Эндрю Джонсон, генеральный директор Yardstik — серия интервью

Andrew Johnson, генеральный директор Yardstik, является опытным технологическим руководителем с опытом масштабирования быстрорастущих программных компаний, создания коммерческих подразделений и увеличения корпоративных доходов. Он присоединился к Yardstik в качестве chief operating officer в 2022 году, а в октябре 2024 года был повышен до генерального директора. Ранее Джонсон занимал должность chief revenue officer в компании Branch, где помогал руководить компанией по выплатам рабочей силы в период быстрого роста, и провёл более пяти лет в Dialpad, в том числе в роли руководителя корпоративных продаж, где он способствовал построению её продаж в США и Канаде. В начале своей карьеры он занимал позиции в области бизнес‑развития и партнёрских отношений в Compellent Technologies, которую в 2011 году приобрёл Dell за примерно 960 млн долларов.

Yardstik — технологическая компания, базирующаяся в Миннеаполисе, специализирующаяся на доверительных решениях для рабочей силы, основанная в 2020 году. Она предоставляет услуги по предотвращению мошенничества, проверке личности, проверке биографии, проверке учётных данных и непрерывному мониторингу сотрудников через свою платформу Human Trust Platform. Компания построена на архитектуре API‑first, что позволяет интегрировать её технологии напрямую в системы отслеживания кандидатов, платформы управления человеческим капиталом, рынки гиг‑работ и другие приложения для рабочей силы. Yardstik также поддерживает Model Context Protocol (MCP), позволяя AI‑агентам подключаться к её инфраструктуре доверия и автоматизировать рабочие процессы, такие как проверки биографии, верификация личности, скрининг учётных данных, повторные проверки и вынесение решений в системах найма и адаптации, управляемых ИИ.

Прежде чем присоединиться к Yardstik, вы провели более пяти лет в Branch, где лично столкнулись с мошеннической схемой, использующей украденные номера социального страхования для получения работы под чужими личностями. Как этот опыт изменил ваше восприятие проверки биографии, и когда вы поняли, что верификация личности должна выходить за рамки одноразовой проверки при найме?

Когда я работал в Branch, один из наших крупнейших клиентов пострадал от мошеннической группы из Венесуэлы, с которой часто сталкиваются платформы гиг‑работ. Они воровали номера социального страхования американцев и продавали их людям, не имеющим права работать в США. Кто‑то подавал заявку под украденной личностью, начинал доставлять, и всё выглядело нормально до налогового сезона, когда настоящий владелец SSN получил форму 1099 за работу, которой он никогда не выполнял. Это был первый случай, когда я увидел мошенничество уже после принятия решения о найме, а не во время него.

Этот момент действительно изменил мое восприятие. Я понял, как часто люди, прошедшие проверку биографии, оказываются не теми, кто приходит на работу. Например, человек с чистой историей проходит скрининг, а затем член его семьи, который не смог бы пройти проверку, берёт его смену. Проверка биографии не в состоянии обнаружить это, поскольку она рассматривает только заявителя на бумаге, один раз, в самом начале. К моменту моего присоединения к Yardstik я привнёс полученные в Branch знания и совместно с командой разработал подход непрерывного мониторинга для наших клиентов.

Генеративный ИИ существенно снизил порог создания поддельных личностей, поддельных учётных данных, синтетических профилей и даже убедительных дипфейков. Какие методы мошенничества, использующие ИИ, развиваются сейчас быстрее всего, и какие, по вашему мнению, работодатели подготовлены наименее?

Самый быстро развивающийся вид мошенничества сейчас — не яркое видео‑допфейк. Это синтетическая личность: реальный номер социального страхования, смешанный с вымышленным именем и поддельной трудовой историей, собранные в единое целое, которое выглядит безупречно при первой проверке. Добавьте инструменты ИИ, генерирующие отшлифованное резюме и соответствующий набор учётных данных, и вы получаете кандидата.

То, к чему работодатели наименее подготовлены, — это удалённый найм, когда сотрудник никогда не встречается лично. Платформы гиг‑работ, удалённые ИТ‑должности, виртуальные колл‑центры. Если никому в компании этот человек не виден, исчезают все сигналы, которые раньше позволяли выявить мошенника (нервное интервью, слегка не соответствующее удостоверение личности). Именно в такой сфере работают группы мошенников, занимающихся удалённым наймом, а большинство компаний продолжают рассматривать это как чужую проблему, пока она не коснётся их самих.

