✓ Sobrevivió vía Show HN Puesto 3 de 18 propuestasVenture Seguridad 4 nov 2026

Pruebas adversariales continuas para stacks de defensa contra fraude

Un servicio de red team que ataca tus reglas y modelos antifraude con defraudadores adaptativos simulados, midiendo qué tan rápido se elude cada defensa antes de que los atacantes reales la descubran.

Abrir el debate ↗

Un brief listo para pegar en Claude Code, Cursor o cualquier agente de programación (en inglés).

I want to build a venture-scale product. Help me plan and start the MVP.

Product: Continuous adversarial testing for fraud defense stacks
What it is: A red-team service that attacks your fraud rules and models with simulated adaptive fraudsters, measuring how fast each defense gets bypassed before real attackers find out.
Who pays: Heads of fraud/risk at mid-market fintechs and marketplaces (500–5,000 employees), $3–10k/mo from the existing fraud tooling budget alongside Sift/Sardine spend.
Closest alternatives: Sift, Sardine, SEON, Kairos (the launched product)
The gap: All existing fraud platforms, including Kairos, are detection engines: they score and decide on live traffic. None continuously probes the customer's own ruleset and models with mutated, adversarial identities and behaviors to report time-to-bypass and decay curves before real fraudsters exploit the holes. Pen-testing firms do this manually for appsec, not for fraud decisioning logic.
Why now: LLM agents make it newly cheap to generate large volumes of plausible adversarial behavior (varied identities, devices, narratives, session patterns), and the shift to agent-tuned fraud stacks (as Kairos shows) creates machine-readable rulesets and models that can be attacked programmatically via the same APIs.
Moat to build toward: Compounding advantage: every engagement generates a proprietary corpus of bypass techniques and decay benchmarks across customers, which improves the attack generator and becomes a defensible dataset no detection vendor has.
Biggest risk: Fraud teams treat this as a nice-to-have audit rather than a recurring need, and the detection vendors (Sift, Sardine, Kairos) add basic simulation as a feature, collapsing the standalone market.

First three steps:
1. Build an attack generator that mutates identity/device/session/event payloads and replays them against a customer's ruleset via API to find bypasses.
2. Ship a rule-decay report: replay historical confirmed-fraud events weekly and quantify how detection recall degrades over time per rule/model.
3. Deliver a prioritized fix list (which rule, which variant, expected lift) that fraud engineers can hand to their decisioning platform.

Start by asking me up to five questions about constraints (stack, budget, timeline), then propose the smallest version a paying customer would use, and scaffold it.

Total6.2/10

Dolor7

Disposición a pagar6

Momento6

Hueco7

Foso5

Viabilidad5

A favor

Quién paga

Responsables de fraude y riesgo en fintechs y marketplaces de mercado medio (500–5.000 empleados), con un presupuesto de 3.000–10.000 USD/mes desde el gasto actual en herramientas antifraude junto con Sift o Sardine.

Lo que dijo la gente · 3

La propia publicación afirma que los modelos y conjuntos de reglas entrenados quedan obsoletos en semanas, a medida que los defraudadores hacen ingeniería inversa de la lógica de detección, lo que obliga a reentrenar constantemente. Del artículo ↗
Un veterano de las guerras contra el spam de AOL dice que cada técnica defensiva que construyeron durante semanas o meses fue eludida por los adversarios en un solo fin de semana, y que los atacantes solo se han vuelto más rápidos desde entonces. Leer el comentario ↗
Un comentarista desestima heurísticas superficiales, como preguntarle a un modelo si un correo parece desechable, y sostiene que las señales reales de fraude son mucho más profundas que las apariencias, lo que sugiere que las defensas se validan de forma demasiado superficial. Leer el comentario ↗

Parafraseado del debate. Sigue los enlaces para ver los comentarios originales.

Competidores y hueco

SiftSardineSEONKairos (the launched product)

Todas las plataformas antifraude existentes, incluida Kairos, son motores de detección: puntúan y deciden sobre el tráfico en vivo. Ninguna sondea de forma continua el conjunto de reglas y los modelos propios del cliente con identidades y comportamientos adversariales mutados para informar el tiempo hasta la elusión y las curvas de degradación antes de que los defraudadores reales exploten los huecos. Las empresas de pentesting hacen esto de forma manual para appsec, no para la lógica de decisión antifraude.

Por qué ahora

Los agentes de LLM hacen posible generar de forma muy barata grandes volúmenes de comportamientos adversariales plausibles (identidades, dispositivos, narrativas y patrones de sesión variados). Además, el paso a stacks antifraude ajustados por agentes, como muestra Kairos, crea reglas y modelos legibles por máquina que pueden atacarse de forma programática a través de las mismas API.

Foso · 5/10

Ventaja compuesta: cada proyecto genera un corpus propietario de técnicas de elusión y de referencias de degradación entre clientes, lo que mejora el generador de ataques y forma un conjunto de datos defendible que ningún proveedor de detección tiene.

En contra

Equipo rojo: Los proveedores de detección (Sift, Sardine) realmente no atacan de forma continua los conjuntos de reglas propios del cliente para medir el tiempo hasta la elusión, y las empresas de pentesting no tocan la lógica de decisión antifraude. Eso deja una brecha real con un comprador que ya invierte en herramientas antifraude.
Qué la haría fracasar: Los equipos antifraude lo tratan como una auditoría deseable y no como una necesidad recurrente, y los proveedores de detección (Sift, Sardine, Kairos) añaden simulación básica como función, lo que colapsa el mercado independiente.

Empezar

Primeros tres pasos: Construir un generador de ataques que mute cargas útiles de identidad, dispositivo, sesión y eventos, y las reproduzca contra el conjunto de reglas del cliente mediante API para encontrar elusiones.
Lanzar un informe de degradación de reglas que reproduzca semanalmente eventos históricos de fraude confirmado y cuantifique cómo disminuye el recall de detección por regla o modelo a lo largo del tiempo.
Entregar una lista priorizada de correcciones (qué regla, qué variante y qué mejora esperada) que los ingenieros de fraude puedan trasladar a su plataforma de decisión.
Debate original: Show HN: Kairos – Open-source risk and fraud decisioning platform ↗ 103 puntos30 comentariosDe la historiaArtículo enlazado

Traducido del inglés. Leer el original

#	Puntuación	Idea	Tipo	Categoría	Dolor	Pago	Momento	Hueco	Foso	Viable
1	6.5	Detección de manipulación para configuraciones de agentes de IA y servidores MCPEscanea de forma continua las máquinas de los desarrolladores en busca de plugins de agentes instalados en silencio, hooks autoaprobados y endpoints MCP remotos no autorizados en Claude Code, Codex y Cursor.	Indie	Seguridad	7	6	8	6	5	7
2	6.4	Plataforma de operaciones para flotas de Mac de compilación sin pantallaSoftware de gestión de flotas que automatiza la recuperación, el desbloqueo y la creación de imágenes de racks de Mac sin pantalla usados como nodos de CI.	Indie	DevTools	7	6	7	6	5	7

A favor

En contra

Empezar

Más de esta edición