欺诈检测长期依赖交易反映人类行为模式的假设——打字节奏、设备切换习惯以及如紧迫或焦虑等语境线索。然而，代表用户进行交易的 AI 代理的兴起已破坏了这一基础。Experian 的 2026 年欺诈预测报告将‘机器对机器的混乱’识别为日益增长的威胁，其中合法的购物代理和欺诈机器人在交易日志中几乎难以区分。传统模型（包括训练在 Pay Sim 等数据集上的随机森林分类器）关注交易特征，如金额、时间和速率，将所有用户一视同仁，而不考虑身份。虽然 SHAP 值通过突出特征贡献帮助解释模型决策，但它们无法捕捉人类语境的缺失——如用户的工作、历史或意图——当行为者是一个自主代理时。这暴露了一个关键缺口：像 SHAP 这样的可解释性工具阐明了模型使用了什么，但阐明不了行动背后的*谁*或*为什么*。随着代理 AI 模糊了人类和机器行为之间的界限，欺诈检测必须进化到超越基于特征的解释，纳入当前 XAI 方法无法提供的语境和行为语义。