Navy Federal: bot AI contro le truffe, 125 milioni salvati

A gennaio 2026 Navy Federal Credit Union ha messo in campo una difesa nuova contro le truffe ai suoi soci: una piattaforma di bot che parlano con i truffatori al posto delle vittime. La scelta va contro il playbook abituale, fatto di filtri sui bonifici e di avvisi generici. Il risultato, riferito da Banking Dive l'11 settembre 2026^[1], è di circa 125 milioni di dollari sottratti alle truffe sui bonifici negli ultimi 19 mesi [1].

Il numero va letto con attenzione: copre un periodo più lungo della collaborazione con Cube AI e lo dichiara la stessa credit union. Resta un before/after con un denominatore chiaro, e questo lo rende un dato da studiare.

L'idea originale: la frode è un problema maturo, la truffa no

Carrie Foran Sepulveda è vice president of fraud and physical security di Navy Federal, la più grande credit union degli Stati Uniti, con sede a Vienna, in Virginia, e 204 miliardi di dollari di attivi [1]. La sua tesi è netta: sulla frode il settore ha costruito difese solide. I tentativi di frode contro i soci sono scesi di circa il 25% dal 2024 al 2025, secondo quanto la credit union ha dichiarato a Banking Dive [1].

Il crimine si è spostato altrove. Foran Sepulveda parla di «crime balloon»: quando stringi da una parte, il volume si gonfia dall'altra, verso le truffe, più difficili da vedere [1].

La distinzione è il cuore del caso. Nella frode un estraneo muove il denaro del cliente, e i segnali sono noti: dispositivo nuovo, orario anomalo, comportamento fuori schema. Nella truffa è il cliente stesso a muovere il denaro, convinto da un impostore che si spaccia per la banca o per la polizia [1].

«Per la maggior parte è un insieme del tutto diverso di segnali, dati e strumenti», ha detto la dirigente [1]. Per il consumatore le due esperienze si somigliano; per chi le combatte sono due mestieri.

Il meccanismo: un bot che finge di cadere nella truffa

Qui entra Cube AI. La piattaforma usa bot conversazionali che rispondono ai truffatori come farebbe una vittima credulona, e portano avanti il dialogo fino al momento decisivo: quello in cui il truffatore indica il conto su cui inviare il denaro [1].

Quel conto è il dato che conta. Una volta ottenuto, viene segnalato alle istituzioni finanziarie coinvolte, che possono bloccare o sorvegliare i movimenti in arrivo. Navy Federal può così avvertire un socio che sta per fare un bonifico verso un conto già identificato come destinazione di truffa, con una prova concreta anziché con un sospetto generico [1].

La differenza operativa è grande. Un avviso basato su un dato certo convince il socio a fermarsi, mentre un avviso vago viene ignorato da chi è già sotto pressione.

La credit union lavora inoltre con la Global Anti-Scam Alliance, con altre istituzioni finanziarie, con le piattaforme social e con le forze dell'ordine [1]. Il bot produce l'informazione, la rete la rende utile.

La misura indipendente: cosa dice la ricerca

Il meccanismo dello scambaiting con modelli linguistici è stato valutato anche fuori dal contesto commerciale. Siadati, Jafarian e Jafarikhah hanno pubblicato il 10 settembre 2025 su arXiv lo studio «Send to which account? Evaluation of an LLM-based Scambaiting System»^[2] [3].

I numeri di quel test, in cinque mesi di funzionamento [3]:

• oltre 2.600 conversazioni con truffatori reali;
• più di 18.700 messaggi scambiati;
• un tasso di divulgazione di informazioni sensibili di circa il 32%;
• un Human Acceptance Rate di circa il 70%.

Il 32% misura la quota di conversazioni in cui il truffatore ha rivelato un dato utile, come un conto o un canale di pagamento. Il 70% indica quanto spesso i revisori umani hanno approvato le risposte generate dal modello prima dell'invio. Insieme dicono che il metodo funziona su scala e che l'umano resta nel ciclo [3].

Va detto con chiarezza: lo studio valuta un sistema accademico, e i suoi numeri descrivono quel sistema. La lezione per il caso Navy Federal è che questa classe di strumenti regge alla prova, e ciò separa la storia da un semplice annuncio di vendor.

Il momento di frizione: meno della metà risponde

Ogni storia verificata contiene una correzione o un limite, e qui il limite sta nella prima mossa. Nello studio, il 48,7% dei truffatori ha risposto al primo messaggio del bot [3]. Più di uno su due ha ignorato l'esca.

Il dato ridimensiona l'immagine del bot infallibile. Il rendimento dipende dal volume: servono molte conversazioni avviate per ottenere un numero utile di conti segnalati. Ecco perché la scala di Navy Federal, con milioni di soci e una rete di partner, è parte del design e del vantaggio.

C'è anche una frizione temporale. La collaborazione con Cube AI è iniziata a gennaio 2026, mentre il dato dei 125 milioni copre 19 mesi [1]. Chi legge deve tenere separati i due orizzonti: il primo è un investimento recente, il secondo il risultato di un programma più ampio.

Come l'istituzione parla ai soci

La tecnologia da sola lascia scoperto il punto debole: la persona al telefono. Navy Federal ha pubblicato una pagina dedicata, «How to Spot and Avoid AI Scams»^[3], che spiega ai soci le truffe costruite con l'AI, dalle voci clonate ai messaggi che imitano un familiare o la stessa credit union [2].

Il tono è diretto. La pagina descrive i segnali di allarme, come l'urgenza, la richiesta di riservatezza e i canali di pagamento insoliti, e indica i passi da fare: riagganciare, richiamare un numero ufficiale, verificare con la persona reale [2].

È la metà del sistema che spesso viene trascurata. Il bot intercetta il conto del truffatore, il socio informato riconosce la voce clonata prima di digitare l'importo. Le due difese si sommano.

Cosa portare via da questo caso

Per un founder o un CEO di PMI la lezione è nel metodo: prima di comprare uno strumento, chiedersi quale crimine si sta davvero combattendo. Navy Federal ha separato frode e truffa e ha scelto segnali diversi per ciascuna [1].

Per un CTO o un head of product, il pattern replicabile è l'inversione del ruolo: usare l'AI per produrre un dato certo, il conto di destinazione, invece di un punteggio di rischio probabilistico. Il dato certo attiva la rete di partner, il punteggio resta chiuso dentro l'azienda.

Per un board, l'asticella si è spostata. Un ente cooperativo privo di scopo di lucro dichiara 125 milioni protetti in 19 mesi [1], e uno studio indipendente conferma che il meccanismo regge [3]. Il benchmark per chi gestisce pagamenti al dettaglio è cambiato.

Per un manager, l'idea da portare a casa è semplice: il ciclo umano di revisione, con il 70% di accettazione misurato nello studio [3], è ciò che rende sostenibile l'automazione.

La domanda aperta

Il caso lascia una domanda a ogni organizzazione che tocca denaro o dati personali. Quale delle vostre difese protegge il cliente dall'estraneo, e quale lo protegge quando è lui stesso a essere stato convinto?

Navy Federal ha risposto costruendo un bot che ascolta i truffatori. La vostra risposta può essere diversa, purché parta dalla stessa distinzione.