Andrew Johnson, CEO ของ Yardstik – ซีรีส์สัมภาษณ์

Andrew Johnson, CEO ของ Yardstik, เป็นผู้บริหารเทคโนโลยีที่มีประสบการณ์ด้านการขยายบริษัทซอฟต์แวร์ที่เติบโตเร็ว, การสร้างองค์กร go-to-market, และการขับเคลื่อนรายได้ระดับองค์กร. เขาเข้าร่วม Yardstik ในตำแหน่ง Chief Operating Officer ในปี 2022 ก่อนได้รับการเลื่อนตำแหน่งเป็น CEO ในเดือนตุลาคม 2024. ก่อนหน้านั้น, Johnson ดำรงตำแหน่ง Chief Revenue Officer ที่ Branch, ที่ซึ่งเขาช่วยนำบริษัทการชำระเงินแรงงานผ่านช่วงเวลาการเติบโตอย่างรวดเร็ว, และทำงานที่ Dialpad มากกว่า 5 ปี, รวมถึงตำแหน่ง Head of Enterprise Sales, ที่ซึ่งเขาช่วยสร้างการดำเนินการขายในสหรัฐอเมริกาและแคนาดา. ในช่วงต้นของอาชีพ, เขาเคยดำรงตำแหน่งธุรกิจและการพัฒนาพันธมิตรที่ Compellent Technologies, ซึ่งถูก Dell เข้าซื้อประมาณ $960 million ในปี 2011.

Yardstik เป็นบริษัทเทคโนโลยีความไว้วางใจแรงงานที่ตั้งอยู่ใน Minneapolis ก่อตั้งในปี 2020 ที่ให้บริการป้องกันการฉ้อโกง, การยืนยันตัวตน, การตรวจสอบประวัติ, การตรวจสอบใบรับรอง, และการเฝ้าติดตามแรงงานอย่างต่อเนื่องผ่าน Human Trust Platform ของบริษัท. บริษัทสร้างขึ้นบนสถาปัตยกรรม API-first ที่ทำให้เทคโนโลยีของบริษัทสามารถรวมเข้ากับระบบติดตามผู้สมัคร, แพลตฟอร์มการจัดการทุนมนุษย์, ตลาดงานแบบ gig, และแอปพลิเคชันแรงงานอื่น ๆ ได้โดยตรง. Yardstik ยังสนับสนุน Model Context Protocol (MCP) ซึ่งทำให้เอเจนต์ AI สามารถเชื่อมต่อกับโครงสร้างพื้นฐานความไว้วางใจของบริษัทและอัตโนมัติขั้นตอนการทำงาน เช่น การตรวจสอบประวัติ, การยืนยันตัวตน, การตรวจสอบใบรับรอง, การตรวจสอบซ้ำ, และการตัดสินใจภายในระบบการจ้างงานและการเริ่มงานที่ขับเคลื่อนด้วย AI.

ก่อนเข้าร่วม Yardstik คุณทำงานที่ Branch มากกว่า 5 ปี ซึ่งในช่วงนั้นคุณได้เห็นวงจรการฉ้อโกงที่ใช้หมายเลขประกันสังคมที่ถูกขโมยเพื่อรับงานภายใต้เอกลักษณ์ของคนอื่นโดยตรง ประสบการณ์นี้เปลี่ยนวิธีที่คุณมองการตรวจสอบประวัติอย่างไร และคุณตระหนักว่า การยืนยันตัวตนต้องขยายออกไปไกลกว่าการตรวจสอบครั้งเดียวในขั้นตอนการจ้างงานเมื่อใด?

เมื่อฉันอยู่ที่ Branch, ลูกค้ารายใหญ่คนหนึ่งของเราได้รับผลกระทบจากวงจรการฉ้อโกงจากเวเนซุเอลา, สิ่งที่แพลตฟอร์ม gig มักเผชิญ. พวกเขาขโมยหมายเลข Social Security ของชาวอเมริกันและขายให้กับคนที่ไม่มีสถานะทำงานในสหรัฐ. คนหนึ่งจะสมัครโดยใช้ตัวตนที่ถูกขโมย, เริ่มทำการส่งของ, และทุกอย่างดูดีจนถึงช่วงฤดูภาษี, เมื่อผู้ถือหมายเลข SSN จริงได้รับใบแจ้งหนี้ 1099 สำหรับงานที่เขาไม่เคยทำ. นั่นเป็นครั้งแรกที่ฉันได้เห็นการฉ้อโกงปรากฏขึ้นหลังการตัดสินใจจ้างงาน แทนที่จะเกิดขึ้นระหว่างกระบวนการ.

