客戶提交有效的社會安全號碼，通過資料庫查核，並出示看似可信的身分文件。一切看起來都很正常——唯一的問題是，申請開戶的人根本不存在。

這正是合成身分詐欺對銀行造成的挑戰。犯罪分子不是單純冒用某一名受害者的身分，而是將真實的個人資訊與虛構的姓名、地址、電話號碼或出生日期結合，創造出新的身分。美國聯準會將此類犯罪定義為，利用個人可識別資訊的組合，捏造某個人或實體，以獲取不法或財務利益。

合成身分詐欺計畫可能隱藏數月甚至數年。詐騙者可能先進行小額付款，建立可信的信用紀錄，再逐步取得更高的信用額度，之後刷爆所有可用帳戶並消失。由於沒有傳統身分盜竊受害者會立即舉報犯罪，最終損失可能被記錄為一般壞帳。

金融暴露正在增加。TransUnion 估計，截至 2024 年底，美國未結清信用卡、零售卡、汽車貸款及個人貸款帳戶的合成身分暴露金額達到 33 億美元。Deloitte 預計，到 2030 年，合成身分詐欺將造成至少 230 億美元的損失。

生成式 AI 讓這項威脅更難控制，因為犯罪分子可以利用它製作偽造文件、逼真的個人檔案照片、深偽影片，以及數千個前後一致的虛構身分。沒有任何單一產品能處理問題的所有面向。銀行日益需要多層防禦協同運作，包括身分圖譜、行為生物辨識、裝置情報、文件分析、網路連結及持續交易監控。

以下平台因能將這些訊號整合至即時詐欺決策中而受到關注。

Socure Sigma Synthetic Fraud

Socure 的 Sigma Synthetic Fraud 是市場上專門用於此類用途的產品之一。該模型不會將所有信用紀錄有限的申請人都視為可疑，而是設計用來區分合法的薄信用檔案或新移居消費者，以及遭操縱或捏造的身分。

它會分析姓名、地址、電話號碼、電子郵件帳戶、裝置、IP 位址、操作頻率模式，以及更廣泛的線上與線下身分紀錄之間的關係。Socure 表示，其最新模型已被美國五大銀行全部採用，並獲主要發卡機構及數百家金融科技公司使用。

透過 Socure 更廣泛的身分技術堆疊，該平台也能結合文件驗證、行為分析及裝置情報。對於希望取得合成身分專用風險評分、同時避免對年輕消費者或傳統信用紀錄有限的申請人造成不必要阻礙的銀行而言，這項能力尤其實用。

SentiLink Synthetic Fraud Score

SentiLink 以在申請階段偵測合成身分建立聲譽。其 Synthetic Fraud Score 會估計申請人的姓名、出生日期與社會安全號碼不屬於同一完整個人的可能性。

該公司區分兩類身分：一類是遭操縱的身分，例如某人使用自己的真實姓名，卻搭配另一人的身分號碼；另一類則是由有組織詐欺集團拼湊出的完整虛構身分。機器學習評分會搭配可解釋的警示標記，協助調查人員檢視可疑的社會安全號碼關係、不尋常的電話紀錄或彼此不匹配的身分要素。

SentiLink 涵蓋 2025 年下半年的詐欺報告，建基於超過 2.36 億份開戶申請。該公司表示，其服務對象包括美國十五大銀行中的十一家。如此規模讓其模型能看見協同攻擊，即使這些攻擊在單一機構的紀錄中看起來可能微不足道。

Alloy Fraud Platform

Alloy 將合成身分偵測視為決策編排問題。銀行經常向多家供應商購買身分資料、文件查核、裝置工具及詐欺評分，最後卻發現各系統之間無法有效溝通。Alloy 將這些訊號整合至可設定的開戶及帳戶監控工作流程中。

