تصور کنید یک متخصص فناوری اطلاعات، ۴۰ دقیقه را در یک تماس ویدئویی با یک «افسر تطبیق» (Compliance Officer) می‌گذراند که چهره و صدای او توسط نرم‌افزارهای هوش مصنوعی تولید شده است. این سناریو شاید ترکیبی به نظر برسد، اما هر یک از تکنیک‌های به‌کار رفته در آن، در دنیای واقعی اجرا شده‌اند.
تغییر اقتصاد کلاهبرداری با هوش مصنوعی
گزارش‌های Chainalysis نشان می‌دهد که کلاهبرداری‌های مبتنی بر جعل هویت (Impersonation Scams) در سال ۲۰۲۵ بیش از ۱۴۰۰٪ رشد داشته‌اند و میانگین مبالغ پرداخت شده به این گروه‌ها بیش از ۶۰۰٪ افزایش یافته است. در این حملات، نقطه ضعف کاربر، دانش فنی او نیست، بلکه شرایط روانی لحظه‌ای است که تحت تأثیر قرار می‌گیرد.
مهندسی اجتماعی (Social Engineering) مستقیماً حالات ذهنی مانند فوریت (Urgency)، ترس از دست دادن و احترام به مقام مسئول را هدف قرار می‌دهد. این عوامل باعث محدود شدن قدرت قضاوت کاربر می‌شوند و حتی دانش فنی بالا نیز نمی‌تواند مانع از وقوع خطا شود. در واقع، کسی که با فرآیندهای پشتیبانی واقعی آشناست، ممکن است یک جعل هویت حرفه‌ای را متقاعدکننده‌تر ببیند.
الگوهای رایج حملات
عوامل تهدید (Threat Actors) اکنون از ابزارهای Face-swap، Deepfake و مدل‌های زبانی بزرگ (LLM) برای شخصی‌سازی حملات استفاده می‌کنند. سه الگوی اصلی در این حوزه شناسایی شده است:
- جعل هویت سازمان‌ها: جعل نام صرافی‌ها، مقامات رسمی یا مدیران ارشد.
- ترکیب‌های عاشقانه-سرمایه‌گذاری: ایجاد رابطه عاطفی با هدف جذب کاربر به پلتفرم‌های معاملاتی جعلی.
- پشتیبانی جعلی: متقاعد کردن کاربران برای انتقال دارایی‌ها به یک کیف پول «امن» تحت کنترل مهاجم.
نکته قابل توجه این است که حتی استفاده از کیف پول‌های سخت‌افزاری (Hardware Wallets) نیز راهکار قطعی نیست. داده‌های سال ۲۰۲۶ نشان می‌دهد مبالغ هنگفتی از طریق فیشینگ و مهندسی اجتماعی از دست رفته است؛ زیرا وقتی کاربر متقاعد شود که تراکنشی را امضا کند، آفلاین بودن کلیدها کمکی به جلوگیری از سرقت نمی‌کند.
جایگزینی کنترل‌های خودکار با قضاوت انسانی
از آنجایی که متقاعد کردن انسان‌ها در برابر AI آسان‌تر شده است، تمرکز امنیتی باید از «آموزش کاربر» به «کنترل‌های خودکار» تغییر کند. در این مدل، امنیت نباید در لحظه کلیک روی دکمه Confirm آغاز شود، بلکه باید در مراحل پیشین مداخله کند.
راهکارهای دفاعی مدرن شامل موارد زیر است:
- فیلتر کردن تراکنش‌های مشکوک: شناسایی آدرس‌ها یا قراردادهای (Contracts) خطرناک پیش از ارسال.
- شبیه‌سازی تراکنش (Transaction Simulation): نمایش اثر نهایی تراکنش برای کاربر پیش از تایید نهایی.
- تحلیل درخواست‌های تایید (Approval Analysis): شناسایی مجوزهای دائمی که مهاجمان برای تخلیه کیف پول در آینده از آن‌ها استفاده می‌کنند.
در نهایت، شکاک بودن کاربر همچنان ضروری است اما به تنهایی کافی نیست. کنترل‌های پلتفرمی مانند کمربند ایمنی عمل می‌کنند تا در لحظاتی که مهندسی اجتماعی پیروز می‌شود، از وقوع خسارت جلوگیری کنند. توصیه می‌شود پیش از هرگونه انتقال دارایی، درخواست را از طریق کانال‌های رسمی و مستقل تایید کنید و هرگز از لینک‌ها یا اطلاعات تماس ارسالی توسط شخص درخواست‌کننده استفاده نکنید.
