TechCrunch сообщил, что Apate отправляет AI-агентов под прикрытием в мошеннические среды, чтобы их могли атаковать, и собирает разведданные о мошенничестве из этих взаимодействий. Студия рассматривает это как паттерн состязательного развёртывания, а не как продукт обнаружения: агент помещается внутрь действующего канала, впитывает плейбук оператора и выдаёт структурированный сигнал для последующего анализа. Это переформулирует вопрос оценки с точности классификации на выживаемость, локализацию и достоверность того, что агент сообщает обратно.
Связанные материалы BankInfoSecurity обостряют ставки. В одном отчёте отмечается, что созданные людьми системы идентификации не выдерживают AI-агентов, что говорит о том, что потоки верификации, спроектированные под профили человеческих ошибок, не переносятся чисто на автоматизированных участников. В другом описывается, как AI-агенты превращают старые атаки в угрозы машинной скорости, то есть известные мошеннические паттерны получают пропускную способность, а не новизну. Инцидент с Hugging Face также был проанализирован на предмет уроков безопасного развёртывания AI-агентов, и этот анализ применим непосредственно здесь.
Практическое следствие — архитектурное. Любой команде, запускающей агентов против действующих мошеннических каналов, нужна жёсткая граница между агентами, которые только наблюдают, и агентами, которые могут действовать, с раздельными учётными данными, ограниченным доступом к инструментам и аудируемой записью каждого исходящего действия. Из доступных материалов остаётся неясным, как управляются согласие, юрисдикция и обработка данных, когда агент находится внутри преступного канала, и как измеряется успех помимо объёма собранной разведки.