למה ניתוחי ההונאה הידניים שלך עשויים להסתכל על הדברים הלא נכונים

על פי סקר תעשייה אחרון , כמעט שלושה רבעים מהמוסדות הפיננסיים עדיין בודקים ידנית חלק משמעותי ממסמכי ההכנסה שלהם להונאה, עם רבים הבודקים עד מחצית מכלל ההגשות ביד. נתון עלייתם של מודלים חזקים של AI המסוגלים לקבלת החלטות אוטומטית מתוחכמת, מדוע כל כך הרבה מלווים עדיין תלויים בעיניים אנושיות כדי לתפוס תעודות שכר מזויפות והצהרות בנק משונות?

התשובה חורגת מעבר לאינרציה מוסדית. מנתחים ידניים מביאים ערך אמיתי, ובוחנים מנוסים מפתחים הכרה של דפוסים שקשה לשחזר אותם באמצעות אלגוריתמים. אבל יש הבדל בין שמירה על בני אדם בתהליך לשמירה עליהם ממוקדים בעבודה שמנצלת באופן ייחודי את שיפוטם של בני האדם. הרבה מלווים אינם עושים הבחנה חדה מספיק, והתוצאות מופיעות בשיעורי הונאה, עלויות עבודה וחשיפה להונאה שקשה ביותר לתפוס.

מה שמנתחים מנוסים באמת מביאים לשולחן

לפני שמעשים את המקרה לשינוי, שווה להבין מה בדיוק עושים מנתחי הונאה, במיוחד. מנתחי הונאה מנוסים אינם בודקים קלפים. מנתח שעיבד אלפי מסמכי הכנסה במהלך שנים של ניסיון, הפנימו רמזים שאף סט כללים לא לוכד. מנתחים אנושיים נושאים גם דבר מה שמערכות אוטומטיות לא יכולות: אחריות מוסדית ורגולטורית. הם מבינים את תרבות הפעילות של העסק, ציפיות רגולטוריות, מגמות טכנולוגיות ותובנות הגיוניות אחרות שבאות מחיים ומעורבות בעולם. מנתחים יכולים גם להציף אנומליות שיוצאות מחוץ לכל נתוני אימון של מודל, במיוחד כאשר טבעות הונאה פועלות בדרכים אמיתית חדשות.

באופן מעניין, המגבלות של AI עצמו מדגישות מדוע פיקוח אנושי חשוב. ה- Stanford HAI 2026 AI Index הציג את מה שחוקרים קוראים “אינטליגנציה משוננת”: מודלים מתוחכמים המסוגלים לעבור מבחנים ברמת הגמר של מדע, שעדיין נכשלים במשימות שילד יכול לטפל, כמו קריאת שעון אנלוגי, מצליחים רק בכ-50% מהזמן. AI יכול לגלות טבעות הונאה מורכבות אך להחמיץ דפוסים בסיסיים של פישינג. פרופיל היכולת הלא אחיד הזה הוא טיעון לפיקוח אנושי מחשב, ולא למצב הנוכחי.

הגבולות הקשים שאף מנתח לא יכול לעבור

הכרה במה שמנתחים ידניים עושים היטב אינה צריכה להעלים את מה שהם פשוט לא יכולים לעשות. מטא-נתונים של מסמכים הם בלתי נראים לעין, אך מגלים הרבה לכלים חישוביים: תאריכי יצירה, היסטוריית עריכה, חתימות תוכנה ונתוני GPS המובנים בתמונה מסורקת יכולים לחשוף מסמך מזויף בשניות. בוחן אנושי לעולם לא יראה את המטא-נתונים האלה.

נתוני קונסורציום ורשת נמצאים גם הם מחוץ לאופק התצפית של מנתח. זיהוי של מספר ביטוח לאומי יחיד המופיע ברחבי מועמדויות רבות לדילרים באותו שבוע הוא טריביאלי מבחינה חישובית ובלתי אפשרי לבני אדם בנפח. גילוי אי-עקביות זעירות עוקב אחר אותה לוגיקה: שינויים עדינים בגופנים, שינויים ברמת פיקסל ואי-עקביות בפורמט במסמכים מזויפים דורשים השוואה חישובית כדי להיחשף באופן אמין. ככל שנפחי הלוואות לרכב גדלים, בדיקה ידנית לא מסתגלת. היא פשוט הופכת ליותר יקרה.

