顧客が有効な Social Security number を提出し、データベース照会を通過し、説得力のある本人確認書類を提示する。すべてが正常に見える――ただし、口座を申し込んでいる人物は実際には存在しない。

これが、合成 ID 詐欺が銀行にもたらす課題だ。犯罪者は一人の被害者になりすますのではなく、本物の個人情報に、架空の氏名、住所、電話番号、生年月日を組み合わせて新たな ID を作り上げる。Federal Reserve（米連邦準備制度）は、この犯罪を、個人を特定できる情報を組み合わせて、不正または金銭的利益を目的に人物や事業体を捏造する行為と定義している。

合成 ID の手口は、数か月から数年にわたり発覚しない可能性がある。詐欺師は少額の支払いを行い、信用履歴を築き、利用可能な口座の限度額を使い切って姿を消す前に、徐々により大きな限度額の対象となることがある。従来型の ID 窃盗の被害者がすぐに犯罪を届け出るわけではないため、結果として生じた損失は通常の貸倒損失として処理される可能性がある。

金融面でのエクスポージャーは拡大している。TransUnionは、米国のオープンなクレジットカード、リテールカード、自動車ローン、個人ローン口座における合成 ID エクスポージャーが、2024年末に33億ドルへ達したと推定した。Deloitteは、合成 ID 詐欺による損失が2030年までに少なくとも230億ドルに達すると予測している。

生成 AI は、犯罪者が偽造文書、現実的なプロフィール写真、ディープフェイク動画、整合性のある架空の人格を何千件も作成することを可能にし、脅威の封じ込めを難しくしている。単一の製品で問題のあらゆる側面に対応することはできない。銀行には、ID グラフ、行動バイオメトリクス、デバイスインテリジェンス、文書分析、ネットワーク接続、継続的な取引監視など、複数のレイヤーを連携させることがますます求められている。

以下のプラットフォームは、これらのシグナルをリアルタイムの不正判断に組み合わせる能力で注目されている。

Socure Sigma Synthetic Fraud

SocureのSigma Synthetic Fraudは、市場でも目的特化型の製品の一つだ。信用履歴が限られている申請者をすべて疑わしいと扱うのではなく、正当な薄い信用ファイルの消費者や新たに入国した消費者と、改ざん・捏造された ID を区別するよう設計されている。

氏名、住所、電話番号、メールアカウント、デバイス、IPアドレス、利用速度のパターン、さらに広範なオンラインおよびオフラインの ID 記録の関係を分析する。Socureによれば、同社の最新モデルは米国最大手銀行5行すべてに加え、大手カード発行会社や数百社のフィンテック企業で利用されている。

このプラットフォームは、Socureのより広範な ID スタックを通じて、文書確認、行動分析、デバイスインテリジェンスと組み合わせることもできる。これにより銀行は、若年消費者や従来型の信用履歴が限られた申請者に不要な負担をかけず、合成 ID に特化したリスクスコアを取得できる。

SentiLink Synthetic Fraud Score

SentiLinkは、申請プロセス中の合成 ID 検知を中心に評価を築いてきた。同社のSynthetic Fraud Scoreは、申請者が提示した氏名、生年月日、Social Security numberが、一貫した一人の人物に属していない確率を推定する。

同社は、実在する氏名と別人の識別番号を使う可能性がある改変 ID と、組織的な詐欺集団が組み立てた完全な捏造 ID を区別している。機械学習によるスコアに加え、説明可能なフラグも提供され、調査担当者は、Social Security number間の不審な関係、通常とは異なる電話番号履歴、整合しない ID 要素などを確認できる。

SentiLinkの2025年下半期を対象とした不正レポートは、2億3,600万件を超える口座開設申請に基づいている。同社は、米国最大手銀行15行のうち11行にサービスを提供していると述べた。この規模により、単一の金融機関の記録では重要でないように見える協調攻撃も、モデルが把握できる。

Alloy Fraud Platform

Alloyは、合成 ID 検知を意思決定のオーケストレーション問題として捉えている。銀行は複数のベンダーから ID データ、文書確認、デバイスツール、不正スコアを調達することが多いが、システム同士が効果的に連携しないこともある。Alloyは、これらのシグナルを設定可能なオンボーディングおよび口座監視ワークフローに集約する。

同社のFraud Signalは、900を超える金融機関およびフィンテック企業のネットワーク全体で集約された行動・リスクパターンを使って学習した機械学習を利用する。プラットフォームは数百のデータサービスから情報を統合し、銀行独自のリスク許容度を適用し、申請が定められたしきい値を超えた場合にのみ、より強力な確認を要求できる。

