Les agents IA d’Apate s’infiltrent et transforment les appels frauduleux en renseignements sur la fraude

Les agents IA d’Apate ont participé à 2,5 millions de conversations en se faisant passer pour de potentielles victimes d’arnaque, selon la startup australienne. Au lieu d’améliorer la productivité au bureau, ces agents répondent aux appels, messages, e-mails et sollicitations sociales suspects. Leur mission consiste à maintenir les fraudeurs en conversation et à extraire des informations avant qu’une véritable victime ne perde de l’argent.

Cette approche inverse la relation habituelle entre l’intelligence artificielle et la fraude en ligne. Les groupes criminels utilisent déjà l’IA pour traduire des scripts, fabriquer des identités et opérer au-delà des frontières. Apate applique contre eux des capacités conversationnelles similaires, en créant des cibles synthétiques qui ne transfèrent jamais d’argent et ne divulguent jamais de véritables identifiants.

L’entreprise affirme que ses agents ont consommé l’équivalent de 17 années du temps cumulé des escrocs. Pourtant, le temps perdu n’est que le résultat visible. Le produit le plus important est le renseignement sur la fraude, notamment les comptes bancaires, portefeuilles de cryptomonnaies, numéros de téléphone, domaines de phishing et marques usurpées.

Cela place Apate sur un terrain traditionnellement occupé par les systèmes de surveillance bancaire, les filtres des télécommunications et les enquêteurs humains. Ces défenses identifient souvent les comportements suspects après que les escrocs ont déjà atteint les clients. Apate veut collecter l’infrastructure derrière une campagne alors que le fraudeur croit encore qu’une transaction reste possible.

La question centrale dépasse donc celle de savoir si un chatbot peut frustrer un appelant. Apate doit démontrer que les conversations trompeuses produisent des renseignements vérifiés assez rapidement pour permettre aux clients d’arrêter des campagnes actives.

Les agents IA d’Apate transforment les escrocs en sources de renseignement

Le geste distinctif d’Apate consiste à traiter chaque arnaque interceptée comme une opération de renseignement, et non comme une simple interaction bloquée.

Fondée en 2024 à partir de recherches menées à la Macquarie University de Sydney, Apate déploie des milliers d’identités fabriquées sur des canaux vocaux et textuels. Ces identités varient selon l’âge, le genre, l’accent, la langue et le niveau apparent de compétences techniques.

Un bot peut répondre à un faux appel de support en semblant confus au sujet de la banque en ligne. Un autre peut répondre à un message d’investissement et demander où les fonds doivent être envoyés. Des agents textuels peuvent intégrer des forums suspects ou des groupes d’investissement en utilisant des profils fictifs.

Ces agents sont conçus pour révéler les détails opérationnels derrière une arnaque. Les résultats utiles peuvent inclure des comptes de destination, adresses de cryptomonnaies, adresses e-mail, sites web, numéros de téléphone, scripts et marques ciblées.

Le cofondateur d’Apate, Brad Joffe, a déclaré à TechCrunch que les agents de l’entreprise parlent chaque jour avec des dizaines de milliers d’escrocs. L’entreprise conditionne ensuite les renseignements issus de ces conversations pour les banques, fournisseurs de télécommunications, services publics et agences gouvernementales.

Le rapport sur les agents infiltrés de la startup décrit un système opérant via les appels, messages, e-mails, sites web et plateformes sociales. Les clients peuvent également attribuer une mission spécifique, comme obtenir une destination de paiement liée à une campagne suspectée.

Cette structure fondée sur des missions est importante. Un chatbot conventionnel cherche généralement à satisfaire la personne qui l’utilise. Les agents d’Apate poursuivent au contraire un objectif d’enquête tout en maintenant un personnage fictif crédible.

Apate affirme utiliser à la fois des modèles de pointe et des modèles affinés à partir de conversations d’arnaque. Le fine-tuning adapte un modèle général au moyen d’exemples propres à une tâche. Dans ce cas, ces exemples aident les agents à reconnaître les tactiques d’arnaque et à rester convaincants sous pression.

