JPMorgan Chase оценивает совокупный эффект от внедрения искусственного интеллекта примерно в $1,5 млрд ежегодной ценности — такую цифру банк привёл в 2025 году, и заметная часть суммы приходится на борьбу с мошенничеством. Модели машинного обучения на внутренней платформе OmniAI анализируют транзакции в реальном времени и заменяют часть жёстких правил, которые раньше блокировали легитимных клиентов ложными срабатываниями.
Что произошло
По данным Reuters, JPMorgan на протяжении нескольких лет наращивал портфель AI-инициатив: от торговых алгоритмов до кредитного скоринга и клиентского сервиса. Одно из самых заметных направлений — антифрод: платёжные и карточные транзакции банка ежедневно исчисляются миллионами, и ручная проверка каждой аномалии физически невозможна.
Классические фрод-системы строятся на статичных правилах: превышен лимит суммы, платёж из необычной страны, серия операций подряд — сработал алерт. По данным Emerj, ссылающегося на отраслевые исследования, доля ложноположительных алертов в таких системах может достигать 95%, а издержки от блокировки легитимных операций нередко превышают прямые потери от самого мошенничества.
JPMorgan заменил часть этой логики моделями, которые учитывают поведенческий контекст клиента. По данным отраслевых обзоров, только антифрод-направление банка предотвращает потери на сумму свыше $1 млрд в год, а совокупный эффект от AI-программы, включая фрод, кредитные решения и трейдинг, — упомянутые $1,5 млрд. Похожие модели банк применяет и в комплаенс-скрининге для противодействия отмыванию денег, где объём алертов для ручной проверки традиционно был одним из самых больших в индустрии.
Как это работает
В основе — платформа OmniAI, единый слой машинного обучения для разных бизнес-подразделений банка, а не разрозненные скрипты под конкретную задачу. Для антифрода это означает, что модель получает не один сигнал (сумма, гео, время), а десятки признаков одновременно: поведенческие паттерны трат, отпечаток устройства, историю предыдущих отказов, связи получателя с уже помеченными аккаунтами.
Модель оценивает вероятность мошенничества в момент транзакции, а не постфактум — это критично для платежей, которые нельзя отменить после исполнения. Решение не бинарное «пропустить/заблокировать»: часть операций уходит в дополнительную проверку — push-уведомление клиенту, одноразовый код, — и только явные аномалии блокируются автоматически.
Отдельный источник эффекта — снижение доли ложных срабатываний. Каждый ложный алерт — это не только раздражённый клиент, но и время аналитика, который мог бы разбирать реальные инциденты. Чем точнее модель отсеивает шум, тем выше пропускная способность команды фрод-мониторинга без расширения штата. Для платежей картой это особенно ощутимо: транзакция исполняется за секунды, и решение блокировать её нужно принять до, а не после списания средств — в отличие, например, от банковских переводов, где есть время на ручную проверку.
Что внедрить у себя
- Считайте не только точность модели детекции, но и стоимость ложного срабатывания — упущенную выручку и отток клиентов, а не только прямые потери от фрода.
- Стройте профиль нормального поведения для клиента, сотрудника или сервисного аккаунта, а не полагайтесь только на статичные пороги по сумме и гео.
- Разделяйте решения на уровни доверия: автоматическая блокировка только для явных аномалий, дополнительная проверка — для пограничных случаев.
- Пересчитывайте пороги и признаки модели регулярно: паттерны мошенничества и нормального поведения меняются быстрее, чем обновляются классические правила.
- Мониторьте дрейф модели и долю ложных срабатываний как отдельную метрику качества — это прямой показатель нагрузки на команду.
- Не убирайте человека полностью из контура для крупных сумм и нетипичных транзакций — автоматизация должна снижать, а не устранять точки контроля.
Похожая логика поведенческого профилирования всё активнее применяется и в SOC: там, где аналитик раньше тонул в потоке алертов, агентный триаж уже даёт измеримый результат — Security Copilot экономит клинике St. Luke’s до 200 часов в месяц, а по данным Microsoft агентный триаж находит в 6,5 раза больше вредоносных алертов, чем аналитик вручную. Схожий принцип поведенческого анализа лежит и в основе защиты от инвестиционного мошенничества с дипфейками.
По материалам: Reuters (2025); Emerj — Artificial Intelligence at JPMorgan Chase.
