Gli agenti AI di Apate sotto copertura trasformano le chiamate truffaldine in intelligence sulle frodi
Secondo la startup australiana, gli agenti AI di Apate hanno partecipato a 2,5 milioni di conversazioni fingendosi potenziali vittime di truffe. Anziché migliorare la produttività in ufficio, questi agenti rispondono a chiamate, messaggi, email e inviti sui social sospetti. Il loro compito è tenere i truffatori impegnati ed estrarre informazioni prima che una vittima reale perda denaro.
L'approccio ribalta il consueto rapporto tra intelligenza artificiale e frodi online. I gruppi criminali usano già l'AI per tradurre script, fabbricare identità e operare oltre confine. Apate applica capacità conversazionali simili contro di loro, creando bersagli sintetici che non trasferiscono mai denaro né cedono credenziali reali.
L'azienda afferma che i suoi agenti hanno consumato 17 anni del tempo collettivo dei truffatori. Tuttavia, il tempo sprecato è soltanto il risultato visibile. Il prodotto più importante è l'intelligence sulle frodi, che comprende conti bancari, wallet di criptovalute, numeri di telefono, domini di phishing e marchi impersonati.
Questo porta Apate in un territorio tradizionalmente occupato dai sistemi di monitoraggio bancario, dai filtri delle telecomunicazioni e dagli investigatori umani. Queste difese spesso individuano comportamenti sospetti dopo che i truffatori hanno già raggiunto i clienti. Apate vuole raccogliere l'infrastruttura alla base di una campagna mentre il truffatore ritiene ancora possibile una transazione.
La domanda centrale, quindi, va oltre il fatto che un chatbot possa frustrarne un chiamante. Apate deve dimostrare che le conversazioni ingannevoli producono intelligence verificata abbastanza rapidamente da consentire ai clienti di fermare campagne attive.
Gli agenti AI di Apate trasformano i truffatori in fonti di intelligence
La mossa distintiva di Apate è trattare ogni truffa intercettata come un'operazione di intelligence, non semplicemente come un'interazione bloccata.
Fondata nel 2024 a partire da ricerche condotte presso la Macquarie University di Sydney, Apate impiega migliaia di identità fittizie sui canali vocali e testuali. Le identità variano per età, genere, accento, lingua e apparente competenza tecnica.
Un bot potrebbe rispondere a una chiamata fraudolenta di assistenza fingendosi confuso riguardo all'online banking. Un altro può replicare a un messaggio di investimento e chiedere dove inviare i fondi. Gli agenti testuali possono entrare in forum o gruppi di investimento sospetti usando profili fittizi.
Questi agenti sono progettati per rivelare i dettagli operativi dietro una truffa. Gli output utili possono includere conti di destinazione, indirizzi di criptovalute, indirizzi email, siti web, numeri di telefono, script e marchi presi di mira.
Il cofondatore di Apate Brad Joffe ha dichiarato a TechCrunch che gli agenti dell'azienda parlano ogni giorno con decine di migliaia di truffatori. L'azienda confeziona poi l'intelligence ricavata da queste conversazioni per banche, fornitori di telecomunicazioni, utility e agenzie governative.
Il report sugli agenti sotto copertura della startup descrive un sistema operativo attraverso chiamate, messaggi, email, siti web e piattaforme social. I clienti possono anche assegnare una missione specifica, come ottenere una destinazione di pagamento collegata a una campagna sospetta.
Questa struttura basata sulle missioni è importante. Un chatbot convenzionale cerca generalmente di soddisfare la persona che lo utilizza. Gli agenti di Apate perseguono invece un obiettivo investigativo mantenendo una persona fittizia credibile.
Apate afferma di utilizzare sia modelli frontier sia modelli sottoposti a fine-tuning con conversazioni truffaldine. Il fine-tuning adatta un modello generale usando esempi specifici per il compito. In questo caso, tali esempi aiutano gli agenti a riconoscere le tattiche di truffa e a restare convincenti sotto pressione.
