Apate 部署臥底 AI 代理，在詐騙發生損失前蒐集情資

澳洲新創 Apate 表示，公司部署了數以千計的 AI 代理，這些代理會偽裝成看似可信的詐騙受害者，以蒐集詐欺情資。根據 TechCrunch 報導，該公司於 2024 年成立，其基礎來自雪梨麥覺理大學進行的研究。這些代理能夠接聽詐騙來電、回覆可疑訊息與電子郵件、點擊網路釣魚連結，並進入社群媒體或投資群組，在那些可能正醞釀詐騙活動的地方持續互動。其宣稱的目標不只是浪費詐騙者的時間，還包括套取可讓組織在攻擊鏈更前端就採取防範的細節資訊。

這家公司的主張是，許多反詐欺工作發生得太晚。依照 TechCrunch 的敘述，Apate 共同創辦人兼營運長 Brad Joffe 將這種模式與電信業者在事後封鎖號碼、或銀行在與客戶已經接觸之後才監控交易的作法做對比。Apate 則表示，它是直接接近詐騙者本身。其代理被塑造成虛構身分，具有不同年齡、性別、口音與語言特徵，目的是讓對話能持續足夠久，進而浮現有用資訊。

系統據稱如何運作

在電話、簡訊、電子郵件與網路等管道上，Apate 表示，其機器人會即時與詐騙者互動，接著把學到的內容整理成可供客戶使用的結構化資訊。TechCrunch 指出，系統試圖取得的資訊可能包括銀行帳戶、加密貨幣錢包位址、電話號碼、惡意網站，以及被冒用的品牌名稱。Apate 在自家網站上則把同一流程描述為揭露詐騙者所仰賴的帳戶、基礎設施與作案手法。公司表示，這能協助反詐團隊在詐騙觸及客戶之前先行干擾其運作。

Apate 也表示，客戶可以替這些代理指定特定任務。TechCrunch 報導說，客戶可以要求代理設法取得銀行帳號或加密貨幣錢包位址。公司網站則把這套邏輯延伸成多種應用情境，包括識別並追蹤車手網路、偵測網路釣魚與冒名活動、支援即時反詐作業，以及產出可用於通報與合規的證據。在這些描述中，Apate 將其輸出呈現為結構化、附有時間戳記且可匯出的情資，能夠銜接現有的反詐或資安工作流程。

• 透過電話、SMS、電子郵件、網頁與社群管道接觸疑似詐騙者
• 使用虛構身分延長對話時間，以蒐集作業層面的細節
• 把這些互動轉化為有關金流路徑、話術腳本、電話號碼與網站的情資
• 將上述情資導入客戶的調查、下架處置與通報流程

公司表示，規模化是這項提案的重要組成。Apate 在網站上主張，人工誘餌式反詐與由人力主導的情資蒐集成本高、穩定性不足，而且在詐欺量增加時難以擴張。其說法是，AI 能把原本可能只在數十次人工互動中進行的工作，轉化為跨語言、跨管道、跨時區的數千次同步互動。

Apate 表示目前觀察到的情況

TechCrunch 報導，Apate 表示截至目前，其代理已在 250 萬次對話中，總計消耗了詐騙者 17 年的時間。這些數字來自公司自身的說法。同一篇報導指出，電信客戶 TPG 已將近 59 萬通來電導流到 Apate 的代理；澳洲聯邦銀行的公開通報詐騙損失已下降 76%；還有一家未具名的澳洲銀行曾使用 Apate 的外撥代理干擾 22 個詐騙活動。該來源將這些說法歸於 Joffe。

不過，這些成效宣稱中的一部分需要審慎解讀。TechCrunch 是把它們作為 Apate 的說法加以轉述，而非獨立驗證後的結果；目前可取得的資料，也未提供一套方法論，把所有成果都直接連結到 Apate 的系統。尤其是關於澳洲聯邦銀行的說法，指的是公開通報的詐騙損失下降，但來源文字並未詳述其中的因果關係。較保守的理解是，Apate 表示其客戶正利用這些情資來制定反詐措施，而公司把這些措施與具體成果聯繫起來。

TechCrunch 也把這家新創放在更大的背景中觀察：詐騙者自己也愈來愈常使用 AI。報導引用 FBI 數據指出，該機構在 2025 年收到超過 2.2 萬件與 AI 相關犯罪的申訴，損失約 8.93 億美元，其中超過 6.32 億美元來自投資詐騙。在這樣的框架下，Apate 的模式看起來像是嘗試不只把自動化用於偵測，還進一步用於在詐騙對話內部主動蒐集情資。

客戶、產品範圍與所宣稱的防護措施

在客戶方面，來源中最明確提到的名稱是澳洲聯邦銀行與 TPG Telecom。TechCrunch 也表示，Apate 的客戶還包括其他公用事業、電信公司與政府機關。公司網站一再把這項服務定位為提供給金融機構與電信營運商內部的反詐與情資團隊，並宣稱其效益可延伸到法規通報、夥伴協作與即時調查。網站也暗示，被導流的詐騙流量不必只是單純封鎖的對象，也可以成為情資來源。

至於防護措施，現有來源主要是從作業層面，而不是倫理層面加以描述。Apate 表示，詐騙來電可以被「安全地」導流到「受控」或「隔離」的環境中，讓客戶在受到保護的同時，詐騙者仍持續被互動。網站也指出，這可在不干擾正常來電、網路效能或客戶體驗的情況下進行。此外，網站把產出的情資描述為結構化且附有時間戳記，因而形成可稽核軌跡，讓機構能用以向監管機關證明其已採取主動作為。

不過，現有文本並未進一步列出關於人工監督門檻、升級處理規則、模型錯誤處理，或機器人冒名限制等細部護欄。因此，來源中明確宣稱的防護範圍相對有限：也就是可疑流量的隔離、避免終端使用者直接暴露其中，以及可供合規與監督使用的稽核就緒紀錄。若再做更進一步的推論，就會超出已提供的資料。

研究起源與資金

根據 TechCrunch，公司的起源故事始於創辦人兼執行長 Dali Kaafar 某次在家庭野餐時，讓一通詐騙電話持續了 44 分鐘，之後他開始思考，這個過程是否能以有用的方式被自動化。該媒體指出，這個想法後來發展為麥覺理大學的研究，利用機器學習與自然語言處理來挖掘詐騙電話內容，並提升偵測與預防能力。Apate 表示，它目前同時使用前沿模型與自家微調模型，而這些模型的訓練資料來自代理與詐騙者的對話，以及 Kaafar 先前的研究成果。

投資人也支持了這套論點。TechCrunch 報導，Apate 在 8 月完成 815 萬美元種子輪募資，投資方包括 Lobby Capital、OIF Ventures、Investible、Concept Ventures 與 Baobab Ventures。Joffe 對該媒體表示，這家有 20 名員工的公司，累計募資總額略低於 1,000 萬美元。依照同一來源，這筆最新資金將用於產品開發與國際擴張，包括在倫敦設立辦公室，以及在美國擴大布局。

對英語系企業而言，這些來源所描述的實際變化，是從以封鎖與事後反應為主的反詐方式，轉向把即時、對話層級的情資導入反詐作業。銀行、電信營運商、公用事業與公共部門機構，可能利用這些資訊更早發現冒名活動、補強調查、支援下架處置，並建立合規紀錄。根據目前可取得的資料，Apate 承諾的並不是讓詐騙就此消失，而是讓組織在客戶或員工受害之前，更早看見詐騙網路如何運作，並取得更可執行的證據。