ทำไมนักวิเคราะห์ฝ่ายจัดการการฉ้อโกงของคุณอาจกำลังดูที่สิ่งที่ไม่ถูกต้อง

จากผลสำรวจในอุตสาหกรรมเมื่อไม่นานมานี้ สถาบันการเงินเกือบสามในสี่ยังคงตรวจสอบเอกสารรายได้ส่วนสำคัญด้วยตนเองเพื่อค้นหาการฉ้อโกง โดยหลายแห่งตรวจเอกสารที่ส่งเข้ามามากถึงครึ่งหนึ่งด้วยคน เมื่อมีโมเดล AI ทรงพลังที่ตัดสินใจโดยอัตโนมัติอย่างซับซ้อนได้แล้ว เหตุใดผู้ให้กู้จำนวนมากจึงยังต้องอาศัยสายตามนุษย์ในการจับสลิปเงินเดือนปลอมและรายการเดินบัญชีที่ถูกแก้ไข?

คำตอบไม่ได้มีเพียงความเฉื่อยขององค์กร นักวิเคราะห์ที่ทำงานด้วยตนเองมอบคุณค่าที่แท้จริง และผู้ตรวจสอบที่มีประสบการณ์จะพัฒนาทักษะการจดจำรูปแบบซึ่งทำซ้ำด้วยอัลกอริทึมได้ยาก แต่การให้มนุษย์อยู่ในกระบวนการนั้นแตกต่างจากการให้พวกเขามุ่งทำงานที่ต้องใช้วิจารณญาณของมนุษย์โดยเฉพาะ ผู้ให้กู้จำนวนมากยังแยกสองเรื่องนี้ไม่ชัดเจนพอ และผลที่ตามมาปรากฏในอัตราการฉ้อโกง ต้นทุนแรงงาน และความเสี่ยงต่อการฉ้อโกงประเภทที่ตรวจจับได้ยากที่สุด

สิ่งที่นักวิเคราะห์ผู้มีประสบการณ์นำมาสู่กระบวนการจริง ๆ

ก่อนจะเสนอให้เปลี่ยนแปลง เราควรเข้าใจก่อนว่านักวิเคราะห์การฉ้อโกงทำอะไรได้ดีเป็นพิเศษ นักวิเคราะห์ที่มีประสบการณ์ไม่ใช่เพียงผู้ทำเครื่องหมายในช่อง ผู้ที่ประมวลผลเอกสารรายได้มาหลายพันฉบับตลอดหลายปีจะซึมซับสัญญาณที่กฎชุดใดก็ครอบคลุมได้ไม่หมด นักวิเคราะห์มนุษย์ยังมีสิ่งที่ระบบอัตโนมัติไม่มี นั่นคือความรับผิดชอบต่อองค์กรและหน่วยงานกำกับดูแล พวกเขาเข้าใจวัฒนธรรมการปฏิบัติงานของธุรกิจ ความคาดหวังด้านกฎระเบียบ แนวโน้มเทคโนโลยี และข้อสังเกตจากสามัญสำนึกที่เกิดจากการใช้ชีวิตและมีปฏิสัมพันธ์กับโลกจริง นักวิเคราะห์ยังค้นพบความผิดปกติที่อยู่นอกข้อมูลฝึกของโมเดลได้ โดยเฉพาะเมื่อขบวนการฉ้อโกงใช้วิธีการใหม่อย่างแท้จริง

ที่น่าสนใจคือข้อจำกัดของ AI เองยิ่งตอกย้ำว่าการกำกับดูแลโดยมนุษย์มีความสำคัญเพียงใด Stanford HAI 2026 AI Index บันทึกสิ่งที่นักวิจัยเรียกว่า “ความฉลาดแบบขรุขระ” นั่นคือโมเดลขั้นสูงสามารถสอบวิทยาศาสตร์ระดับบัณฑิตศึกษาได้ แต่กลับล้มเหลวในงานที่เด็กทำได้ เช่น การอ่านนาฬิกาเข็ม โดยสำเร็จเพียงราวครึ่งหนึ่งของเวลา AI อาจตรวจพบเครือข่ายฉ้อโกงที่ซับซ้อนได้แต่พลาดรูปแบบฟิชชิงพื้นฐาน ความสามารถที่ไม่สม่ำเสมอนี้เป็นเหตุผลให้มีการกำกับดูแลโดยมนุษย์อย่างรอบคอบ ไม่ใช่เหตุผลให้คงสภาพเดิมไว้