L’entreprise fournit aussi aux clients un portail d’analyse permettant de surveiller les campagnes, produits ciblés, marques usurpées et indicateurs extraits. Ces indicateurs peuvent ensuite étayer des examens de comptes, le blocage de domaines, des avertissements aux clients ou des investigations supplémentaires.

Il en résulte une boucle entre engagement et défense. Une arnaque présumée est redirigée, le bot collecte des informations, puis le client décide si ces informations justifient une intervention.

Toutefois, Apate ne contrôle pas elle-même ces actions finales. Sa valeur dépend de la capacité des banques, opérateurs télécoms et agences à valider et exploiter les éléments recueillis avant que les fraudeurs ne remplacent leur infrastructure.

Pourquoi les défenses contre la fraude ont besoin de signaux plus précoces

Apate pousse les équipes de lutte contre la fraude à passer de la détection de préjudices déjà causés à l’enquête sur les arnaques alors que leurs opérateurs cherchent encore des victimes.

Les banques surveillent traditionnellement les transactions à la recherche de destinations, montants ou comportements inhabituels. Les fournisseurs de télécommunications analysent les schémas d’appels, les identités des expéditeurs et les numéros malveillants connus. Les défenses des navigateurs et de la messagerie bloquent les domaines ou messages associés à des campagnes signalées.

Chaque couche reste nécessaire. Toutefois, de nombreux signaux n’arrivent qu’après le premier contact. Un client peut déjà parler avec un usurpateur avant qu’un numéro de téléphone n’accumule suffisamment de plaintes pour déclencher son blocage.

Les fraudeurs peuvent également faire tourner leur infrastructure. Un numéro bloqué peut être remplacé. Une page de phishing peut migrer vers un autre domaine, tandis que l’argent volé peut transiter par plusieurs comptes ou portefeuilles.

Le pari d’Apate est que l’engagement direct peut révéler plus tôt l’infrastructure de remplacement. Un escroc qui espère un paiement doit tôt ou tard fournir une destination. Un usurpateur doit citer une institution, un service ou une opportunité d’investissement. Ces détails deviennent alors des indicateurs potentiels pour les enquêteurs.

Le défi de la rapidité devient plus urgent à mesure que les criminels adoptent l’IA. Les statistiques du FBI sur la criminalité liée à l’IA ont recensé 22 364 plaintes contenant des informations liées à l’IA en 2025. Les pertes ajustées ont dépassé 893 millions de dollars.

Ces chiffres ne signifient pas que l’IA a causé chaque perte signalée. Ils montrent que les médias synthétiques, conversations automatisées et outils associés apparaissent désormais dans un ensemble important de crimes déclarés.

Une enquête de l’Associated Press a révélé que des groupes criminels utilisaient des systèmes d’IA américains pour traduire des messages et gérer des personnages fabriqués. L’enquête sur les complexes d’arnaque a documenté des opérations visant des victimes dans plusieurs langues et pays.

L’automatisation modifie l’économie des deux côtés. Un travailleur criminel peut gérer davantage de conversations avec des réponses générées, tandis que l’audio synthétique peut rendre l’usurpation plus convaincante. Les défenseurs ont donc besoin de systèmes capables de traiter de gros volumes sans affecter un enquêteur humain à chaque interaction.

C’est là que le modèle d’Apate exerce une pression. Si l’engagement automatisé produit de manière fiable des informations de paiement et des schémas de campagne, le filtrage passif commence à sembler incomplet. Les équipes anti-fraude continueraient à bloquer le trafic suspect, mais elles pourraient aussi l’interroger.

Commonwealth Bank of Australia, TPG Telecom et d’autres organisations testent cette proposition. Le dispositif national australien de signalement des arnaques décrit le travail de Commonwealth Bank avec Apate et confirme l’intérêt institutionnel plus large pour les contre-mesures conversationnelles.

