top of page

騙子以為遇到肥羊,其實正在替 AI 建立反詐情報庫:Apate 的陪聊生意

16小时前
讀畢需時 5 分鐘

詐騙電話響起,多數人的第一反應是掛斷。但如果接電話的,是一個永遠有耐心、可以反覆確認同一件事的 AI,這通電話會變成誰的成本?

 

澳洲起家的 Apate,把這個帶點惡作劇意味的問題,做成了面向銀行、電信商的反詐服務。它讓 AI 假扮潛在受害者,陪騙子周旋、蒐集線索,再把對話轉成客戶可以採取行動的情報。笑點是騙子白忙一場,商機則藏在他為了收錢而交出的資料裡。

 

AI反詐概念插畫:耐心的語音代理與焦躁的匿名電話詐騙者

AI 概念插畫:數位代理耐心接聽電話,另一端的匿名來電者逐漸失去耐心;非 Apate 實際產品畫面。

 

一通 44 分鐘的電話,讓教授想到另一種防詐

 

據創辦人 Dali Kaafar 的自述與相關採訪,這個念頭來自一次家庭野餐。接到詐騙電話後,他沒有立即掛斷,而是故意裝作聽不懂,陪對方聊了 44 分鐘。孩子覺得有趣,他卻看見另一件事:對方把注意力花在自己身上,就少了一段接觸真正受害者的時間。

 

問題是,沒有人能天天陪騙子耗下去。這個想法後來結合麥覺理大學的資安研究,發展成 Apate 的創業方向。公司名稱取自希臘神話中的欺騙女神;這一次,扮演假角色的是防守方。

 

它抓住的,是人類不適合長時間承擔、機器卻可以大量重複的工作:維持對話、記住身分設定,並等待對方露出可用的線索。

 

騙子愈急著成交,愈可能交出收款路徑

 

依 Apate 公開的產品說明,電信端可以把偵測到的可疑電話轉接給語音代理;文字代理則處理訊息等接觸。它們的任務是讓對話持續,同時辨識冒用的品牌、電話、電子郵件、釣魚網址、銀行帳戶與加密貨幣錢包地址。

 

這就像把誘餌放進詐騙流程:對方為了讓「客戶」完成付款,必須說出下一步。原本用來說服受害者的話術,於是成了防守者了解手法與收款工具的材料。

 

對一般人來說,電話裡的不斷重複是一種折磨;對系統來說,卻可以是有目的的觀察。只要仍由受控環境承接接觸,真實民眾就不必親自扮演誘餌。這也是企業級服務與個人自行戲弄騙子的差別:前者需要完整的紀錄、隔離與交接機制。

 

公司在 2026 年 8 月的公告中表示,平台已完成逾 250 萬次自主對話,萃取超過 25 萬項情報線索,並送入客戶的阻詐流程。這些是公司公布的營運數字,不能直接換算成攔阻案件數,或避免損失的金額。

 

同樣地,拿到一個帳號,也不代表 AI 可以直接凍結它。情報仍須交由有權責的機構確認、比對與處理;從發現線索到實際攔阻,中間的交接品質決定了價值。

 

反詐情報分析概念插畫:分析人員連結電話、訊息、銀行及數位錢包線索

AI 概念插畫:分析人員比對電話、訊息與金融線索;實際處置仍由有權責的機構確認與執行。

 

「消耗 17 年」很吸睛,76% 卻不能這樣解讀

 

近期報導引述 Apate 說法,指其代理累計消耗詐騙者約 17 年時間,TPG 則已轉接近 59 萬通電話。這類數字可以呈現作業規模,但「17 年」是大量互動時間的累加,並不是追蹤一群騙子 17 年,也不能當成犯罪損失等比例減少的證明。

 

更需要釐清的是廣泛流傳的「澳洲聯邦銀行用了系統,詐騙損失下降 76%」。銀行確實公布這個降幅,但比較的是 2025 財年下半年與 2023 財年上半年的高峰期,並未在該公告中把成果歸因於 Apate。

 

銀行同時揭露,2025 財年投入逾 9 億澳元,防範詐欺、詐騙、金融犯罪與網路威脅,也持續推出其他驗證及防護措施。因此,76% 應視為整體防禦成果,無法拿來證明單一產品的獨立貢獻。

 

815 萬美元投資,看中的是陪聊後面的情報生意

 

Apate 於 2026 年 8 月 31 日宣布完成 815 萬美元種子輪募資,由 Lobby Capital 領投。這筆資金確認了市場對這種模式的興趣,但募資成功仍不等於公司已經獲利。

 

從投資人 Investible 的公開說明,可以看見更完整的產品輪廓:對話機器人背後,還有提供企業使用的情報儀表板與即時警示。客戶取得的是能協助判斷威脅、追蹤手法與安排處置的服務,陪聊則是持續產生新資料的入口。

 

若把同一套邏輯放回企業管理,便能理解它為什麼值得注意:AI 的任務可以很窄,產出的價值卻能接到別人的重要工作。陪聊代理不必兼任調查員,也不必擁有金融處置權;它只要穩定取得高品質線索,並讓下一棒知道來源與可信度,就可能改善整段流程。

 

這也留下了一個長期考驗:如果詐騙集團把前端接觸交給 AI,雙方機器互聊,拖延時間的效果可能改變。屆時,更值得衡量的會是有效線索比例、送達處置端的速度,以及每筆實際攔阻的成本,而非單看通話有多長。

 

台灣值得借鏡的,是讓 AI 做完一段有出口的工作

 

對台灣企業而言,這個案例提供的啟示,是先替 AI 定義具體任務,再設計資料如何交給下一個有權責的人。若用於本地反詐,國語與台語情境、誤判處理、資料使用邊界,以及金融與電信端的協作速度,都需要實際驗證。

 

評估時也應問得更具體:假如一段對話只換來重複網址,它的價值有限;假如它提早指出尚未被識別的收款工具,才可能創造新的防護機會。這是分析此模式的尺度,仍需要客戶端數據才能驗證,不能從精彩錄音直接推導投資報酬。

 

Apate 最有趣的地方,在於它替「講廢話」找到了明確目的。AI 可以耐心等待,專業人員則把時間用在查證、連結線索與處置。這門生意能走多遠,取決於騙子說出的下一句話,能不能及時成為保護另一個人的證據。

 

資料查核截至 2026 年 10 月 21 日;營運數字依文中來源標示,非獨立稽核結果。

 

參考資料

 

 

 

 

 

 

 

延伸閱讀

 

 

 

 
 
 

留言


bottom of page