其 Fraud Signal 使用機器學習，訓練資料來自超過 900 家金融機構及金融科技公司網路中的彙整行為與風險模式。該平台能整合數百項資料服務的資訊，套用銀行自身的風險偏好，並僅在申請超過既定門檻時觸發更強的驗證。

這種彈性對合成身分偵測十分重要，因為警示訊號很少只是一份明顯造假的文件。更常見的是，聯絡資訊、裝置、地址及申請紀錄中分散著一系列細微的不一致。Alloy 的設計目的，就是將這些零散線索轉化為協同決策。

Sardine

Sardine 將身分驗證與裝置情報、行為生物辨識、聯盟資料及圖譜分析結合。其技術不只檢視申請中輸入的資料，也會分析申請完成的方式、某部裝置是否曾在網路其他位置出現，以及數個表面上無關的身分是否共享隱藏的技術連結。

Sardine 的 Connections Graph 對面臨有組織合成身分詐欺的銀行尤其 relevant，因為它能找出透過共同裝置、商家、地址或交易模式連結的帳戶群組。其 Graph Analyst 代理程式可調查這些關係，並揭露傳統單點解決方案可能遺漏的協同濫用行為。

Sardine 也將風險訊號從開戶階段延伸至交易監控及反洗錢工作流程。這種涵蓋整個生命週期的視角，能協助銀行辨識初期行為正常、但之後開始接收可疑轉帳、快速轉移資金或成為人頭帳戶網路一部分的合成帳戶。

Feedzai

Feedzai 將開戶時的身分篩查與持續付款及行為監控連結起來。其 Secure Onboarding 功能能透過單一介面編排不同風險訊號，並在申請人獲准後保留所得的風險檔案。

這種持續性很重要，因為合成身分可能通過初步驗證，花費數月建立可信的紀錄，之後才嘗試大量套現。Feedzai 能在這段期間持續監控裝置特徵、行為變化及交易，而不是將開戶視為最終的身分決策。

該公司表示，其身分產品旨在整個客戶生命週期中防止合成詐欺、冒用身分及帳戶接管。Feedzai 也在對金融犯罪專業人士進行的全球調查中指出，90% 的參與金融機構已使用 AI 加速調查或偵測新的詐欺手法。這項結果顯示，自動化分析在現代銀行防禦中日益重要。

TransUnion TruValidate Synthetic Fraud Model

TransUnion 的 TruValidate Synthetic Fraud Model 受益於該公司位於信用紀錄、身分資料及數位風險情報交界的位置。這項產品專門用於辨識合成身分，同時降低誤拒合法申請人的機率。

TruValidate 能透過身分圖譜，將線下身分資訊與瀏覽足跡、電話網路資料、裝置身分及其他數位訊號結合。這讓銀行不僅能確認某個社會安全號碼是否存在，也能評估完整身分是否隨時間自然建立。

TransUnion 的研究發現，美國貸款機構與合成身分相關的暴露金額達到歷史新高，未結清帳戶暴露截至 2024 年底升至約 33 億美元。因此，該技術既能支援初步篩查，也能支援資產組合監控，協助貸款機構找出在信用已經核發後才變得可疑的身分。

LexisNexis Fraud Intelligence Synthetic Score

LexisNexis Risk Solutions 運用廣泛的公開、專有及跨產業資訊，找出整體檢視時不合理的身分組合。其 Fraud Intelligence Synthetic Score 評估超過 170 項身分特徵及人生事件，尋找涉及社會安全號碼、姓名、電子郵件地址、電話號碼及其他屬性的不一致。

結果會以三位數風險評分及依優先順序排列的警示代碼呈現，為調查人員提供比單純核准或拒絕更豐富的背景資訊。LexisNexis 表示，該模型能偵測信用局紀錄存在時間異常短、聯絡欄位過度擁擠，以及身分要素以可疑速度出現等跡象。

