美国联邦贸易委员会(FTC)近日提起的一项新诉讼,揭示了应用商店在打击欺诈性应用方面所面临的重重困难。该诉讼指控一家名为Genesis Tech的公司通过设立空壳公司掩盖身份、转移资产,向消费者实施欺诈,并将收益秘密转移至海外。
据指控,Genesis Tech旗下网络包括一系列在塞浦路斯注册、在乌克兰运营的子公司,这些公司向美国消费者推销其应用程序。其旗下品牌涵盖:由Amo Apps Limited运营的健身与营养应用MadMuscles、Harna及Unimeal;由GuruDocs Limited推出的PDF Guru和PDF Master;由Bramol Limited开发的时尚应用Lumi;由Obrio Limited运营的星座应用Nebula;以及由Koflimin Limited旗下Wisey品牌推出的习惯养成与个人效率应用等。
从2023年初到2025年中期,上述五家公司的产品在全球累计营收近2.5亿美元。诉讼还指出,在截至2025年9月的12个月内,该公司所有关联PayPal账户的交易总额接近7亿美元。
此案揭示了苹果和谷歌面临的日益严峻的挑战——订阅诈骗已从单一欺诈性应用演变为由多层空壳公司构成的复杂网络。FTC在诉状中称,Genesis Tech持续注册新的企业实体、创建多个商户账户以隐匿身份,并在旗下各关联公司之间进行跨境资金转移。正是通过不断创建新账户的方式,该应用发行商得以多年来规避欺诈监控机制。
与目前充斥应用商店、已引起监管机构和消费者权益倡导者关注的其他订阅诈骗应用如出一辙,Genesis Tech旗下产品让用户注册极为便捷,但取消订阅却困难重重。尽管该公司以免费或低价为噱头推广其产品,消费者注册后却会遭遇自动续费订阅。有时,公司还会在用户不知情或未经同意的情况下额外收费,甚至出现重复扣款的情况。
此外,FTC诉状还指出,该公司故意在其网站和应用中隐去取消订阅的选项,并在未获授权的情况下持续向用户收取费用。
诉状认为,Genesis Tech的上述行为违反了《联邦贸易委员会法》(FTC Act)及《恢复网络购物者信心法》(ROSCA)。案件共同被告还包括Stamatis Skianis、Oksana Kucher、Iryna Oleksyn、Olga Garbuzenko、Rostyslav Ivanitsa和Viktoriia Savchuk,案件将在美国加利福尼亚州北区联邦地区法院审理。
TechCrunch已通过诉讼中列明的子公司公开邮箱向Genesis Tech发出置评请求,截至发稿尚未收到回复。
FTC此前已多次对移动应用开发商提起诉讼,涉及案例包括:匿名青少年问答应用NGL、交友应用巨头Match、零工平台Handy、儿童应用开发商HyperBeard,以及移动广告公司Tapjoy、数据经纪商X-Mode等相关方。
Q&A
Q1:Genesis Tech是如何通过空壳公司逃避应用商店监管的?
A:Genesis Tech在塞浦路斯注册并在乌克兰运营多个子公司,通过持续注册新企业实体、创建多个商户账户来隐匿真实身份,并在各关联公司之间进行跨境资金转移。这种不断创建新账户的方式使其得以多年规避欺诈监控机制,导致苹果和谷歌等平台难以追踪和阻止其行为。
Q2:Genesis Tech旗下的订阅诈骗应用具体是怎么坑用户的?
A:该公司以免费或低价为噱头吸引用户注册,实际上却开启自动续费订阅。除此之外,公司还会在用户不知情的情况下额外收费或重复扣款,同时故意在应用和网站中隐去取消订阅的选项,即便用户想退订也无从下手,并在未获授权的情况下持续扣费。
Q3:FTC对Genesis Tech的诉讼依据是什么法律?
A:FTC的诉讼认为,Genesis Tech的行为违反了两部法律:一是《联邦贸易委员会法》(FTC Act),该法律禁止不公平或欺骗性的商业行为;二是《恢复网络购物者信心法》(ROSCA),该法律专门规范网络订阅服务,要求商家在收费前必须获得消费者的明确授权。
好文章,需要你的鼓励
今天讲的出海案例是依米康,这家数据中心温控与液冷设备厂商正在把泰国纳入海外交付体系,并用生产线、总装车间和焓差实验室承接算力设施订单。
BioMatrix是首个将分子序列、分子三维结构、蛋白质序列、蛋白质三维结构和自然语言统一在单一语言模型中的生物基础模型,在80项任务中77项达到最优或第二优。
Salesforce正式推出Help Agent,这是基于Agentforce平台的预封装AI客服智能体,可在数分钟内连接企业知识库、操作功能及网页、短信、语音等沟通渠道。该产品同步推出按解决率计费模式,每次成功自主解决客户问题收费2美元,无需按token或操作次数计费。Help Agent支持低代码构建,内置测试功能,并配备全新客户服务门户。该产品预计于2026年7月正式上线。
浙江大学提出SKILLHARNESS框架,通过为AI电脑助手的每项技能附加安全边界,从成功、失败和风险三类经历中学习,使AI在动态危险环境中安全高效地完成任务。