Klient podaje prawidłowy numer Social Security, przechodzi kontrolę w bazie danych i przedstawia wiarygodny dokument tożsamości. Wszystko wygląda normalnie — z wyjątkiem tego, że osoba ubiegająca się o rachunek w rzeczywistości nie istnieje.

To właśnie problem, jaki oszustwa związane z syntetyczną tożsamością stwarzają dla banków. Zamiast podszywać się pod pojedynczą ofiarę, przestępcy łączą prawdziwe dane osobowe z wymyślonymi nazwiskami, adresami, numerami telefonów lub datami urodzenia, aby stworzyć nową tożsamość. Federal Reserve definiuje to przestępstwo jako wykorzystanie kombinacji danych osobowych umożliwiających identyfikację do sfabrykowania osoby lub podmiotu w celu uzyskania korzyści nieuczciwych lub finansowych.

Schematy związane z syntetyczną tożsamością mogą pozostawać niewykryte przez miesiące lub lata. Oszuści mogą dokonywać niewielkich płatności, budować wiarygodną historię kredytową i stopniowo uzyskiwać dostęp do wyższych limitów, zanim wykorzystają wszystkie dostępne rachunki i znikną. Ponieważ żadna typowa ofiara kradzieży tożsamości nie zgłasza od razu przestępstwa, powstała strata może zostać zaksięgowana jako zwykły niespłacony dług.

Ekspozycja finansowa rośnie. TransUnion oszacował, że narażenie na oszustwa związane z syntetyczną tożsamością w ramach otwartych rachunków kart kredytowych, kart detalicznych, kredytów samochodowych i pożyczek osobistych w USA osiągnęło $3.3 billion pod koniec 2024 roku. Deloitte oczekuje, że oszustwa tego typu wygenerują co najmniej $23 billion strat do 2030 roku.

Generatywna AI utrudnia ograniczenie zagrożenia, pomagając przestępcom tworzyć sfałszowane dokumenty, realistyczne zdjęcia profilowe, filmy deepfake i tysiące spójnych fikcyjnych person. Żaden pojedynczy produkt nie jest w stanie rozwiązać każdego aspektu tego problemu. Banki coraz częściej potrzebują współdziałania wielu warstw, w tym grafów tożsamości, biometrii behawioralnej, analizy urządzeń, analizy dokumentów, połączeń sieciowych i ciągłego monitorowania transakcji.

Poniższe platformy wyróżniają się zdolnością do łączenia tych sygnałów w czasie rzeczywistym na potrzeby decyzji dotyczących oszustw.

Socure Sigma Synthetic Fraud

Sigma Synthetic Fraud firmy Socure to jeden z produktów stworzonych specjalnie z myślą o tym rynku. Zamiast traktować każdego wnioskodawcę z ograniczoną historią kredytową jako podejrzanego, model ma odróżniać legalnych konsumentów z krótką historią kredytową lub nowych w danym kraju od tożsamości zmanipulowanych i sfabrykowanych.

Analizuje zależności między nazwiskami, adresami, numerami telefonów, kontami e-mail, urządzeniami, adresami IP, wzorcami częstotliwości oraz szerszymi internetowymi i pozainternetowymi rejestrami tożsamości. Socure podaje, że z jej najnowszego modelu korzysta pięć największych banków w USA, a także główni wydawcy kart i setki firm fintech.

Platformę można również połączyć z weryfikacją dokumentów, analizą behawioralną i analizą urządzeń za pośrednictwem szerszego stosu tożsamości Socure. Może to pomóc bankom uzyskać wynik ryzyka związany konkretnie z syntetyczną tożsamością bez tworzenia niepotrzebnych utrudnień dla młodych konsumentów lub wnioskodawców z ograniczoną tradycyjną historią kredytową.

SentiLink Synthetic Fraud Score

SentiLink zbudował swoją reputację na wykrywaniu syntetycznych tożsamości podczas procesu składania wniosku. Synthetic Fraud Score szacuje prawdopodobieństwo, że nazwisko, data urodzenia i numer Social Security przedstawione przez wnioskodawcę nie należą do jednej spójnej osoby.