L'azienda offre inoltre ai clienti un portale di insight per monitorare campagne, prodotti presi di mira, marchi impersonati e indicatori estratti. Tali indicatori possono poi supportare revisioni dei conti, blocchi di domini, avvisi ai clienti o ulteriori indagini.
Il risultato è un ciclo tra coinvolgimento e difesa. Una sospetta truffa viene reindirizzata, il bot raccoglie informazioni e il cliente decide se tali informazioni giustificano un intervento.
Tuttavia, Apate non controlla autonomamente tali azioni finali. Il suo valore dipende dalla capacità di banche, operatori telecom e agenzie di convalidare e utilizzare le prove raccolte prima che i truffatori sostituiscano la loro infrastruttura.
Perché le difese contro le frodi necessitano di segnali più precoci
Apate sta spingendo i team antifrode a passare dal rilevamento di danni già compiuti all'indagine sulle truffe mentre i loro operatori stanno ancora cercando vittime.
Tradizionalmente, le banche monitorano le transazioni alla ricerca di destinazioni, importi o comportamenti insoliti. I fornitori di telecomunicazioni analizzano i modelli di chiamata, le identità dei mittenti e i numeri malevoli noti. Le difese del browser e della posta elettronica bloccano domini o messaggi associati a campagne segnalate.
Ogni livello resta necessario. Tuttavia, molti segnali arrivano dopo che il contatto è già avvenuto. Un cliente potrebbe già parlare con un impersonatore prima che un numero di telefono accumuli abbastanza segnalazioni da attivare un blocco.
I truffatori possono anche ruotare l'infrastruttura. Un numero bloccato può essere sostituito. Una pagina di phishing può spostarsi su un altro dominio, mentre il denaro rubato può transitare attraverso più conti o wallet.
La scommessa di Apate è che il coinvolgimento diretto possa rivelare prima l'infrastruttura sostitutiva. Un truffatore che si aspetta un pagamento deve prima o poi fornire una destinazione. Un impersonatore deve nominare un'istituzione, un servizio o un'opportunità di investimento. Questi dettagli diventano potenziali indicatori per gli investigatori.
La sfida dei tempi diventa più urgente man mano che i criminali adottano l'AI. Le statistiche FBI sui crimini legati all'AI hanno registrato 22.364 denunce contenenti informazioni relative all'AI nel corso del 2025. Le perdite corrette hanno superato gli 893 milioni di dollari.
Questi numeri non significano che l'AI abbia causato ogni perdita segnalata. Mostrano che media sintetici, conversazioni automatizzate e strumenti correlati compaiono oggi in un insieme consistente di reati denunciati.
Un'indagine dell'Associated Press ha rilevato che gruppi criminali utilizzavano sistemi AI americani per tradurre messaggi e gestire persone fittizie. L'indagine sui compound delle truffe ha documentato operazioni al servizio di vittime in più lingue e Paesi.
L'automazione modifica l'economia su entrambi i fronti. Un singolo operatore criminale può gestire più conversazioni con risposte generate, mentre l'audio sintetico può rendere più convincente l'impersonificazione. I difensori hanno quindi bisogno di sistemi in grado di elaborare volumi elevati senza assegnare un investigatore umano a ogni interazione.
È qui che il modello di Apate esercita pressione. Se il coinvolgimento automatizzato produce in modo affidabile dettagli sui pagamenti e schemi di campagna, il filtraggio passivo inizia a sembrare incompleto. I team antifrode continuerebbero a bloccare il traffico sospetto, ma potrebbero anche interrogarlo.
Commonwealth Bank of Australia, TPG Telecom e altre organizzazioni stanno testando questa ipotesi. La segnalazione nazionale australiana contro le truffe descrive il lavoro di Commonwealth Bank con Apate e conferma il più ampio interesse istituzionale per le contromisure conversazionali.
Il report nazionale sulle truffe afferma che la banca ha collaborato con Apate per impiegare bot AI contro i truffatori. Descrive inoltre una proof of concept di TPG Telecom relativa a chiamate truffaldine reindirizzate.