Le rapport national sur les arnaques indique que la banque s’est associée à Apate pour déployer des bots IA contre les escrocs. Il décrit également une preuve de concept de TPG Telecom impliquant la redirection d’appels frauduleux.

Ces déploiements donnent à Apate accès à un trafic présumé frauduleux qu’une application grand public indépendante aurait du mal à obtenir. Ils confient également aux partenaires la responsabilité de déterminer quels appels sont suffisamment suspects pour être redirigés.

Cette dépendance crée à la fois un levier et un risque. Apate peut évoluer grâce à des réseaux établis, mais une classification faible à la périphérie du réseau peut priver son système de conversations utiles ou rediriger à tort des appelants légitimes.

Comment Apate agit avant que l’argent ne soit transféré

Le mécanisme combine redirection du trafic, personnages synthétiques crédibles, persistance conversationnelle et extraction structurée d’indicateurs de fraude.

Apate est parti d’une observation simple de son fondateur, Dali Kaafar. Lors d’un pique-nique familial, il aurait maintenu un escroc au téléphone pendant 44 minutes en prétendant mal comprendre le stratagème.

Cet échange a empêché cet appelant d’approcher une autre victime durant ces minutes. Il suggérait également qu’une conversation prolongée pouvait révéler plus qu’un simple numéro de téléphone.

Kaafar et d’autres chercheurs de la Macquarie University ont transformé cette intuition en programme de recherche formel. Leur projet de défense proactive réunissait l’université, Apate, Commonwealth Bank et l’Office of National Intelligence australien.

Le projet décrivait un bot conversationnel multilingue qui reçoit des appels déjà identifiés comme suspects. Il présente alors un personnage de victime convaincant, prolonge l’interaction et extrait des renseignements sur les menaces en temps quasi réel.

Cette première étape de classification est cruciale. Apate n’appelle pas simplement des personnes au hasard en prétendant être quelqu’un d’autre. Dans ses déploiements télécoms, les appels présumés frauduleux peuvent être redirigés vers un environnement contrôlé.

Une fois connecté, l’agent traite la parole de l’appelant et choisit des réponses qui préservent la confiance de l’escroc. Un brevet correspondant de prévention des arnaques décrit des réponses choisies pour prolonger les appels, en tenant notamment compte des émotions et des signaux de sortie conversationnels.

Un personnage crédible exige de la cohérence. L’agent ne peut pas prétendre être retraité dans une phrase et dire qu’il est à l’école dans la suivante. Il doit se souvenir des détails, gérer les interruptions et éviter de mener à bien la transaction préjudiciable.

La voix n’est qu’une partie du système. Apate affirme que ses agents textuels peuvent répondre à des e-mails, suivre des liens de phishing, intégrer des groupes suspects et poursuivre des conversations sur des plateformes web.

Cette couverture plus large reflète la manière dont les arnaques modernes traversent les canaux. Un premier message peut arriver par SMS, suivi d’une application de messagerie, d’un site web frauduleux, d’un appel téléphonique et d’un transfert de cryptomonnaies.

Les agents d’Apate peuvent recevoir des objectifs d’extraction au sein de ces conversations. Une banque peut donner la priorité aux numéros de compte bénéficiaire. Une enquête sur les cryptomonnaies peut rechercher des adresses de portefeuille, tandis qu’une marque peut se concentrer sur les domaines et les scripts d’usurpation.

Les données extraites nécessitent ensuite une normalisation. Différents agents peuvent rencontrer des variations du même numéro de téléphone, portefeuille, nom ou domaine. La couche de renseignement d’Apate est censée relier ces observations et les présenter comme des éléments de preuve au niveau d’une campagne.

Selon l’entreprise, TPG Telecom a redirigé près de 590 000 appels vers ses agents. Apate affirme également qu’une banque australienne non nommée a utilisé des agents sortants pour perturber 22 campagnes d’arnaque.

Ces chiffres décrivent une activité, et non une efficacité vérifiée par un audit indépendant. Un appel redirigé ne représente pas automatiquement une perte évitée. De même, un compte bancaire découvert nécessite une vérification avant qu’une institution financière puisse le restreindre.

