Как знакомый знакомого сделал 1,5 млн рублей на фейковых клиентах банка

История в формате пересказа. Без имён, без названий компаний и без документов. Не инструкция, не рекомендация и не юридический разбор. Скорее заметка о том, как плохой KPI может превратиться в банкомат.

Мне тут рассказали историю.

Из тех, где сначала смеёшься, а потом думаешь:

Подожди, а ведь это действительно могло сработать.

Есть у меня знакомый. А у него есть знакомый, который, по рассказу, работал представителем в одном чёрно-жёлТом банке.

Детали я сознательно опущу: история не моя, документов у меня нет, всё пересказано.

Но сама схема показалась мне показательной.

Суть истории

Человек оформлял банковские карты и SIM-карты.

За каждую оформленную карту и симку ему платили. Обычная партнёрская механика:

• привёл клиента;

• оформил продукт;

• получил выплату.

На бумаге всё выглядело нормально.

Проблема была в том, что клиентов, как потом оказалось, не существовало.

Вообще.

Как работала схема

По рассказу, человек просто придумывал людей.

Анкетные данные генерировались через нейросети: имена, даты рождения и прочие поля, которые нужны для заявки. Фотографии «клиентов» тоже делались через генераторы изображений.

На выходе получались аккуратные цифровые персонажи:

• анкета есть;

• фото есть;

• заявка есть;

• продукт оформлен;

• выплата начислена.

А человека нет.

Банк всё это принимал, продукты оформлялись, выплаты капали.

По рассказу, за месяц он получил около 1,5 млн рублей.

Где схема сломалась

Понятно, что в какой-то момент всё вскрылось.

Начали смотреть внимательнее, и оказалось, что за красивыми заявками нет реальных клиентов:

• нет нормальной активности;

• нет подтверждаемой истории;

• нет живых пользователей;

• данные не бьются между собой;

• вместо клиентов – набор вымышленных персонажей.

Дальше банк пошёл в суд.

И вот тут начинается самая странная часть истории.

По рассказу, закончилось всё не уголовным делом, а гражданским иском. Человек выплатил около 60 тысяч рублей за обман заказчика. Ему, как мне рассказали, не удалось вменить ни мошенничество, ни подделку документов. С одной стороны, люди были вымышленные. С другой – классических поддельных документов вроде нарисованных паспортов или справок вроде бы не было. Были анкеты, фотографии и подписи на бланках от имени несуществующих клиентов.

По-человечески это выглядит как чистый обман. Но юридически, видимо, оказалось сложнее: мошенничество и подделку документов нормально не собрали, и история уехала в гражданский иск.

В результате всё закончилось не уголовной историей, а претензией за обман заказчика.

То есть, если верить пересказу:

• получил: 1 500 000 ₽;

• вернул: 60 000 ₽;

• остался в плюсе примерно на 1 440 000 ₽.

На этом месте обычно хочется поставить клоунский эмодзи.

Потому что кто-то украдёт хлеб в магазине и получит реальные проблемы. А кто-то нарисует банку несуществующих клиентов, получит семь цифр и отделается суммой меньше стоимости нового айфона.

Важная оговорка

Я не знаю, насколько точно мне всё пересказали.

Возможно:

• сумма была другой;

• юридическая часть сложнее;

• часть обстоятельств потерялась при пересказе;

• были дополнительные договорённости;

• были нюансы, о которых я не знаю.

Поэтому воспринимать эту историю как документальный кейс не стоит.

Но как иллюстрация проблемы она работает очень хорошо.

Главная проблема – не в нейросетях

На первый взгляд хочется сказать:

ИИ помог обмануть банк.

Но, на мой взгляд, это неправильный вывод.

Правильнее так:

Бизнес-процесс был устроен так, что за вымышленного человека можно было получить реальные деньги.

Нейросети здесь не придумали мошенничество. Они просто сделали старую схему дешевле и быстрее.

Раньше для подобного нужно было больше ручной возни:

• искать данные;

• подбирать фотографии;

• заполнять анкеты;

• собирать всё руками;

• следить, чтобы заявки выглядели правдоподобно.

Сейчас часть этой работы можно переложить на генеративные модели.

Условная цепочка выглядит так:

1. модель генерирует анкету;

2. генератор изображений делает лицо;

3. человек отправляет заявку;

4. система начисляет выплату.

И всё.

Почему это сработало

Судя по пересказу, дырка была очень простая: банк платил за факт оформления раньше, чем убеждался, что клиент действительно существует и будет пользоваться продуктом.

То есть метрика была не про качество клиента, а про количество оформлений.

А если система платит за количество, всегда найдётся человек, который начнёт это количество производить.

Не продавать.

Не привлекать.

Именно производить.

KPI как банкомат

Особенно смешно, что в отчётах такая история сначала могла выглядеть как успех.

Представитель молодец:

• продажи растут;

• новые клиенты идут;

• план выполняется;

• партнёрская программа работает;

• графики красивые.

Все довольны.

А потом кто-то из антифрода открывает заявки и понимает, что клиентов как бы нет.

Есть анкеты.

Есть фотографии.

Есть оформленные продукты.

А людей нет.

Что здесь важно для бизнеса

Мне кажется, таких историй дальше будет больше.

Генеративные модели сильно снижают стоимость массовой имитации:

• клиентов;

• отзывов;

• резюме;

• аккаунтов;

• документов;

• обращений в поддержку;

• пользовательской активности;

• живых цифровых профилей.

Если раньше подделка упиралась в ручной труд, то теперь она упирается в масштабирование и слабые места процесса.

И это уже вопрос не к ChatGPT.

Это вопрос к тем, кто строит процессы, мотивацию ^[1] и проверки.

Несколько очевидных выводов

Если вы платите людям за количество заявок – не удивляйтесь, что вам принесут заявки.

Если вы платите за оформленных клиентов – не удивляйтесь, что кто-то начнёт оформлять клиентов.

Если проверка качества происходит после выплаты – не удивляйтесь, что деньги уже ушли.

Если KPI можно выполнить симуляцией – его будут выполнять симуляцией.

Вместо вывода

История вроде смешная.

Но вообще не очень.

Потому что она не про одного хитрого представителя. Она про то, насколько легко иногда оказывается превратить внутренний KPI в банкомат.

А нейросети просто поднесли к этому банкомату инструкцию и пачку фейковых лиц.

---

Примечания

1. История пересказана со слов третьих лиц и не подтверждена документами.

2. Текст не является юридической консультацией и не описывает схему как руководство к действию.

3. Главная мысль в том, что плохо спроектированная система мотивации ^[2] становится уязвимой, когда стоимость генерации правдоподобных данных резко падает.

Подписывайтесь на мой Telegram ^[3]