นั่นคือช่วงเวลาที่ทำให้มุมมองของฉันเปลี่ยนไปอย่างสิ้นเชิง. ฉันตระหนักว่าบ่อยแค่ไหนคนที่ผ่านการตรวจสอบประวัติก็ไม่ใช่คนที่มาปฏิบัติงานจริง. ตัวอย่างเช่น, คนที่มีประวัติดีผ่านการตรวจสอบ, แล้วสมาชิกในครอบครัวที่ไม่สามารถผ่านได้มาทำงานแทน. การตรวจสอบประวัติไม่มีวิธีใดจะจับได้, เพราะมันตรวจสอบเฉพาะผู้สมัครบนกระดาษ, ครั้งเดียว, ตั้งแต่ต้น. เมื่อฉันเข้าร่วม Yardstik, ฉันได้นำสิ่งที่เรียนรู้จากประสบการณ์ที่ Branch มาร่วมกับทีมเพื่อสร้างวิธีการเฝ้าติดตามอย่างต่อเนื่องสำหรับลูกค้าของเรา.

AI สร้างสรรค์ได้ลดอุปสรรคในการสร้างอัตลักษณ์ปลอม ใบรับรองปลอม โปรไฟล์สังเคราะห์ และแม้กระทั่งดีพเฟคที่น่าเชื่อถืออย่างมากอย่างไร เทคนิคการฉ้อโกงที่ใช้ AI ที่กำลังพัฒนาเร็วที่สุดในวันนี้คืออะไร และคุณคิดว่าผู้จ้างงานเตรียมพร้อมต่อเทคนิคใดน้อยที่สุด?

การฉ้อโกงที่เคลื่อนที่เร็วที่สุดในขณะนี้ไม่ได้เป็นวิดีโอ deepfake ที่แวววาว. มันคือเอกลักษณ์สังเคราะห์: หมายเลข Social Security ที่แท้จริงผสมกับชื่อปลอมและประวัติงานที่สร้างขึ้น, ถักทอเป็นสิ่งที่ดูสะอาดเมื่อตรวจสอบครั้งแรก. เพิ่มเครื่องมือ AI ที่สร้างเรซูเม่ที่เรียบหรูและชุดใบรับรองที่ตรงกัน, แล้วคุณก็ได้ผู้สมัคร.

สิ่งที่ผู้จ้างงานเตรียมพร้อมน้อยที่สุดคือการจ้างงานแบบระยะไกลที่ไม่เคยพบเจอแบบตัวต่อตัว. แพลตฟอร์ม gig, งาน IT ระยะไกล, ศูนย์บริการลูกค้าเสมือน. หากไม่มีใครในบริษัทเคยเห็นบุคคลนี้, สัญญาณทั้งหมดที่เคยใช้จับผู้ฉ้อโกง (การสัมภาษณ์ที่ตื่นตระหนก, บัตรประจำตัวที่ดูแปลกเล็กน้อยเมื่อเจอหน้า) จะหายไป. นั่นคือที่ที่วงจรการฉ้อโกงการจ้างงานระยะไกลทำงานอยู่และหลายบริษัทยังมองว่าเป็นปัญหาของคนอื่นจนกว่าจะเกิดกับตนเอง.

Yardstik ได้เปลี่ยนจากการตรวจสอบประวัติแบบดั้งเดิมไปสู่แพลตฟอร์มที่กว้างขวางรวมการป้องกันการฉ้อโกงด้วย AI การยืนยันตัวตน การตรวจสอบใบรับรอง และการเฝ้าติดตามอย่างต่อเนื่อง AI มีบทบาทอย่างไรในการเชื่อมสัญญาณเหล่านั้น และระบบสามารถตรวจจับอะไรได้บ้างที่การตรวจสอบประวัติแบบดั้งเดิมไม่สามารถทำได้?

