客户提交有效的社会安全号码，通过数据库核查，并出示一份令人信服的身份证明文件。一切看起来都很正常——但申请开户的人实际上并不存在。

这正是合成身份欺诈给银行带来的挑战。犯罪分子并不是冒充某一个受害者，而是将真实的个人信息与虚构的姓名、地址、电话号码或出生日期结合起来，创建一个新身份。美国联邦储备委员会将这种犯罪定义为利用个人可识别信息的组合，为不诚实或谋取经济利益而虚构个人或实体。

合成身份欺诈计划可能隐藏数月甚至数年。欺诈分子可能先进行小额付款，建立可信的信用记录，然后逐步获得更高的信用额度，最终刷爆所有可用账户并消失。由于不存在会立即报案的传统身份盗窃受害者，相关损失可能被记录为普通坏账。

相关金融风险正在上升。TransUnion 估计，截至 2024 年底，美国未结清信用卡、零售卡、汽车贷款和个人贷款账户中的合成身份风险敞口已达到 33 亿美元。Deloitte 预计，到 2030 年，合成身份欺诈将造成至少 230 亿美元的损失。

生成式 AI 让这一威胁更难遏制，因为它帮助犯罪分子制作伪造文件、逼真的个人资料照片、深度伪造视频以及成千上万个前后一致的虚构身份。没有任何单一产品能够解决这一问题的所有方面。银行越来越需要让多个防御层协同工作，包括身份图谱、行为生物识别、设备情报、文件分析、网络关联和持续交易监控。

以下平台在将这些信号整合到实时欺诈决策方面较为突出。

Socure Sigma Synthetic Fraud

Socure 的 Sigma Synthetic Fraud 是市场上专门用于此类场景的产品之一。该模型并不会将所有信用记录有限的申请人都视为可疑对象，而是旨在区分信用记录较薄或新进入某国的合法消费者与经过操纵或完全虚构的身份。

它分析姓名、地址、电话号码、电子邮件账户、设备、IP 地址、操作频率模式以及更广泛的线上和线下身份记录之间的关系。Socure 表示，其最新模型已被美国五大银行全部采用，同时也服务于主要发卡机构和数百家金融科技公司。

通过 Socure 更广泛的身份技术体系，该平台还可以与文件验证、行为分析和设备情报结合使用。这有助于银行获得针对合成身份的风险评分，同时避免给年轻消费者或传统信用记录有限的申请人带来不必要的阻碍。

SentiLink Synthetic Fraud Score

SentiLink 以在申请阶段识别合成身份而建立了声誉。其 Synthetic Fraud Score 用于估计申请人提供的姓名、出生日期和社会安全号码是否不属于同一个真实完整的人。

该公司区分两类身份：一类是经过操纵的身份，例如某人使用自己的真实姓名，却搭配他人的身份证件号码；另一类是由有组织的欺诈团伙拼凑出的完全虚构身份。机器学习评分还会辅以可解释的标记，帮助调查人员分析可疑的社会安全号码关系、异常的电话号码历史或不匹配的身份要素等问题。

SentiLink 覆盖 2025 年下半年的欺诈报告基于超过 2.36 亿份开户申请。该公司表示，其服务对象包括美国十五家最大银行中的十一家。这种规模使其模型能够发现协同攻击，即便这些攻击在单一机构的记录中看起来并不重要。

Alloy Fraud Platform

Alloy 将合成身份识别视为一个决策编排问题。银行通常会从多个供应商购买身份数据、文件核验、设备工具和欺诈评分，但随后才发现这些系统之间无法有效沟通。Alloy 将这些信号整合到可配置的开户和账户监控工作流中。

其 Fraud Signal 使用基于 900 多家金融机构和金融科技公司网络中汇总行为及风险模式训练的机器学习模型。该平台可以整合数百项数据服务的信息，应用银行自身的风险偏好，并仅在申请超过既定阈值时触发更严格的验证。

这种灵活性对合成身份识别十分重要，因为风险信号很少是一份明显伪造的文件。更常见的情况是，联系方式、设备、地址和申请历史中分散着一系列细小的不一致。Alloy 旨在帮助银行将这些零散线索转化为一个协调一致的决策。

Sardine

Sardine 将身份验证与设备情报、行为生物识别、联盟数据和图谱分析结合起来。其技术不仅能够查看申请中填写的信息，还可以分析申请是如何完成的、某台设备是否曾在网络其他位置出现，以及几个表面上无关的身份是否共享隐藏的技术关联。

Sardine 的 Connections Graph 对面临有组织合成身份欺诈的银行尤其相关，因为它可以识别通过共同设备、商户、地址或交易模式关联起来的账户集群。其 Graph Analyst 代理旨在调查这些关系，并发现传统单点解决方案可能遗漏的协同滥用行为。

Sardine 还将风险信号从开户环节延伸到交易监控和反洗钱工作流。这种覆盖整个生命周期的视角，可以帮助银行识别最初行为正常、但后来开始接收可疑转账、快速转移资金或作为资金转移网络一部分运营的合成账户。

Feedzai

Feedzai 将开户时的身份筛查与持续支付和行为监控连接起来。其 Secure Onboarding 能力可以通过一个界面编排不同的风险信号，并在申请获批后保留形成的风险档案。

这种连续性十分重要，因为合成身份可能通过初始验证，并花费数月建立可信记录，然后才尝试进行“刷爆”攻击。Feedzai 可以在此期间持续监控设备特征、行为变化和交易，而不是将开户视为最终的身份判断。