Firma rozróżnia tożsamości zmanipulowane, w przypadku których ktoś może używać własnego nazwiska wraz z numerem identyfikacyjnym innej osoby, od całkowicie sfabrykowanych tożsamości tworzonych przez zorganizowane grupy oszustów. Wyniki uczenia maszynowego uzupełniają wyjaśnialne flagi, które pomagają analitykom badać takie problemy jak podejrzane powiązania numerów Social Security, nietypowe historie numerów telefonów i niezgodne elementy tożsamości.

Raport SentiLink dotyczący oszustw w drugiej połowie 2025 roku opierał się na ponad 236 million wniosków o otwarcie rachunku. Firma podała, że obsługiwała jedenastu z piętnastu największych banków w USA. Taka skala zapewnia jej modelom wgląd w skoordynowane ataki, które w dokumentacji pojedynczej instytucji mogłyby wyglądać nieistotnie.

Alloy Fraud Platform

Alloy podchodzi do wykrywania syntetycznych tożsamości jak do problemu orkiestracji decyzji. Banki często pozyskują dane tożsamości, kontrole dokumentów, narzędzia do analizy urządzeń i wyniki dotyczące oszustw od wielu dostawców, po czym odkrywają, że systemy nie komunikują się skutecznie. Alloy łączy te sygnały w konfigurowalnych procesach wdrażania klienta i monitorowania rachunku.

Fraud Signal wykorzystuje uczenie maszynowe wytrenowane na zagregowanych zachowaniach i wzorcach ryzyka w sieci ponad 900 instytucji finansowych i firm fintech. Platforma może łączyć informacje z setek usług danych, stosować własny poziom akceptowanego ryzyka banku i uruchamiać silniejszą weryfikację dopiero wtedy, gdy wniosek przekroczy określony próg.

Ta elastyczność ma znaczenie przy wykrywaniu syntetycznych tożsamości, ponieważ sygnałem ostrzegawczym rzadko jest jeden oczywiście fałszywy dokument. Częściej chodzi o zbiór drobnych niespójności rozproszonych w danych kontaktowych, urządzeniach, adresach i historii wniosków. Alloy ma pomagać bankom przekształcać te rozproszone wskazówki w skoordynowaną decyzję.

Sardine

Sardine łączy weryfikację tożsamości z analizą urządzeń, biometrią behawioralną, danymi konsorcjalnymi i analizą grafów. Jej technologia może analizować więcej niż informacje wpisane do wniosku, w tym sposób jego wypełnienia, wcześniejsze pojawienie się urządzenia w sieci oraz to, czy kilka pozornie niezależnych tożsamości ma ukryte powiązania techniczne.

Connections Graph firmy Sardine jest szczególnie istotny dla banków zmagających się ze zorganizowanymi oszustwami związanymi z syntetyczną tożsamością, ponieważ może wykrywać klastry rachunków powiązanych wspólnymi urządzeniami, sprzedawcami, adresami lub wzorcami transakcji. Agent Graph Analyst ma badać te relacje i ujawniać skoordynowane nadużycia, które może przeoczyć tradycyjne rozwiązanie punktowe.

Sardine przenosi również sygnały ryzyka poza etap wdrażania klienta, do procesów monitorowania transakcji i przeciwdziałania praniu pieniędzy. Takie spojrzenie na cały cykl życia może pomóc bankom identyfikować syntetyczne rachunki, które początkowo zachowują się normalnie, lecz później zaczynają otrzymywać podejrzane przelewy, szybko przenosić środki lub działać jako część sieci rachunków typu mule.

Feedzai

Feedzai łączy kontrolę tożsamości przy otwieraniu rachunku z ciągłym monitorowaniem płatności i zachowania. Funkcja Secure Onboarding może koordynować różne sygnały ryzyka za pośrednictwem jednego interfejsu i zachowywać wynikowy profil ryzyka po zatwierdzeniu wnioskodawcy.

Ta ciągłość ma znaczenie, ponieważ syntetyczna tożsamość może przejść wstępną weryfikację i przez wiele miesięcy budować wiarygodną historię, zanim podejmie próbę wyzerowania dostępnych środków. Feedzai może w tym okresie monitorować charakterystykę urządzenia, zmiany zachowania i transakcje, zamiast traktować proces wdrażania jako ostateczną decyzję dotyczącą tożsamości.