該評分可透過 API、批次處理或公司的決策平台取得。因此，銀行能將其整合至現有開戶系統，而不必重建整套詐欺基礎設施。

Experian Precise ID

Experian 的 Precise ID 在開戶時結合身分驗證、詐欺分析及升級驗證。其模型設計用於偵測身分盜竊、首次付款違約、集中套現行為及合成身分詐欺，同時協助銀行自動核准真正的客戶。

Experian 運用跨貸款機構的信用查詢、人口統計資料及身分圖譜，顯示個人資料如何隨時間相互連結及重複使用。這些連結可以揭示同一個電話號碼、地址或社會安全號碼是否出現在多個身分或申請中。

Experian 表示，美國十大銀行中有九家使用 Precise ID 服務，該平台每年處理數億筆交易。銀行可以直接部署產品，或透過 Experian 的 Ascend 及 CrossCore 環境存取，對於本已依賴 Experian 資料進行信用及客戶決策的機構而言，這是一項可行選擇。

BioCatch Connect

BioCatch 透過觀察人們與銀行應用程式互動的方式，尋找詐欺證據。其行為情報能分析打字模式、滑鼠移動、觸控螢幕活動、瀏覽習慣、裝置特徵，以及自動化或遠端控制工作階段的跡象。

當合成身分搭配技術上看似有效的文件及個人資料出現時，這為銀行提供了另一道防線。BioCatch Connect 將即時遙測資料與預測情報，以及數千項應用程式、網路、裝置及交易訊號結合。

該平台設計用於在整個客戶旅程中偵測開戶詐欺、機器人活動、帳戶接管及人頭帳戶。BioCatch 表示，其技術已被超過 350 家零售銀行使用，每月分析數十億個使用者工作階段。

行為生物辨識本身可能無法證明某個身分確實存在，但能揭露一名持有精心包裝身分資料的申請人，是否表現得像機器人操作者、詐欺工廠或重複犯罪者。

Mitek Verified Identity Platform

Mitek 的 Verified Identity Platform 通常稱為 MiVIP，專注於透過資料驗證、文件認證、生物辨識、風險情報及反洗錢篩查，提供分層式身分保障。銀行可依據產品、客戶及涉及的風險程度，設定不同的驗證流程。

其 AI 驅動功能旨在識別遠端開戶中日益常見的文件操縱、深偽內容及其他合成內容。Mitek 也支援開戶後的持續驗證，讓銀行能重複使用已驗證的生物辨識資訊進行登入或交易核准。

Mitek 與 Datos Insights 於 2026 年發布的研究發現，84% 受訪詐欺主管認為合成身分詐欺是高風險或中度風險的申請風險。同一項研究估計，2025 年美國與合成身分相關的無擔保信用損失約為 29.4 億美元。這些結果進一步凸顯，銀行需要從一次性的身分查核轉向持續性保障。

銀行需要分層防禦，而非單一評分

最適合銀行的平台，取決於其現有防禦最薄弱的環節。若貸款機構難以區分薄信用檔案消費者與虛構身分，可能會優先考慮 Socure、SentiLink、TransUnion 或 LexisNexis。若機構受到過多彼此分離的供應商影響，則可能更適合 Alloy 的編排模式。

面對機器人農場、協同帳戶群組或合成身分人頭帳戶網路的銀行，可能會更重視 Sardine、Feedzai 或 BioCatch。Experian 和 Mitek 則提供身分資料、文件分析及升級驗證的組合。

更廣泛的啟示是，合成身分詐欺無法透過逐一確認資訊是否有效來解決。真實的社會安全號碼、可投遞地址及可信的自拍照，仍可能屬於由詐欺集團捏造出來的人。

銀行必須評估某個身分是否具有可信的歷史、其數位行為是否像真人、各組成要素之間是否存在可疑關係，以及其活動在開戶後是否持續一致。AI 讓合成身分更容易建立，但也為金融機構提供了連結這些線索的工具，使其能在虛構客戶造成真實損失前發現問題。