L'attrito tra il commercio guidato dall'IA e i controlli antifrode tradizionali dei pagamenti ha raggiunto un punto di flesso critico. Con gli agenti di acquisto autonomi—alimentati da modelli di linguaggio di grandi dimensioni e apprendimento per rinforzo—in espansione negli ecosistemi commerciali, si trovano sempre più coinvolti nel fuoco incrociato dei sistemi legacy di rilevamento delle frodi progettati per il comportamento umano. Il risultato: transazioni legittime contrassegnate, rifiutate e abbandonate. Il commerciante perde ricavi. Il titolare della carta perde comodità. E l'intera catena infrastrutturale—dai fornitori di servizi ai processori di pagamenti alle reti di carte—affronta un rallentamento nascosto del volume di transazioni che l'analittica convenzionale raramente emerge.

Chargebacks911, una società di consulenza sulla risoluzione delle controversie e il rischio di pagamento, si è inserita in questo vuoto con una suite di strumenti volta a disambiguare il commercio agentico dalle frodi. L'intervento dell'azienda sottolinea un problema più profondo: l'apparato di prevenzione delle frodi del settore dei pagamenti è stato progettato per un'era diversa. La maggior parte dei modelli basati su regole e apprendimento automatico implementati dalle reti di carte, dai fornitori di servizi e dai processori di pagamenti è stata addestrata su modelli di comportamento transazionale umano—velocità, geografia, categoria commerciale, fingerprinting del dispositivo, biometria comportamentale. Un agente IA, per definizione, non presenta nessuno di questi segnali. Esegue transazioni in batch. Opera dallo stesso indirizzo IP in diverse aree geografiche. Completa gli acquisti in millisecondi, senza alcun tempo di permanenza umano. Per un motore antifrode legacy, assomiglia a un'acquisizione di account. Per un commerciante, assomiglia a vendite perse.

La portata di questo problema non può ancora essere quantificata con precisione. A differenza degli chargeback, che sono documentati e contestati, i rifiuti falsi rappresentano una perdita silenziosa—un'erosione invisibile dei ricavi. La ricerca del settore suggerisce che per ogni transazione fraudolenta catturata, da tre a cinque transazioni legittime vengono rifiutate. Nell'era del commercio agentico, tale rapporto probabilmente peggiorerà significativamente. Considerare un agente di approvvigionamento B2B che acquista forniture per conto di un'azienda di medie dimensioni, o un bot di gestione della ricchezza del consumatore che esegue operazioni di ribilanciamento, o un agente di pianificazione di viaggi che prenota camere d'hotel in rapida successione in più proprietà. Ognuno di questi flussi di lavoro è legittimo, ad alta affidabilità e algoritmicamente corretto. Ciascuno è anche, secondo gli standard tradizionali di rilevamento delle frodi, anomalo.

Le implicazioni si propagano in cascata nello stack dei pagamenti. Per le piattaforme Banking-as-a-Service e i fornitori di finanza incorporata, i rifiuti falsi rappresentano una perdita nell'imbuto dell'esperienza del cliente—un vettore di abbandono difficile da strumentare ma facile da percepire. Le società fintech che implementano soluzioni di pagamento in white-label devono ora affrontare non solo i propri modelli di rischio ma anche gli strati di attrito opachi introdotti dalle reti di carte e dalle banche acquirenti a valle. Per i processori di carte e gli operatori di liquidazione, rifiutare agenti IA significa perdere ricavi da interchange e ridurre il throughput delle transazioni senza una corrispondente riduzione dei costi operativi. L'economia diventa sfavorevole per tutte le parti contemporaneamente.

Ciò che Chargebacks911 e altri fornitori di intelligenza del rischio emergenti stanno tentando di risolvere è un problema di classificazione che non può essere risolto da sole le regole tradizionali. La distinzione tra un account compromesso che esegue un bot agentico e un flusso di lavoro di commercio agentico legittimo richiede contesto: il modello commerciale del commerciante, i parametri di addestramento dell'agente, il rapporto semantico della transazione con le interazioni precedenti dei clienti, i punteggi di affidabilità del sistema IA che orchestra l'acquisto. Questo è, in effetti, un nuovo livello di intelligenza antifrode che si situa tra il commerciante e la rete di carte—un middleware che traduce l'intento dell'agente in segnali che i sistemi antifrode legacy possono interpretare. È la convalida attraverso la trasparenza, e richiede che le piattaforme fintech e le reti di pagamenti inizino a strumentare il commercio agentico come una classe di transazione distinta, separata sia dai flussi avviati da umani che da quelli fraudolenti.

Le implicazioni normative e architettoniche sono profonde. I regolatori presso l'Autorità Bancaria Europea e la Federal Reserve degli Stati Uniti hanno iniziato a segnalare preoccupazioni per l'attività finanziaria guidata dall'IA, ma il loro focus è stato principalmente sul rischio sistemico, la manipolazione del mercato e il bias algoritmico—non sul problema granulare dei rifiuti falsi. Eppure i rifiuti falsi sono, a loro modo, una questione di stabilità: rappresentano un'imposta implicita sull'automazione, un coefficiente di resistenza sui guadagni di efficienza che l'IA promette di fornire. Se l'infrastruttura di pagamento non può distinguere in modo affidabile le transazioni ageniche legittime dalle frodi, la curva di adozione per il commercio autonomo si appiattisce. I commercianti ritornano ai flussi di lavoro human-in-the-loop. I guadagni di produttività svaniscono. Il caso economico per l'IA si deteriora.

Il percorso in avanti richiede una ricalibratura di come la frode viene rilevata e comunicata nell'ecosistema dei pagamenti. Le reti di carte e i fornitori di servizi dovranno adottare nuovi approcci di feature engineering che tengano conto del comportamento degli agenti: non solo le caratteristiche delle transazioni, ma la provenienza dell'agente, la governance dei modelli, i registri di audit. Le piattaforme di orchestrazione dei pagamenti dovranno esporre questi segnali bidirezionalmente—consentendo ai commercianti di certificare i loro agenti e consentendo alle reti di adeguare il punteggio di rischio di conseguenza. Questo non è né un problema puramente tecnico né puramente operativo; si situa all'intersezione e richiede una coordinazione tra istituzioni del tipo che il settore dei pagamenti storicamente ha faticato a eseguire.

Per Codego e altri costruttori di infrastrutture, la sfida è incorporare questa intelligenza del rischio consapevole dell'agente al centro dell'elaborazione dei pagamenti, non come un componente aggiuntivo. Con le piattaforme fintech che scalano le offerte di commercio agentico—sia in gestione delle spese, approvvigionamento, trading o shopping al consumo—lo strato di rilevamento delle frodi non può rimanere una scatola nera ereditata dalle reti legacy. Deve essere trasparente, verificabile e appositamente costruito per un universo di transazioni dove nessun umano vede mai lo schermo.

Fonti: PYMNTS · 1 maggio 2026