Coinbase ha dichiarato che il suo agente AI realizzato su misura ha superato un importante sistema AI commerciale nella rilevazione delle frodi, rispondendo molto più rapidamente alle revisioni dei pagamenti, riducendo le transazioni fraudolente del 30% e il valore delle transazioni fraudolente del 22% durante i test sul servizio Onramp dell'azienda.

L'agente è basato su Qwen3.5-9B, un modello open-weight che gli ingegneri di Coinbase hanno ottimizzato su dati transazionali interni proprietari. L'amministratore delegato Brian Armstrong ha discusso i risultati il 12 ottobre, a seguito di una serie tecnica in tre parti pubblicata dall'azienda la settimana precedente.

"We were able to fine tune an open weight model (Qwen3.5-9B) on proprietary internal data at @coinbase , and it out performed frontier models, at much lower cost and speed, for a specialized task (fraud prevention in this case). I think we'll see more of this pattern inside… pic.twitter.com/x1gort3N6P"

— Brian Armstrong (@brian_armstrong) 11 ottobre 2026

Nel post, Armstrong ha suggerito che il risultato indica un modello più ampio, in cui i modelli open-weight ottimizzati su dati proprietari possono battere i sistemi frontier su compiti ristretti e specializzati, a costi inferiori e con maggiore velocità.

Il revisore AI riduce le frodi su Onramp

Coinbase ha inizialmente aggiunto il revisore AI accanto alle regole antifrode esistenti e ai controlli di machine learning su Onramp, il servizio dell'azienda per l'acquisto di criptovalute con valuta fiat. In un esperimento online, l'azienda ha registrato il 30% in meno di transazioni fraudolente e una riduzione del 22% del valore delle transazioni fraudolente.

Invece di valutare ogni pagamento in modo isolato, l'agente ha esaminato sequenze di pagamenti recenti per valutare attività sospette. Ciò gli ha consentito di bloccare un pagamento che aveva superato i controlli precedenti, anche se non aveva l'autorizzazione per revocare un blocco già in atto. Il modello restituiva solo classificazioni di rischio, con il codice applicativo che applicava le decisioni finali sulle transazioni — una configurazione che, secondo l'azienda, rafforza la sicurezza delle transazioni mantenendo chiari limiti alle decisioni automatiche di prevenzione delle frodi.

I test interni supportano un modello più piccolo ottimizzato

Coinbase ha confrontato diversi modelli utilizzando un set di test di 16.140 transazioni involving 7.293 utenti, inclusi 831 casi di frode confermati. L'azienda ha scoperto che alcuni modelli generici più recenti hanno tralasciato più frodi nonostante i miglioramenti nell'accuratezza delle transazioni segnalate.

Gli ingegneri hanno quindi adattato Qwen3.5-9B, un modello open-weight da nove miliardi di parametri, utilizzando i registri storici delle frodi di Coinbase. Secondo il rapporto dell'azienda, l'addestramento è stato eseguito su un singolo processore grafico ed è costato meno di 100 dollari.

Contro Opus 4.5 di Anthropic, il modello adattato ha migliorato il proprio punteggio F1 di9,6 punti percentuali. Coinbase ha inoltre segnalato un tempo di risposta mediano inferiore del 55%, con il suo modello che ha impiegato 0,683 secondi per richiesta rispetto a 1,515 secondi del sistema commerciale, secondo le misurazioni in produzione.

I risultati derivano da test condotti internamente all'azienda e non da una valutazione indipendente delle prestazioni dei modelli su altre piattaforme di pagamento. Di conseguenza, il confronto riportato è specifico del flusso di revisione delle transazioni di Coinbase e delle condizioni di test, piuttosto che una classifica generale dei modelli.

Chiari limiti alle decisioni automatiche

Coinbase ha dichiarato che il suo modello richiede test continui man mano che i pattern di frode cambiano, con regole applicative consolidate che controllano come il sistema agisce. L'approccio è in linea con l'avvertimento della società di sicurezza CertiK della scorsa settimana, secondo cui gli agenti autonomi necessitano di limiti chiari e responsabilità umana. Per il sistema descritto da Coinbase, il monitoraggio dell'efficacia delle classificazioni al variare dei pattern di frode rimarrà quindi parte dell'operatività dello strumento insieme a tali regole applicative.

L'uso di AI specializzata per la prevenzione delle frodi arriva mentre gli sviluppatori blockchain esplorano altre applicazioni di sicurezza. Una scoperta assistita dall'AI di un difetto dell'XRP Ledger ha recentemente portato a una correzione di una vulnerabilità che avrebbe potuto consentire la creazione non autorizzata di token. Separatamente, l'avvertimento di Vitalik Buterin su AI e sicurezza dei wallet ha sollevato preoccupazioni secondo cui i sistemi avanzati potrebbero minacciare anche le protezioni crittografiche esistenti, mentre un incidente di phishing coinvolto l'account social di Coldcard ha mostrato che la sicurezza delle criptovalute affronta minacce oltre le frodi transazionali.