Apate affirme que Commonwealth Bank a connu une réduction de 76 % des pertes liées aux arnaques déclarées publiquement. Cette affirmation exige une attribution prudente, car de nombreux contrôles peuvent influencer les chiffres de pertes. L’éducation des clients, la surveillance des transactions, les règles de remboursement et les évolutions plus larges du marché peuvent tous influer sur le résultat.

Les preuves immédiates les plus solides sont plus circonscrites. Des institutions redirigent de véritables trafics suspects, des agents conversationnels maintiennent des interactions, et ces échanges génèrent des identifiants que les équipes antifraude existantes peuvent examiner.

La véritable compétition oppose le renseignement proactif au blocage réactif

Le principal adversaire d’Apate n’est pas une autre entreprise de chatbots. C’est l’idée selon laquelle la défense contre la fraude doit attendre une transaction détectable ou le signalement d’une victime.

Les systèmes réactifs disposent d’un avantage majeur : ils interviennent sur des événements observables. Une banque peut examiner une tentative de paiement. Un opérateur télécom peut mesurer la fréquence des appels. Un service de messagerie peut comparer un lien à des domaines malveillants connus.

L’engagement proactif opère avec moins de certitude. Un appelant suspect peut être un escroc, un démarcheur agressif ou une personne légitime repérée par un filtre imparfait. Les informations extraites peuvent être fausses, réutilisées ou intentionnellement placées.

Apate accepte cette incertitude en échange d’un accès plus précoce. Ses agents cherchent à atteindre le moment où un escroc révèle son infrastructure de paiement, ses méthodes opérationnelles ou des identités coordonnées.

L’approche s’apparente à un honeypot, un système leurre conçu pour attirer les attaquants et révéler leur comportement. Les honeypots traditionnels de cybersécurité exposent de faux serveurs ou identifiants. Apate étend ce concept aux relations en langage naturel.

Cette couche conversationnelle est importante, car l’ingénierie sociale repose sur la confiance et l’escalade. Les métadonnées techniques peuvent indiquer l’origine d’un appel, mais le dialogue peut révéler le problème inventé, l’action demandée, l’organisation usurpée et le circuit de paiement visé.

Les concurrents et produits connexes interviennent sur différentes étapes de la séquence. Les filtres télécoms identifient les trafics suspects avant qu’un appel ne soit établi. Les banques évaluent les paiements avant leur règlement. Les sociétés d’analyse blockchain tracent les fonds après l’identification d’une adresse.

Des enquêteurs humains mènent également des opérations de piégeage d’escrocs et de travail sous couverture. Ils peuvent comprendre le contexte, improviser de façon stratégique et exercer leur jugement lorsqu’une conversation devient sensible. Leur limite tient au coût et à la disponibilité.

Apate ne remplace pas ces quatre couches. L’entreprise propose une couche de collecte automatisée entre la détection et l’intervention financière. Cette couche cherche à transformer un contact suspect en preuve.

Cette distinction explique pourquoi faire perdre du temps aux escrocs ne suffit pas. Un fraudeur peut gérer de nombreuses conversations simultanées ou utiliser l’automatisation. Maintenir une session active devient moins utile lorsque le coût marginal de l’attaquant approche de zéro.

Un renseignement de haute qualité peut conserver sa valeur même dans ce scénario. Un compte de paiement, un portefeuille ou un domaine réutilisable relie la conversation à une infrastructure que les défenseurs peuvent examiner dans de nombreux dossiers.

Pourtant, la compétition reste déséquilibrée. Les criminels peuvent tester les appelants afin de détecter une voix synthétique, poser des questions adversariales ou fournir aux bots des identifiants fabriqués. Ils peuvent aussi déplacer les conversations vers des plateformes où la collecte automatisée rencontre des restrictions techniques ou réglementaires.

Les agents d’IA des deux côtés vont probablement s’améliorer. Les fraudeurs utiliseront des modèles pour générer des scripts plus adaptatifs. Les défenseurs utiliseront des modèles pour sonder ces scripts et relier des indicateurs récurrents.