この柔軟性は、合成 ID 検知において重要だ。警告サインは、明らかに偽造された一つの文書であることがほとんどない。多くの場合、連絡先情報、デバイス、住所、申請履歴に分散した小さな不整合の集合である。Alloyは、そうした散在する手がかりを一つの連携した判断に変えるよう設計されている。

Sardine

Sardineは、本人確認にデバイスインテリジェンス、行動バイオメトリクス、コンソーシアムデータ、グラフ分析を組み合わせる。申請に入力された情報だけでなく、申請がどのように完了したか、あるデバイスがネットワーク内の別の場所で使われているか、無関係に見える複数の ID が隠れた技術的接続を共有しているかを調べることができる。

SardineのConnections Graphは、共通のデバイス、加盟店、住所、取引パターンを通じてつながる口座群を特定できるため、組織的な合成 ID 詐欺に直面する銀行に特に関連性が高い。同社のGraph Analystエージェントは、こうした関係を調査し、従来型の単一ソリューションでは見逃す可能性のある協調的な不正利用を明らかにするよう設計されている。

Sardineは、オンボーディング後もリスクシグナルを取引監視やマネーロンダリング対策のワークフローへ拡張する。このライフサイクル全体を捉える視点により、当初は通常通りに行動していたものの、後になって不審な送金を受け取ったり、資金を急速に移動させたり、マネーミュールのネットワークの一部として活動したりする合成 ID 口座を特定しやすくなる。

Feedzai

Feedzaiは、口座開設時の ID スクリーニングを継続的な決済・行動監視に接続する。同社のSecure Onboarding機能は、一つのインターフェースを通じて異なるリスクシグナルをオーケストレーションし、申請者が承認された後も結果として得られたリスクプロファイルを保持できる。

この継続性は重要だ。合成 ID は初期確認を通過し、バストアウトを試みる前に数か月かけて信頼できる履歴を築く可能性がある。Feedzaiはオンボーディングを最終的な ID 判断として扱うのではなく、その期間を通じてデバイス特性、行動の変化、取引を監視できる。

同社は、ID 製品が顧客ライフサイクル全体にわたる合成詐欺、なりすまし、口座乗っ取りの防止を目的としていると説明している。Feedzaiはまた、金融犯罪の専門家を対象にした世界調査で、参加した金融機関の90%がすでに AI を調査の迅速化または新たな不正手口の検知に利用していると報告した。この結果は、現代の銀行防御において自動分析が果たす役割の拡大を示している。

TransUnion TruValidate Synthetic Fraud Model

TransUnionのTruValidate Synthetic Fraud Modelは、信用履歴、ID 記録、デジタルリスクインテリジェンスが交差する位置にある同社の強みを活用する。この製品は、正当な申請者の拒否を抑えながら合成 ID を特定するよう設計されている。

TruValidateは、ID グラフを通じて、オフラインの本人情報に閲覧履歴、電話ネットワークデータ、デバイス ID、その他のデジタルシグナルを組み合わせられる。これにより銀行は、Social Security numberが存在するかだけでなく、その ID 全体が時間の経過とともに自然に形成されてきたように見えるかも評価できる。

TransUnionの調査では、合成 ID に関連する米国の貸し手のエクスポージャーが過去最高水準に達し、オープン口座のエクスポージャーは2024年末までに約33億ドルへ増加した。こうした技術は初期スクリーニングとポートフォリオ監視の両方を支援し、信用供与後になって初めて疑わしくなる ID の検知に役立つ。

LexisNexis Fraud Intelligence Synthetic Score

LexisNexis Risk Solutionsは、公開情報、独自情報、業界横断情報を幅広く利用し、全体として見たときに整合しない ID の組み合わせを特定する。同社のFraud Intelligence Synthetic Scoreは、170を超える ID の特性とライフイベントを評価し、Social Security number、氏名、メールアドレス、電話番号、その他の属性に関する不整合を探す。

結果は3桁のリスクスコアとして、優先順位付けされた警告コードとともに提供されるため、調査担当者は単純な承認・否決の回答よりも多くの文脈を得られる。LexisNexisによれば、モデルは、信用調査機関に最近登録された形跡、連絡先項目の過密状態、疑わしい速度で出現した ID 要素などを検知できる。

スコアは API、バッチ処理、または同社の意思決定プラットフォームを通じて利用できる。そのため銀行は、不正対策インフラ全体を再構築せずに、既存のオンボーディングシステムへ統合できる。

