Что такое Apate.ai и зачем он нужен
Apate.ai - австралийский стартап, основанный в 2024 году на базе исследований Университета Маккуори в Сиднее. Компания разворачивает тысячи AI-агентов, которые выдают себя за потенциальных жертв и сами идут на контакт с мошенниками: отвечают на звонки, реагируют на подозрительные сообщения и письма, переходят по фишинговым ссылкам, вступают в группы в социальных сетях.
Задача агента - разведка. Он удерживает мошенника в разговоре достаточно долго, чтобы тот раскрыл детали, которые обычно всплывают только после обмана: номера банковских счетов, адреса криптокошельков, телефонные номера, вредоносные сайты и названия брендов, которые он подделывает. Собранное Apate передает клиентам, а те встраивают эти данные в свои антифрод-меры.
Клиентская база, по описанию компании, состоит из банков, телеком-операторов, государственных агентств и коммунальных служб. По заявлению Apate, ее агенты потратили впустую 17 лет времени мошенников в 2,5 млн разговоров. Цифры внутренние: независимого аудита или сторонней проверки в публичных источниках нет. В 2026 году стартап вошел в число финалистов Startup Battlefield 200 на TechCrunch Disrupt (TechCrunch).
Суть подхода видна через сдвиг акцента. Обычная защита реагирует на случившееся: оператор блокирует номер после потока жалоб, банк разбирает транзакцию после попытки перевода. Apate пытается вытащить данные о схеме на этапе, когда мошенник еще ведет разговор с «жертвой», которой на другом конце нет.
Как работают AI-агенты под прикрытием: техническая механика
Идея выросла из академической работы. Основатель и CEO Apate Дали Каафар вместе с коллегами в Университете Маккуори применял машинное обучение и обработку естественного языка (NLP), чтобы разбирать содержание мошеннических звонков и искать способы их выявлять и предотвращать. Позже этот подход стал продуктом: разговорный агент, который распознает скам и продолжает диалог по своему сценарию.
Точную архитектуру и стек моделей Apate публично не раскрывает. Из описания продукта следует, что агенты работают в реальном времени и покрывают несколько каналов: голос, текст в мессенджерах, email, переходы по ссылкам. Это шире, чем текстовый чат-бот: часть сценариев требует синтеза и распознавания речи, часть - разбора HTML и поведения подозрительного сайта.
Опора у такого продукта зрелая. Речевая аналитика на ML давно применяется в продажах и поддержке: платформа Encore AI разбирает звонки, переписку и CRM, чтобы вытащить удачные приемы разговора и превратить их в плейбуки (AI-Manual). Apate использует инструменты того же класса, только цель обратная: не продать, а вытянуть из собеседника данные о схеме.
Какие каналы используют агенты
- Телефонные звонки: агент поднимает трубку и держит голосовой диалог.
- SMS и мессенджеры: текстовые ответы, которые растягивают переписку.
- Email: реакция на мошеннические письма и вложения.
- Фишинговые ссылки: агент переходит по ним и фиксирует содержимое страницы.
- Социальные сети: агенты вступают в группы, где мошенники ищут жертв.
Каналы дают разные данные. Из звонка извлекают номер, реквизиты для перевода, манеру речи и сценарий давления. Из фишинговой ссылки - домен, структуру поддельной страницы, поля формы и адрес, куда уходят введенные данные. Из соцсетей - сеть аккаунтов и типовые легенды вроде фейковых инвестиций.
Как агенты имитируют людей
Агенты изображают людей разного возраста, пола и акцента и говорят на разных языках. Это рабочий параметр, а не украшение. Схемы заточены под типаж: звонок «из службы безопасности банка» рассчитан на человека постарше, инвестиционные «разгоны» - на готового быстро перевести деньги, романтические истории - на одиноких пользователей. Агент подбирает легенду под сценарий и тянет время: переспрашивает, «не понимает» терминов, уточняет детали.
