AI "läser" skriptet och varnar användare för bedrägerier.

På mindre än ett ögonblick analyserar MoMos AI-system samtidigt över 1 000 risksignaler. Om egenskaper som liknar tidigare identifierade bedrägerimönster uppstår bedömer systemet risknivån och utfärdar en varning.

I takt med att bedrägerier blir snabbare och mer sofistikerade.

Enligt statistik som delades på forumet Digital Trust in Finance 2026 (DTF 2026) förlorade vietnameserna över 8 biljoner VND på grund av onlinebedrägerier år 2025. Det oroande är dock inte bara mängden förluster; experter anser att den största utmaningen är att AI orsakar en exempellös ökning av hastigheten för att skapa bedrägeriscenarier, samtidigt som det avsevärt minskar "inträdesbarriären" för cyberbrottslingar.

Tidigare krävdes det att förövarna lade ner mycket tid på att utveckla scenarier, samla in data, skriva innehåll och kontakta offer för att genomföra storskaliga bedrägerier. Nu kan många av dessa steg automatiseras till en mycket låg kostnad.

Nguyen Manh Tuong, medgrundare, styrelseordförande och VD för MoMo, sa: "AI gör bedrägerier 'snabbare, billigare och mer sofistikerade' och förändrar helt hur förövare genomför bedrägerikampanjer online."

Herr Nguyen Manh Tuong delade detta på forumet Digital Trust in Finance 2026.

Istället för tidigare massspridningsmetoder kan bedrägeriscenarier nu skapas i en mycket snabbare takt och med en högre grad av personalisering. Från onlinebeteende och konsumentvanor till relationer på sociala medier kan en mängd offentligt tillgängliga data användas för att konstruera riktade metoder som är mycket specifika för varje användare.

På underjordiska forum idag finns det ett ökande antal modeller av "phishing-as-a-service" – där phishing-verktyg erbjuds som prenumerationer liknande SaaS-programvara. Användare kan hyra färdiga falska webbplatser, massutskickssystem för e-post, dashboards för att övervaka stulen data och till och med tillhörande tekniska supporttjänster.

Wall Street Journal, som hänvisar till data från Microsoft, Barracuda Networks, Netcraft och FBI, visar att många nätfiskeplattformar nu är "paketerade" med användarvänliga gränssnitt, färdiga mallar och möjligheten att driftsättas på några minuter. Detta gör att även team med mindre teknisk skicklighet snabbt kan delta i storskaliga nätfiskekampanjer.

Bedrägeribekämpningsmodellen behöver också "accelerera".

Baserat på ovanstående erfarenheter anser Nguyen Manh Tuong att den digitala finansbranschen inte kan fortsätta att helt förlita sig på det traditionella tankesättet att "upptäcka transaktioner och sedan blockera dem". Istället måste MoMo flytta sitt tänkande från att "blockera dåliga aktörer" till att "samarbeta med bra aktörer".

Varje transaktion på MoMo-plattformen behandlas på 100–300 millisekunder. På en period kortare än en ögonblick analyserar AI-systemet samtidigt mer än 1 000 olika risksignaler. Dessa signaler inkluderar inloggningsenheter, geografisk plats, transaktionshistorik, kontoanvändningsfrekvens, mottagaregenskaper och många andra ovanliga tecken på transaktionsbeteende.

Om ett konto plötsligt genererar en stor transaktion till ett kluster av konton som tidigare kopplats till misstänkt aktivitet, eller uppvisar egenskaper som liknar tidigare dokumenterade bedrägerimönster, kan systemet omedelbart bedöma risknivån och utfärda en varning.

De första resultaten visar att denna metod ger positiva resultat. På MoMo-plattformen stoppar 995 användare transaktionen för varje 1 000 användare som får en varning från systemet. Som ett resultat sparas cirka 44 miljarder VND varje dag från potentiella bedrägeririsker.

Dessa resultat visar att modern säkerhet inte bara handlar om att förhindra externa attacker. Ännu viktigare är att det handlar om att stödja användare i att fatta mer välgrundade beslut under tider med störst sårbarhet för manipulation.

Å andra sidan kan varje nyupptäckt bedrägligt konto, varje nytt nätfiskescenario som rapporteras av en användare eller varje nyligen verifierad ovanlig transaktion omedelbart bli data för systemet att uppdatera sina riskidentifieringsmodeller.

Tack vare detta har MoMo omvandlat de värdefulla lärdomar som enskilda användare har lärt sig till gemensam kunskap för hela systemet. Denna inställning formar strategin för att bygga en "gemensam sköld": att inte låta användarna stå ensamma inför risker, utan att omvandla kraften i communitydata till ett digitalt immunsystem som kan självlära och kontinuerligt förbättras över tid.

(Källa: MoMo)

Källa: https://vietnamnet.vn/ai-doc-vi-kich-ban-canh-bao-nguoi-dung-truoc-bay-lua-dao-2520887.html