Experian Precise ID

ExperianのPrecise IDは、口座開設時に本人確認、不正分析、ステップアップ認証を組み合わせる。同社のモデルは、銀行が正当な顧客を自動的に承認できるよう支援しながら、ID 窃盗、初回支払い不履行、バストアウト行動、合成 ID 詐欺を検知するよう設計されている。

Experianは、複数の貸し手をまたぐ信用照会、人口統計情報、個人情報が時間の経過とともにどのように接続・再利用されてきたかを示す ID グラフを活用する。こうしたつながりから、一つの電話番号、住所、Social Security numberが複数の ID や申請に登場していることを明らかにできる。

Experianによれば、米国最大手銀行10行のうち9行がPrecise IDのサービスを利用しており、プラットフォームは年間数億件の取引を処理している。銀行は製品を直接導入することも、ExperianのAscendおよびCrossCore環境を通じて利用することもできるため、信用判断や顧客判断ですでにExperianのデータを利用している金融機関にとって選択肢となる。

BioCatch Connect

BioCatchは、人物が銀行アプリケーションを操作する方法から不正の証拠を探す。同社の行動インテリジェンスは、タイピングのパターン、マウスの動き、タッチスクリーン操作、ナビゲーション習慣、デバイス特性、自動化または遠隔操作されたセッションの兆候を分析できる。

これにより、技術的には有効に見える文書や個人情報を伴う合成 ID に対して、銀行は別の防御線を得られる。BioCatch Connectは、リアルタイムのテレメトリーに予測インテリジェンスと、アプリケーション、ネットワーク、デバイス、取引に関する数千のシグナルを組み合わせる。

このプラットフォームは、顧客体験全体を通じて口座開設詐欺、ボット活動、口座乗っ取り、マネーミュール口座を検知するよう設計されている。BioCatchによれば、同社の技術は350行を超えるリテール銀行で利用され、毎月数十億件のユーザーセッションを分析している。

行動バイオメトリクスだけで ID の存在を独立して証明できるわけではない。しかし、整えられた ID パッケージの背後にいる申請者が、ボット運用者、不正拠点、常習的な犯罪者のように行動している場合、それを明らかにできる。

Mitek Verified Identity Platform

MitekのVerified Identity Platformは、一般にMiVIPとして知られ、データ検証、文書認証、生体認証、リスクインテリジェンス、マネーロンダリング対策スクリーニングを通じた多層的な ID 保証に重点を置いている。銀行は、商品、顧客、関与するリスクレベルに応じて、異なる確認フローを設定できる。

AIを活用した機能は、リモートオンボーディングで使われる機会が増えている文書改ざん、ディープフェイク、その他の合成コンテンツを特定することを目的としている。Mitekは口座開設後の継続的な認証にも対応しており、銀行は確認済みの生体情報をログインや取引承認に再利用できる。

MitekとDatos Insightsが2026年に発表した調査では、調査対象となった不正対策責任者の84%が、合成 ID 詐欺を申請時のリスクとして高リスクまたは中程度のリスクと認識していた。同じ調査では、合成 ID に関連する米国の無担保信用損失が2025年に約29億4,000万ドルに達したと推定された。この結果は、一度きりの本人確認から継続的な ID 保証へ移行する必要性を裏付けている。

銀行に必要なのは単一スコアではなく多層防御

銀行に最も適したプラットフォームは、既存の防御のどこが最も弱いかによって異なる。薄い信用ファイルの消費者と捏造 ID の区別に苦慮する貸し手は、Socure、SentiLink、TransUnion、LexisNexisを優先する可能性がある。接続されていないベンダーが多すぎる金融機関は、Alloyのオーケストレーションモデルからより大きなメリットを得られる可能性がある。

ボットファーム、協調した口座クラスター、合成マネーミュールネットワークに直面する銀行は、Sardine、Feedzai、BioCatchをより重視する可能性がある。ExperianとMitekは、ID データ、文書分析、ステップアップ認証を組み合わせて提供する。

より大きな教訓は、個々の情報が有効かどうかを確認するだけでは、合成 ID 詐欺に対処できないということだ。本物のSocial Security number、配達可能な住所、説得力のある自撮り写真であっても、詐欺集団によって作り上げられた人物に属している可能性がある。

銀行は、ID に信頼できる履歴があるか、デジタル上の行動が人間らしく見えるか、その構成要素に不審な関係がないか、オンボーディング後も活動が一貫しているかを評価する必要がある。AI は合成 ID の作成を容易にしている一方で、架空の顧客が現実の損失になる前に、金融機関がこれらの手がかりを結び付けるための手段も提供している。