Yardstik เริ่มต้นเป็นบริษัทตรวจสอบประวัติ, และสำหรับลูกค้าส่วนใหญ่ นั่นยังคงเป็นส่วนพื้นฐานของสิ่งที่เราทำ. แต่การตรวจสอบประวัติคือการทำธุรกรรมครั้งเดียว: ดำเนินการ, รับคำตอบ, แล้วทิ้งข้อมูล. สิ่งที่เชื่อมการป้องกันการฉ้อโกง, การยืนยันตัวตน, การตรวจสอบใบรับรองและการเฝ้าติดตามให้เป็นหนึ่งเดียวคือเราไม่ทิ้งข้อมูลนั้น. เราเก็บโปรไฟล์ของผู้สมัครไว้ตามเวลา, และการตรวจสอบใหม่แต่ละครั้งจะเพิ่มเข้าไปแทนที่จะเริ่มจากศูนย์.

นั่นคือสิ่งที่ทำให้เราสามารถจับสิ่งที่การตรวจสอบครั้งเดียวไม่สามารถทำได้. ตัวอย่างเช่น, ลูกค้าหนึ่งของเรามีผู้ฉ้อโกงพยายามเข้าถึงบัญชีตัวแทนที่มีการเข้าถึงข้อมูลภาษีของลูกค้าอย่างต่อเนื่อง. เนื่องจากเราสามารถเห็นอุปกรณ์เดียวกัน, หรือเอกลักษณ์ที่ถูกปรับเปลี่ยนเล็กน้อย, ปรากฏในหลายความพยายาม, เราจึงสามารถหยุดได้ก่อนที่มันจะกลายเป็นการตัดสินใจในการคัดกรอง. การตรวจสอบครั้งเดียวจะมองแต่ละใบสมัครแยกจากกันและผ่านทุกใบสมัครนั้น.

Yardstik ใช้สัญญาณต่าง ๆ เช่น ข้อมูลประจำตัวส่วนบุคคล, กิจกรรมการชำระเงิน, และตัวบ่งชี้อุปกรณ์หรือสถานที่ เพื่อเปิดเผยการหลอกลวงตัวตนที่อาจเกิดขึ้น คุณแยกพฤติกรรมที่น่าสงสัยจริง ๆ จากพฤติกรรมที่แปลกแต่ถูกต้องได้อย่างไร โดยเฉพาะเมื่อโมเดล AI เริ่มรับผิดชอบการประเมินรูปแบบที่ซับซ้อนมากขึ้น?

เราไม่ได้พยายามวางเส้นแบ่งที่ชัดเจนระหว่างสิ่งที่น่าสงสัยกับสิ่งที่แปลก เพราะส่วนใหญ่แล้วในขณะที่เรามองเห็นมันไม่มีเส้นแบ่งที่ชัดเจน สิ่งที่เราทำคือแสดงความแตกต่าง หากใบสมัครของคนหนึ่งระบุโรงเรียนหนึ่ง แล้วปีต่อมามีใบสมัครใหม่ภายใต้ตัวตนเดียวกันที่ระบุโรงเรียนอื่น นั่นคุ้มค่าที่จะตรวจสอบอีกครั้ง หากคนหนึ่งเคยสมัครจาก iPhone เสมอแล้วปรากฏบน Android พร้อมที่อยู่ IP ใหม่ ก็เช่นเดียวกัน ทั้งสองกรณีไม่ได้หมายความว่ามีการฉ้อโกงโดยตรง แต่เมื่อสัญญาณหลายอย่างรวมกันจะทำให้ระดับความเสี่ยงเพิ่มขึ้น เราเป็นชั้นที่ทำเครื่องหมายว่ามีอะไรเปลี่ยนแปลงตั้งแต่ครั้งสุดท้ายที่เราเห็นและให้ข้อมูลเพิ่มเติมแก่นายจ้างเพื่อช่วยให้พวกเขาตัดสินใจอย่างมีข้อมูล

Yardstik กล่าวว่าโดยประมาณหนึ่งใน 30 ใบสมัครล้มเหลวในการตรวจสอบเอกสารประจำตัวของรัฐบาล ในขณะที่หมายเลขประกันสังคมที่ถูกทำเครื่องหมายหรือซ้ำซ้อนจะถูกบล็อกทุกวัน คุณได้เรียนรู้อะไรจากข้อมูลนั้นเกี่ยวกับการพัฒนาของการฉ้อโกงแรงงาน และเท่าไหร่ที่คุณพบว่ามีลักษณะเป็นการจัดระเบียบมากกว่าการฉ้อโกงแบบโอกาส?

