A mesterséges intelligencia terén bekövetkezett robbanásszerű fejlődés átalakítja a pénzügyi szolgáltatások biztonságát

Vegyünk egy olyan átutalási megbízást, amely tiszta PDF-formátumban érkezik. Nincs benne hibás kód, nincs ismert hibás aláírás, a feladó hitelesnek tűnik, a metaadatok minden automatikus ellenőrzést kiállnak – és mindez teljesen hamis, egy modell által néhány centért generálva, hogy pontosan úgy nézzen ki, mint az eredeti. Semmi sem árulja el a származását, mert soha nem volt emberi szerzője. Ismerje meg a PDF-összefűzési technikát

A ma alkalmazott fájlbiztonsági intézkedések többsége egy régóta fennálló feltételezésen alapul: miszerint a fájlokat emberek hozzák létre. Ez a feltételezés határozza meg a fájlok érkezésének ütemét, a felhalmozódás mértékét, valamint a „normális” fogalmát, amelyhez viszonyítva az eltéréseket értékelik. Ez évtizedeken át érvényben maradt, mivel a fájlonkénti költség az emberi munkabefektetéshez volt kötve, a feldolgozható mennyiség felső határát pedig a létszám határozta meg.

A generatív mesterséges intelligencia felszámolta ezt a korlátot. A globális adatterület 2019-ben még 45 zettabájt volt, 2025-re várhatóan 175-re nő (289%-os növekedés), és az előrejelzések szerint 2029-re eléri az 527-et (IDC). Az adatmennyiség azonban a történet kevésbé fontos fele. A jelentősebb változás a forrásban rejlik: az új vállalati fájlok becslések szerint 40–50%-a ma már gépi eredetű, gyakran anélkül, hogy megbízható jel utalna emberi szerzőségre.

A növekedési ütem is ugyanezt a képet mutatja. Az AI-korszak előtti időszakban a vállalati fájlok száma évente körülbelül 20–23%-kal nőtt. Azoknál a szervezeteknél, amelyek szabványosították az AI-vezérelt munkafolyamatokat, a fájlok teljes növekedését jelenleg évi 55–68%-ra becsülik. A generatív mesterséges intelligencia vállalati szintű elterjedése egyetlen év alatt nagyjából megduplázódott, 33%-ról 71%-ra (Stanford HAI), és a szervezetek kétharmada mérhető termelékenységnövekedésről számol be (Deloitte). A fájlok létrehozásának üteme először vált függetlenné a munkaerő létszámától, és éppen a két görbe között táguló szakadékban rejlik az új biztonsági kockázat.

A pénzügyi szektorban minden más ágazatnál korábban jelentkezett a fájlmennyiség robbanásszerű növekedése, mivel három olyan fájltermelő folyamatot működtet, amelyek a legtöbb iparágban hiányoznak, és a generatív mesterséges intelligencia mindhármat egyszerre felgyorsította.

Az első a szintetikus adat, amely a legnagyobb, de egyben a legkevésbé látható hajtóerő. A csalásfelismerő, pénzmosás elleni és hitelminősítési modellek betanításához olyan mennyiségű adatra van szükség, amelyet az adatvédelmi szabályozás korlátoz; a generatív mesterséges intelligencia ezt a korlátot úgy oldja meg, hogy statisztikailag valósághű szintetikus rekordokat állít elő, amelyek az AML-tesztelés során 96–99%-os hasznossági egyenértékűséget érnek el a termelési adatokkal. Egyetlen intézmény is több milliárd rekordot képes generálni egy betanítási ciklus alatt, és mindegyik egy tárolt, szabályozott és biztonságos adatelem.

A második kategória a KYC-dokumentáció, amely a legjobban mérhető, mivel kötelező. A mesterséges intelligencia növelte az egy elemzőre jutó feldolgozási teljesítményt, és teljesen új dokumentumtípusokat vezetett be: géppel generált kockázati leírásokat, negatív sajtóhírek összefoglalóit, tulajdonosi térképeket. A globális KYC/KYB-rendszerekre fordított kiadások várhatóan körülbelül 40%-kal, 30,5 milliárd dollárra emelkednek 2030-ra (Juniper Research), és a világszerte elvégzett személyazonosság-ellenőrzések száma a 2024-es 75 milliárdról 2025-re 86 milliárdra emelkedett, amelyek mindegyike egy-egy dokumentumot jelent, amelyet rögzíteni, tárolni és áttekinteni kell.

A harmadik tendencia az LLM közvetlen alkalmazása minden olyan területen (értékesítés, marketing, jogi ügyek, HR, kockázatkezelés), ahol korábban nem volt jellemző a nagy volumenű tartalomelőállítás. A területenkénti termelékenység becslések szerint három-ötszörösére nőtt, és a szervezetek az előállítandó tartalom mennyiségének 54%-os növekedését jelentik az előző évhez képest (Deloitte). Az egyesült királyságbeli pénzügyi cégek háromnegyede már használja a mesterséges intelligenciát (Bank of England / FCA), és azok aránya, amelyek termelékenységnövekedésről számolnak be, egy év alatt csaknem megduplázódott, elérve az 59%-ot. Pontosan azok az intézmények generálják a legtöbb fájlt, amelyek a legagresszívebben fektetnek be az azokat előállító technológiába.

Ez az a fordulópont, ahol a termelékenységi kérdés biztonsági kérdéssé válik. A prezentációs anyagot összeállító eszköz megegyezik azzal, amely a rosszindulatú kódot is létrehozza.