ขีดจำกัดที่นักวิเคราะห์คนใดก็เอาชนะไม่ได้

การยอมรับสิ่งที่นักวิเคราะห์ทำด้วยตนเองได้ดีไม่ควรบดบังสิ่งที่พวกเขาไม่สามารถทำได้ ข้อมูลเมตาของเอกสารมองไม่เห็นด้วยตาเปล่า แต่เปิดเผยข้อมูลอย่างมากต่อเครื่องมือคำนวณ ไม่ว่าจะเป็นวันที่สร้าง ประวัติการแก้ไข ลายเซ็นของซอฟต์แวร์ และข้อมูล GPS ที่ฝังอยู่ในภาพสแกน ซึ่งสามารถเปิดโปงเอกสารปลอมได้ภายในไม่กี่วินาที ผู้ตรวจสอบที่เป็นมนุษย์จะมองไม่เห็นข้อมูลเมตาเหล่านี้เลย

ข้อมูลจากกลุ่มความร่วมมือและเครือข่ายก็อยู่นอกขอบเขตการสังเกตของนักวิเคราะห์เช่นกัน การตรวจพบหมายเลขประกันสังคมหมายเลขเดียวที่ปรากฏในใบสมัครจากตัวแทนจำหน่ายหลายแห่งในสัปดาห์เดียวเป็นเรื่องง่ายสำหรับคอมพิวเตอร์ แต่เป็นไปไม่ได้สำหรับมนุษย์เมื่อมีปริมาณมาก การตรวจจับความไม่สอดคล้องระดับจิ๋วใช้หลักเดียวกัน การเปลี่ยนแบบอักษรเล็กน้อย การแก้ไขระดับพิกเซล และรูปแบบที่ผิดปกติในเอกสารปลอมต้องอาศัยการเปรียบเทียบด้วยคอมพิวเตอร์จึงจะพบได้อย่างน่าเชื่อถือ เมื่อปริมาณสินเชื่อรถยนต์เพิ่มขึ้น การตรวจสอบด้วยคนไม่สามารถขยายตามได้ มีแต่จะแพงขึ้น

ปัญหาการจัดสรรงานผิดจุด

ปัญหาไม่ใช่การที่ผู้ให้กู้ใช้นักวิเคราะห์ที่ทำงานด้วยตนเอง แต่คือการใช้พวกเขากับเอกสารและขั้นตอนงานที่ไม่เหมาะสม เมื่อสถาบันตรวจเอกสารรายได้ด้วยคนมากถึงครึ่งหนึ่ง นักวิเคราะห์ย่อมใช้เวลาส่วนใหญ่กับเอกสารที่ AI สามารถอนุมัติหรือแจ้งเตือนได้โดยอัตโนมัติ เอกสารที่ต้องใช้สายตาของมนุษย์ซึ่งผ่านการฝึกฝนจริง ๆ มีเพียงส่วนน้อยของทั้งหมด

ผลที่ตามมาคาดเดาได้ นักวิเคราะห์เหนื่อยล้าและความเฉียบคมลดลงในจังหวะที่พบกรณีซับซ้อนและมีความเสี่ยงสูงซึ่งต้องใช้ความเชี่ยวชาญของพวกเขาจริง ๆ การฉ้อโกงที่ยากที่สุดซ่อนอยู่ตรงจุดที่ผู้ตรวจสอบซึ่งเหนื่อยจากคิวยาวมีความพร้อมน้อยที่สุดที่จะพบ ต้นทุนแรงงานสูง ปริมาณงานที่ทำได้ลดลง และอัตราการตรวจจับการฉ้อโกงไม่ดีขึ้นอย่างมีนัยสำคัญ ไม่ใช่การแลกเปลี่ยนที่คุ้มค่า

แบบจำลองที่ชาญฉลาดกว่ามีลักษณะอย่างไร

ทางออกไม่ใช่การกำจัดการตรวจสอบด้วยคน แต่คือการจัดสรรใหม่ เครื่องมืออัตโนมัติควรรับมือกับปริมาณงาน โดยคัดกรองเอกสารรายได้เพื่อหาสัญญาณการฉ้อโกงที่รู้จัก ความผิดปกติของข้อมูลเมตา และการตรงกับข้อมูลเครือข่าย วิธีนี้ทำให้นักวิเคราะห์มีเวลามุ่งไปที่กรณีชายขอบ การอุทธรณ์ การยกระดับปัญหา และรูปแบบฉ้อโกงใหม่ที่เครื่องมือ AI ไม่เหมาะจะตัดสิน

