تحریریه 
صنعت پرداخت در آستانه یکی از جدیترین تغییرات خود قرار گرفته است؛ تغییری که نه صرفاً فناورانه، بلکه مفهومی و رفتاری است. در سالهایی که پرداختهای آنی، کانالهای دیجیتال متنوع و ابزارهای مبتنی بر هوش مصنوعی به بخشی از زندگی روزمره کاربران تبدیل شدهاند، تقلب نیز همزمان هوشمندتر، سریعتر و تطبیقیتر شده است. اما مسئله اصلی آنجاست که بسیاری از ابزارهای مقابله با تقلب، همچنان با منطق گذشته کار میکنند.
به گفته حسین شینی، متخصص فناوریهای مالی، بزرگترین شکاف امروز در صنعت پرداخت، فاصله میان «تقلب پویا» و «ابزارهای ایستا»ست. در حالی که الگوهای سواستفاده بهصورت زنده تغییر میکنند، از چند کانال بهطور همزمان استفاده میکنند و عمداً زیر آستانههای کلاسیک حرکت میکنند، بخش قابلتوجهی از سیستمهای ضدتقلب همچنان متکی بر قوانین ثابت و واکنش پس از وقوع هستند. این ابزارها آنچه را میشناسند بهخوبی تشخیص میدهند، اما در برابر ناشناختهها ناتواناند.
همزمان با این تغییر، نگاه به امنیت مالی نیز در حال دگرگونی است. مدلهای سنتی که بر مسدودسازی، اعمال محدودیت یکسان برای همه کاربران و افزایش اصطکاک بنا شده بودند، بهتدریج جای خود را به تصمیمگیریهای هوشمند و مبتنی بر ریسک میدهند. در این رویکرد جدید، امنیت بهجای آنکه برای همه کاربران محسوس و آزاردهنده باشد، بهصورت نامرئی برای اکثریت و هدفمند برای کاربران پرریسک اعمال میشود. نتیجه این تغییر، کاهش رد تراکنشهای سالم و افزایش اعتماد کاربران است؛ عاملی که فراتر از بهبود عملیاتی، به وفاداری بلندمدت مشتری منجر میشود.
در همین چارچوب، تصور قدیمیِ تضاد میان امنیت و تجربه کاربری نیز به چالش کشیده شده است. به باور شینی، این گزاره که «امنیت بیشتر یعنی تجربه بدتر» دیگر یک قانون نیست، بلکه نشانه بلوغ پایین سیستمهاست. زمانی که سازمانها به داده رفتاری دسترسی دارند، ریسک را بهصورت پیوسته میسنجند و تصمیمها را چندلایه اتخاذ میکنند، میتوانند همزمان امنیت را افزایش دهند و اصطکاک را کاهش دهند. در چنین شرایطی، امنیت نهتنها مانع تجربه کاربر نیست، بلکه میتواند به مزیت رقابتی تبدیل شود.
با این حال، یکی از چالشهای جدی پیش روی سازمانها، توانایی دیدن الگوهایی است که هنوز تعریف نشدهاند. بسیاری از تیمهای ریسک همچنان در چارچوب سناریوهای از پیش تعریفشده فکر میکنند و شاخصهای ارزیابی آنها بر کشف تقلبهای شناختهشده متمرکز است. این در حالی است که بخش مهمی از تقلبهای آینده هنوز نامگذاری نشدهاند و تنها از طریق تشخیص ناهنجاری و یادگیری رفتاری قابل شناسایی هستند. توان دیدن این الگوها، بیش از هر چیز به بلوغ داده و استقلال تیمهای ریسک وابسته است.
در این میان، اگرچه هوش مصنوعی بهعنوان راهحل اصلی مقابله با تقلب معرفی میشود، اما مسیر پیادهسازی آن هموار نیست. برخلاف تصور عمومی، مانع اصلی نه الگوریتم است و نه مدل. مشکل واقعی در داده نهفته است؛ دادههای تکهتکه، مالکیت نامشخص، نگرانی از تصمیمهای غیرقابل توضیح و تضاد میان واحدهای ریسک، محصول و حقوقی. در بسیاری از سازمانها، هوش مصنوعی نه به دلیل ضعف فنی، بلکه بهدلیل باقیماندن تصمیمگیری در چارچوبهای انسانمحور شکست میخورد.
نقش داده در تصمیمهای لحظهای امروز به نقطهای حیاتی رسیده است. تحلیل real-time میتواند تقلب را زودتر شناسایی کند و تعادل میان امنیت و تجربه کاربر را برقرار سازد. اما بدون بلوغ دادهای، ورود به سیستمهای هوشمند میتواند حتی خطرناکتر از مدلهای سنتی باشد. داده ناقص، تأخیر در پردازش یا سوگیری میتواند منجر به تصمیمهای اشتباه و افزایش خطا شود. بلوغ داده بهمعنای کیفیت، پیوستگی، تفسیرپذیری و وجود چرخه بازخورد است؛ مؤلفههایی که بدون آنها، هوش مصنوعی تنها خطا را سریعتر تولید میکند.
نگاه به آینده نشان میدهد سازمانهایی که نتوانند خود را با این تغییرات تطبیق دهند، با ریسکهای جدی مواجه خواهند شد؛ از افزایش تقلبهای خاموش اما پرتعداد گرفته تا فرسایش تدریجی اعتماد کاربران، رشد هزینههای عملیاتی و ریسکهای رگولاتوری ناشی از تصمیمهای غیرقابل توضیح. در نهایت، عقبماندن از بازیگران دیجیتالنیتیو، بزرگترین تهدیدی است که این سازمانها را تهدید میکند.
جمعبندی این تحولات یک پیام روشن دارد: آینده مقابله با تقلب، نه در کنترل بیشتر، بلکه در فهم عمیقتر رفتار و تصمیمگیری هوشمند در لحظه شکل میگیرد.
