Rostelecom recebeu 590 milhões de rublos em dividendos de uma desenvolvedora de AI para antifraude bancária

У разработчика банковского антифрода «Фаззи лоджик лабс», входящего в контур «Ростелекома», оказался очень прибыльный продукт. Компания выплатила новому владельцу рекордные дивиденды в 590 млн рублей, а в основе ее бизнеса — ИИ-система, которая помогает банкам выявлять и останавливать подозрительные переводы.

Откуда пришли деньги История интересна не только суммой дивидендов, но и самой логикой бизнеса.

«Фаззи лоджик лабс» зарабатывает на технологии, которая встраивается в процессы банковского антифрода и помогает принимать решение по сомнительным операциям. Когда рынок все сильнее давят мошеннические схемы, спрос на такие инструменты растет вместе с готовностью банков платить за точность и скорость проверки. Выплата в 590 млн рублей показывает, что антифрод уже давно не вспомогательная функция, а самостоятельный и доходный сегмент ИТ для финансового сектора.

Для нового владельца такие дивиденды выглядят как быстрый возврат части инвестиций, но важнее другое: рынок увидел, что продукты на стыке ИИ, поведенческой аналитики и банковской безопасности умеют приносить не только технологический эффект, но и прямую прибыль. Это показатель зрелости категории. Если раньше антифрод часто воспринимался как обязательная защита от потерь, то теперь он все больше выглядит как отдельный актив с понятной коммерческой ценностью.

Как работает антифрод

Ключевой продукт компании анализирует цифровой след пользователя во время активной банковской сессии. Речь идет не только о содержании операции, сумме или получателе, но и о том, как именно человек ведет себя в интерфейсе. Система собирает сигналы в реальном времени и на их основе помогает банку понять, совпадает ли текущее поведение с привычным профилем клиента или похоже на сценарий мошенничества, принуждения или доступа с чужого устройства.

В такой модели особенно важны признаки, которые сложно подделать массово и стабильно. Среди них: динамика ввода — с какой скоростью человек печатает, делает паузы и исправляет данные; навигация по интерфейсу — как пользователь двигается по экрану, меняет разделы и проходит шаги операции; поведенческая биометрия — повторяющиеся паттерны действий, которые формируют привычный цифровой профиль; совокупный риск-сигнал — итоговая оценка, на основании которой банк может остановить, дополнительно проверить или пропустить перевод. Преимущество такого подхода в том, что банк получает оценку не постфактум, а прямо в момент сессии.

Это особенно важно в случаях, когда мошенничество развивается быстро и решение нужно принимать за секунды. Чем раньше система замечает аномалию, тем выше шанс не допустить списания денег и не перекладывать проблему на долгие разборы после инцидента.

Почему это важно банкам

Для банков подобные решения — это уже не просто фильтр подозрительных платежей, а дополнительный слой защиты на стороне клиента. Классические антифрод-механики часто смотрят на транзакцию как на набор формальных параметров: сумма, страна, устройство, IP-адрес, история переводов. Но мошенники учатся обходить такие барьеры.

Поведенческая аналитика усложняет им задачу, потому что подделать привычный способ взаимодействия конкретного человека с интерфейсом заметно труднее, чем украсть пароль или код подтверждения. Есть и менее очевидный эффект. Чем точнее работает антифрод, тем меньше ложных срабатываний, а значит, меньше раздражения у добросовестных клиентов.

Для банка это прямое влияние на пользовательский опыт: не каждый перевод должен превращаться в блокировку, звонок в поддержку или повторную идентификацию. Поэтому ценность подобных систем измеряется не только объемом предотвращенного мошенничества, но и тем, насколько аккуратно они умеют отделять реальный риск от обычного поведения клиента.

Что это значит

Новость про 590 млн рублей дивидендов — это сигнал, что ИИ в финтехе монетизируется не только через громкие пилоты и маркетинговые обещания, а через конкретные защитные сценарии с понятной окупаемостью. Для рынка это подтверждение: решения, которые анализируют цифровой след и поведенческую биометрию в реальном времени, становятся важной частью банковской инфраструктуры, а не экспериментом на периферии.