چرا این موضوع ناگهان به یک مشکل واقعی تبدیل شد
چهارده ماه پیش، تقریباً هیچیک از رسیدهای جعلی شناساییشده توسط سیستمهای تشخیص تقلب در هزینهها با هوش مصنوعی تولید نشده بودند. تا اواسط مه 2026، آنها اکثریت را تشکیل میدادند.
این یافته از AppZen است، شرکتی در زمینه اتوماسیون مالی که ارسالهای هزینه شرکتی را برای شناسایی تقلب بررسی میکند. در مارس 2025، رسیدهای تولیدشده با هوش مصنوعی اساساً 0% از رسیدهای جعلی شناساییشده توسط سیستمهای این شرکت را تشکیل میدادند. تا مه 2026، این رقم به 70.8% رسید. در طول 12 ماه گذشته، AppZen تعداد 1,471 رسید تولیدشده با هوش مصنوعی را که توسط 745 کارمند در 174 شرکت ارسال شده بود شناسایی کرد که معادل $148,143 هزینه ادعاشده بود.
اگر یک کسبوکار کوچک اداره میکنید و هزینههای سفر، غذا یا لوازم کارمندان را بازپرداخت میکنید، این یک مشکل انتزاعی برای شرکتهای بزرگ نیست. این یک تغییر در نحوه تقلب افراد عادی در گزارشهای هزینه است و در هر اندازهای از شرکت رخ میدهد، نه فقط در فهرست فورچون 500.
چه چیزی تغییر کرد: از یک رسید جعلی بزرگ به انبوهی از رسیدهای کوچک
پیش از آنکه ابزارهای هوش مصنوعی مولد بهطور گسترده در دسترس قرار گیرند، جعل یک رسید به تلاش قابلتوجهی نیاز داشت — معمولاً ویرایش یک قالب در نرمافزار تصویر یا دستکاری فیزیکی یک رسید واقعی. کلاهبردارانی که این زحمت را متحمل میشدند، معمولاً بهدنبال مبالغ بزرگ بودند: AppZen دریافت که رسیدهای جعلی قدیمی مبتنی بر قالب، بهطور میانگین هرکدام $182 بودند.
هوش مصنوعی این معادله اقتصادی را تغییر داد. یک مدل زبانی بزرگ یا تولیدکننده تصویر میتواند در عرض چند ثانیه و بهصورت رایگان، یک رسید رستوران قانعکننده تولید کند؛ رسیدی کامل با نام فروشندهای باورپذیر، جمعهای تفکیکشده و حتی واترمارک جعلی اسکنر. این موضوع کاملاً ساختار انگیزهها را دگرگون کرده است.
کونال ورما، مدیر ارشد فناوری AppZen، این موضوع را بهروشنی بیان کرد: «تولیدکنندههای هوش مصنوعی رایگان، فوری و بهاندازه کافی خوب هستند که بتوانند یک انسان را فریب دهند.» او افزود که هوش مصنوعی «اساساً بازی را از یک رسید جعلی بهاندازهای بزرگ که ارزش ریسک را داشته باشد، به انبوهی از رسیدهای کوچک که هیچکس زحمت بررسیشان را به خود نمیدهد، تغییر داده است.»
این ارقام این موضوع را تأیید میکنند. رسیدهای تولیدشده با هوش مصنوعی در مجموعه دادههای AppZen بهطور میانگین تنها $101 و با میانهای برابر با $32 بودند — بهمراتب کمتر از آستانههای تأیید خودکاری که بیشتر سیستمهای هزینه برای تسریع بررسی مطالبات کوچک بدون بازبینی دستی استفاده میکنند. بهجای یک شام جعلی $500 که ممکن است توجه یک تأییدکننده را جلب کند، الگوی جدید دهها مطالبه $30 تا $40 است که هرکدام بهتنهایی عادی بهنظر میرسند.
این فقط یک مشکل برای شرکتهای بزرگ نیست
مقیاس رویدادهای مجزایی که AppZen مستند کرده، چشمگیر است. در یک شرکت از فهرست فورچون 10، تعداد 142 کارمند در 22 کشور مجموعاً 340 رسید تولیدشده با هوش مصنوعی به ارزش $34,953 ارسال کردند — بیشتر از مجموع تمام 25 مشتری اروپایی AppZen. هند در حجم ارسالها پیشتاز بود، درحالیکه استرالیا بیشترین تمرکز به ازای هر رسید را نشان داد، از جمله یک کارمند مخابراتی که $12,900 را تنها در قالب 11 رسید جعلی ادعا کرده بود.