Queste implementazioni offrono ad Apate accesso a traffico di truffe sospette che un'applicazione indipendente per i consumatori faticherebbe a ottenere. Affidano inoltre ai partner la responsabilità di decidere quali chiamate siano abbastanza sospette da essere reindirizzate.
Questa dipendenza crea sia leva sia rischio. Apate può scalare attraverso reti consolidate, ma una classificazione debole al margine della rete può privare il suo sistema di conversazioni utili o instradare erroneamente chiamanti legittimi.
Come opera Apate prima che il denaro si muova
Il meccanismo combina reindirizzamento del traffico, persone sintetiche credibili, persistenza conversazionale ed estrazione strutturata di indicatori di frode.
Apate è partita da una semplice osservazione del fondatore Dali Kaafar. Durante un picnic in famiglia, avrebbe tenuto impegnato un truffatore telefonico per 44 minuti fingendo di non comprendere lo schema.
Lo scambio ha impedito a quel chiamante di avvicinare un'altra vittima durante quei minuti. Ha anche suggerito che una conversazione prolungata potesse rivelare più di un semplice numero di telefono.
Kaafar e altri ricercatori della Macquarie University hanno trasformato questa intuizione in un programma di ricerca formale. Il loro progetto di difesa proattiva ha coinvolto l'università, Apate, Commonwealth Bank e l'Office of National Intelligence australiano.
Il progetto descrive un bot conversazionale multilingue che riceve chiamate già identificate come sospette. Presenta quindi una persona-vittima convincente, prolunga l'interazione ed estrae intelligence sulle minacce quasi in tempo reale.
Questo primo passaggio di classificazione è cruciale. Apate non chiama semplicemente persone casuali fingendo di essere qualcun altro. Nelle sue implementazioni telecom, le chiamate sospettate di essere truffaldine possono essere reindirizzate in un ambiente controllato.
Una volta connesso, l'agente elabora il parlato del chiamante e seleziona risposte che preservano la fiducia del truffatore. Un corrispondente brevetto per la prevenzione delle chiamate truffaldine descrive risposte selezionate per prolungare le chiamate, includendo attenzione alle emozioni e ai segnali conversazionali di uscita.
Una persona credibile richiede coerenza. L'agente non può dichiarare di essere un pensionato in una frase e raccontare di essere a scuola nella successiva. Deve ricordare i dettagli, gestire le interruzioni ed evitare di completare la transazione dannosa.
La voce è soltanto una parte del sistema. Apate afferma che i suoi agenti testuali possono rispondere alle email, seguire link di phishing, entrare in gruppi sospetti e continuare conversazioni sulle piattaforme web.
Questa copertura più ampia riflette il modo in cui le truffe moderne attraversano più canali. Un primo messaggio può arrivare via SMS, seguito da un'applicazione di messaggistica, un sito web fraudolento, una chiamata telefonica e un trasferimento di criptovalute.
Agli agenti di Apate possono essere assegnati obiettivi di estrazione nell'ambito di queste conversazioni. Una banca potrebbe privilegiare i numeri di conto del beneficiario. Un'indagine sulle criptovalute potrebbe cercare indirizzi wallet, mentre un marchio potrebbe concentrarsi su domini e script di impersonificazione.
I dati estratti richiedono poi normalizzazione. Agenti diversi possono incontrare varianti dello stesso numero di telefono, wallet, nome o dominio. Il livello di intelligence di Apate dovrebbe collegare tali osservazioni e presentarle come prove a livello di campagna.
Secondo l'azienda, TPG Telecom ha deviato quasi 590.000 chiamate verso i suoi agenti. Apate afferma inoltre che una banca australiana non nominata ha usato agenti outbound per interrompere 22 campagne di truffa.
Queste cifre descrivono attività, non efficacia verificata da audit indipendenti. Una chiamata deviata non rappresenta automaticamente una perdita evitata. Analogamente, un conto bancario individuato richiede verifica prima che un istituto finanziario possa limitarlo.
