Novo istraživanje Infobipa pokazuje snažan rast prijevara pokretanih umjetnom inteligencijom, ali i obrambenih sposobnosti poduzeća. Analizirajući milijarde interakcija diljem svijeta, Infobipovo izvješće Fraud & Security Report 2026. prikazuje godinu izraženih suprotnosti, obilježenu rekordnim količinama blokiranog prijevarnog prometa i brzim širenjem inteligentnih sigurnosnih sustava temeljenih na umjetnoj inteligenciji.
Izvješće pokazuje da prevaranti koriste AI za skaliranje i personalizaciju štetnih poruka, što je dovelo do rasta detektiranih prijetnji od 77 posto. Poduzeća odgovaraju sličnim alatima: primjena sustava za otkrivanje prijevara pokretanih umjetnom inteligencijom porasla je 71 posto na godišnjoj razini, dok je detekcija na temelju obrazaca povećana 105 posto. Podaci upućuju na pomak prema prilagodljivoj sigurnosti koja se ne oslanja samo na unaprijed definirana pravila.
Izvješće navodi i primjer učinka sigurnosti koja se temelji na umjetnoj inteligenciji. Vodeći britanski modni lanac NEXT koristi Infobip Signals, rješenje temeljeno na umjetnoj inteligenciji i strojnom učenju namijenjeno suzbijanju umjetno napuhanog prometa, kako bi dodatno zaštitio korisnike od prijevara.
Prema izvješću za 2026., phishing čini 49 posto blokiranog štetnog sadržaja, a njegov se volumen povećao 94 posto na godišnjoj razini. Interakcije s mrežnim API-jima, uključujući provjeru zamjene SIM kartice i provjeru telefonskog broja, porasle su 91 posto, pri čemu financijski sektor predvodi prihvaćanje tih mogućnosti.
„Prevaranti koriste umjetnu inteligenciju kako bi automatizirali i skalirali kampanje brže nego ikad, ali zaštita pokretana AI-jem razvija se jednako brzo. Snažan rast inteligentne detekcije pokazuje da vodeće organizacije sigurnost više ne tretiraju kao naknadnu funkciju, nego je ugrađuju izravno u komunikacijsku infrastrukturu“, rekao je Matija Ražem, glavni komercijalni direktor Infobipa za telekomunikacije.
Automatizirani phishing danas može stvarati velik broj jezično uvjerljivih i precizno prilagođenih poruka uz vrlo nizak trošak. Zbog toga klasični filtri koji traže samo poznate ključne riječi i potpise više nisu dovoljni. Sustavi strojnog učenja mogu analizirati ritam slanja, obrasce odredišta, ponašanje računa i odstupanja u prometu u gotovo stvarnom vremenu. Mrežni API za provjeru zamjene SIM kartice može upozoriti banku ili drugu uslugu da je broj nedavno prenesen na novu karticu, što je važan signal mogućeg preuzimanja računa. Provjera broja omogućuje potvrdu identiteta na razini mobilne mreže bez oslanjanja isključivo na jednokratnu SMS lozinku.
Brendirane i verificirane RCS poruke mogu korisniku pomoći da razlikuje legitimnu komunikaciju od lažnog pošiljatelja. Zaštita ipak mora biti slojevita i uključivati snažnu autentikaciju, ograničavanje broja zahtjeva, praćenje anomalija i brzu blokadu kompromitiranih računa. Umjetno napuhani promet posebno je štetan jer generira lažne zahtjeve za autentikaciju, povećava troškove i može prikriti druge napade. Tvrtke moraju uskladiti detekciju prijevara s pravilima privatnosti i zadržati mogućnost ljudske provjere kod spornih slučajeva. Najbolji rezultati postižu se kada telekomunikacijski podaci, ponašanje korisnika i poslovni kontekst zajedno služe za procjenu rizika svake interakcije.