בעיית החלוקה הלא נכונה

הבעיה היא לא שמלווים משתמשים במנתחים ידניים. הבעיה היא שהם משתמשים בהם על המסמכים הלא נכונים וזרימות העבודה. כאשר מוסדות בודקים ידנית עד חצי מנפח מסמכי ההכנסה, מנתחים בוחנים את רוב זמנם בהגשות ש-AI יכול לנקות או לסמן אוטומטית. המסמכים שאמנם דורשים עין אנושית מאומנת מייצגים חלק קטן מהסך הכולל.

התוצאה היא צפויה. מנתחים נעשים עייפים ופחות חדים בדיוק כאשר הם נתקלים במקרים מורכבים, בעלי סיכון גבוה, שאמורים להיתפס. ההונאה הקשה ביותר מסתתרת בדיוק במקומות שבהם בוחן עייף, עובד דרך תור ארוך, הכי פחות מצויד למצוא. עלות עבודה גבוהה, קצב עבודה נמוך, ואין שיפור משמעותי בשיעורי גילוי הונאה, אין זה פשרה ששווה לעשות.

מה נראה מודל חכם יותר

הפתרון אינו לבטל בדיקה ידנית. הוא לפרוס אותה מחדש. כלים אוטומטיים צריכים לטפל בנפח: בדיקת מסמכי הכנסה לאותות הונאה ידועים, אנומליות של מטא-נתונים ופגיעות בנתוני קונסורציום. זה משחרר את המנתחים להתמקד במקרים קיצוניים, ערעורים, הגבהות ודפוסי הונאה חדשים שכלים אוטומטיים לא מצוידים לפתור.

מוסדות רבים מתעלמים משכבה נוספת: AI שמפקח על AI. מערכות אוטומטיות צריכות לעקוב אחרי האופן שבו כלים לקבלת החלטות משומשים ואם התוצאות משתנות בדרכים שמצביעות על הידרדרות מודל או וקטורי הונאה חדשים. פיקוח אנושי הוא הכי משמעותי כאשר הוא ממוקם בנקודות מנוף, ולא מחולק באופן אחיד לאורך כל המסמכים בתור. פרוטוקולים ברורים להגבהה, עם ספים מוגדרים שנבדקים באופן קבוע, הם מה שמונעים מהמודל הזה לחזור להרגל.

הממד התקני שמלווים לא יכולים להתעלם

רגולטורים שולחים יותר תשומת לב לאופן שבו החלטות גילוי הונאה בסיוע AI נעשות ומי נושא באחריות להן. מוסדות שיכולים לתעד תהליך בדיקה ברמות, AI מסנן אחרי בדיקה אנושית ממוקדת על קריטריונים מוגדרים, יהיו מוצבים טוב יותר מאלה התלויים באוטומציה אפורה או בדיקה ידנית לא מובחנת. מערכת “קופסאות שחורות” שאף אחד במוסד לא יכול להסביר היא נטל, לא פתרון.

קציני תקנים צריכים להיות קרובים מספיק לטכנולוגיה כדי להבין מה AI עושה באמת, ולא רק לאשרר מערכת שמעולם לא העריכו. זה דורש השקעה בהכשרה, שקיפות ספקים ופונקציה של אודיט רציף ששומר על שיפוט אנושי מחובר באופן משמעותי לתוצאות אוטומטיות.

השאלה הנכונה לשאול

התצפית ששלושה רבעים מהמלווים עדיין תלויים באופן כבד בבדיקת הונאה ידנית, אינה קלון. היא עשויה לשקף הרגש הבריא לשמור על בני אדם אחראים בתהליך בעל סיכון גבוה. אבל הרגש הוא לא אסטרטגיה. נפח הבדיקה הידנית המתרחשת ברחבי התעשייה אינו משקף החלטה מכוונת באשר למקומות שבהם שיפוט אנושי מוסיף הכי הרבה ערך.הוא משקף הרגל.

כל מוסד בתחום זה צריך לשאול לא האם להשתמש בבדיקה ידנית, אלא היכן להשתמש בה, כמה, ועל מה. המלווים שיענו על השאלה הזו בבהירות, ויבנו זרימות עבודה שתתאים, יתפוסו יותר הונאה, יוציאו פחות כסף בעשותם זאת, ויהיו מוצבים הרבה יותר טוב כאשר רגולטורים יבואו לשאול כיצד הוחלטו החלטות. המנתחים שבדקו מסמכים רוטיניים ראויים לעבוד על המקרים שאמנם צריכים אותם.