Длительность контакта и есть основная метрика. Чем дольше мошенник говорит, тем больше успевает рассказать: реквизиты, бренды, которые копирует, платежные схемы, контакты «кураторов». Насколько часто мошенник распознает агента и какова точность моделей, компания не публикует.
Какие данные собирают агенты и как они используются
Набор добычи выглядит как типовой список улик: номера банковских счетов, адреса криптокошельков, телефонные номера, домены вредоносных сайтов, названия подделываемых брендов и прочие детали схемы.
Ценность в моменте получения. Банк или полиция обычно видят эти данные после переводов, когда жертва уже обратилась с заявлением. Агент приносит их заранее и в структурированном виде.
Дальше информация расходится по клиентам:
- Банки блокируют счета-получатели и ставят на контроль переводы на них.
- Телеком-операторы используют номера и сценарии для фильтрации вызовов.
- Госорганы получают материал для расследований.
- Коммунальные службы прикрывают схемы, где мошенники представляются поставщиками услуг.
Границы применимости тоже видны: это сигналы, а не доказательства. Данные из разговора с агентом требуют проверки, а часть сведений мошенник может назвать вымышленными, чтобы запутать собеседника и увести следствие в сторону.
Результаты и кейсы: что уже удалось достичь
Единственная публичная цифра производительности - 17 лет потраченного впустую времени мошенников в 2,5 млн разговоров (TechCrunch). Это оценка компании, а не замер третьей стороны.
В описании проекта упоминаются два клиента и связанные с ними результаты: Commonwealth Bank of Australia и TPG Telecom. По этим данным, TPG перенаправила агентам почти 590 000 звонков, а Commonwealth Bank зафиксировал снижение публично заявленных потерь от мошенничества на 76%. В цитируемой публикации TechCrunch таких сведений нет, поэтому корректно воспринимать их как заявления сторон, требующие отдельной проверки.
Еще один маркер признания - финал Startup Battlefield 200 на TechCrunch Disrupt. Попадание в список отражает интерес инвесторов и медиа к направлению; эффективность технологии оно не подтверждает.
Бизнес-модель и клиенты Apate.ai
Apate работает в B2B: платит организация, которая несет потери от мошенничества, а не конечный пользователь. Целевые клиенты - банки, телеком-операторы, государственные агентства и коммунальные службы. Логика покупки простая: сократить прямые потери, защитить репутацию и закрыть регуляторные требования по противодействию фроду.
Разницу с отраслевой практикой сформулировал соучредитель и главный коммерческий директор Apate Брэд Джофф: «Most of the industry works after the fact. Telcos block numbers, but scammers just get new ones. Banks watch transactions, but by then the scammer has already reached the customer. We go to the scammer directly and get the information before anyone gets hurt». Перевод: большинство игроков работает постфактум. Телекомы блокируют номера, но мошенники берут новые. Банки следят за транзакциями, но к этому моменту мошенник уже добрался до клиента. Apate идет к мошеннику напрямую и получает информацию до того, как кто-то пострадал.
Тарифы компания не раскрывает. Из логики B2B-продукта следует, что клиент платит за доступ к потоку разведданных и, вероятно, за интеграцию с собственными антифрод-системами; конкретные условия остаются за рамками публичных материалов.
Ограничения, риски и этические вопросы
Главный риск любого агента-скам-бейтера - цена ошибки. Разговор с человеком, который мошенником не является, обходится дорого: испорченная репутация, жалобы и юридические претензии. Компания не раскрывает, как отсекает ложные срабатывания и что делает с разговорами, где агент ошибся.
Юридические и регуляторные аспекты
Запись разговоров, имитация личности и удержание человека в диалоге регулируются по-разному в разных странах. Работа с государственными агентствами в Австралии может давать Apate определенные рамки и разрешения, но при выходе в другие юрисдикции, включая Великобританию и США, эти рамки придется выстраивать заново: согласие на запись, правила обращения с персональными данными, статус собранных доказательств. Насколько компания готова к таким требованиям, публично не разъясняется.