Apate afferma che Commonwealth Bank ha registrato una riduzione del 76 percento delle perdite per truffe riportate pubblicamente. Questa affermazione richiede un'attribuzione accurata, poiché molti controlli possono influenzare le cifre sulle perdite. Educazione dei clienti, monitoraggio delle transazioni, regole di rimborso e cambiamenti più ampi del mercato possono tutti incidere sul risultato.
Le prove immediate più solide sono più circoscritte. Le istituzioni stanno reindirizzando traffico realmente sospetto, gli agenti conversazionali stanno sostenendo le interazioni e questi scambi generano identificatori che gli attuali team antifrode possono investigare.
La vera sfida è tra intelligence proattiva e blocco reattivo
Il principale avversario di Apate non è un’altra azienda di chatbot. È l’assunto secondo cui la difesa dalle frodi debba attendere una transazione rilevabile o la segnalazione di una vittima.
I sistemi reattivi hanno un vantaggio importante: operano su eventi osservabili. Una banca può analizzare un pagamento tentato. Un operatore di telecomunicazioni può misurare la frequenza delle chiamate. Un servizio email può confrontare un link con domini malevoli noti.
Il coinvolgimento proattivo opera con minore certezza. Un chiamante sospetto potrebbe essere un truffatore, un venditore aggressivo o una persona legittima intercettata da un filtro imperfetto. Le informazioni estratte possono essere false, riciclate o inserite deliberatamente.
Apate accetta questa incertezza in cambio di un accesso più precoce. I suoi agenti puntano a raggiungere il momento in cui un truffatore espone l’infrastruttura di pagamento, i metodi operativi o le identità coordinate.
L’approccio ricorda un honeypot, ovvero un sistema esca progettato per attirare gli attaccanti e rivelarne il comportamento. I tradizionali honeypot di cybersecurity espongono server o credenziali false. Apate estende il concetto alle relazioni in linguaggio naturale.
Questo livello conversazionale conta perché l’ingegneria sociale dipende dalla fiducia e dall’escalation. I metadati tecnici possono mostrare da dove è partita una chiamata, ma il dialogo può rivelare il problema inventato, l’azione richiesta, l’organizzazione impersonata e il percorso di pagamento previsto.
Concorrenti e prodotti adiacenti intervengono su parti diverse della sequenza. I filtri delle telecomunicazioni identificano il traffico sospetto prima che una chiamata si connetta. Le banche valutano i pagamenti prima del regolamento. Le società di analisi blockchain tracciano i fondi dopo che un indirizzo è diventato noto.
Anche gli investigatori umani svolgono attività di scam-baiting e lavoro sotto copertura. Possono riconoscere il contesto, improvvisare strategicamente e applicare giudizio quando una conversazione diventa delicata. Il loro limite è il costo e la disponibilità.
Apate non sta sostituendo tutti e quattro i livelli. Propone un livello di raccolta automatizzata tra il rilevamento e l’intervento finanziario. Quel livello cerca di trasformare un contatto sospetto in prove.
La distinzione spiega perché far perdere tempo ai truffatori non basta. Un frodatore potrebbe gestire molte conversazioni simultanee o usare l’automazione. Mantenere attiva una singola sessione diventa meno utile quando il costo marginale dell’attaccante si avvicina allo zero.
L’intelligence di alta qualità può mantenere valore anche in questo scenario. Un conto di pagamento, un wallet o un dominio riutilizzabile collegano la conversazione a un’infrastruttura che i difensori possono investigare in molti casi.
Tuttavia, la sfida resta sbilanciata. I criminali possono testare i chiamanti alla ricerca di segnali di voce sintetica, porre domande avversariali o fornire ai bot identificatori fabbricati. Possono inoltre spostare le conversazioni su piattaforme dove la raccolta automatizzata incontra restrizioni tecniche o normative.
Gli agenti AI su entrambi i lati probabilmente miglioreranno. I truffatori useranno modelli per generare script più adattivi. I difensori useranno modelli per sondare tali script e collegare indicatori ricorrenti.
