Il rilevamento delle frodi in tempo reale sta cambiando rapidamente perché i pagamenti in tempo reale non lasciano praticamente alcun margine di recupero. Un aggiornamento significativo è arrivato il 2 settembre 2026, quando Visa ha annunciato un servizio A2A Protect migliorato che combina la tecnologia Visa e Featurespace in un punteggio di frode unificato per i pagamenti da conto a conto. Il punto non è che un singolo prodotto risolva il problema delle frodi. Il cambiamento più ampio è che gli istituti finanziari stanno sempre più combinando l'intelligenza artificiale a livello di transazione con segnali comportamentali e intelligence di rete prima che il denaro lasci un conto.
Questo è importante perché un pagamento può ora passare dal mittente al destinatario in pochi secondi. Una banca non può aspettare che un'elaborazione batch notturna decida se un trasferimento è sospetto. Il sistema antifrode deve raccogliere segnali, valutare il rischio, applicare le policy e scegliere un'azione entro la finestra di autorizzazione o pagamento, approvando al contempo rapidamente le transazioni legittime.
L'annuncio di Visa di settembre 2026 è disponibile nella sua release A2A Protect . È un esempio di una più ampia tendenza del settore verso un processo decisionale in tempo reale, basato sulla rete, anziché affidarsi esclusivamente a regole statiche interne a un singolo istituto.
Il rilevamento delle frodi tramite intelligenza artificiale si basa sull'utilizzo di modelli statistici e di apprendimento automatico per stimare se un'attività sia legittima o sospetta. Nel settore dei pagamenti, il modello raramente opera da solo. Di solito è integrato in un sistema decisionale più ampio che include anche regole deterministiche, controlli di autenticazione, limiti di velocità, sanzioni o verifiche di conformità e indagini umane.
Nel caso di un acquisto con carta, l'istituto potrebbe dover decidere se approvare, rifiutare o richiedere un'autenticazione più rigorosa. Nel caso di un bonifico istantaneo da conto a conto, potrebbe dover decidere se autorizzare il pagamento, sospenderlo laddove il circuito di pagamento e la legge lo consentano, richiedere un'ulteriore conferma da parte del cliente o inoltrare la transazione a un team antifrode.
La panoramica attuale di Visa sui sistemi di rilevamento delle frodi basati sull'intelligenza artificiale descrive sistemi in tempo reale che analizzano i dati delle transazioni e dei comportamenti, anziché affidarsi esclusivamente a regole statiche o liste nere. Questa architettura di base rimane valida anche se i modelli specifici e i fornitori cambiano.
I tradizionali programmi antifrode avevano più tempo, in alcuni flussi di pagamento, per esaminare le attività insolite a posteriori. I pagamenti istantanei riducono drasticamente questi tempi. Il servizio FedNow della Federal Reserve, ad esempio, consente agli istituti partecipanti di inviare e ricevere pagamenti 24 ore su 24, con i destinatari che possono accedere ai fondi immediatamente.
Nel giugno 2025, la Federal Reserve Financial Services ha aggiunto a FedNow una funzionalità di soglia di attività del conto. Gli istituti partecipanti possono definire soglie di valore in dollari e di frequenza delle transazioni per segmento di clientela. Questo è un utile esempio di moderna difesa dalle frodi: l'intelligenza artificiale rappresenta un livello, mentre controlli semplici come i limiti di importo e frequenza rimangono preziosi perché sono rapidi, trasparenti e facili da combinare con i punteggi dei modelli. Si veda l' annuncio della Federal Reserve Financial Services .
Il sistema inizia con il pagamento stesso: importo, esercente o beneficiario, ora, canale, tipo di pagamento, valuta e identificativi del conto. Un acquisto di generi alimentari da 12 dollari e un bonifico di 12.000 dollari a un nuovo beneficiario non dovrebbero seguire lo stesso percorso decisionale semplicemente perché entrambi sono pagamenti.
Il pagamento viene confrontato con il comportamento recente dell'account. Tra i segnali utili si possono includere la cronologia degli accessi, l'identità del dispositivo, le caratteristiche IP o di rete, la coerenza della geolocalizzazione, il tempo trascorso dall'ultimo cambio di password o dati di contatto, l'anzianità dell'account, la frequenza delle transazioni, i destinatari precedenti e gli importi tipici dei pagamenti.
Queste caratteristiche aiutano a distinguere ciò che è "insolito" da ciò che è "fraudolento". Un cliente che acquista un biglietto aereo da un altro paese potrebbe sembrare insolito di per sé, ma normale se il sistema rileva anche una recente prenotazione di viaggio, un dispositivo noto e un rapporto consolidato con il titolare della carta.
