Miksi manuaaliset petosanalyytikot saattavat tarkastella väärää asiaa

Tuoreen teollisuuskyselymme mukaan lähes kolme neljäsosaa rahoituslaitoksista tarkastaa edelleen merkittävän osan tuloveroasiakirjoistaan manuaalisesti, ja monet niistä tarkastavat jopa puolet kaikista anomuksista käsin. Ottaen huomioon voimakkaiden tekoälymallien synty, jotka kykenevät monimutkaisiin automaattisiin päätöksiin, miksi niin monet rahoituslaitokset luottavat edelleen ihmisten silmiin havaitsemaan väärennettyjä palkkakuittauksia ja muokattuja pankkisaldoja?

Vastaus ei ole pelkästään instituutioissa vallitseva jäykkyys. Manuaaliset analyytikot tuottavat aitoa arvoa, ja kokeneet tarkastajat kehittävät mallintuntemisen, jota on vaikea jäljitellä algoritmien avulla. On kuitenkin ero siinä, pitävätkö ihmiset prosessissa tai pitävätkö heitä tiukasti työssä, joka hyödyntää yksinomaan ihmisen arviointikykyä. Monet rahoituslaitokset eivät tee tätä eroa selkeästi, ja se ilmenee petosluokissa, työkustannuksissa ja altistumisessa vaikeasti havaittavissa petoksissa.

Mitä kokeneet analyytikot tosiasiassa tuottavat

Ennen kuin tehdään tapaus muutoksen puolesta, on syytä ymmärtää, mitä petosanalyytikot erityisesti tekevät hyvin. Kokeneet petosanalyytikot eivät ole vain ruutujen täyttäjiä. Analyytikko, joka on käsitellyt tuhansia tuloveroasiakirjoja vuosien harjoittelun aikana, on sisäistänyt vihjeitä, joita mikään sääntöjoukko ei voi täysin kaapata. Ihmisanalyytikot myös kantavat jotain, mitä automaattiset järjestelmät eivät voi: instituutio- ja sääntelyvastuu. He ymmärtävät liiketoimintansa toimintakulttuuria, sääntelyodotuksia, teknologiatrendejä ja muita yleisiä oivalluksia, jotka tulevat elämisestä ja osallistumisesta maailmaan. Analyytikot voivat myös tuoda esiin poikkeavuuksia, jotka eivät kuulu minkään mallin koulutusaineistoon, erityisesti kun petosryhmät toimivat aidoissa uusissa tavoissa.

Mielenkiintoisesti, tekoälyn itsensä rajoitukset korostavat, miksi ihmisen valvonta on tärkeää. Stanfordin HAI 2026 AI -indeksi on dokumentoinut, mitä tutkijat kutsuvat “epäsäännölliseksi älykkyydeksi”: kehittyneitä malleja, jotka pystyvät läpäisemään yliopiston tason tieteellisiä tutkintoja, mutta epäonnistuvat tehtävissä, joita lapsi voisi hoitaa, kuten analogisen kellon lukeminen, onnistuen vain noin puolet ajasta. Tekoäly voi havaita monimutkaisia petosryhmiä, mutta jättää huomiotta perusriskit. Tämä epätasainen kykyprofiili on argumentti tarkoituksenmukaiselle ihmisen valvonnalle, ei nykytilanteelle.

Analyytikkoa ylittävät kovat rajat

Tunnustaminen siitä, mitä manuaaliset analyytikot tekevät hyvin, ei saa peittää sitä, mitä he yksinkertaisesti eivät voi tehdä. Asiakirjojen metadata on näkymätöntä paljain silmin, mutta paljastaa paljon laskentatyökaluille: luontipäivämäärät, muokkaushistoria, ohjelmistojäljet ja skannatun kuvan GPS-data voivat paljastaa väärennetyn asiakirjan sekunneissa. Ihmisen tarkastaja ei koskaan näe tätä metadataa.

Konsortion ja verkkotiedot ovat myös analyytikon havaintokynnyksen ulottumattomissa. Yhden sosiaaliturvatunnuksen havaitseminen useissa autoliikkeen hakemuksissa saman viikon aikana on laskennallisesti helppoa, mutta inhimillisesti mahdotonta suuressa mittakaavassa. Pienet epäjohdonmukaisuudet, kuten fonttien muutokset, pikselitasoiset muutokset ja muotoilujen epäsäännöllisyydet väärennettyjen asiakirjojen osalta, vaativat laskennallista vertailua voidakseen paljastaa luotettavasti. Kun autolainojen määrä kasvaa, manuaalinen tarkastus ei skaalautu. Se vain tulee kalliimmaksi.

