaruje 32-procentową redukcję oszustw. To liczby sprzedawcy narzędzia, nie niezależny pomiar - traktuj je jako wskazówkę, nie jako gwarancję. Model rozliczenia jest „opłata za każdą przeskanowaną transakcję”, ale dokładnej stawki w dokumentacji nie ma; trzeba sprawdzić cennik dla konkretnego kraju.

Jedno ostrzeżenie o nazwie, która kusi. Amazon Fraud Detector wypada z cenników jako sensowny wybór, bo od 7 listopada 2025 roku usługa nie jest już otwarta dla nowych klientów. Ktoś, kto polega na starym poradniku, zaproponuje Ci narzędzie, którego nie da się kupić.

Co mówi prawo

Unijne prawo nie nakazuje firmom korzystać z AI do wykrywania oszustw. Robi coś innego: nakłada obowiązek oznaczania, czyli odwrotną stronę tej samej technologii.

Artykuł 50 AI Act mówi, że dostawcy systemów generujących syntetyczny obraz, dźwięk, wideo lub tekst mają zapewnić, żeby wynik był oznaczony w formacie czytelnym maszynowo i wykrywalny jako wygenerowany lub zmieniony sztucznie. Przepis wymaga, by rozwiązania były skuteczne, interoperacyjne, odporne i niezawodne w zakresie, w jakim jest to technicznie możliwe, z uwzględnieniem kosztów wdrożenia i uznanych standardów technicznych. Użycie deepfake’a wymaga ujawnienia, że treść została wygenerowana lub zmieniona, a wyjątkiem jest zastosowanie autoryzowane do wykrywania, zapobiegania, dochodzenia lub ścigania przestępstw.

To ostatnie wyłączenie jest bezpośrednio Twoim tematem: systemy wykrywające oszustwa są wprost wpisane w przepis jako uzasadniony cel.

Sam termin: rozporządzenie stosuje się od 2 sierpnia 2026 roku, a art. 50 należy do rozdziału, którego wyjątki w artykule 113 nie obejmują.

Definicja deepfake'a w akcie jest szeroka, niż wydaje się na pierwszy rzut oka: to wygenerowany lub zmieniony obraz, dźwięk albo wideo, które przypominają istniejące osoby, obiekty, miejsca, podmioty lub zdarzenia i mogłyby fałszywie wyglądać na autentyczne lub prawdziwe. Obejmuje to również nagranie przedstawiające nieistniejące wydarzenie, jeśli tylko odbiorca uznałby je za prawdziwe.

Od czego zacząć, jeśli nie masz działu IT

Kolejność, która ma sens. Po pierwsze, włącz weryfikację typu Turnstile na formularzach, które ktoś może wypełnić za Ciebie: logowanie, kontakt, składanie zamówień. To jeden dzień pracy i zero kosztów. Po drugie, wyślij całemu zespołowi jedną instrukcję: pilne żądanie nigdy nie jest pilne, dopóki nie potwierdzisz go drugim kanałem. To trzy zdania w wewnętrznym komunikacie, a zatrzymuje najczęstszy atak na firmę. Po trzecie, wdroż menedżera haseł dla całej firmy, jeśli jeszcze go nie macie, bo sama funkcja automatycznego wypełniania jest warstwą ochrony przed podszytymi stronami.

Dopiero na tym tle warto rozważać budowę własnego sprawdzania płatności. Kolejność jest odwrotna do tej, którą zwykle sugerują materiały branżowe: najpierw tanie mechanizmy, które zamykają najczęstsze drogi, potem modele, które kosztują utrzymanie i wymagają danych, których jeszcze nie masz.

Jeśli dopiero planujesz pierwsze wdrożenia, od czego zacząć z AI w firmie opisuje kolejność, która sprawdza się w firmach bez działu IT. Przy automatyzacji procesów warto też zajrzeć do siedmiu procesów, które warto zautomatyzować w pierwszej kolejności, bo nie każdy proces nadaje się na pilotaż. Z Samego punktu widzenia kosztów pomocne będzie ile kosztuje wdrożenie AI w małej firmie.

Technicznie część z tego, co tu opisałem, spina się w jednym przepływie: model językowy czyta fakturę, sprawdza ją regułami i rozdziela wynik na trzy koszy, a podejrzane wysyła do człowieka. Tego typu przepływy opisuję przy n8n, a samo narzędzie do czytania i rozumienia treści przy automatycznym przetwarzaniu maili. Zanim jednak zaczniesz liczyć zwrot, policz go wprost: prosty rachunek ROI pokaże, ile godzin tygodniowo realnie odzyskujesz.

Jeśli chcesz przejść od teorii do konkretnego projektu, napisz do mnie i umówmy bezpłatną rozmowę o tym, które z tych punktów da się u Ciebie domknąć najszybciej.