Wanneer je je voorstelt hoe software online fraude opspoort, denk je waarschijnlijk aan een gestolen kaart die bij de kassa wordt geweigerd, of aan een bank die je rekening blokkeert nadat een vreemde aankoop al is doorgekomen. Het voelt als een bewaker die pas in actie komt wanneer er duidelijk iets mis is gegaan.

De werkelijkheid is vreemder en veel slimmer dan dat. Moderne fraudedetectie is ontworpen om problemen te zien aankomen en ze te stoppen voordat er ook maar één cent verloren gaat. De manier waarop dit gebeurt, lijkt totaal niet op het eenvoudige regelboek dat de meeste mensen voor ogen hebben. Begrijpen wat het systeem werkelijk doet, laat zien hoeveel stille beoordelingen er plaatsvinden telkens wanneer je online gaat.

Fraudedetectie is niet wat je denkt

Het oude beeld van fraudedetectie bestaat uit een lijst met regels. Markeer elke betaling boven een bepaald bedrag, blokkeer een aantal risicovolle landen, bevries alles wat vreemd lijkt en schakel vervolgens een medewerker in om het te controleren. Die aanpak heeft inderdaad bestaan en wordt op sommige plaatsen nog steeds gebruikt, maar hij is traag, omslachtig en gemakkelijk te omzeilen door iedereen die bereid is net onder de ingestelde limieten te blijven.

Wat tegenwoordig achter de schermen draait, is een voorspellend systeem dat wordt aangedreven door machine learning. Het beoordeelt het risico van een handeling op het moment dat deze plaatsvindt, in plaats van achteraf uit te zoeken wat er is misgegaan. Het systeem heeft geleerd hoe jouw normale gedrag eruitziet en vraagt zich stilletjes, duizenden keren per seconde bij miljoenen gebruikers, af of dit specifieke moment binnen dat patroon past.

Deze stille beoordeling vindt plaats wanneer je een online account gebruikt, en niet alleen bij je bank. Zodra je een hidden jack promo code invoert en doorgaat om geld op je account te storten, beoordeelt een onzichtbaar model al of dit werkelijk op jouw gedrag lijkt. Daarbij worden je apparaat, je locatie en je gedrag vergeleken met alles wat het systeem eerder heeft gezien. Je merkt er niets van, en dat is precies hoe het bedoeld is.

De mythes die we onszelf vertellen

Omdat de technologie onzichtbaar is, vullen de meesten van ons de ontbrekende informatie in met aannames, en bijna al die aannames zijn achterhaald. Deze hardnekkige mythes laten fraudedetectie veel eenvoudiger en eerlijk gezegd zwakker klinken dan ze in werkelijkheid is.

Een paar overtuigingen komen steeds opnieuw terug:

  • Het reageert pas achteraf — het idee dat een gestolen kaart pas wordt ontdekt nadat de schade al is ontstaan.

  • Het controleert alleen een zwarte lijst — een eenvoudige lijst van bekende frauduleuze kaarten en risicolanden waarmee een betaling wordt vergeleken.

  • Een medewerker beoordeelt elke waarschuwing — het beeld van iemand die elke verdachte betaling handmatig onderzoekt voordat er een beslissing wordt genomen.

  • Het bestaat alleen uit als-dan-regels — de overtuiging dat alles neerkomt op het markeren van transacties boven een bepaald bedrag.

  • Een gestolen wachtwoord betekent dat het voorbij is — de aanname dat een dief alleen de juiste inloggegevens nodig heeft om binnen te komen.

Elk van deze ideeën bevatte tien of twintig jaar geleden een kern van waarheid, toen een regelboek en een team van beoordelaars daadwerkelijk de eerste verdedigingslinie vormden. Het probleem is dat fraude zich verder heeft ontwikkeld en dat de verdedigingssystemen die fraude moeten stoppen stilletjes hetzelfde hebben gedaan.