Questo crea un ciclo di feedback avversariale. Ogni conversazione può migliorare i modelli dei difensori, ma può anche insegnare ai truffatori come si comportano i bot. Segretezza operativa, aggiornamenti dei modelli e persona diversificate diventano requisiti difensivi centrali.
Il percorso di Apate è quindi più impegnativo della creazione di una dimostrazione conversazionale. L’azienda deve mantenere agenti credibili contro avversari che imparano, testano e si adattano attivamente.
Cosa i numeri di Apate non dimostrano ancora
Il volume delle conversazioni dimostra la scala, ma la metrica decisiva è quanto spesso l’intelligence di Apate prevenga danni senza interrompere comunicazioni legittime.
L’azienda afferma che i suoi agenti hanno condotto 2,5 milioni di conversazioni e consumato 17 anni del tempo dei truffatori. Sono cifre memorabili, ma nessuna delle due misura direttamente le perdite evitate.
Una conversazione lunga potrebbe non produrre alcuna informazione utilizzabile. Un’interazione breve potrebbe rivelare immediatamente un conto bancario. Misurare soltanto i minuti può premiare un coinvolgimento dall’aspetto impressionante senza migliorare i risultati per i clienti.
Anche gli indicatori estratti presentano diversi livelli di affidabilità. Un numero di telefono può essere falsificato, un sito web può scomparire e un conto bancario può appartenere a un prestanome manipolato. Un truffatore potrebbe fornire deliberatamente i dati di un’altra persona.
I clienti necessitano quindi di punteggi di affidabilità, registri di provenienza e revisione umana. La provenienza spiega da dove arriva un’informazione e come è cambiata. Senza di essa, gli investigatori non possono distinguere un indicatore solido dall’interpretazione errata di un agente.
I falsi positivi comportano conseguenze reali. Congelare il conto di una persona innocente o bloccare il numero di un’attività legittima può causare danni finanziari. Può inoltre erodere la fiducia nel più ampio sistema antifrode.
La gestione dei dati presenta un’altra questione irrisolta. Le conversazioni con i truffatori possono contenere informazioni personali relative a presunti criminali, vittime, prestanome o terze parti non correlate. Giurisdizioni diverse impongono regole differenti per la registrazione, l’elaborazione, la conservazione e la condivisione di tali informazioni.
Apate afferma che la sua piattaforma pone l’accento su privacy, conformità e condivisione controllata dell’intelligence. Le informazioni pubblicamente disponibili non forniscono dettagli sufficienti per valutare i suoi periodi di conservazione, i limiti dell’addestramento dei modelli o le procedure di audit dei clienti.
La dipendenza dai modelli introduce un’altra domanda. Secondo quanto riportato, Apate combina modelli di frontiera con sistemi proprietari ottimizzati. Politiche dei modelli esterni, latenza, interruzioni e cambiamenti nel comportamento di sicurezza potrebbero influenzare le prestazioni degli agenti.
Gli agenti devono inoltre resistere alla prompt injection, che si verifica quando testo ostile tenta di sovrascrivere le istruzioni assegnate a un modello. Un truffatore che sospetti un bot potrebbe ordinargli di rivelare prompt interni, abbandonare la propria persona o generare contenuti vietati.
Una resistenza efficace richiede più di un solido system prompt. Apate ha bisogno di strumenti vincolati, archivi dati separati, monitoraggio e salvaguardie che impediscano a una conversazione di attivare azioni non autorizzate.
Esiste anche il rischio di scambiare la correlazione per causalità. Se un partner riporta minori perdite da truffe dopo aver adottato Apate, la riduzione potrebbe riflettere diversi controlli simultanei. Una valutazione credibile dovrebbe isolare il contributo di Apate.
Una divulgazione utile includerebbe la percentuale di contatti reindirizzati confermati come truffe, la proporzione che produce indicatori utilizzabili e il tempo tra estrazione e intervento. I clienti dovrebbero inoltre monitorare le revoche di falsi positivi e le perdite evitate verificate.
