Operasjon «Feil nummer»: KI-støttet oppgavesvindel

Denne kasusstudien ble opprinnelig publisert i OpenAIs rapport fra juni 2025⁠(åpnes i et nytt vindu).

Vi utestengte ChatGPT‑kontoer som genererte korte, rekrutteringslignende meldinger på engelsk, spansk, swahili, kinyarwanda, tysk og haitisk kreol. Meldingene tilbød mottakerne høy lønn for trivielle oppgaver, som å like innlegg i sosiale medier, og oppfordret dem til å rekruttere andre. Operasjonen fremsto som svært sentralisert og hadde trolig sitt utspring i Kambodsja.

Ved hjelp av KI-baserte oversettelsesverktøy kunne vi raskt etterforske og stanse kampanjens bruk av OpenAI-tjenester.

De fleste henvendelsene fra nettverket gjaldt oversettelsesoppgaver. De brukte ChatGPT til å oversette samtalesetninger mellom kinesisk og flere andre språk, særlig engelsk, spansk, kinyarwanda, swahili, tysk og haitisk kreol. Oppgavene vekslet vanligvis mellom å oversette en innkommende melding til kinesisk og å oversette et svar fra kinesisk tilbake til originalspråket.

En del av disse meldingene lignet uoppfordrede jobbtilbud med høy timelønn for svært lite arbeid. En slik melding ble sendt via SMS til det som så ut til å være et tilfeldig utvalg britiske mobilnumre. Ett av dem tilhørte en etterforsker hos OpenAI. Vi har kalt operasjonen «Feil nummer», etter den første SMS-en.

Trusselaktørene så ut til å benytte flere meldingsplattformer. Den første SMS-en ba mottakerne ta kontakt via WhatsApp. De som svarte, ble deretter sendt videre til en «mentor» på Telegram. Enkelte aktiviteter henviste også til meldingsappen BonChat. De første introduksjonsmeldingene i disse kanalene så ikke ut til å ha blitt generert med modellene våre. De besto av standardmeldinger som trolig kunne brukes i enhver samtale.

Mange av oversettelsesoppgavene gjaldt kommunikasjon som angivelig kom fra representanter for påståtte «arbeidsgivere». De samme selskapsnavnene dukket gjentatte ganger opp i en rekke ChatGPT‑samtaler som inngikk i etterforskningen. Blant disse var Hyesung Advertising⁠(åpnes i et nytt vindu) og Lightning Shared Scooter Co (LSSC)⁠(åpnes i et nytt vindu). Offentlige rapporter har omtalt Hyesung og LSSC som angivelige oppgavesvindler. Vi har ikke selv bekreftet hva slags virksomheter dette er, men etterforskningen vår viste at meldinger som angivelig kom fra dem, ble generert av kinesisktalende ChatGPT‑brukere som trolig opererte fra Kambodsja.

Selskapene nettverket hevdet å representere, omfattet en lang rekke bransjer, fra aksjehandel og utleie av elsparkesykler til salg av likerklikk i sosiale medier. Et tydelig faresignal var tilbudet om å betale mer enn $5 for ett enkelt likerklikk på TikTok. Til sammenligning viste vår manuelle gjennomgang av nettmarkedsplasser at enkelte selgere av likerklikk tar under $10 for 1 000 likerklikk.

Ved å kombinere indikatorer utenfor plattformen med interne observasjoner identifiserte vi et tilbakevendende arbeidsmønster. For å øke forståelsen av denne taktikken og gjøre den enklere å klassifisere beskriver vi mønsteret slik: lokkeropet (kald kontakt), begeistringen (skape entusiasme) og fellen (hente ut penger):

1. Lokkeropet (kald kontakt): Nettverket genererer innhold beregnet på uoppfordrede henvendelser, vanligvis med tilbud om uvanlig høy lønn for minimalt arbeid eller løfter om høy avkastning på aksjeinvesteringer. Tilbudene omfatter høy betaling for enkle oppgaver, som å like innlegg i sosiale medier, eller lukrative investeringsmuligheter.

2. Begeistringen (skape entusiasme): Nettverket oversetter samtaler, trolig mellom operatoren og vedkommendes «ansatte». Utvekslingene inneholder praktiske detaljer om oppgavene, men avbrytes ofte av motiverende meldinger om inntekter og mulige bonuser.

3. Fellen (hente ut penger): Nettverket genererer og/eller sender innhold som presser den «ansatte» eller «investoren» til å betale inn penger for å få tilgang til større belønninger. Dette skjer på flere måter, blant annet gjennom et innledende «innskudd», kjøp av kryptovaluta og «behandlingsgebyrer».

Offentlige rapporter⁠(åpnes i et nytt vindu) tyder på at enkelte av disse selskapene krevde betydelige innmeldingsavgifter fra nye rekrutter og deretter brukte deler av pengene til å betale eksisterende «ansatte» akkurat nok til å holde dem engasjert. Denne strukturen er typisk for oppgavesvindel⁠(åpnes i et nytt vindu).

Det er vanskelig å fastslå nettverkets faktiske rekkevidde fordi innsynet vårt er begrenset. Men rapporter utenfor plattformen⁠(åpnes i et nytt vindu) og samtaler der «ansatte» krevde pengene tilbake, tyder på at i hvert fall noen personer betalte disse angivelige arbeidsgiverne. Vi observerte også reelle brukere som forsvarte selskapene i sosiale medier, noe som tyder på en viss aktivitet i den virkelige verden.