Почему ваши ручные аналитики мошенничества могут смотреть не на те вещи

Согласно недавнему обследованию отрасли, почти три четверти финансовых учреждений все еще проверяют вручную значительную часть своих доходных документов на предмет мошенничества, и многие из них проверяют до половины всех заявок вручную. Учитывая появление мощных моделей ИИ, способных к сложному автоматизированному принятию решений, почему так много кредиторов все еще полагаются на человеческий глаз, чтобы поймать фабрикованные справки о зарплате и измененные банковские выписки?

Ответ выходит за рамки институциональной инерции. Ручные аналитики приносят настоящую ценность, и опытные проверяющие развивают распознавание закономерностей, которое трудно воспроизвести алгоритмически. Но есть разница между сохранением людей в процессе и сохранением их сосредоточения на работе, которая уникально использует человеческое суждение. Многие кредиторы не проводят эту разницу достаточно четко, и последствия проявляются в показателях мошенничества, затратах на труд и уязвимости к мошенничеству, которое труднее всего обнаружить.

Что опытные аналитики действительно приносят на стол

Прежде чем сделать дело за изменение, стоит понять, что аналитики мошенничества делают особенно хорошо. Опытные аналитики мошенничества не являются проверяющими коробки. Аналитик, который обработал тысячи доходных документов за годы практики, внутренне воспринял сигналы, которые никакой набор правил не может полностью охватить. Человеческие аналитики также несут то, чего автоматизированные системы не могут: институциональную и регуляторную ответственность. Они понимают культуру операций своего бизнеса, регуляторные ожидания, технологические тенденции и другие общие смыслы, которые приходят от жизни и участия в мире. Аналитики также могут выявить аномалии, которые выходят за рамки любой модели обучения, особенно когда кольца мошенничества работают действительно новыми способами.

Интересно, что ограничения ИИ сами по себе подчеркивают, почему человеческий надзор имеет значение. Stanford HAI 2026 AI Index задокументировал то, что исследователи называют “зазубренным интеллектом”: продвинутые модели, способные сдать экзамены на уровне аспирантуры, которые, однако, не могут справиться с задачами, которые может выполнить ребенок, например, прочитать аналоговые часы, и преуспевают только примерно в половине случаев. ИИ может обнаружить сложные кольца мошенничества, но пропустить базовые модели фишинга. Эта неровная профильная способность является аргументом в пользу вдумчивого человеческого надзора, а не за статус-кво.

Трудные пределы, которые ни один аналитик не может преодолеть

Признание того, что ручные аналитики делают хорошо, не должно затмевать то, что они просто не могут сделать. Метаданные документа невидимы для человеческого глаза, но они очень показательны для вычислительных инструментов: даты создания, история редактирования, подписи программного обеспечения и данные GPS, встроенные в сканированное изображение, могут раскрыть фабрикованный документ за несколько секунд. Человеческий проверяющий никогда не увидит какие-либо из этих метаданных.

Данные консорциума и сети также лежат вне горизонта наблюдения аналитика. Обнаружение одного номера социального страхования, появляющегося в нескольких заявках дилерского центра в течение одной недели, является вычислительной тривиальностью и человеческой невозможностью в объеме. Обнаружение микро-несоответствий следует той же логике: тонкие изменения шрифта, изменение пикселей и нерегулярности форматирования в фабрикованных документах требуют вычислительного сравнения, чтобы надежно выявить их. По мере роста объема автокредитов ручная проверка не масштабируется. Она просто становится более дорогой.

Проблема неправильного распределения

Проблема заключается не в том, что кредиторы используют ручных аналитиков. Это в том, что они используют их на неправильных документах и потоках работы. Когда учреждения проверяют вручную до половины своего доходного документа, аналитики тратят большую часть своего времени на заявки, которые ИИ мог бы автоматически очистить или пометить. Документы, которые действительно требуют обученного человеческого глаза, представляют собой лишь часть этой общей суммы.

Последствие предсказуемо. Аналитики становятся уставшими и менее острыми именно тогда, когда они сталкиваются с сложными, высокорисковыми делами, которые действительно требуют их экспертизы. Самое трудное мошенничество скрывается именно в тех местах, где уставший проверяющий, работающий через длинную очередь, наименее способен его найти. Высокая стоимость труда, более низкая производительность и отсутствие какого-либо значительного улучшения показателей обнаружения мошенничества не является компромиссом, достойным заключения.

Что представляет собой более умная модель

Решение заключается не в том, чтобы исключить ручную проверку. Это в том, чтобы перенаправить ее. Автоматические инструменты должны обрабатывать объем: проверять доходные документы на известные сигналы мошенничества, аномалии метаданных и данные консорциума. Это освобождает аналитиков от сосредоточения внимания на граничных случаях, апелляциях, эскалациях и новых моделях мошенничества, которые инструменты ИИ не могут решить.

Учреждения часто упускают из виду еще один слой: ИИ, контролирующий ИИ. Автоматизированные системы должны отслеживать, как инструменты принятия решений используются и меняются ли результаты в направлении, указывающем на ухудшение модели или новые векторы мошенничества. Человеческий надзор наиболее ценен, когда он позиционируется на точках рычага, а не распределен равномерно по каждому документу в очереди. Ясные протоколы эскалации, с определенными порогами, которые регулярно проверяются, являются тем, что сохраняет эту модель от возвращения к привычке.

Размерность соблюдения, которую кредиторы не могут игнорировать

Регуляторы все более внимательно относятся к тому, как принимаются решения об обнаружении мошенничества с помощью ИИ, и кто несет ответственность за них. Учреждения, которые могут документировать процесс проверки в несколько этапов, ИИ-скрининг, за которым следует целевая ручная проверка по определенным критериям, будут лучше позиционированы, чем те, которые полагаются на не透рачную автоматизацию или неразличимую ручную проверку. Система “черного ящика”, которую никто в учреждении не может объяснить, является обязательством, а не решением.

Специалисты по соблюдению должны быть достаточно близко к технологии, чтобы понять, что ИИ на самом деле делает, а не просто подписывать систему, которую они никогда не оценивали. Для этого требуется инвестиция в обучение, прозрачность поставщиков и постоянную функцию аудита, которая сохраняет человеческое суждение осмысленно связанным с автоматизированными результатами.

Правильный вопрос, который следует задавать

Наблюдение, что три четверти кредиторов все еще сильно полагаются на ручную проверку мошенничества, не является скандалом. Это может отражать разумную интуицию сохранить людей ответственными в высокорисковом процессе. Но интуиция не является стратегией. Объем ручной проверки, происходящей в отрасли, не отражает преднамеренное решение о том, где человеческое суждение добавляет наибольшую ценность. Это отражает привычку.

Каждое учреждение в этом пространстве должно задавать вопрос не о том, использовать ли ручную проверку, а где ее использовать, сколько и на что. Кредиторы, которые четко ответят на этот вопрос и построат рабочие процессы, чтобы соответствовать, поймают больше мошенничества, потратят меньше на это и будут намного лучше позиционированы, когда регуляторы придут спрашивать, как были приняты решения. Аналитики, которые проверяли рутинные документы, заслуживают работать над делами, которые действительно требуют их.