Firma twierdzi, że jej produkty tożsamościowe mają zapobiegać oszustwom związanym z syntetyczną tożsamością, podszywaniu się i przejmowaniu rachunków w całym cyklu życia klienta. Feedzai poinformowała również w globalnym badaniu specjalistów ds. przestępczości finansowej, że 90% uczestniczących instytucji finansowych korzystało już z AI w celu przyspieszania dochodzeń lub wykrywania nowych taktyk oszustw. Wynik ten pokazuje rosnącą rolę zautomatyzowanej analizy we współczesnych systemach ochrony banków.

TransUnion TruValidate Synthetic Fraud Model

TruValidate Synthetic Fraud Model firmy TransUnion korzysta z pozycji przedsiębiorstwa na styku historii kredytowych, rejestrów tożsamości i cyfrowych danych o ryzyku. Produkt został zaprojektowany do identyfikowania syntetycznych tożsamości przy jednoczesnym ograniczaniu odrzucania prawidłowych wnioskodawców.

TruValidate może łączyć pozainternetowe informacje o tożsamości ze śladami przeglądania, danymi sieci telefonicznych, tożsamością urządzenia i innymi sygnałami cyfrowymi za pośrednictwem grafu tożsamości. Pozwala to bankowi ocenić nie tylko, czy numer Social Security istnieje, lecz także czy kompletna tożsamość rozwijała się w naturalny sposób w czasie.

Badania TransUnion wykazały, że ekspozycja amerykańskich kredytodawców związana z syntetycznymi tożsamościami osiągnęła rekordowy poziom, a wartość otwartych rachunków narażonych na ryzyko wzrosła do około $3.3 billion pod koniec 2024 roku. Technologia może wspierać zarówno wstępną kontrolę, jak i monitorowanie portfela, pomagając kredytodawcom wykrywać tożsamości, które stają się podejrzane dopiero po udzieleniu kredytu.

LexisNexis Fraud Intelligence Synthetic Score

LexisNexis Risk Solutions wykorzystuje publiczne, własne i międzybranżowe informacje do identyfikowania kombinacji elementów tożsamości, które oglądane łącznie nie mają sensu. Fraud Intelligence Synthetic Score ocenia ponad 170 cech tożsamości i zdarzeń życiowych, wyszukując niespójności dotyczące numerów Social Security, nazwisk, adresów e-mail, numerów telefonów i innych atrybutów.

Wynik jest przedstawiany jako trzycyfrowy wynik ryzyka wraz z uporządkowanymi kodami ostrzegawczymi, co zapewnia analitykom więcej kontekstu niż prosta odpowiedź „zatwierdź lub odrzuć”. Według LexisNexis model może wykrywać takie wskaźniki jak wyjątkowo niedawne pojawienie się w biurze kredytowym, przepełnione pola kontaktowe oraz elementy tożsamości pojawiające się z podejrzaną częstotliwością.

Wynik jest dostępny za pośrednictwem API, przetwarzania wsadowego lub platformy decyzyjnej firmy. Banki mogą więc zintegrować go z istniejącymi systemami wdrażania klientów bez przebudowy całej infrastruktury przeciwdziałania oszustwom.

Experian Precise ID

Precise ID firmy Experian łączy weryfikację tożsamości, analizę oszustw i uwierzytelnianie dodatkowe w momencie otwierania rachunku. Modele mają wykrywać kradzież tożsamości, niespłacenie pierwszej płatności, zachowanie typu bust-out i oszustwa związane z syntetyczną tożsamością, jednocześnie pomagając bankom automatycznie zatwierdzać prawdziwych klientów.

Experian korzysta z zapytań kredytowych między kredytodawcami, informacji demograficznych i grafu tożsamości pokazującego, jak dane osobowe były łączone i ponownie wykorzystywane w czasie. Powiązania te mogą ujawnić, że jeden numer telefonu, adres lub numer Social Security pojawiał się przy wielu tożsamościach lub wnioskach.

Experian podaje, że z usług Precise ID korzysta dziewięć z dziesięciu największych banków w USA, a platforma przetwarza rocznie setki milionów transakcji. Banki mogą wdrożyć produkt bezpośrednio lub uzyskać do niego dostęp przez środowiska Experian Ascend i CrossCore, co czyni go rozwiązaniem dla instytucji, które już opierają decyzje kredytowe i dotyczące klientów na danych Experian.

BioCatch Connect

BioCatch poszukuje dowodów oszustwa w sposobie, w jaki dana osoba korzysta z aplikacji bankowej. Jej rozwiązania analityki behawioralnej mogą analizować wzorce pisania, ruchy myszy, aktywność na ekranie dotykowym, nawyki nawigacyjne, charakterystykę urządzenia oraz oznaki sesji zautomatyzowanych lub zdalnie kontrolowanych.

