Почему ваши ручные аналитики мошенничества могут смотреть не туда

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 человеческие глаза, чтобы обнаружить фабрикованные зарплатные ведомости и измененные банковские выписки?

Ответ выходит за рамки институциональной инерции. Ручные аналитики приносят реальную ценность, и опытные рецензенты развивают узнавание образов, которое трудно воспроизвести алгоритмически. Но есть разница между тем, чтобы держать людей в процессе, и тем, чтобы держать их сосредоточенными 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 могут привнести в дело

Прежде чем сделать случай за изменение, стоит понять, что аналитики мошенничества делают особенно хорошо. Опытные аналитики мошенничества не являются простыми проверяющими коробок. Аналитик, который обработал тысячи доходных документов за годы практики, внутренне осознал сигналы, которые никакой набор правил полностью не охватывает. Человеческие аналитики также несут то, чего автоматизированные системы не могут: институциональную и регуляторную ответственность. Они понимают культуру операций своего бизнеса, регуляторные ожидания, тенденции технологий 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 фальшивые 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”: передовые модели, способные сдать экзамены на уровне магистра, которые тем не менее терпят неудачу в задачах, которые может выполнить ребенок, например, чтение аналоговых часов, преуспевают только примерно в половине случаев. ИИ может обнаружить сложные фальшивые кольца мошенничества, но пропустить базовые модели фишинга. Эта неравномерная профильная способность является аргументом в пользу вдумчивого человеческого надзора, а не статуса-кво.

Твердые пределы, которые ни один аналитик не может преодолеть

Признание того, что ручные аналитики делают хорошо, не должно затуманивать то, что они просто не могут сделать. Метаданные документа невидимы для человеческого глаза, но очень показательны для вычислительных инструментов: даты создания, история редактирования, программные сигнатуры и данные GPS, встроенные в отсканированное изображение, могут раскрыть фабрикованный документ за секунды. Человеческий рецензент никогда не увидит никаких из этих метаданных.

Данные консорциума и сети также лежат вне горизонта наблюдения аналитика. Обнаружение одного номера социального страхования, появляющегося в нескольких заявках на автокредит в течение одной недели, вычислительно тривиально и человечески невозможно в объеме. Обнаружение микро-несоответствий следует той же логике: тонкие изменения шрифта, пиксельные изменения и форматирование несоответствий в фабрикованных документах требуют вычислительного сравнения, чтобы надежно обнаружить. По мере роста объемов автокредитов ручной обзор не масштабируется. Он просто становится более дорогим.

Проблема неправильного распределения

Проблема не в том, что кредиторы используют ручных аналитиков. Это в том, что они используют их на неправильных документах и рабочих процессах. Когда учреждения проверяют вручную до половины своих доходных документов, аналитики тратят большую часть своего времени на заявки, которые ИИ мог бы очистить или автоматически 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 рецензент, работающий над длинной очередью, наименее способен его обнаружить. Высокая стоимость труда, более низкая производительность и отсутствие значительного улучшения в показателях обнаружения мошенничества не являются компромиссом, который стоит делать.

Как выглядит более умная модель

Решение не состоит в том, чтобы исключить ручной обзор. Оно состоит в том, чтобы перенаправить его. Автоматизированные инструменты должны обрабатывать объем: проверять доходные документы на известные сигналы мошенничества, аномалии метаданных и данные консорциума. Это освобождает аналитиков от сосредоточения внимания на краевых случаях, апелляциях, эскалациях и новых моделях мошенничества, которые инструменты ИИ не могут решить.

Учреждения часто упускают из виду другой слой: ИИ, отслеживающий ИИ. Автоматизированные системы должны отслеживать, как инструменты принятия решений используются и меняются ли результаты способами, которые сигнализируют о деградации модели или новых векторах мошенничества. Человеческий надзор наиболее ценен, когда он позиционируется в точках рычага, а не распределяется равномерно по каждому документу в очереди. Ясные протоколы эскалации, с определёнными порогами, которые проверяются регулярно, являются тем, что не позволяет этой модели возвращаться к привычке.

Размерность соблюдения, которую кредиторы не могут игнорировать

Регуляторы внимательно следят за тем, как принимаются решения об обнаружении мошенничества с помощью ИИ, и кто несет ответственность за них. Учреждения, которые могут документировать многоуровневый процесс проверки, ИИ-скрининг, за которым следует целевой ручной обзор по определенным критериям, будут лучше позиционированы, чем те, которые полагаются на непрозрачную автоматизацию или неразличимый ручной обзор. Система “черного ящика”, которую никто в учреждении не может объяснить, является обязательством, а не решением.

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

Правильный вопрос, который нужно задать

Наблюдение, что три четверти кредиторов все еще сильно полагаются на ручной обзор мошенничества, не является скандалом. Это может отражать здоровую интуицию, чтобы держать людей ответственными в процессе высоких ставок. Но интуиция не является стратегией. Объем ручного обзора, происходящего 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 ручной обзор, а где его использовать, сколько и на что. Кредиторы, которые ответят на этот вопрос четко и создадут рабочие процессы, соответствующие этому, поймают больше мошенничества, потратят меньше на это и будут намного лучше позиционированы, когда регуляторы будут спрашивать, как были приняты решения. Аналитики, которые проверяли рутинные документы, заслуживают работать над делами, которые действительно нуждаются в них.