Cela crée une boucle de rétroaction adversariale. Chaque conversation peut améliorer les modèles du défenseur, mais elle peut aussi apprendre aux escrocs comment les bots se comportent. Le secret opérationnel, les mises à jour des modèles et la diversité des personas deviennent des exigences défensives centrales.

La voie choisie par Apate est donc plus exigeante que la création d’une démonstration conversationnelle. L’entreprise doit maintenir des agents crédibles face à des adversaires qui apprennent, testent et s’adaptent activement.

Ce que les chiffres d’Apate ne prouvent toujours pas

Le volume de conversations démontre une échelle, mais l’indicateur décisif est la fréquence à laquelle le renseignement d’Apate prévient les préjudices sans perturber les communications légitimes.

L’entreprise affirme que ses agents ont mené 2,5 millions de conversations et consommé 17 années du temps des escrocs. Ces chiffres sont marquants, mais aucun ne mesure directement les pertes évitées.

Une longue conversation peut ne produire aucune information exploitable. Une interaction brève peut révéler immédiatement un compte bancaire. Mesurer uniquement les minutes peut récompenser un engagement impressionnant en apparence sans améliorer les résultats pour les clients.

Les indicateurs extraits présentent également différents niveaux de fiabilité. Un numéro de téléphone peut être usurpé, un site web peut disparaître et un compte bancaire peut appartenir à une mule financière manipulée. Un escroc pourrait délibérément fournir les coordonnées d’une autre personne.

Les clients ont donc besoin de scores de confiance, de registres de provenance et d’une vérification humaine. La provenance explique d’où vient un élément de renseignement et comment il a évolué. Sans elle, les enquêteurs ne peuvent pas distinguer un indicateur solide d’une interprétation erronée de l’agent.

Les faux positifs ont des conséquences réelles. Geler le compte d’une personne innocente ou bloquer le numéro d’une entreprise légitime peut entraîner un préjudice financier. Cela peut aussi éroder la confiance dans l’ensemble du système de lutte contre la fraude.

La gestion des données soulève une autre question non résolue. Les conversations d’escroquerie peuvent contenir des informations personnelles concernant des criminels présumés, des victimes, des mules financières ou des tiers non concernés. Les juridictions imposent des règles différentes pour l’enregistrement, le traitement, la conservation et le partage de ces informations.

Apate affirme que sa plateforme met l’accent sur la confidentialité, la conformité et le partage contrôlé de renseignements. Les informations publiquement disponibles ne donnent pas assez de détails pour évaluer ses périodes de conservation, les limites de l’entraînement des modèles ou les procédures d’audit client.

La dépendance aux modèles introduit une autre question. Apate combinerait des modèles de pointe avec ses propres systèmes affinés. Les politiques des modèles externes, la latence, les interruptions et les changements de comportement en matière de sécurité pourraient affecter les performances des agents.

Les agents doivent également résister à l’injection de prompts, qui survient lorsqu’un texte hostile tente de remplacer les instructions assignées à un modèle. Un escroc soupçonnant un bot pourrait lui ordonner de divulguer ses prompts internes, d’abandonner son persona ou de générer du contenu interdit.

Une résistance efficace exige davantage qu’un prompt système robuste. Apate a besoin d’outils contraints, de magasins de données séparés, d’une surveillance et de garde-fous empêchant une conversation de déclencher des actions non autorisées.

Il existe aussi un risque de confondre corrélation et causalité. Si un partenaire signale une baisse des pertes liées aux escroqueries après avoir adopté Apate, cette réduction peut refléter plusieurs contrôles simultanés. Une évaluation crédible devrait isoler la contribution d’Apate.

Des informations utiles comprendraient le pourcentage de contacts redirigés confirmés comme étant des escroqueries, la proportion produisant des indicateurs exploitables et le délai entre l’extraction et l’intervention. Les clients devraient également suivre les annulations de faux positifs et les pertes évitées vérifiées.