Yardstik перешла от традиционной проверки биографии к более широкой платформе, объединяющей AI‑предотвращение мошенничества, верификацию личности, проверку учётных данных и непрерывный мониторинг. Какую роль играет ИИ в связывании этих сигналов и что система может обнаружить, чего не может обычная проверка биографии?

Yardstik начала как компания по проверке биографии, и для большинства клиентов это по‑прежнему базовый элемент нашей деятельности. Однако проверка биографии — это единичная транзакция: выполнить её, получить ответ и удалить данные. То, что объединяет предотвращение мошенничества, верификацию личности, проверку учётных данных и мониторинг в единую систему, — это то, что мы не удаляем данные. Мы поддерживаем профиль кандидата во времени, и каждая новая проверка добавляется к нему, а не начинается с нуля.

Именно это позволяет нам выявлять то, что одноразовая проверка никогда не обнаружит. Например, один из наших клиентов столкнулся с тем, что мошенники неоднократно пытались получить доступ к аккаунтам агентов, имеющим доступ к налоговым данным клиентов. Поскольку мы могли увидеть, что одно и то же устройство или слегка изменённая личность появляются в нескольких попытках, мы смогли остановить их до того, как они превратились в решение по проверке. Одноразовая проверка рассматривала бы каждое из этих заявлений отдельно и пропускала бы их все.

Yardstik использует такие сигналы, как персональные данные идентификации, платёжная активность и индикаторы устройства или местоположения, чтобы выявлять потенциальные случаи обмана идентичности. Как вы отделяете действительно подозрительное поведение от необычного, но легитимного, особенно когда модели ИИ становятся ответственными за оценку всё более сложных паттернов?

Мы не пытаемся провести чёткую грань между подозрительным и необычным, потому что в большинстве случаев такой границы просто нет в момент наблюдения. Мы показываем дельту. Если в заявке указана одна школа, а год спустя новая заявка под тем же именем указывает другую школу, это заслуживает повторного взгляда. Если кто‑то всегда подавал заявки с iPhone, а теперь появляется с Android и новым IP‑адресом, то то же самое. Ни один из этих факторов сам по себе не означает мошенничество, но в совокупности несколько сигналов повышают риск‑профиль. Мы — слой, который отмечает, что изменилось с последнего контакта, и предоставляем работодателям больше данных для обоснованных решений.

Yardstik сообщает, что примерно каждый 30‑й соискатель не проходит проверку государственного удостоверения личности, а ежедневно блокируются отмеченные или дублирующиеся номера социального страхования. Какие выводы вы делаете из этих данных о том, как развивается мошенничество в найме, и какая часть встречаемого вами мошенничества выглядит организованной, а не случайной?

Эти данные показывают, что мошенничество с идентификацией при найме уже не является редким явлением. Оно стало базовой стоимостью ведения бизнеса в любом реальном масштабе, так же как возвраты по платежам являются базой в сфере платежей. Значительная часть этого мошенничества выглядит организованной, а не случайной. Случайное мошенничество, как правило, одноразово: кто‑то подделывает резюме или изменяет дату выпуска диплома. Организованное мошенничество проявляется в паттернах — одно и то же устройство или почти идентичная личность пытаются получить одинаковую работу у разных работодателей, иногда меняя по одному параметру, чтобы понять, что проходит. Я видел такой вариант несколько лет назад, когда украденные номера соцстрахования перепродавались, и я вижу его и сегодня. Сейчас это просто автоматизировано и работает в гораздо большем объёме, потому что генеративные инструменты сделали подделку идентичностей дешевле.

Проверка идентичности всё чаще включает государственные документы, биометрию, проверки живости, сигналы устройства и другие индикаторы риска. По мере того как генеративные модели становятся способными создавать реалистичные документы, лица и голоса, какие сигналы, по вашему мнению, останутся самыми трудными для подделки?

Любой отдельный артефакт — фото, документ, даже короткое видео — становится всё легче подделать убедительно. То, что остаётся трудным для подделки, — это согласованность во времени и в разных местах, которые никто не контролирует одновременно. Синтетическая личность может пройти одну проверку живости с достаточно хорошим дипфейком. Но гораздо сложнее, чтобы у той же личности также была согласованная история устройства, согласованный паттерн местоположения и трудовая история, соответствующая реальному человеку в разных компаниях и годах. Именно в этом заключается идея непрерывного мониторинга вместо единовременной проверки. Традиционная проверка даёт вам одну фотографию, один кадр, сделанный один раз. Наша система работает как живой поток, потому что она построена так, чтобы замечать, когда кадры перестают совпадать.