Zapewnia to dodatkową linię obrony, gdy syntetyczna tożsamość jest wsparta dokumentami i danymi osobowymi, które wydają się technicznie prawidłowe. BioCatch Connect łączy telemetrię w czasie rzeczywistym z analizą predykcyjną oraz tysiącami sygnałów dotyczących aplikacji, sieci, urządzeń i transakcji.

Platforma ma wykrywać oszustwa przy otwieraniu rachunków, aktywność botów, przejmowanie rachunków i rachunki typu mule w całym cyklu obsługi klienta. BioCatch twierdzi, że z jej technologii korzysta ponad 350 banków detalicznych, a każdego miesiąca analizuje ona miliardy sesji użytkowników.

Biometria behawioralna może samodzielnie nie dowodzić istnienia danej tożsamości. Może jednak ujawnić, że wnioskodawca posługujący się dopracowanym pakietem tożsamości zachowuje się jak operator botów, uczestnik farmy oszustw lub recydywista.

Mitek Verified Identity Platform

Verified Identity Platform firmy Mitek, powszechnie znana jako MiVIP, koncentruje się na wielowarstwowym zapewnianiu wiarygodności tożsamości poprzez walidację danych, uwierzytelnianie dokumentów, biometrię, analizę ryzyka i kontrolę pod kątem przeciwdziałania praniu pieniędzy. Banki mogą konfigurować różne ścieżki weryfikacji w zależności od produktu, klienta i poziomu ryzyka.

Funkcje oparte na AI mają identyfikować manipulacje dokumentami, deepfake’i i inne syntetyczne treści coraz częściej wykorzystywane podczas zdalnego wdrażania klientów. Mitek wspiera również ciągłe uwierzytelnianie po otwarciu rachunku, umożliwiając bankom ponowne wykorzystanie zweryfikowanych danych biometrycznych przy logowaniu lub zatwierdzaniu transakcji.

Badanie opublikowane przez Mitek i Datos Insights w 2026 roku wykazało, że 84% ankietowanych osób odpowiedzialnych za przeciwdziałanie oszustwom uznawało oszustwa związane z syntetyczną tożsamością za wysokie lub umiarkowane ryzyko na etapie składania wniosku. To samo badanie oszacowało niezabezpieczone straty kredytowe w USA związane z syntetycznymi tożsamościami na około $2.94 billion w 2025 roku. Wyniki wzmacniają potrzebę odejścia od jednorazowej kontroli tożsamości na rzecz ciągłego zapewniania jej wiarygodności.

Banki potrzebują warstw, a nie pojedynczego wyniku

Najlepsza platforma dla banku zależy od tego, gdzie jego obecne zabezpieczenia są najsłabsze. Kredytodawca, który ma trudności z odróżnianiem konsumentów z krótką historią kredytową od sfabrykowanych tożsamości, może postawić na Socure, SentiLink, TransUnion lub LexisNexis. Instytucja korzystająca ze zbyt wielu niepołączonych dostawców może więcej zyskać dzięki modelowi orkiestracji Alloy.

Banki zmagające się z farmami botów, skoordynowanymi klastrami rachunków lub sieciami syntetycznych rachunków typu mule mogą większy nacisk położyć na Sardine, Feedzai lub BioCatch. Experian i Mitek oferują połączenia danych tożsamościowych, analizy dokumentów i dodatkowej weryfikacji.

Szerszy wniosek jest taki, że oszustw związanych z syntetyczną tożsamością nie można zwalczyć, sprawdzając jedynie, czy poszczególne informacje są prawidłowe. Prawdziwy numer Social Security, możliwy do doręczenia adres i przekonujące selfie mogą nadal należeć do osoby stworzonej przez grupę oszustów.

Banki muszą oceniać, czy tożsamość ma wiarygodną historię, czy jej cyfrowe zachowanie wygląda jak zachowanie człowieka, czy jej elementy składowe mają podejrzane powiązania oraz czy aktywność pozostaje spójna po wdrożeniu klienta. AI ułatwia tworzenie syntetycznych tożsamości, ale jednocześnie daje instytucjom finansowym narzędzia do łączenia tych wskazówek, zanim fikcyjny klient stanie się realną stratą.