Wat er werkelijk gebeurt

Wanneer je de mythes wegneemt, ontstaat een heel ander beeld, gebaseerd op voorspelling in plaats van reactie. In plaats van te wachten totdat een regel wordt overtreden, schat het systeem voortdurend in hoe waarschijnlijk het is dat een bepaalde handeling frauduleus is en handelt het vervolgens in realtime op basis van die inschatting.

Dit is wat er werkelijk onder de oppervlakte gebeurt:

  • Het voorspelt in plaats van te reageren — het beoordeelt het risico van een betaling voordat deze wordt verwerkt, zodat een verlies kan worden voorkomen voordat het ontstaat.

  • Het leert wat voor jou normaal is — het bouwt een profiel op van je gebruikelijke gedrag en markeert alles wat daarvan afwijkt.

  • Het beslist binnen milliseconden — de meeste beslissingen worden onmiddellijk geautomatiseerd genomen, terwijl mensen alleen worden ingezet voor werkelijk onduidelijke gevallen.

  • Het herkent wat het nog nooit heeft gezien — modellen die zijn getraind om normaal gedrag te herkennen, kunnen volledig nieuwe vormen van fraude signaleren die met geen enkel eerder voorbeeld overeenkomen.

  • Het kijkt naar hoe je iets doet, niet alleen naar wat je doet — je typritme en apparaat kunnen een indringer verraden, zelfs wanneer die persoon je wachtwoord heeft.

Samen zorgen deze mogelijkheden ervoor dat het systeem kan handelen op basis van een vermoeden voordat dit in een daadwerkelijk verlies verandert. Dat is precies wat bedoeld wordt met fraude stoppen voordat het gebeurt. Het lijkt minder op een bewaker die toegangsbewijzen bij de deur controleert en meer op een detective die al weet hoe jij loopt.

De signalen die het stilletjes in de gaten houdt

Hoe slim het systeem ook is, het is slechts zo goed als de aanwijzingen die het kan interpreteren, en het verzamelt er verrassend veel. Sommige daarvan zijn voor de hand liggende details van een transactie, zoals het bedrag, het tijdstip en de locatie, terwijl andere veel persoonlijker zijn. Het meest veelzeggende is niet wat je doet, maar de manier waarop je het doet. Op dit punt begint fraudedetectie bijna griezelig nauwkeurig aan te voelen.

De manier waarop je typt verraadt je

Een vakgebied dat gedragsbiometrie wordt genoemd, bestudeert de kleine, onbewuste gewoonten die jou herkenbaar maken als individu, van het ritme van je toetsaanslagen tot de manier waarop je een muis beweegt of over een scherm veegt. Deze patronen zijn opmerkelijk consistent voor iedere persoon en bijzonder moeilijk na te bootsen. Daardoor kan een sessie waarin plotseling te snel wordt getypt of waarin anders wordt genavigeerd dan de eigenaar normaal doet, stille waarschuwingen activeren. Dit betekent dat een dief je correcte wachtwoord kan hebben en toch kan worden betrapt, simpelweg omdat die persoon zich niet gedraagt zoals jij. In de praktijk is dit uitgegroeid tot een van de sterkste verdedigingsmechanismen tegen accountovernames, waarbij een crimineel toegang krijgt tot een echt account in plaats van een nepaccount aan te maken.

Naast het gedrag van een individu bestudeert het systeem ook het netwerk van verbindingen rond een handeling en brengt het in kaart hoe accounts, apparaten en identiteiten met elkaar verbonden zijn. Eén nieuw account kan op zichzelf onschuldig lijken, maar wanneer het hetzelfde apparaat deelt met tientallen andere accounts of deel uitmaakt van een groep die zich allemaal op exact dezelfde manier gedraagt, kan het bredere netwerk de fraude verraden. Voeg daar de snelheid van gebeurtenissen aan toe, zoals een reeks kleine testbetalingen in korte tijd, en de kenmerken van georganiseerde fraude worden bijzonder moeilijk te verbergen.

De beperkingen waar niemand reclame voor maakt

Het zou een vergissing zijn om dit systeem als foutloos te beschouwen, want een technologie die zo krachtig is, brengt ook echte nadelen met zich mee. Tegenover elke fraudepoging die stilletjes wordt gestopt, staan compromissen die vrijwel nooit in marketingmateriaal worden genoemd.