اما کسبوکارهای کوچک و متوسط نیز در معرض خطر هستند، اغلب حتی بهشکل شدیدتری، زیرا معمولاً فاقد یک تیم اختصاصی برای تشخیص تقلب هستند و به بررسی چشمی یک مدیر یا بازبینی نمونهای یک حسابدار متکیاند. در دادههای AppZen، یک خردهفروش عینک اروپایی وجود داشت که در آن یک کارمند بهتنهایی 45 رسید متقلبانه را در قالب 15 گزارش هزینه جداگانه ارسال کرده بود، پیش از آنکه کسی متوجه این الگو شود.
و این یک رفتار حاشیهای نیست. یک نظرسنجی جداگانه از 2,000 کارمند توسط شرکت مدیریت هزینه Emburse نشان داد که 40% از پاسخدهندگان آمریکایی اعتراف کردند که از هوش مصنوعی برای تولید یک رسید جعلی استفاده کردهاند. از میان آنها، 19% گفتند که یک خرید را کاملاً از ابتدا جعل کردهاند، 15% از هوش مصنوعی برای افزایش مبلغ یک هزینه واقعی استفاده کردهاند و 6% از آن برای بازسازی رسید یک خریدی استفاده کردهاند که مدارک آن را واقعاً گم کرده بودند.
نکتهای قابلتوجه: همه کسانی که از هوش مصنوعی در این زمینه استفاده میکنند، قصد سرقت پول ندارند. برخی کارمندان از آن برای بازسازی یک رسید گمشده مشروع استفاده میکنند، نه ارتکاب تقلب از صفر — نکتهای ظریف که پیش از فرض مخرب بودن هر مطالبه پرچمگذاریشده، ارزش توجه دارد. اما از منظر کنترلهای داخلی، یک سند ساختهشده با هوش مصنوعی، صرفنظر از انگیزه پشت آن، همچنان یک سند جعلی است و این فرض را که یک رسید دلیلی بر وقوع یک تراکنش است، از بین میبرد.
رسیدهای تولیدشده با هوش مصنوعی در واقع چه شکلی هستند
این رسیدهای جعلی آنقدر پیچیده شدهاند که بازرسی چشمی بهتنهایی اغلب برای شناسایی آنها کافی نیست. نمونههایی از مجموعه دادههای AppZen عبارتاند از:
- رسیدهای جعلی رستوران با واترمارکهای ساختگی اسکنر و امضاهای دستنویسنمای قانعکننده
- صورتحسابهای جعلی AT&T و Xfinity، که نشان میدهد تقلب از مطالبات یکباره غذا و سفر به سمت «هزینههای» تکرارشونده ماهانه گسترش مییابد
- جمعهای تفکیکشده و محاسبات مالیاتی که بهاندازه کافی از نظر داخلی سازگار هستند تا از یک نگاه سریع عبور کنند
رسیدهای جعلی مبتنی بر قالب — روش قدیمیتر — یک سال پیش از آن، 95% تا 100% موارد تقلب شناساییشده را تشکیل میدادند. تا مه 2026، سهم آنها به تنها 29% از کل کاهش یافت، درحالیکه رسیدهای تولیدشده با هوش مصنوعی سهم اکثریت را بهدست گرفتند. این ابزارها بهتر، ارزانتر و در دسترستر شدند و شیوههای تقلب نیز به همان نسبت تغییر کردند.
چرا این موضوع برای هر کسبوکاری اهمیت دارد، نه فقط شرکتهای بزرگ
تقلب در سفر و هزینههای شرکتی از قبل مشکلی با ابعاد قابلتوجه بوده است — یک مطالعه گستردهتر درباره میزان مواجهه با تقلب، مجموع مواجهه با تقلب در هزینه و سفر را $3.5 میلیارد برآورد کرد که تقریباً $175 میلیون از آن مشخصاً به اسناد تولیدشده با هوش مصنوعی مربوط میشد. تقلب در هزینه و سفر همچنین بهطور غیرمعمولی مبتنی بر اسناد است: تخمین زده میشود که 85% از طرحهای این دسته شامل نوعی مدارک کاغذی میشوند، به این معنا که رسیدها و فاکتورها سطح اصلی حمله هستند.