Virherajat

Ongelma ei ole se, että rahoituslaitokset käyttävät manuaalisia analyytikkoja. Se on, että he käyttävät niitä väärissä asiakirjoissa ja työnkulkuprosesseissa. Kun instituutiot tarkastavat manuaalisesti jopa puolet tuloveroasiakirjoistaan, analyytikot käyttävät suurimman osan ajastaan anomuksiin, jotka tekoäly voisi automaattisesti hyväksyä tai merkitä. Asiakirjat, jotka todella vaativat koulutetun ihmisen silmää, edustavat vain osaa kokonaismäärästä.

Seuraus on ennustettavissa. Analyytikot väsyvät ja tulevat tumpimpi, juuri silloin, kun he kohtaavat monimutkaiset, korkean panoksen tapaukset, jotka todella vaativat heidän asiantuntemustaan. Vaikein petos piileeksi juuri siellä, missä uupunut tarkastaja, joka työskentelee pitkän jonon läpi, on vähiten valmis löytämään sitä. Korkeat työkustannukset, alhaisempi läpäisy, eivätkä merkittävät parannukset petostentorjunnassa eivät ole kauppa, josta kannattaa tehdä.

Mikä älykkäämpi malli näyttää olevan

Ratkaisu ei ole manuaalisen tarkastuksen poistaminen. Se on sen uudelleenohjautuminen. Automaattiset työkalut tulisi käsitellä määrää: tuloveroasiakirjojen seulonta tunnetuista petosmerkeistä, metadata-anomaliasta ja konsortio- ja verkkotietojen osoittamisesta. Tämä vapauttaa analyytikot keskittymään reunatapauksiin, valitusten käsittelyyn, eskaloitumiseen ja uusiin petosmalliin, joita tekoälytyökalut eivät ole kykeneviä ratkaisemaan.

Usein instituutiot jättävät huomiotta toisen tason: tekoälyn valvonta tekoälyä. Automaattiset järjestelmät tulisi seurata, miten päätöksentekojärjestelmät ovat toiminnassa ja ovatko lopputulokset siirtymässä tavalla, joka osoittaa mallin heikentymistä tai uusia petosvektoreita. Ihmisen valvonta on arvokkainta, kun se on asetettu vipuvaikutuspisteisiin, eikä jaeta tasaisesti jokaisen asiakirjan ylitse jonossa. Selkeät eskaloitumisohjeet, joissa on määritellyt kynnykset, jotka tarkistetaan säännöllisesti, ovat se, mikä pitää tämän mallin muuttumasta takaisin vanhaan tapaan.

Sääntelyulottuvuus, jota rahoituslaitokset eivät voi jättää huomiotta

Sääntelijät ovat tarkastelemassa tarkemmin, miten tekoälyavusteinen petostentorjunnan päätökset tehdään ja kuka on vastuussa niistä. Instituutiot, jotka voivat dokumentoida portaallon tarkastusprosessin, tekoälyn seulonta seurattuna kohdennetulla ihmisen tarkastuksella määritellyillä kriteereillä, ovat paremmin asemoituneita kuin ne, jotka luottavat samean automaatioon tai erottamattomaan manuaaliseen tarkastukseen. Mustalaatikkojärjestelmä, jota kukaan instituutiossa ei voi selittää, on vastuuvilta, ei ratkaisu.

Sääntelyupseerit tarvitsevat olla riittävän lähellä teknologiaa ymmärtääkseen, mitä tekoäly todella tekee, eikä vain allekirjoittaa järjestelmää, jota he eivät ole arvioineet. Se vaatii investointeja koulutukseen, toimittajien avoimuuteen ja jatkuvan auditoinnin, joka pitää ihmisen arvion merkittävästi kytkettynä automaattisiin tuloksiin.

Oikea kysymys, jota tulisi kysyä

Havainto, että kolme neljäsosaa rahoituslaitoksista luottaa edelleen voimakkaasti manuaaliseen petostarkastukseen, ei ole skandaali. Se saattaa heijastaa terveen vaiston pitää ihmiset vastuussa korkean panoksen prosessissa. Mutta vaisto ei ole strategia. Manuaalisen tarkastuksen määrä, joka tapahtuu koko alalla, ei heijasta tietoista päätöstä siitä, missä ihmisen arviointi lisää eniten arvoa. Se heijastaa tapaa.

Jokaisen instituution tässä tilanteessa tulisi kysyä, ei sitä, käyttävätkö he manuaalista tarkastusta, vaan missä he sitä käyttävät, kuinka paljon ja mihin. Rahoituslaitokset, jotka vastaavat tähän kysymykseen selvästi ja rakentavat työnkulkuprosesseja sen mukaan, tulevat havaitsemaan enemmän petoksia, käyttävät vähemmän rahaa siihen ja ovat paremmin asemoituneita, kun sääntelijät tulevat kysymään, miten päätökset tehtiin. Analyytikot, jotka ovat tarkastaneet tavanomaisia asiakirjoja, ansaitsevat työskennellä tapauksissa, jotka todella tarvitsevat heitä.