ข้อมูลนั้นบอกเราว่าการฉ้อโกงตัวตนในการจ้างงานไม่ได้เป็นปัญหาแคบอีกต่อไป มันกลายเป็นค่าใช้จ่ายพื้นฐานของการทำธุรกิจในระดับที่แท้จริง เช่นเดียวกับการเรียกคืนเงินที่เป็นพื้นฐานในระบบการชำระเงิน ส่วนที่มีนัยสำคัญของมันดูเหมือนจะเป็นการจัดระเบียบมากกว่าการฉ้อโกงแบบโอกาส การฉ้อโกงแบบโอกาสมักเป็นเหตุการณ์ครั้งเดียว: ใครสักคนเติมข้อมูลในประวัติย่อ หรือปรับเปลี่ยนวันที่สำเร็จการศึกษา การฉ้อโกงแบบจัดระเบียบแสดงรูปแบบเดียวกัน เช่น อุปกรณ์เดียวกันหรือข้อมูลตัวตนที่คล้ายกันพยายามสมัครงานประเภทเดียวกันกับนายจ้างต่าง ๆ โดยบางครั้งเปลี่ยนรายละเอียดเล็กน้อยเพื่อดูว่าอะไรจะผ่าน นั่นคือเวอร์ชันที่ฉันเห็นหลายปีที่แล้วเมื่อหมายเลขประกันสังคมที่ถูกขโมยถูกขายต่อ และเป็นเวอร์ชันที่ฉันยังคงเห็นอยู่วันนี้ เพียงแต่ตอนนี้เป็นอัตโนมัติและทำงานในปริมาณที่สูงกว่ามาก เพราะเครื่องมือสร้างสรรค์ทำให้การสร้างตัวตนปลอมมีต้นทุนต่ำลง

การตรวจสอบตัวตนกำลังรวมเอกสารประจำตัวของรัฐบาล, ไบโอเมตริก, การตรวจสอบความมีชีวิต, สัญญาณอุปกรณ์, และตัวบ่งชี้ความเสี่ยงอื่น ๆ มากขึ้น เมื่อโมเดลสร้างสรรค์มีความสามารถในการสร้างเอกสาร, ใบหน้า, และเสียงที่สมจริงมากขึ้น สัญญาณใดที่คุณเชื่อว่าจะยังคงเป็นสิ่งที่ผู้โจมตีทำได้ยากที่สุด?

สิ่งใดก็ตามที่คุณสามารถสร้างเป็นชิ้นงานเดียว เช่น ภาพถ่าย, เอกสาร, หรือวิดีโอสั้น ๆ จะยิ่งง่ายขึ้นเรื่อย ๆ ในการทำให้ดูสมจริง สิ่งที่ยังคงยากต่อการปลอมคือความสอดคล้องตลอดเวลาและในหลายสถานที่ที่ไม่มีใครควบคุมร่วมกัน ตัวตนสังเคราะห์อาจผ่านการตรวจสอบความมีชีวิตหนึ่งครั้งด้วยการทำ deepfake ที่ดีพอ แต่การที่ตัวตนนั้นยังต้องมีประวัติอุปกรณ์ที่ตรงกัน, รูปแบบตำแหน่งที่สอดคล้อง, และประวัติการทำงานที่สอดคล้องกับคนจริง ๆ ผ่านนายจ้างและหลายปีนั้นยากกว่ามาก นั่นคือเหตุผลที่เรานำการตรวจสอบต่อเนื่องมาใช้แทนการตรวจสอบครั้งเดียว การตรวจสอบแบบดั้งเดิมให้คุณได้ภาพถ่ายหนึ่งภาพหนึ่งเฟรมที่ถ่ายครั้งเดียว ส่วนของเราทำงานคล้ายกับฟีดสด เพราะออกแบบมาให้สังเกตเมื่อเฟรมต่าง ๆ เริ่มไม่ตรงกัน

การตรวจสอบต่อเนื่องเป็นการเปลี่ยนแปลงครั้งใหญ่จากการตรวจสอบคนหนึ่งครั้งเป็นการประเมินความเชื่อถือทั่ววงจรชีวิตของคนทำงาน คุณออกแบบระบบแบบนี้อย่างไรโดยไม่สร้างการเฝ้าระวังที่ไม่จำเป็น, ผลบวกเท็จ, หรือการตัดสินใจที่คนทำงานไม่สามารถเข้าใจหรือท้าทายได้?