برای یک کسبوکار کوچک، میزان مواجهه متناسب با تعداد کارکنان نیست — بلکه متناسب با میزان اتکای شما به مسیرهای کاغذی (یا PDF) تأییدنشده است. اگر فرآیند تأیید هزینههای شما اینطور است که «یک کارمند رسیدی ارسال میکند و مدیری روی تأیید کلیک میکند»، شما دقیقاً همان شکاف کنترلی را دارید که این الگوی تقلب برای سوءاستفاده از آن ساخته شده است.
چگونه از کسبوکار خود محافظت کنید
برای کاهش قابلتوجه این ریسک نیازی به نرمافزار تشخیص تقلب سازمانی ندارید. چند تغییر عملی میتواند تأثیر زیادی داشته باشد:
دیگر رسیدها را بهتنهایی مدرک ندانید. یک رسید یک ادعاست، نه یک مدرک. آن را با چیزی مستقل مقایسه کنید — تراکنش واقعی کارت یا بانک، سوابق فروشنده، یک رویداد تقویمی یا برنامه سفر. اگر یک رسید ناهار $38 با هیچ تراکنش واقعی کارت در آن روز مطابقت نداشته باشد، این سیگنال شماست، نه ظاهر رسید.
آستانههای تأیید خودکار خود را بازبینی کنید. تسریع در تأیید هزینههای کوچک زیر یک آستانه دلاری برای سریع نگهداشتن بازپرداختها منطقی است، اما دقیقاً همان شکافی است که تقلب تولیدشده با هوش مصنوعی برای سوءاستفاده از آن طراحی شده است. بهجای تأیید خودکار 100% مطالبات «زیر آستانه»، نمونهگیری تصادفی از آنها را در نظر بگیرید — حتی نرخ ممیزی 10% محاسبه ریسک را برای هر کسی که به فکر تورم گزارش خود باشد، تغییر میدهد.
به یک سیگنال تشخیصی واحد متکی نباشید. برخی تیمهای مالی برای شناسایی تصاویر تولیدشده با هوش مصنوعی به فرادادههای تعبیهشده در فایل (مانند دادههای EXIF تصویر) متکی هستند. این روش شکننده است — فرادادهها بهراحتی با گرفتن اسکرینشات، تبدیل فرمت فایل یا حتی ذخیره مجدد ساده تصویر حذف میشوند. در عوض، چندین لایه بررسی اعمال کنید: آیا فروشنده وجود دارد، آیا مبلغ با یک الگوی تراکنش واقعی مطابقت دارد، آیا زمانبندی منطقی است.
به الگوها در مطالبات کوچک نیز توجه کنید، نه فقط مطالبات بزرگ. یک رسید مشکوک $30 بهتنهایی میتواند یک خطای گردکردن باشد. اما ده مورد از آن از یک کارمند در طول سه ماه، الگویی است که ارزش یک گفتوگو را دارد. نماهای تجمیعی — مرتبسازی بر اساس کارمند، فروشنده یا مبالغ رند — چیزهایی را آشکار میکنند که بررسی فردی از قلم میاندازد.
جایی که دفاتر مالی تمیز این کار را آسانتر میکنند
کسبوکارهایی که بهترین موقعیت را برای شناسایی این نوع تقلب دارند، لزوماً آنهایی نیستند که پیشرفتهترین نرمافزار تشخیص را دارند — بلکه آنهایی هستند که دادههای هزینهشان از همان ابتدا بهراحتی قابل جستوجو، مقایسه و ممیزی است. اگر دفاتر حسابداری شما در قالبی نگهداری میشود که جستوجو یا مقایسه آن با سوابق بانکی دشوار است، شناسایی الگوی مطالبات کوچک و مشکوک به یک کار طاقتفرسای دستی تبدیل میشود.
این یکی از مزیتهای کمترشناختهشده حسابداری متنساده است. Beancount.io دفتر کل شما را در قالبی نسخهکنترلشده و قابلخواندن برای انسان و اسکریپت نگه میدارد، بنابراین مقایسه یک مطالبه هزینه با تراکنش واقعی — یا نوشتن یک کوئری سریع برای پرچمگذاری هر بازپرداختی که کمی زیر آستانه تأیید شماست — بهجای یک پروژه باستانشناسی صفحهگسترده، کاری ساده است. رایگان شروع کنید و ببینید چرا توسعهدهندگان و صاحبان کسبوکار با ذهنیت مالی، به سمت حسابداری متنساده روی میآورند.