Фиктивный студент должен не только появиться, но и «жить»
В США расследуют схему, в которой украденные персональные данные, фиктивные заявки на финансовую помощь и инструменты искусственного интеллекта использовались для создания так называемых студентов-призраков. В рамках операции Ghostbusters пятерым людям предъявили обвинения в мошенничестве с федеральной помощью учащимся.
По версии следствия, участники схемы выбирали людей, которые никогда не учились в колледже, создавали от их имени аккаунты и подавали заявки FAFSA — американской федеральной формы для получения финансовой помощи. Затем фиктивных студентов регистрировали в учебных заведениях, а возвращённые после оплаты обучения средства переводили на счета, контролируемые злоумышленниками.
Но главное в этой истории — не поддельная анкета. Её можно заполнить и без генеративного AI. Более важный вопрос: как убедить систему, что человек действительно учится несколько месяцев подряд?
Именно здесь, согласно материалам обвинения, использовались AI-инструменты. Они помогали выполнять задания, готовить тексты, поддерживать активность в онлайн-курсах и имитировать поведение учащегося. Фиктивный студент превращался из записи в базе данных в постоянно действующую цифровую роль.
Что изменил искусственный интеллект
Мошеннические схемы с «призрачными студентами» существовали и до появления генеративных моделей. Раньше они требовали большого количества ручной работы: собрать персональные данные, заполнить формы, зарегистрировать человека, отвечать на письма колледжа, следить за дедлайнами и сдавать задания.
Генеративный AI не создал эту уязвимость, но резко снизил стоимость её масштабирования. Он способен автоматизировать повторяющиеся операции:
- заполнять похожие заявки и формы;
- создавать эссе и ответы на учебные задания;
- готовить переписку с администрацией и преподавателями;
- поддерживать регулярную активность в образовательной платформе;
- распределять внимание между большим числом аккаунтов;
- быстро адаптировать тексты под разные курсы и требования.
Раньше один фиктивный учащийся означал длинную цепочку ручных действий. Теперь часть этой работы можно превратить в конвейер. Это меняет экономику мошенничества: злоумышленникам уже не обязательно выбирать между десятками аккаунтов и качеством их сопровождения.
Почему формальные признаки больше не работают
Цифровые системы часто оценивают реальность пользователя по косвенным сигналам. Он вошёл в аккаунт, заполнил форму, отправил документ, подключился к видеозанятию, сдал работу — значит, предположительно, существует и действует самостоятельно.
Однако каждый из этих признаков теперь относительно легко автоматизировать. Текст может быть сгенерирован, расписание действий — заранее настроено, а присутствие на онлайн-занятии — сведено к подключению в нужное время. Даже последовательная активность не всегда доказывает, что за аккаунтом находится именно тот человек, чьи данные указаны в заявке.
Получается важный сдвиг: система проверяет не личность и намерение пользователя, а набор событий, похожих на поведение настоящего клиента или студента. Если таких событий достаточно, доступ к деньгам может сохраняться месяцами.
Масштаб пока нельзя считать установленным
Власти сообщили о 830 840 потенциально мошеннических идентификаторах федеральной помощи, связанных почти со 130 млн долларов. По отдельным фигурантам расследования выявлен ущерб более чем на 32 млн долларов. Общий ущерб от связанных схем, по оценке следствия, может превышать 200 млн долларов. В одном из эпизодов речь идёт о более чем 700 возвратных платежах примерно на 1,44 млн долларов.
Эти цифры требуют осторожного прочтения. Формулировка «потенциально мошеннические» означает, что аккаунты ещё должны пройти проверку. Оценка общего ущерба также включает предполагаемые связанные эпизоды, а не только окончательно подтверждённые судом факты.
Важно и другое ограничение: обвинение не означает доказанную вину. Обвиняемые считаются невиновными, пока суд не установит обратное. Кроме того, из публичного описания не следует, что каждый участник лично разрабатывал AI-инструменты. Подобная операция может быть распределённой: одни работают с данными, другие — с заявками и счетами, третьи — с технической автоматизацией.
Урок для колледжей, финтеха и удалённых сервисов
История Ghostbusters выходит далеко за пределы американского образования. Тот же принцип применим к кредитам, страховым выплатам, государственным субсидиям, маркетплейсам и корпоративным аккаунтам. Везде, где решение принимается по нескольким цифровым признакам, появляется возможность сымитировать не только личность, но и её длительное поведение.
Организациям стоит проверять не отдельное действие, а согласованность всей истории пользователя. Например:
- Совпадают ли устройство, география, платёжные реквизиты и прежняя активность?
- Не повторяются ли у разных аккаунтов одинаковые тексты, временные интервалы и маршруты действий?
- Есть ли независимое подтверждение намерения — живой разговор, собеседование или иной контакт?
- Может ли сотрудник пересмотреть автоматическое решение?
- Что произойдёт с настоящим пользователем, если алгоритм ошибётся?
При этом усиление контроля не должно автоматически означать тотальную биометрию и усложнение доступа. Очная проверка, обязательные документы и дополнительные звонки способны снизить мошенничество, но могут создать новые барьеры для реальных студентов и клиентов — особенно для людей с нестабильным интернетом, ограниченными документами или сложной жизненной ситуацией.
Главный вывод
AI не сделал мошенничество с цифровой личностью возможным. Он сделал его операционным. Поддельному пользователю теперь недостаточно однажды появиться в базе — его можно заставить регулярно отправлять задания, отвечать на сообщения и воспроизводить поведение настоящего человека.
Поэтому организациям придётся пересмотреть сам вопрос «как доказать, что пользователь реальный». Наличие логина, документа, видеосвязи или отправленного текста больше не является достаточным ответом. Надёжнее оценивать происхождение данных, непротиворечивость поведения и независимые подтверждения — сохраняя возможность объяснить решение и исправить ошибку.
Будущее защиты цифровых сервисов, вероятно, будет связано не с поиском одного идеального детектора AI, а с проверкой всей цепочки доверия. Иначе система может долго видеть активного студента — там, где в действительности существует только хорошо настроенный процесс.