Технические сложности и ложные срабатывания
Языковые модели ошибаются предсказуемо: теряют контекст в длинном диалоге, сваливаются в шаблонные формулировки, путают детали легенды. Для сценария, где агент играет живого человека часами, этого хватает, чтобы собеседник заподозрил подмену и завершил контакт. Отдельная проблема - определить, кто на другом конце: мошенник, легальный продавец или просто навязчивый абонент. Метрики точности Apate не публикует.
У агентов, которые работают в реальном времени и общаются с внешним миром, есть и операционная головная боль: контроль поведения, логи, права доступа, изоляция и таймауты. Как это выстраивать, разобрано в материале про аудит безопасности AI-агентов (AI-Manual).
Можно ли повторить такой подход самостоятельно
Минимальный технический комплект для похожего агента: LLM для текста, распознавание и синтез речи для звонков, слой извлечения сущностей (счета, кошельки, домены, телефоны) и интеграции с телефонией и мессенджерами. Из открытых инструментов подойдут Rasa или Botpress для диалоговой логики, Twilio или аналог для телефонии, локальные модели вроде Llama и Mistral для генерации ответов. Как собрать каркас агента, включая память, инструменты и обработку ошибок, разобрано в отдельном руководстве (AI-Manual).
Сложность здесь не в стеке. Юридическая сторона тяжелее инженерной: запись чужих разговоров, имитация человека, ответственность за ошибку агента. Плюс нужна инфраструктура под тысячи параллельных диалогов и защита от вырождения в один и тот же скрипт, который мошенник раскусит за пару минут.
Для частного эксперимента разумнее развернуть логику в защиту: фильтры, белые списки, отдельные номера и карты под сомнительные сервисы.
Перспективы Apate.ai и рынка AI-агентов против мошенников
Масштаб проблемы объясняет интерес к нише. По данным ФБР, в 2025 году ведомство получило более 22 000 жалоб на преступления, связанные с AI, а потери составили около $893 млн. Более $632 млн пришлось на инвестиционные мошенничества: там, по описанию ФБР, преступники ведут разговоры с помощью AI и подделывают голоса и внешность знаменитостей, руководителей и доверенных лиц (TechCrunch).
Apate заявляет, что в августе 2026 года привлекла $8,15 млн посевных инвестиций от Lobby Capital, OIF Ventures, Investible, Concept Ventures и Baobab Ventures, доведя общий объем финансирования примерно до $10 млн. Штат - около 20 человек, в планах названы развитие продукта, открытие офиса в Лондоне и усиление в США. Эти сведения идут со слов компании и в цитируемой публикации не подтверждены.
Конкурентное поле уплотняется: речевая аналитика, антифрод-платформы и агентные решения для безопасности пересекаются все сильнее. У Apate есть накопленный корпус разговоров с мошенниками и клиенты среди крупных организаций, если верить заявлениям компании.
Практические выводы: что это значит для вас
- Apate смещает борьбу с фродом в начало схемы: данные собирают, пока разговор идет, а не после перевода.
- Заявленные результаты (17 лет, 2,5 млн разговоров, 590 000 перенаправленных звонков, снижение потерь на 76%) исходят от компании и ее клиентов. Независимой проверки нет, так что это ориентиры, а не измеренный эффект.
- Юридическая база для массового скам-бейтинга в разных странах не устоялась: запись разговоров, имитация людей и сбор данных упираются в местные законы о приватности.
- Собрать простого агента на локальной LLM и телефонии реально, но юридические риски здесь выше инженерных.
- Для частного пользователя полезнее гигиена платежей: отдельная виртуальная карта с лимитом под зарубежные подписки и сомнительные сервисы. Виртуальная карта зарубежного банка выпускается дистанционно, пополняется в рублях через СБП и привязывается к Apple Pay, Google Pay, Alipay и WeChat, что снижает последствия утечки основных реквизитов.