Alcune frodi sono più facili da individuare su una rete che all'interno di un singolo conto. Conti fittizi, truffe coordinate, identità sintetiche e strutture di riciclaggio possono coinvolgere molti mittenti e destinatari distribuiti tra diverse istituzioni.
Il progetto Hertha della Banca dei Regolamenti Internazionali, pubblicato nel giugno 2025, ha esplorato l'analisi delle transazioni basata sull'intelligenza artificiale per i sistemi di pagamento al dettaglio in tempo reale. In esperimenti condotti utilizzando un set di dati sintetico di 1,8 milioni di conti e 308 milioni di transazioni, l'aggiunta di analisi dei sistemi di pagamento ha aiutato banche e fornitori di servizi di pagamento simulati a identificare il 12% in più di conti illeciti, con un miglioramento del 26% nel rilevamento di comportamenti precedentemente non osservati. Si tratta di risultati sperimentali su dati sintetici, non di garanzie di performance per le banche di produzione. Il valore del progetto risiede nella lezione di progettazione: i modelli di rete possono rivelare relazioni che una singola banca non può individuare dal proprio registro contabile. Si veda il rapporto del progetto Hertha della BIS .
I modelli convertono le caratteristiche in una probabilità, un punteggio o una categoria di rischio. Gli istituti possono utilizzare diversi modelli contemporaneamente, ad esempio uno per l'appropriazione indebita di account, un altro per le frodi con carta non presente, un altro ancora per il rischio di truffa e un modello di rete per le relazioni sospette con i destinatari.
Il punteggio assegnato da un modello non rappresenta automaticamente la decisione finale. Una banca può combinarlo con regole come "nuovo dispositivo più nuovo beneficiario più importo insolitamente elevato" o con soglie relative a specifici segmenti di clientela. L'obiettivo è bilanciare le perdite dovute alle frodi con il costo del blocco di clienti legittimi.
Gli esiti tipici includono approvazione, rifiuto, autenticazione a più fattori, richiesta di conferma, ritardo laddove consentito o invio per revisione. L'autenticazione a più fattori significa richiedere prove più solide solo quando il rischio è elevato, ad esempio una conferma aggiuntiva all'interno dell'app o un altro fattore di autenticazione.
Il motore decisionale deve essere sufficientemente veloce da integrarsi nel flusso di pagamento. Le piattaforme di autorizzazione delle carte prendono decisioni sul rischio in genere in millisecondi, mentre i sistemi di pagamento istantaneo hanno solitamente solo pochi secondi tra l'avvio e la liquidazione.
| Gruppo di segnali | Esempi | Cosa può rivelare |
|---|---|---|
| Transazione | Importo, valuta, commerciante o destinatario, tempo, binario di pagamento | Dimensioni, destinazione o tipologia di transazione insolite |
| Comportamento | Intervallo di spesa normale, sequenza di accesso, cronologia del beneficiario, velocità | Deviazione dal modello consolidato del cliente |
| Dispositivo e rete | Impronta digitale del dispositivo, reputazione IP, coerenza della posizione, segnali del browser o dell'app | Acquisizione dell'account o contesto di accesso sconosciuto |
| ciclo di vita dell'account | Età dell'account, recente reimpostazione della password, modifiche al profilo, beneficiario appena aggiunto | Rischi legati a credenziali o impostazioni di pagamento modificate di recente. |
| Relazioni di rete | Dispositivi condivisi, destinatari comuni, catene di trasferimento, conti collegati | Reti di muli o strutture di frode coordinate |
| Risultati confermati | Storni, segnalazioni di frode, etichette degli investigatori, conferme dei clienti | Formazione e feedback per le decisioni future |
È facile definire le regole obsolete e l'apprendimento automatico come il loro sostituto. Nei sistemi di frode in ambito produttivo, tuttavia, questa visione è solitamente troppo semplicistica. Le regole sono eccellenti per condizioni note che richiedono un'azione deterministica: paesi bloccati, tipologie di transazione impossibili, requisiti normativi, eventi duplicati, limiti di importo rigidi o controlli di emergenza introdotti di recente.
L'intelligenza artificiale è più efficace quando la decisione dipende da combinazioni di segnali o comportamenti che non possono essere espressi in modo chiaro tramite un breve elenco di regole. Le istituzioni più mature, pertanto, adottano un approccio a più livelli: regole per politiche chiare, apprendimento automatico per rischi complessi, analisi di rete per le relazioni e revisione umana per i casi ambigui o ad alto impatto.
Un sistema antifrode che blocca tutto è tecnicamente efficace nel prevenire le frodi, ma inutilizzabile come sistema di pagamento. Un falso positivo è una transazione legittima classificata erroneamente come sospetta. Un numero eccessivo di falsi positivi crea frustrazione nei clienti, costi per i call center, acquisti abbandonati e perdita di fiducia.
