Andrew Johnson，Yardstik 首席执行官 – 访谈系列

Andrew Johnson，Yardstik 首席执行官，是一位拥有高增长软件公司规模扩张、打造市场进入组织以及推动企业收入经验的技术高管。他于 2022 年加入 Yardstik 担任首席运营官，随后于 2024 年 10 月升任首席执行官。此前，Johnson 曾在 Branch 担任首席收入官，帮助该劳动力支付公司在快速增长阶段实现引导，并在 Dialpad 工作超过五年，期间担任企业销售主管，帮助构建其美国和加拿大的销售业务。早期职业生涯中，他在 Compellent Technologies 担任业务和合作伙伴发展职务，该公司于 2011 年被 Dell 以约 $960 million 收购。

Yardstik 是一家总部位于明尼阿波利斯的劳动力信任技术公司，成立于 2020 年，通过其 Human Trust Platform 提供欺诈防护、身份验证、背景筛查、凭证验证以及持续的劳动力监控。公司基于 API 优先的架构构建，使其技术能够直接集成到申请人跟踪系统、人力资本管理平台、零工市场及其他劳动力应用中。Yardstik 还支持模型上下文协议（Model Context Protocol，MCP），使 AI 代理能够连接其信任基础设施，并在 AI 驱动的招聘和入职系统中自动化工作流，如背景检查、身份验证、凭证筛查、重新筛查以及裁决。

在加入 Yardstik 之前，您在 Branch 工作了超过五年，亲眼目睹了一个使用被盗社会安全号码以他人身份获取工作的欺诈团伙。这个经历如何改变了您对背景筛查的看法？您何时意识到身份验证需要超越招聘时的一次性检查？

我在 Branch 时，我们最大的客户之一遭到来自委内瑞拉的欺诈团伙攻击，这在零工平台中相当常见。他们窃取美国人的社会安全号码并将其出售给没有在美国工作资格的人。有人会使用被盗身份申请并开始送货，一切看似正常，直到税季时，真实的社会安全号码持有人收到了一张他们根本没有从事工作的 1099 税单。这是我第一次看到欺诈出现在招聘决定的后期，而不是在招聘过程中。

那一刻真正让我重新审视了整个问题。我意识到通过背景检查的人往往并非实际到岗的那个人。例如，某位记录清白的应聘者完成了筛查，但随后一位无法通过检查的家庭成员却去上班。背景检查无法捕捉到这种情况，因为它只在最初对纸面上的申请人进行一次性审查。等我加入 Yardstik 时，我把在 Branch 学到的经验带了过来，并与团队合作为我们的客户构建了持续监控方案。

生成式 AI 大幅降低了伪造身份、伪造凭证、合成个人资料乃至逼真深度伪造的门槛。今天哪些基于 AI 的欺诈技术发展最快，您认为雇主最未做好准备的又是哪些？

目前发展最快的欺诈并非炫目的深度伪造视频，而是合成身份：将真实的社会安全号码与虚假的姓名和编造的工作经历相结合，拼凑出在首次检查时看似干净的资料。再加上能够生成精美简历和相匹配凭证的 AI 工具，就形成了一个申请者。

雇主最缺乏准备的情况是远程、从未见面的雇佣。零工平台、远程 IT 岗位、虚拟呼叫中心等。如果公司内部从未见过此人，以前能够捕捉欺诈者的信号（如紧张的面试、现场略显异常的身份证件）就会消失。这正是远程招聘欺诈团伙活跃的领域，而大多数公司仍把它视为别人的问题，直到自身受到影响。

Yardstik 已从传统的背景筛查转向一个融合 AI 欺诈防护、身份验证、凭证验证和持续监控的更广泛平台。AI 在连接这些信号中扮演何种角色？系统能够检测到传统背景检查无法发现的哪些内容？

Yardstik 起初是一家背景筛查公司，对大多数客户而言，这仍是我们业务的基础环节。但背景检查是一笔单次交易：执行、得到答案、随后丢弃数据。将欺诈防护、身份验证、凭证检查和监控连接在一起的关键在于我们不会丢弃数据。我们会随时间为候选人保留档案，每一次新的检查都会在此基础上累加，而不是从零开始。

正是这一点让我们能够捕捉到一次性检查永远无法发现的情况。例如，我们的一位客户的代理账户屡次遭到欺诈者尝试侵入，这些账户拥有客户税务数据的访问权限。由于我们能够看到相同的设备或略有变化的身份在多次尝试中出现，便能在其成为筛查决定之前将其阻止。一次性检查只能孤立地审视每个申请，结果会全部通过。

Yardstik 使用个人身份数据、支付活动以及设备或位置指示等信号来发现潜在的身份欺骗。随着 AI 模型承担评估日益复杂的模式的责任，您如何将真正可疑的行为与异常但合法的行为区分开来？

我们并不试图在可疑与异常之间划出硬性界限，因为大多数情况下我们在看到时并不存在明确的界限。我们做的是呈现差异。如果某人的申请显示一所学校，而一年后同一身份的新的申请显示另一所学校，这就值得再审查。如果某人一直使用 iPhone 申请，却在 Android 上出现并伴随新的 IP 地址，同样如此。单独来看，这些都不意味着欺诈，但多种信号叠加就会提升风险画像。我们是标记自上次看到该用户后发生变化的那一层，并为雇主提供更多数据，帮助他们做出明智决策。