Het meest voorkomende probleem is een vals alarm, waarbij een legitieme handeling ten onrechte als verdacht wordt beschouwd. Dat is schadelijker dan het misschien klinkt. Uit onderzoeken blijkt dat veel bedrijven van mening zijn dat deze fout-positieve meldingen hen meer kosten dan de fraude zelf, door verloren verkopen en trouwe klanten die zonder goede reden worden geweigerd.

De belofte

Het nadeel waar zelden reclame voor wordt gemaakt

Veel minder verliezen door fraude

Valse alarmen kunnen een bedrijf meer kosten dan de fraude zelf

Het leert zelfstandig nieuwe vormen van fraude herkennen

Vertekende trainingsgegevens kunnen hele groepen mensen verkeerd beoordelen

Beslissingen worden binnen milliseconden genomen

Een onterechte blokkering jaagt een echte, betalende klant weg

Het blijft criminelen een stap voor

Fraudeurs gebruiken inmiddels hun eigen AI, deepfakes en vervalsingen

Er zijn ook diepere zorgen, omdat een model dat met vertekende gegevens is getraind hele groepen mensen verkeerd kan beoordelen. Tegelijkertijd bewapenen criminelen zich met precies dezelfde technologie en gebruiken ze hun eigen AI en deepfakes om langs de verdediging te glippen. Het resultaat is een permanente wapenwedloop waarin geen van beide partijen ooit definitief wint.

Fraudepreventie helder bekeken

AI herkent online fraude voordat deze plaatsvindt door het oude regelboek te vervangen door voorspellingen, te leren hoe jouw normale gedrag eruitziet en elke handeling daar binnen milliseconden tegen af te wegen. Het analyseert niet alleen wat je doet, maar ook hoe je het doet, herkent vormen van fraude die het nog nooit eerder heeft gezien en reageert op verdachte signalen lang voordat er daadwerkelijk verlies kan ontstaan.

Het systeem is verre van perfect. Valse alarmen en verborgen vooroordelen vormen een reële prijs voor deze kracht, terwijl fraudeurs steeds slimmere hulpmiddelen inzetten. Toch is het de volgende keer dat een betaling probleemloos wordt verwerkt de moeite waard om stil te staan bij de onzichtbare detective die zojuist in een fractie van een seconde heeft besloten dat de persoon achter het scherm werkelijk jij was.

FAQ

Hoe stopt AI fraude voordat deze plaatsvindt?

Door risico’s te voorspellen in plaats van er pas achteraf op te reageren. Machine learning beoordeelt elke handeling binnen milliseconden aan de hand van jouw normale gedrag, zodat een verdachte betaling of login kan worden geblokkeerd voordat er daadwerkelijk geld verloren gaat.

Hoe verschilt AI-fraudedetectie van oude systemen die op regels zijn gebaseerd?

Oude systemen gebruikten vaste regels, zoals het markeren van elke grote betaling, waardoor ze traag en gemakkelijk te omzeilen waren. AI leert patronen herkennen, past zich zelfstandig aan nieuwe vormen van fraude aan en detecteert fraude die dergelijke rigide regels volledig zouden missen.

Wat is gedragsbiometrie?

Dit zijn de unieke gewoonten in de manier waarop je typt, een muis beweegt of over een scherm veegt. Omdat deze patronen moeilijk na te bootsen zijn, kan een dief met jouw correcte wachtwoord alsnog worden betrapt wanneer diens gedrag niet overeenkomt met jouw gebruikelijke patroon.

Maakt AI-fraudedetectie fouten?

Ja. Het systeem kan valse alarmen veroorzaken waardoor echte klanten worden geblokkeerd, en vertekende trainingsgegevens kunnen bepaalde groepen verkeerd beoordelen. Daarnaast hebben criminelen hun eigen AI tot hun beschikking, waardoor er sprake is van een voortdurende wapenwedloop.