该公司表示，其身份产品旨在覆盖客户生命周期，防范合成欺诈、冒充和账户接管。Feedzai 还在针对金融犯罪专业人士的全球调查中报告称，90% 的参与调查金融机构已经在使用 AI 加快调查或识别新的欺诈手法。这一结果体现了自动化分析在现代银行防御体系中的日益重要作用。

TransUnion TruValidate Synthetic Fraud Model

TransUnion 的 TruValidate Synthetic Fraud Model 受益于该公司处于信用记录、身份记录和数字风险情报交汇点的位置。该产品旨在识别合成身份，同时减少对合法申请人的误拒。

TruValidate 可以通过身份图谱，将线下身份信息与浏览轨迹、电话网络数据、设备身份及其他数字信号结合起来。这使银行不仅能够判断某个社会安全号码是否存在，还能评估完整身份是否随着时间自然形成。

TransUnion 的研究发现，美国贷款机构与合成身份相关的风险敞口达到创纪录水平，截至 2024 年底，开放账户风险敞口上升至约 33 亿美元。因此，该技术既可支持初始筛查，也可用于组合监控，帮助贷款机构识别那些在获得信用额度后才变得可疑的身份。

LexisNexis Fraud Intelligence Synthetic Score

LexisNexis Risk Solutions 利用广泛的公开信息、专有信息和跨行业信息，识别整体来看不合理的身份要素组合。其 Fraud Intelligence Synthetic Score 评估超过 170 项身份特征和人生事件，查找涉及社会安全号码、姓名、电子邮件地址、电话号码及其他属性的不一致。

最终结果以三位数风险评分和按优先级排列的预警代码呈现，为调查人员提供比简单“批准或拒绝”更丰富的背景信息。据 LexisNexis 介绍，该模型可以识别信用机构记录存在时间异常短、联系方式字段过度拥挤，以及身份要素以可疑速度出现等迹象。

该评分可通过 API、批处理或该公司的决策平台提供。因此，银行无需重建整个欺诈基础设施，就能将其整合到现有开户系统中。

Experian Precise ID

Experian 的 Precise ID 在开户时结合身份验证、欺诈分析和升级验证。其模型旨在识别身份盗窃、首次付款违约、“刷爆”行为和合成身份欺诈，同时帮助银行自动批准真实客户。

Experian 使用跨贷款机构的信用查询、人口统计信息以及身份图谱，展示个人信息在一段时间内如何被关联和重复使用。这些关联可以揭示同一个电话号码、地址或社会安全号码是否出现在多个身份或申请中。

Experian 表示，美国十大银行中有九家使用 Precise ID 服务，该平台每年处理数亿笔交易。银行可以直接部署该产品，也可以通过 Experian 的 Ascend 和 CrossCore 环境访问，使其成为已经依赖 Experian 数据进行信用和客户决策的机构的一个选择。

BioCatch Connect

BioCatch 通过观察个人与银行应用互动的方式寻找欺诈证据。其行为情报可以分析打字模式、鼠标移动、触屏活动、导航习惯、设备特征，以及自动化或远程控制会话的迹象。

当合成身份配有技术上看似有效的文件和个人信息时，这为银行提供了另一道防线。BioCatch Connect 将实时遥测与预测性情报，以及数千项应用、网络、设备和交易信号结合起来。

该平台旨在覆盖整个客户旅程，识别开户欺诈、机器人活动、账户接管和资金转移账户。BioCatch 表示，其技术已被 350 多家零售银行使用，并且每月分析数十亿个用户会话。

行为生物识别本身可能无法证明某个身份确实存在，但可以揭示包装完整的身份背后的申请人是否表现得像机器人操作者、欺诈工厂或惯犯。

Mitek Verified Identity Platform

Mitek 的 Verified Identity Platform 通常称为 MiVIP，专注于通过数据验证、文件认证、生物识别、风险情报和反洗钱筛查，提供分层身份保障。银行可以根据涉及的产品、客户和风险水平配置不同的验证流程。

其 AI 驱动能力旨在识别远程开户过程中越来越常见的文件篡改、深度伪造和其他合成内容。Mitek 还支持账户开立后的持续认证，使银行能够重复使用已验证的生物识别信息进行登录或交易批准。

Mitek 与 Datos Insights 于 2026 年发布的研究发现，84% 的受访欺诈管理高管认为合成身份欺诈属于高风险或中等风险的申请风险。同一项研究估计，2025 年美国与合成身份相关的无担保信贷损失约为 29.4 亿美元。这些发现进一步说明，银行需要从一次性身份检查转向持续身份保障。

银行需要多层防御，而不是单一评分

对银行而言，最合适的平台取决于现有防御体系最薄弱的环节。难以区分信用记录较薄的消费者与虚构身份的贷款机构，可能会优先考虑 Socure、SentiLink、TransUnion 或 LexisNexis。面对过多彼此割裂的供应商，机构可能更能从 Alloy 的编排模式中受益。

面临机器人欺诈工厂、协同账户集群或合成资金转移网络的银行，可能会更加重视 Sardine、Feedzai 或 BioCatch。Experian 和 Mitek 则提供身份数据、文件分析与升级验证的组合能力。

更广泛的启示是，合成身份欺诈无法通过检查单个信息要素是否有效来解决。真实的社会安全号码、可投递的地址和令人信服的自拍照片，仍可能属于由欺诈团伙制造出来的人。

银行必须评估一个身份是否拥有可信的历史、其数字行为是否表现得像真人、构成身份的各个要素之间是否存在可疑关系，以及开户后的活动是否保持一致。AI 让合成身份更容易被创建，但也为金融机构提供了连接这些线索的工具，使其能够在虚构客户造成真实损失之前发现问题。