Непрерывный мониторинг представляет собой значительный сдвиг от однократной проверки к оценке доверия на протяжении всего жизненного цикла работника. Как вы проектируете такую систему, не создавая излишнего наблюдения, ложных срабатываний или решений, которые работники не могут понять или оспорить?

Наблюдение — это слежка за тем, кто не знает, что его наблюдают. Это не наш подход. Каждый работник, которого мы мониторим, дал письменное согласие, он точно знает, что проверяется, и по закону мы обязаны предоставить ему копию всех найденных данных и возможность оспорить их, если они ошибочны. Всё это необязательно. Это FCRA.

Другой момент в том, что мы не принимаем решение сами. Если в данных появляется арест, это лишь сигнал для работодателя, а не вердикт. Принцип надлежащей правовой процедуры остаётся в силе. Работодатели должны уведомить кандидата, дать ему шанс ответить и затем вынести окончательное решение. Наша задача заканчивается на том, что мы указываем, что что‑то изменилось; работодатель решает, что это значит и что с этим делать, так же как он делал бы с проверкой при найме. Мы специально построили систему именно так.

По мере того как рекрутинг и управление персоналом становятся всё более агентными, где должна проходить граница между ИИ‑агентом, собирающим и оценивающим сигналы доверия, и фактическим принятием решения о найме?

Я бы поставил границу там, где её уже ставит закон. Мы осторожно не называем себя ИИ‑компанией, потому что в нашей отрасли существует строгое требование, чтобы человек был в цепочке принятия решений по любому спорному или неблагоприятному решению. Агент может собирать сигналы, оценивать их, отмечать изменения. Но он не должен самостоятельно решать, получит ли человек работу или сохранит её, потому что такое решение должно быть привязано к человеку, который несёт за него ответственность и может объяснить его в случае оспаривания.

По мере того как процесс найма становится полностью автоматизированным, я считаю, что эта граница становится более важной, а не менее. Чем проще позволить агенту управлять всей воронкой, тем сильнее искушение дать ему принимать окончательное решение. Сбор и оценка сигналов доверия — именно то, что программное обеспечение должно делать быстрее. Решать, чья жизнь зависит от этого решения, я бы никогда не передавал.

С новым $30 млн Series B, увеличившим общий объём финансирования Yardstik до $65 млн, какие области ИИ и предотвращения мошенничества, по вашему мнению, теперь требуют крупнейших инвестиций, и какие технические проблемы всё ещё необходимо решить, чтобы непрерывная проверка личности работала в гораздо большем масштабе?

Мы вкладываем новый капитал в те части предотвращения мошенничества, которые менее привлекательны и самые дорогие для качественного построения. Отчёты о транспортных средствах и мониторинг исключений OIG. Автоматические оповещения в момент, когда лицензия, страховка или сертификат истекает, вместо того чтобы ждать следующего цикла продления, чтобы заметить это.

Техническая проблема, которую никто в этой отрасли не решил, — стоимость. Многие страны и штаты берут собственную плату за запрос записи, иногда более $100 за один запрос в таких местах, как Нью‑Йорк, и эта стоимость не снижается просто потому, что вы хотите проверять людей чаще. Сделать непрерывную верификацию достаточно доступной, чтобы компания с тысячами gig‑работников могла проводить её ежемесячно, а не раз в год, — это столько же проблема получения данных и ценообразования, сколько и задача машинного обучения. Именно об этом я думаю сейчас больше всего.

Появляется интересная гонка вооружений: ИИ одновременно упрощает подделку идентичности и предоставляет платформам более эффективные инструменты для её обнаружения. По мере того как обе стороны совершенствуются, ожидаете ли вы, что подтверждение того, что человек действительно тот, за кого себя выдаёт, станет существенно сложнее, или ИИ в конечном итоге сделает цифровую идентичность более надёжной, чем когда-либо?

Оба утверждения верны, и я не считаю, что одно отменяет другое. Наши клиенты часто говорят, что ожидают от нас способности “бороться огнём огнём”. Они понимают, что нам нужны современные решения для современных проблем. По моему честному мнению, цифровая идентичность становится более надёжной для систем, построенных для отслеживания человека в течение лет и на разных платформах, и менее надёжной для всего, что всё ещё полагается на единовременную проверку. Это означает, что компании, которые проверяли кого‑то только один раз, окажутся уязвимыми, а те, кто строил решения на долгосрочную перспективу, в ретроспективе покажутся гораздо умнее, чем они, вероятно, ощущают сейчас.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Yardstik.