A generatív mesterséges intelligencia elterjedése óta az AI-támogatott adathalászat több mint tízszeresére (+1 265%) nőtt; az észlelt adathalász e-mailek több mint 82%-a ma már AI által generált tartalmat tartalmaz. A digitális dokumentumhamisítás 2024-ben 244%-kal nőtt az előző évhez képest. A Kaspersky naponta körülbelül 500 000 rosszindulatú fájlt regisztrál. A deepfake-alapú személyazonosság-csalási kísérleteket bejelentő cégek aránya pedig két év alatt 37%-ról 49%-ra emelkedett. A fájlokon keresztül terjedő fenyegetések ugyanolyan ütemben növekednek, mint a legitim fájlok, mivel ugyanaz a technológia képes mindkettőt előállítani.

A fájlokra használt szókincsünk már nem felel meg annak, amivé a fájlok mára váltak. A fájl már nem egy passzív tároló, amely mozdulatlanul várja, amíg valaki megnyitja. Egyre inkább egy „IntelligentFILE”-ről van szó: bármely olyan fájlról, amely beágyazott intelligenciát hordoz (ideértve adatokat, utasításokat, identitást vagy kódot), és amely feldolgozásakor, megnyitásakor vagy továbbításakor egy következményes műveletet indít el.

Az IntelligentFILE meghatározó jellemzője kettős természete. Ugyanaz az objektum lehet az üzleti tevékenység, a szabályozási megfelelés és a bizalom hajtóereje – vagy éppen fegyver. Egy KYC-csomag jogi súllyal bír, és minden, abból származó döntésnek további következményei vannak. Egy szintetikus AML-adatkészlet a valóság forrásává válik egy olyan modell számára, amely több millió tranzakciót irányít. Egy mesterséges intelligenciával generált megfelelési jelentés megfelelő szabályozás mellett legitim, ellenkező esetben pedig támadási vektor. A rosszindulatú szoftvert tartalmazó PDF-fájlt úgy tervezték, hogy átmenjen a felszíni ellenőrzésen, és csak akkor futtassa ki a kódot, miután bejutott a rendszerbe. Egy mesterséges intelligenciával generált átutalási utasítás kontextusában pontos, az ügyféladatokkal egyezik, és szerkezetileg megkülönböztethetetlen az eredetitől.

A segítőkész változat és az ellenséges változat közötti különbség a felszínen ritkán látható, és éppen ez a legfőbb probléma.

A ma használt védelmi megoldások többsége olyan tulajdonságok alapján következtet a kockázatra, amelyekkel a géppel létrehozott fájlok már nem rendelkeznek megbízhatóan. A szignatúra-alapú kártevőirtó motorok abból indulnak ki, hogy a fenyegetést már korábban azonosították, a generatív modellek viszont olyan új típusú kártékony kódokat hoznak létre, amelyeknek nincs ismert szignatúrája. Az e-mail-átjárók abból indulnak ki, hogy a veszélyes fájl e-mailben érkezik, de manapság a fájlok felhőalapú feltöltések, API-k, webes űrlapok, portálok és együttműködési eszközök útján is bejutnak a rendszerbe. A besorolás feltételezi, hogy a fájlok szerzői jeleket és tiszta metaadatokat tartalmaznak, de a géppel generált fájlokból ezek hiányoznak, a szintetikus adatok pedig utánozzák a valódi ügyfélrekordokat.

A származás feltételezi, hogy a forrásból következtetni lehet a biztonságra, de a forrás egyre inkább az intézmény határain kívülre helyezkedik el.

Ez a védelmi rés: nem egy adott eszköz meghibásodása, hanem egy architektúrai eltérés az emberi tempóhoz igazodó, ember által létrehozott fájlokhoz tervezett védelmi mechanizmusok, valamint az ilyen jellemzőkkel nem rendelkező fájlállomány között.

Ha a forrás már nem tekinthető megbízhatónak, akkor a ellenőrzési pontot módosítani kell. A biztonsági intézkedéseket úgy kell átalakítani, hogy a fenyegetések észlelése – amely eddig a fájl környezetbe való bejutását követően történt – helyett minden fájlt a beolvasás pillanatában ellenőrizzünk és tisztítsunk meg, függetlenül a megadott forrástól és attól, hogy valamelyik motor jelzi-e azt. A származás megállapítása így nem többé következtetés, hanem kötelezően érvényesítendő követelmény lesz.

A gyakorlatban ez azt jelenti, hogy: az észlelés helyett a megelőzésre kell helyezni a hangsúlyt; minden csatornát behatolási pontként kell kezelni; a fájlokat úgy kell ártalmatlanná tenni, hogy újjáépítjük őket az aktív tartalom eltávolítása érdekében, ahelyett, hogy csupán az ismert rosszindulatú fájlokat észlelnénk; soha nem szabad egyetlen észlelési motorra támaszkodni; valamint a gépi eredetű és a szintetikus adatokat önálló, szabályozott adatkategóriaként kell kezelni.

A piac máris ebbe az irányba mozdul el — a biztonsági vezetők 96%-a ma már a mesterséges intelligenciát tekinti kibervédelmük központi elemének (EY), miközben az adatvédelmi incidensek átlagos költsége megközelíti a 4,4 millió dollárt (IBM).

A testreszabott biztonsági intézkedéseknek nem kell lassítaniuk az üzleti tevékenységet, amelyet a mesterséges intelligencia felgyorsított. A peremellenőrzések azonban biztosítják, hogy a fájlok számának robbanásszerű növekedése ugyanúgy növelje a termelékenységet, anélkül, hogy ugyanolyan mértékben bővítené a védelem nélküli sebezhető felületet.