Ecco perché le istituzioni monitorano più del semplice tasso di rilevamento delle frodi. Tra le metriche importanti figurano le perdite dovute a frodi, il tasso di richiamo o di rilevamento, la precisione, il tasso di falsi positivi, il tasso di approvazione, il tasso di attrito con il cliente, il volume delle revisioni manuali, la latenza e il costo finanziario di ogni tipo di decisione.
La soglia ottimale è specifica per il contesto. Un acquisto con carta di credito da 50 dollari può giustificare una tolleranza diversa rispetto a un bonifico aziendale di 250.000 dollari verso un nuovo conto. Il controllo delle frodi in tempo reale è quindi un problema di ottimizzazione, non semplicemente un problema di classificazione.
Alcune frodi sono relativamente semplici: un criminale ruba le credenziali e avvia un pagamento non autorizzato dal cliente. Un'altra tipologia, spesso definita frode APP (Autorized Push Payment) , si verifica quando il cliente viene indotto con la forza a inviare personalmente il denaro.
Questo è più difficile per l'IA perché l'accesso, il dispositivo, l'autenticazione e la conferma finale potrebbero essere tutti autentici. I segnali sospetti potrebbero invece emergere nella rete del destinatario, nella narrazione della transazione, in una relazione insolita con il beneficiario, nella velocità dei pagamenti o in uno schema di truffa più ampio.
Questo è uno dei motivi per cui l'intelligence a livello di rete sta guadagnando terreno. Il lancio di TRACE da parte di Mastercard nel 2025 nella rete di pagamenti in tempo reale delle Filippine e i suoi strumenti antifrode A2A nel Regno Unito sono esempi di fornitori che cercano di identificare il rischio in più istituzioni anziché trattare i dati di ciascuna banca come un'isola isolata.
Il fenomeno del "model drift" si verifica quando la relazione statistica tra gli input e i risultati delle frodi cambia nel tempo. Il comportamento dei consumatori si modifica, vengono lanciati nuovi prodotti, i modelli stagionali cambiano e i criminali testano deliberatamente i controlli per individuare i punti deboli.
Le istituzioni rispondono con monitoraggio, riqualificazione professionale, test di confronto tra leader e sfidanti, ottimizzazione delle soglie, aggiornamenti delle regole e feedback da casi di frode confermati. Le etichette di qualità sono particolarmente importanti. Il progetto Hertha ha evidenziato i dati di formazione etichettati, i solidi cicli di feedback e gli algoritmi interpretabili come fattori chiave per l'efficacia.
I sistemi in tempo reale necessitano anche di misure di sicurezza contro etichette false o di bassa qualità. Se i clienti contestano erroneamente transazioni legittime, o se gli investigatori classificano i casi in modo incoerente, un modello può apprendere uno schema errato.
Le decisioni in materia di frode hanno un impatto sull'accesso al denaro, sull'esperienza del cliente e sugli obblighi normativi. Le istituzioni necessitano di spiegazioni sufficienti per comprendere perché un modello si comporta in modo diverso, per indagare sugli errori e per giustificare le modifiche alle soglie o alle politiche.
La spiegabilità non richiede che ogni modello sia semplice. Richiede tuttavia risultati operativi utili: quali segnali hanno generato il rischio, quali regole sono state attivate, come è cambiato il punteggio nel tempo e se una decisione è stata coerente con la politica approvata.
Per gli eventi ad alto rischio o ambigui, gli investigatori rimangono fondamentali. La revisione umana può integrare il contesto che un modello non possiede, identificare le narrazioni emergenti relative alle truffe e creare etichette migliori per il prossimo aggiornamento del modello.
Nell'aprile del 2026, l'OCC, la Federal Reserve e la FDIC hanno pubblicato una guida interagenzie rivista sulla gestione del rischio dei modelli, che enfatizza un approccio basato sul rischio. La guida tratta lo sviluppo e l'utilizzo dei modelli, la validazione e il monitoraggio, la governance e i controlli, nonché i modelli di terze parti. Afferma inoltre che l'intelligenza artificiale generativa e l'intelligenza artificiale agentica non rientrano nell'ambito di applicazione di tale guida specifica, in quanto nuove e in rapida evoluzione.
Per i team antifrode, la lezione pratica da imparare è che un modello ad alte prestazioni non è sufficiente. Le istituzioni necessitano di una chiara definizione della responsabilità, di una documentazione sull'uso previsto, di test, monitoraggio, controllo delle modifiche, governance dei dati e di un'adeguata supervisione dei modelli dei fornitori. Si veda la guida rivista del 2026 dell'OCC sul rischio dei modelli .
Il quadro di riferimento volontario del NIST per la gestione del rischio dell'IA fornisce una struttura intersettoriale più ampia incentrata su Governare, Mappare, Misurare e Gestire. Non si tratta di una regolamentazione bancaria, ma è utile per organizzare le questioni relative ad affidabilità, trasparenza, privacy, sicurezza e responsabilità.