Audit indipendenti renderebbero le affermazioni dell’azienda più facili da confrontare tra le istituzioni. Definizioni standardizzate potrebbero distinguere tra conversazioni avviate, conversazioni sostenute, indicatori raccolti, indicatori verificati e campagne interrotte.
La base di ricerca di Apate conferisce all’azienda maggiore sostanza rispetto a una tipica dimostrazione di agenti. Tuttavia, passare dalle evidenze pilota a un controllo commerciale ripetibile richiede una misurazione trasparente dei risultati.
Tre segnali indicheranno se l’intelligence antifrode di Apate può scalare
La prossima fase verificherà se Apate può trasformare un’innovativa implementazione australiana in infrastruttura affidabile attraverso mercati, canali e sistemi normativi.
Il primo segnale è la performance verificata dei clienti. Apate ha nominato Commonwealth Bank e TPG Telecom, riferendosi più in generale a utility, agenzie e a un’altra banca australiana.
I futuri case study necessitano di metriche di risultato legate a una base di riferimento definita. Le prove più solide collegherebbero gli indicatori convalidati a conti bloccati, domini rimossi, campagne interrotte o perdite ridotte.
Il secondo segnale è l’implementazione internazionale. Apate ha raccolto 8,15 milioni di dollari in finanziamento seed nell’agosto 2026, secondo l’azienda e TechCrunch. Il suo finanziamento totale risulterebbe di poco inferiore a 10 milioni di dollari.
La startup di 20 persone prevede di utilizzare il capitale per lo sviluppo del prodotto e l’espansione internazionale. Intende aprire un ufficio a Londra e aumentare la propria presenza negli Stati Uniti.
L’espansione verificherà se il sistema può gestire nuovi accenti, lingue, script di truffa, regole sulla privacy e flussi di lavoro istituzionali. Un modello addestrato sulle chiamate australiane non può semplicemente presumere un comportamento identico altrove.
Il successo in Gran Bretagna o negli Stati Uniti rafforzerebbe l’affermazione di Apate secondo cui la sua architettura è generalizzabile. Piloti lenti o un accesso ristretto ai canali suggerirebbero che partnership, regolamentazione e dati locali restano vincoli rilevanti.
Il terzo segnale è la resilienza avversariale. I truffatori finiranno per riconoscere voci sintetiche ricorrenti, abitudini conversazionali o schemi di reindirizzamento. Alcuni cercheranno di avvelenare l’intelligence fornendo conti e domini fuorvianti.
Apate deve dimostrare che i suoi agenti evolvono senza diventare insicuri o imprevedibili. Ha inoltre bisogno di sistemi di rilevamento che individuino quando un truffatore sta testando il bot invece di perseguire una vittima.
Questi segnali contano più del numero totale di conversazioni. Gli interventi verificati rivelano l’utilità, le partnership internazionali rivelano la trasferibilità e le prestazioni avversariali rivelano la durata.
L’importanza più ampia va oltre le chiamate truffaldine. Apate dimostra una direzione insolita per l’AI agentica, ovvero software che persegue un obiettivo attraverso diversi passaggi conversazionali. In questo caso, l’obiettivo è una raccolta controllata di intelligence contro un partecipante ostile.
Questo modello attirerà l’attenzione di banche, operatori di telecomunicazioni, team di cybersecurity e agenzie governative. Solleverà inoltre interrogativi su identità, consenso, qualità delle prove e automazione responsabile.
Per i knowledge worker che seguono questo mercato, l’abitudine utile è separare le affermazioni aziendali dai risultati convalidati. Una base di conoscenza AI consultabile può aiutare i team a preservare fonti, ipotesi e correzioni successive.
Osservate i risultati verificati, non soltanto le registrazioni divertenti. Se Apate riuscirà a trasformare con costanza conversazioni ostili in interventi tempestivi, la difesa dalle frodi acquisirà un nuovo livello di raccolta. Se la verifica resterà opaca, i bot potrebbero far perdere tempo ai truffatori senza dimostrare di proteggere più vittime.