การเฝ้าระวังคือการดูคนที่ไม่รู้ว่าตนเองกำลังถูกเฝ้าดู นั่นไม่ใช่วิธีการทำงานของเรา คนทำงานทุกคนที่เราตรวจสอบได้รับความยินยอมเป็นลายลักษณ์อักษร พวกเขารู้ว่ามีการตรวจสอบอะไรบ้าง และตามกฎหมายเราต้องให้สำเนาข้อมูลที่พบและวิธีการโต้แย้งหากข้อมูลนั้นผิดพลาด สิ่งเหล่านี้ไม่ใช่เรื่องเลือกได้ มันเป็น FCRA

ส่วนอื่นคือเราไม่ได้ตัดสินใจด้วยตนเอง หากมีการจับกุมปรากฏบนข้อมูลของคนที่เราตรวจสอบ นั่นเป็นสัญญาณให้นายจ้างตรวจสอบต่อ ไม่ใช่คำตัดสิน กระบวนการยุติธรรมยังคงใช้ได้ นายจ้างต้องแจ้งผู้สมัคร, ให้โอกาสตอบกลับ, แล้วจึงทำการตัดสินใจขั้นสุดท้าย งานของเราหยุดที่การแสดงให้เห็นว่ามีบางอย่างเปลี่ยนแปลง; นายจ้างเป็นผู้ตัดสินว่ามันหมายความว่าอย่างไรและจะทำอย่างไรต่อไป เช่นเดียวกับการตรวจสอบเมื่อจ้างงาน เราออกแบบระบบเช่นนั้นโดยเจตนา

เมื่อการสรรหาและการจัดการแรงงานกลายเป็นอัตโนมัติมากขึ้น ขอบเขตควรตั้งอยู่ที่ไหนระหว่างเอเย่นต์ AI ที่รวบรวมและประเมินสัญญาณความเชื่อถือกับการตัดสินใจจ้างงานที่มีผลสำคัญ?

ฉันจะวางเส้นแบ่งตรงที่กฎหมายได้กำหนดไว้ให้เราในวันนี้ เราระมัดระวังไม่ให้ตัวเองเรียกว่าบริษัท AI เพราะอุตสาหกรรมของเรามีข้อกำหนดที่เข้มงวดว่าต้องมีมนุษย์อยู่ในวงจรเมื่อมีการโต้แย้งหรือการตัดสินใจที่ไม่ดี เอเย่นต์สามารถรวบรวมสัญญาณ, ให้คะแนน, ทำเครื่องหมายว่ามีการเปลี่ยนแปลง สิ่งที่มันไม่ควรทำด้วยตนเองคือการตัดสินใจว่าคนใดไม่ได้งานหรือไม่สามารถรักษางานได้ เพราะการตัดสินใจนั้นต้องเชื่อมโยงกับบุคคลที่รับผิดชอบและสามารถอธิบายได้หากถูกท้าทาย

เมื่อการจ้างงานกลายเป็นอัตโนมัติตั้งแต่ต้นจนจบ ฉันคิดว่าขอบเขตนี้จะสำคัญยิ่งขึ้น ไม่ใช่น้อยลง ยิ่งง่ายต่อการให้เอเย่นต์ทำงานทั้งหมดในช่องทางเต็ม ความล่อใจในการให้เอเย่นต์ทำการตัดสินใจในขั้นสุดท้ายก็ยิ่งมาก การรวบรวมและประเมินสัญญาณความเชื่อถือเป็นสิ่งที่ซอฟต์แวร์ควรทำได้เร็วขึ้น แต่การตัดสินใจเกี่ยวกับชีวิตของคนไม่ใช่สิ่งที่ฉันจะมอบหมายให้ใครเลย