L'intelligenza artificiale generativa può aiutare gli investigatori a riassumere i casi, estrarre informazioni dagli appunti, redigere resoconti investigativi o effettuare ricerche in grandi archivi di politiche e casi. Ciò non significa che un modello linguistico complesso debba essere l'unico motore di autorizzazione a decidere se un pagamento è legittimo.
I sistemi di valutazione del rischio di frode in tempo reale si basano generalmente su modelli statistici strutturati e ottimizzati per la classificazione a bassa latenza, il rilevamento di anomalie, l'analisi grafica e la calibrazione dei punteggi di rischio. I sistemi generativi possono integrare il flusso di lavoro, soprattutto in seguito a un avviso, ma gli istituti finanziari necessitano comunque di controlli deterministici e di un comportamento misurabile del modello nel percorso della transazione.
La maggior parte dei sistemi di rilevamento delle frodi basati sull'intelligenza artificiale è invisibile. Un pagamento normale viene approvato senza ulteriori passaggi. Un pagamento moderatamente insolito può attivare una conferma in-app. Una transazione ad alto rischio può essere rifiutata o inoltrata per una verifica. L'obiettivo è quello di introdurre un attrito selettivo: aumentare la sicurezza solo quando il rischio lo giustifica.
Per i clienti, ciò significa che il sistema antifrode più avanzato potrebbe risultare meno invasivo rispetto a uno più datato, in quanto è in grado di distinguere con maggiore precisione i comportamenti normali dalle attività sospette. Per gli istituti finanziari, la sfida consiste nel mantenere tale esperienza, rispondendo al contempo ai nuovi modelli di frode con la rapidità necessaria per effettuare i pagamenti.
L'aggiornamento Visa A2A Protect di settembre 2026, i controlli di rischio configurabili di FedNow e il progetto Hertha della BIS puntano nella stessa direzione: la difesa dalle frodi si sta spostando da regole di transazione isolate verso un'intelligence stratificata in tempo reale. I sistemi più efficaci combinano comportamento individuale, contesto dell'account, dati del dispositivo, relazioni di rete, regole e competenza umana.
L'intelligenza artificiale migliora la capacità di classificare rapidamente il rischio, ma non elimina i compromessi. Gli istituti finanziari devono ancora decidere quale livello di attrito sia accettabile, come validare i modelli, quali dati possono essere utilizzati legalmente ed eticamente, come governare i sistemi di terze parti e cosa succede quando il modello è incerto.
Questo è il significato pratico del rilevamento delle frodi tramite intelligenza artificiale nella finanza in tempo reale: non un singolo algoritmo che "conosce" la frode, ma un sistema decisionale progettato che converte continuamente le prove in rapido movimento in azioni proporzionate prima che una transazione si trasformi in una perdita irrecuperabile.
A practical 2026 guide to AI, smart-home sensors, remote monitoring, fall safety, privacy, and how technology can support aging in place without replacing care.
Scopri come le città possono trasformare i dati relativi a mobilità, uso del suolo, clima e comunità in quartieri più sicuri, più verdi e più vivibili, senza anteporre la tecnologia alle persone.
Confronta i principali programmi di ingegneria aerospaziale e UAV per droni, autonomia, sistemi di controllo, operazioni UAS e ricerca di dottorato, con aggiornamenti verificati fino al 2026.
Una guida pratica alla robotica chirurgica basata sull'intelligenza artificiale: capacità attuali, livelli di autonomia, vantaggi in termini di precisione, limiti, regolamentazione e criteri di valutazione.
Gli investimenti nella cattura e utilizzo del carbonio (CCUS) sono in aumento, ma la cattura del carbonio può davvero invertire le emissioni globali? Scopri dove funziona, quali sono i limiti di scala e quali sono le evidenze scientifiche rilevanti.
Compare seven global programs for digital supply chains, logistics, analytics, global trade, and operations, with practical guidance on choosing the right fit.
Scopri come le interfacce cervello-computer decodificano i segnali neurali per ripristinare la comunicazione e il movimento, quali risultati hanno ottenuto gli studi più recenti e cosa limita ancora l'utilizzo delle BCI.
Scopri come i droni commerciali combinano sensori, intelligenza artificiale edge, batterie, sistemi di comunicazione e software di controllo del volo, e in che modo l'autonomia dipende ancora dalla missione e dalle normative.
Compare seven strong battery and energy storage master's options by materials, systems, research, industry exposure, flexibility, language, and cost trade-offs.
Scopri come la massa del carico utile, i limiti della batteria, le condizioni meteorologiche, l'efficienza della propulsione e l'architettura del velivolo influenzano l'autonomia dei droni industriali e come migliorarla.