Yardstik 表示大约每 30 位申请者中就有 1 位未通过政府身份证验证，而每日被拦截的标记或重复的社会安全号码数量也在不断增加。您从这些数据中了解到劳动力欺诈的演变趋势如何？其中有多少是有组织的而非偶发的？

这些数据表明，招聘中的身份欺诈已不再是边缘问题。它已成为任何大规模业务的基线成本，就像支付领域的拒付一样。相当大的一部分呈现出有组织的特征，而非偶发。偶发欺诈往往是一锤子买卖：有人在简历上添油加醋，或篡改毕业日期。组织化欺诈则表现出模式——相同的设备或几乎相同的身份在不同雇主之间尝试相同类型的工作，有时一次只更改一个细节，以观察哪些能通过。这是我多年前看到的被盗社会安全号码被转售的情形，如今仍在出现，只是现在已实现自动化，并且由于生成式工具让伪造身份的成本更低，规模也大幅提升。

身份验证正日益融合政府身份证件、生物特征、活体检测、设备信号以及其他风险指示。随着生成模型在制作逼真文件、面孔和声音方面的能力提升，您认为哪些信号仍将是攻击者最难伪造的？

任何可以作为单一产物生成的东西——照片、文件，甚至短视频——都在变得越来越容易逼真伪造。仍然难以伪造的是跨时间、跨地点的一致性，而这些地点往往不受同一方控制。合成身份可以通过一次活体检测，只要深度伪造足够好。但要让同一身份同时拥有匹配的设备历史、匹配的位置模式以及与实际人物在雇主和年份上相符的工作历史，则要困难得多。这正是持续监控相较于单次验证的核心逻辑。传统检查只能给你一次拍摄的照片或单帧画面。而我们的系统更像是实时视频流，因为它旨在发现各帧之间不再匹配的情况。

持续监控代表了从一次性验证到在整个员工生命周期中评估信任的重大转变。您如何设计这样的系统，避免产生不必要的监视、误报，或让员工难以理解或挑战的决策？

监视是指在被监视者不知情的情况下进行观察。这并非我们的做法。我们监控的每位员工都已签署书面同意书，他们清楚知道被检查的内容，并且法律要求我们向他们提供任何发现的副本以及在错误时的争议渠道。这些都不是可选的，而是《公平信用报告法》（FCRA）的规定。

另一点是我们并不自行作出决定。如果在我们监控的对象中出现逮捕记录，这只是给雇主的一个提示，而非裁决。正当程序仍然适用。雇主必须通知候选人，给予其回应的机会，然后再作出最终决定。我们的工作止于呈现出有变化的事实；雇主决定其含义以及后续处理方式，就像他们在招聘时对检查结果的处理一样。我们有意如此设计。

随着招聘和劳动力管理日益具备代理性，AI 代理在收集和评估信任信号与实际做出关键招聘决定之间的边界应当设在哪里？

我会把界线设在法律已经为我们划定的地方。我们谨慎地不自称为 AI 公司，因为我们的行业对任何涉及争议或不利决定的环节都有硬性要求，必须有人类参与。代理可以收集信号、对其打分、标记变化。但它不应自行决定某人是否获得职位或保留职位，因为此类决定必须由负有责任并能在被质疑时解释的个人来承担。

随着招聘流程实现端到端的自动化，我认为这条边界会变得更加重要，而非不重要。让代理全程运行整个招聘漏斗越容易，越会诱使人们让它在最后一步也做出决定。收集和评估信任信号正是软件应当更快完成的工作。决定一个人的生计则绝不是我会交付的任务。

随着新的 $30 million Series B 将Yardstik的总融资提升至6,500万美元，您认为现在哪些AI和欺诈防护领域最值得投入最大资金，且为了让持续身份验证在更大规模下运行，还需要解决哪些技术难题？

我们将新资本投入到欺诈防护中最不显眼且最昂贵的环节。机动车报告和OIG排除监控。自动警报在执照、保险单或证书失效的瞬间触发，而不是等到下一个续期周期才发现。

该行业尚未解决的技术难题是成本。许多国家和州对查询记录收取费用，有时在纽约等地单次查询费用超过100美元，而仅仅因为你想更频繁地检查某人，这一费用并不会下降。让持续验证的成本足够低，以至于拥有数千名零工的公司能够每月而不是每年进行一次验证，这既是数据获取和定价问题，也是机器学习问题。这是我目前最常思考的。

出现了一场有趣的军备竞赛：AI既让身份欺诈变得更容易，又为平台提供了更好的检测工具。随着双方不断提升，您是否预期证明某人真实身份会变得显著更困难，抑或AI最终会让数字身份比以往任何时候都更可信？

两者皆真，我并不认为其中一方会抵消另一方。我们的客户常说他们期望我们能够“以火攻火”。他们明白我们需要以现代方案应对现代问题。我的诚实判断是，数字身份在那些用于多年跨平台追踪个人的系统中会变得更可信，而在仍依赖单次即时检查的场景下则会变得不那么可信。这意味着仅进行一次验证的企业将面临更大风险，而那些着眼长远构建的企业事后看来会显得更为聪明，尽管他们今天可能并未如此感受。

感谢这次精彩的访谈，想了解更多的读者请访问 Yardstik。