สถาบันมักมองข้ามอีกชั้นหนึ่ง คือการใช้ AI ตรวจสอบ AI ระบบอัตโนมัติควรติดตามว่าเครื่องมือตัดสินใจถูกใช้อย่างไร และผลลัพธ์กำลังเบี่ยงเบนในลักษณะที่บ่งชี้ถึงการเสื่อมของโมเดลหรือช่องทางฉ้อโกงใหม่หรือไม่ การกำกับดูแลโดยมนุษย์มีค่าที่สุดเมื่ออยู่ตรงจุดที่สร้างแรงส่ง ไม่ใช่กระจายเท่ากันในเอกสารทุกฉบับในคิว ระเบียบการยกระดับที่ชัดเจน พร้อมเกณฑ์ที่กำหนดและตรวจสอบเป็นประจำ คือสิ่งที่ป้องกันไม่ให้แบบจำลองนี้กลับไปทำตามความเคยชิน

มิติด้านการปฏิบัติตามกฎระเบียบที่ผู้ให้กู้มองข้ามไม่ได้

หน่วยงานกำกับดูแลให้ความสนใจมากขึ้นว่าการตัดสินใจตรวจจับการฉ้อโกงที่มี AI ช่วยนั้นเกิดขึ้นอย่างไรและใครเป็นผู้รับผิดชอบ สถาบันที่บันทึกกระบวนการตรวจสอบแบบเป็นชั้นได้ โดยให้ AI คัดกรองก่อนและตามด้วยการตรวจสอบโดยมนุษย์ตามเกณฑ์ที่กำหนด จะอยู่ในสถานะที่ดีกว่าสถาบันซึ่งพึ่งพาระบบอัตโนมัติที่ไม่โปร่งใสหรือการตรวจสอบด้วยคนแบบไม่แยกแยะ ระบบกล่องดำที่ไม่มีใครในสถาบันอธิบายได้คือภาระ ไม่ใช่ทางออก

เจ้าหน้าที่กำกับดูแลการปฏิบัติตามกฎต้องใกล้ชิดกับเทคโนโลยีมากพอที่จะเข้าใจว่า AI กำลังทำอะไรจริง ๆ ไม่ใช่เพียงลงนามรับรองระบบที่ไม่เคยประเมิน นั่นต้องอาศัยการลงทุนด้านการฝึกอบรม ความโปร่งใสจากผู้ขาย และงานตรวจสอบต่อเนื่องที่ทำให้วิจารณญาณของมนุษย์เชื่อมโยงกับผลลัพธ์อัตโนมัติอย่างมีความหมาย

คำถามที่ถูกต้องซึ่งควรถาม

ข้อสังเกตที่ว่าผู้ให้กู้สามในสี่ยังคงพึ่งพาการตรวจสอบการฉ้อโกงด้วยคนอย่างมากไม่ใช่เรื่องอื้อฉาว มันอาจสะท้อนสัญชาตญาณที่ถูกต้องในการให้มนุษย์รับผิดชอบในกระบวนการที่มีความเสี่ยงสูง แต่สัญชาตญาณไม่ใช่กลยุทธ์ ปริมาณการตรวจสอบด้วยคนที่เกิดขึ้นทั่วทั้งอุตสาหกรรมไม่ได้สะท้อนการตัดสินใจอย่างตั้งใจว่าจุดใดที่วิจารณญาณของมนุษย์เพิ่มคุณค่าได้มากที่สุด มันสะท้อนเพียงความเคยชิน

ทุกสถาบันในพื้นที่นี้ควรถาม ไม่ใช่ว่าจะใช้การตรวจสอบด้วยคนหรือไม่ แต่ควรใช้ที่ไหน มากเพียงใด และกับเรื่องใด ผู้ให้กู้ที่ตอบคำถามนี้ได้ชัดเจนและสร้างขั้นตอนงานให้สอดคล้องกัน จะจับการฉ้อโกงได้มากขึ้น ใช้จ่ายน้อยลง และพร้อมกว่ามากเมื่อหน่วยงานกำกับดูแลถามว่าการตัดสินใจเกิดขึ้นอย่างไร นักวิเคราะห์ที่เคยตรวจเอกสารประจำวันสมควรได้ทำงานกับกรณีที่ต้องการพวกเขาจริง ๆ