Des audits indépendants rendraient les affirmations de l’entreprise plus faciles à comparer entre institutions. Des définitions standardisées pourraient distinguer les conversations initiées, les conversations maintenues, les indicateurs collectés, les indicateurs vérifiés et les campagnes perturbées.

Le fondement de recherche d’Apate donne à l’entreprise plus de substance qu’une démonstration d’agent typique. Toutefois, passer des preuves issues de pilotes à un contrôle commercial reproductible exige une mesure transparente des résultats.

Trois signaux indiqueront si le renseignement antifraude d’Apate peut passer à l’échelle

La prochaine phase déterminera si Apate peut transformer un déploiement australien inventif en infrastructure de confiance sur différents marchés, canaux et systèmes réglementaires.

Le premier signal est la performance client vérifiée. Apate a cité Commonwealth Bank et TPG Telecom, tout en faisant plus généralement référence à des services publics, des agences et une autre banque australienne.

Les futures études de cas doivent inclure des indicateurs de résultats liés à une référence clairement définie. Les preuves les plus solides relieraient des indicateurs validés à des comptes bloqués, des domaines supprimés, des campagnes perturbées ou des pertes réduites.

Le deuxième signal est le déploiement international. Apate a levé 8,15 millions de dollars lors d’un financement d’amorçage en août 2026, selon l’entreprise et TechCrunch. Son financement total serait juste inférieur à 10 millions de dollars.

La startup de 20 personnes prévoit d’utiliser ce capital pour le développement produit et l’expansion internationale. Elle a l’intention d’ouvrir un bureau à Londres et d’accroître sa présence aux États-Unis.

L’expansion testera la capacité du système à gérer de nouveaux accents, langues, scripts d’escroquerie, règles de confidentialité et flux de travail institutionnels. Un modèle entraîné sur des appels australiens ne peut pas simplement supposer un comportement identique ailleurs.

Une réussite au Royaume-Uni ou aux États-Unis renforcerait l’affirmation d’Apate selon laquelle son architecture se généralise. Des pilotes lents ou un accès limité aux canaux suggéreraient que les partenariats, la réglementation et les données locales restent des contraintes majeures.

Le troisième signal est la résilience adversariale. Les escrocs finiront par reconnaître des voix synthétiques récurrentes, des habitudes conversationnelles ou des schémas de redirection. Certains tenteront d’empoisonner le renseignement en fournissant des comptes et domaines trompeurs.

Apate doit montrer que ses agents évoluent sans devenir dangereux ni imprévisibles. L’entreprise a également besoin de systèmes de détection capables de remarquer lorsqu’un escroc teste le bot plutôt que de poursuivre une victime.

Ces signaux comptent davantage que le nombre total de conversations. Les interventions vérifiées révèlent l’utilité, les partenariats internationaux révèlent la transférabilité et les performances adversariales révèlent la durabilité.

L’importance plus large dépasse les appels frauduleux. Apate illustre une direction inhabituelle pour l’IA agentique, c’est-à-dire un logiciel qui poursuit un objectif au cours de plusieurs étapes conversationnelles. Ici, l’objectif est une collecte contrôlée de renseignements face à un participant hostile.

Ce modèle attirera l’attention des banques, des opérateurs télécoms, des équipes de cybersécurité et des agences gouvernementales. Il soulèvera également des questions sur l’identité, le consentement, la qualité des preuves et l’automatisation responsable.

Pour les travailleurs du savoir qui suivent ce marché, l’habitude utile consiste à distinguer les affirmations des entreprises des résultats validés. Une base de connaissances IA consultable peut aider les équipes à conserver les sources, hypothèses et corrections ultérieures.

Suivez les résultats vérifiés, et pas seulement les enregistrements divertissants. Si Apate parvient à transformer systématiquement des conversations hostiles en interventions rapides, la défense contre la fraude gagnera une nouvelle couche de collecte. Si la vérification reste opaque, les bots pourraient faire perdre du temps aux escrocs sans démontrer qu’ils protègent davantage de victimes.