1. Mi a hír röviden?
A magyar gyökerű SEON 2026 júniusában MCP-szervert (Model Context Protocol, szabványos adatcsatorna) mutatott be, amely a csalás- és pénzmosás-elleni csapatok saját AI-eszközeit (Claude, ChatGPT, Gemini, Copilot) közvetlenül összeköti a SEON kockázati adataival. Az elemzők mostantól a saját AI-környezetükből, ellenőrzött és naplózott módon kérdezhetnek rá több mint 900 valós idejű kockázati jelre – a csalásmegelőzési adat kilép a zárt riportfelületekből.
2. Mi az a három dolog, amit érdemes megjegyezni?
- Kontrollált adatkapcsolat a chatbot helyett: a kézi exportok és kontextusvesztés helyett az AI jogosultságkezelt módon, természetes nyelven kérdez le tranzakciókat, ügyfélprofilokat, szabálytalálatokat és pénzmosás-megelőzési eredményeket – de CSAK olvasási joggal (nem hozhat létre szabályt, nem címkézhet tranzakciót, nem módosíthat beállítást).
- Beépített kontrollok: a hozzáférést külön be kell kapcsolni, csak admin engedélyezheti, az AI nem lát többet a felhasználó jogosultságánál, minden lekérdezés naplózott (a nyers tranzakciós adat nem), és központilag lekapcsolható.
- Három irány egyben: az MCP-szerver mellett a Network Detection (kapcsolati mintázatokból összefüggő csalási hálózatokat tár fel) és az AI Chart Builder (természetes nyelvből adatvizualizáció) a riportfelület-központú működés alternatíváját kínálja.
3. Miért fontos a pénzügyi szektornak?
Banki környezetben az AI-elemzés gyorsasága mellett legalább annyira számít, milyen kontrollok mellett fér hozzá az AI az érzékeny ügyfél- és tranzakciós adatokhoz. A read-only, jogosultságkezelt, naplózott hozzáférés jó irány, de a governance-kérdéseket nem zárja le: tisztázni kell, milyen adat kerülhet külső AI-környezetbe, ki felel az AI elemzéséért, és hogyan kezelik a hibás következtetéseket.
Folytatás élőben itt: TechShow X.
2026. október 14-15., Várkert Bazár. Itt azokat hallhatod a színpadon, akik már élesben építik az intelligens pénzügyek következő fejezetét.
A Kádár Tamás és Jendruszák Bence által alapított SEON 2026 júniusában új MCP-szervert mutatott be, amely a csalás- és pénzmosás-ellenes csapatok saját AI-eszközeit közvetlenül összeköti a SEON kockázati adataival. A lényeg: az elemzők mostantól a saját AI-környezetükből, ellenőrzött és naplózott módon kérdezhetnek rá a több mint 900 valós idejű kockázati jelre.
A SEON új MCP-szervere első ránézésre technológiai integrációnak tűnik. Valójában fontosabb irányváltást jelez:
a csalásmegelőzési és pénzmosás-megelőzési adatok kilépnek a zárt riportfelületekből, és közvetlenül elérhetővé válnak külső AI-eszközök számára is.
A SEON új AI-képességeket jelentett be kockázatkezelési és megfelelőségi csapatok számára. A bejelentés központi eleme egy MCP-szerver (Model Context Protocol), vagyis szabványos csatorna, amelyen az AI-eszközök ellenőrzött módon érik el a külső adatokat – külső eszközök, például a Claude, a ChatGPT, a Gemini vagy a Microsoft Copilot kapcsolódhatnak a SEON kockázati adataihoz.
Ez nem egyszerűen egy újabb AI-funkció a csalásmegelőzési felületen.
A lényeg az, hogy az elemzők az általuk használt AI-környezetből kérdezhetnek rá tranzakciókra, ügyfélprofilokra, kockázati mintázatokra, pénzmosás-megelőzési ellenőrzések eredményeire vagy szabályműködésre.
A SEON szerint az AI így több mint 900 valós idejű kockázati jelhez férhet hozzá, többek között személyazonossághoz, eszközhasználathoz, viselkedéshez, pénzmosás-megelőzéshez és IP-címekhez kapcsolódó adatokhoz.
A chatbot helyett: kontrollált adatkapcsolat
A csalásmegelőzés és a pénzmosás elleni védekezés területén az AI használata már nem újdonság. A valódi probléma inkább az, hogy az AI-eszközök sokszor nem férnek hozzá biztonságosan és strukturáltan az éles vizsgálati adatokhoz.
A gyakorlatban ez gyakran manuális másolást, exportokat, táblázatokat és kontextusvesztést jelent. Az elemző kimásol adatokat egy rendszerből, bemásolja egy AI-eszközbe, majd megpróbálja értelmezni az eredményt.