ด้วยเงินทุนใหม่ $30 million Series B ที่ทำให้ยอดเงินระดมทุนทั้งหมดของ Yardstik เพิ่มเป็น $65 ล้าน, คุณคิดว่าพื้นที่ใดของ AI และการป้องกันการฉ้อโกงที่ควรได้รับการลงทุนมากที่สุดในตอนนี้, และปัญหาทางเทคนิคใดที่ยังต้องแก้ไขเพื่อให้การตรวจสอบตัวตนอย่างต่อเนื่องทำงานได้ในระดับที่ใหญ่ขึ้นมาก?

เรากำลังนำเงินทุนใหม่ไปใช้ในส่วนของการป้องกันการฉ้อโกงที่ไม่น่าสนใจและมีค่าใช้จ่ายสูงที่สุดในการสร้างให้ดี เช่น รายงานยานยนต์และการตรวจสอบการยกเว้นของ OIG การแจ้งเตือนอัตโนมัติทันทีเมื่อใบอนุญาต, นโยบายประกัน หรือใบรับรองหมดอายุ แทนที่จะรอรอบการต่ออายุครั้งต่อไปเพื่อสังเกต

ปัญหาทางเทคนิคที่ไม่มีใครในอุตสาหกรรมนี้แก้ได้คือค่าใช้จ่าย หลายประเทศและรัฐเรียกค่าธรรมเนียมของตนเองเพื่อดึงข้อมูลบันทึก บางครั้งอาจเกิน $100 ต่อการดึงข้อมูลหนึ่งครั้งในสถานที่เช่นนิวยอร์ก และค่าใช้จ่ายนี้ไม่ลดลงเพียงเพราะคุณต้องการตรวจสอบบ่อยขึ้น การทำให้การตรวจสอบอย่างต่อเนื่องมีราคาที่สามารถรับได้จนบริษัทที่มีพนักงานกิ๊กหลายพันคนสามารถดำเนินการได้เดือนละครั้งแทนปีละครั้ง เป็นปัญหาการจัดหาและกำหนดราคาข้อมูลเท่ากับปัญหาแมชชีนเลิร์นนิง นี่คือสิ่งที่ฉันคิดมากที่สุดในขณะนี้

มีการแข่งขันทางอาวุธที่น่าสนใจกำลังเกิดขึ้น: AI ทำให้การฉ้อโกงตัวตนง่ายขึ้นในขณะเดียวกันก็ให้แพลตฟอร์มเครื่องมือที่ดีกว่าในการตรวจจับ เมื่อทั้งสองฝ่ายพัฒนา คุณคาดว่าการพิสูจน์ว่าบุคคลเป็นคนที่เขาอ้างจะยากขึ้นอย่างมีนัยสำคัญหรือว่า AI จะทำให้ตัวตนดิจิทัลน่าเชื่อถือมากกว่าที่เคยเป็น?

ทั้งสองเป็นความจริงและฉันไม่คิดว่าหนึ่งจะลบล้างอีกหนึ่ง ลูกค้าของเรามักบอกว่า พวกเขาคาดหวังให้เราสามารถ “ต่อไฟด้วยไฟ” พวกเขารู้ว่าเราต้องการโซลูชันสมัยใหม่สำหรับปัญหาสมัยใหม่ การอ่านของฉันอย่างตรงไปตรงมาคือ ตัวตนดิจิทัลจะน่าเชื่อถือมากขึ้นสำหรับระบบที่สร้างขึ้นเพื่อติดตามบุคคลตลอดหลายปีและหลายแพลตฟอร์ม, และจะน่าเชื่อถือน้อยลงสำหรับสิ่งที่ยังพึ่งพาการตรวจสอบจุดเดียวในเวลาเดียวกัน นี้หมายความว่าธุรกิจที่ตรวจสอบเพียงครั้งเดียวเท่านั้นจะเป็นผู้ที่เสี่ยงต่อการเปิดเผย, ส่วนผู้ที่วางแผนระยะยาวจะดูฉลาดกว่ามากในมุมมองย้อนหลังแม้อาจยังไม่รู้สึกเช่นนั้นในวันนี้

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรไปที่ Yardstik.