Ez gyorsíthatja a munkát, de nem tekinthető kontrollált vállalati működésnek.
A SEON MCP-szervere ezt a rést kezeli. Az AI itt jogosultságkezelt módon kérdez le adatokat a SEON rendszeréből, a szabad szöveggenerálás helyett kontrollált hozzáféréssel.
A megoldás ugyanakkor nem ad szabad kezet az AI-nak. A dokumentáció szerint az MCP-kapcsolat csak olvasási hozzáférést ad, vagyis az AI nem hozhat létre szabályt, nem címkézhet tranzakciót, és nem módosíthat beállításokat. Ez a pénzügyi szektorban kulcskérdés:
az AI támogathatja az elemzést, de nem veheti át kontroll nélkül a döntési folyamatot.
Mit tud lekérdezni az AI?
A SEON MCP több vizsgálati funkcióhoz ad hozzáférést. Az elemző természetes nyelven kérdezhet rá például tranzakciókra, összesített statisztikákra, egyedi ügyfélprofilokra, hasonló ügyfelekre, szabálytalálatokra vagy pénzmosás-megelőzési ellenőrzések eredményeire.
Ez a napi munkában konkrét kérdéseket jelenthet:
„Mutasd meg az elmúlt hét visszautasított tranzakcióit 100 euró felett.”
„Mely ügyfelek hasonlítanak ehhez a felhasználóhoz eszközhasználat, IP-cím vagy e-mail alapján?”
„Mely szabályok léptek működésbe a legtöbbször az elmúlt 30 napban?”
„Milyen mintázat látszik a további vizsgálatra küldött tranzakciók között?”
Az érték a tempóban van: az AI gyorsabban teszi láthatóvá az összefüggéseket, mint a kézi vizsgálat.
A riportfelület-központú működés alternatívája
Az első az MCP-szerver, amely az AI-eszközöket köti össze a kockázati adatokkal.
A második a Network Detection, amely kapcsolati mintázatokat keres ügyfelek, eszközök, e-mailek, telefonszámok és IP-címek között. Ennek célja, hogy ne csak egyedi gyanús tranzakciók, hanem összefüggő csalási hálózatok is felszínre kerüljenek.
A harmadik az AI Chart Builder, amely természetes nyelvű kérdésekből készít adatvizualizációkat. Ez különösen azoknál a csapatoknál lehet hasznos, ahol a csalásmegelőzési vagy megfelelőségi riportolás még mindig üzleti intelligencia csapatoktól, egyedi riportfejlesztéstől vagy manuális exportoktól függ.
A legfontosabb kérdés: kontrollált-e az AI-hozzáférés?
A pénzügyi szektorban egy ilyen megoldás értéke nemcsak azon múlik, hogy mennyire gyorsítja az elemzést.
Legalább ilyen fontos, hogy milyen kontrollok mellett fér hozzá érzékeny ügyfél- és tranzakciós adatokhoz.
A SEON dokumentációja szerint ezt a hozzáférést külön be kell kapcsolni, és csak rendszergazda (admin) engedélyezheti. A rendszer figyelembe veszi, ki mihez férhet hozzá a SEON-on belül, és az AI sem láthat többet annál, mint amit az adott felhasználó jogosultságai megengednek.
Minden ilyen lekérdezés naplózásra kerül, így utólag visszakövethető, ki, mikor és milyen műveletet indított.
A nyers tranzakciós adat ugyanakkor nem kerül a naplóba, csak a lekérdezés kontextusa.
Ha pedig a szervezet úgy dönt, hogy nem kívánja tovább engedélyezni ezt a fajta AI-hozzáférést, az adminisztrátorok központilag le tudják kapcsolni.
Ez jó irány, de banki környezetben önmagában nem zárja le az irányítási (governance-) kérdéseket.
Továbbra is tisztázni kell, milyen adatok kerülhetnek külső AI-környezetbe, hogyan történik a naplózás, ki felel az AI által adott elemzésekért, és hogyan kezelik a hibás vagy félrevezető következtetéseket.
Ezek a kérdések – ki felel az AI elemzéséért, hogyan auditálható a hozzáférés – minden intézmény saját döntésén múlnak. A TechShow X. Kiberreziliencia szekciója (DORA, AI-alapú fenyegetések, valós incidensek) pontosan ezt viszi színpadra. Előbb viszont nézd meg, hol tart ma a te szervezeted:
Mennyire kontrollált nálatok, ahogy az AI az érzékeny adathoz fér?
6 kérdés, nagyjából 30 másodperc. A végén megkapod a kontroll-érettségi szintedet, és pontosan melyik TechShow X. szekció szól a leggyengébb pontjaitokról.
