چهارده ماه پیش، رسیدهای جعلی که توسط سیستمهای شناسایی کلاهبرداری هزینهها علامتگذاری میشدند، تقریباً بهطور کامل کمتکنولوژی بودند: قالبهای فتوکپی شده، رسیدهای خریداریشده از وبسایتهای مشکوک، یا رقمی که بهطرز ناشیانهای در نرمافزار ویرایش تصویر دستکاری شده بود. تا اواسط مه ۲۰۲۶، این وضعیت کاملاً معکوس شد. رسیدهای تولیدشده با هوش مصنوعی — تصاویر مصنوعی که در چند ثانیه با یک فرمان متنی ایجاد میشوند — از ۰٪ از رسیدهای جعلی شناساییشده در مارس ۲۰۲۵ به ۷۰.۸٪ فقط چهارده ماه بعد افزایش یافتند، طبق پلتفرم مدیریت هزینه AppZen. در یک سال، این شرکت ۱,۴۷۱ رسید تولیدشده با هوش مصنوعی را که توسط ۷۴۵ کارمند در ۱۷۴ شرکت ارائه شده بود، شناسایی کرد که مجموعاً ۱۴۸,۱۴۳ دلار بازپرداخت ادعاشده بود.
اگر کسبوکار کوچکی دارید و فکر میکنید «ما خیلی کوچک هستیم که کسی برایمان زحمت بکشد»، دادهها خلاف این را نشان میدهند. کلاهبرداری رسید با هوش مصنوعی در چند طرح بزرگ و چشمگیر پنجرقمی متمرکز نیست — بلکه عمداً بهصورت نازک و پراکنده در هزاران ادعای کوچک پخش شده است که هر کدام بهتنهایی بهراحتی تأیید میشوند و در مجموع نادیده گرفتنشان پرهزینه است.
چرا این موج کلاهبرداری متفاوت به نظر میرسد
کلاهبرداری رسید قدیمی یک مانع سرعت داخلی داشت: ساختن یک جعلی قانعکننده نیاز به تلاش داشت، بنابراین بیشتر افرادی که تلاش میکردند یا بزرگ میرفتند (ارزش ریسک را داشت) یا اصلاً زحمت نمیکشیدند. هوش مصنوعی مولد این مانع سرعت را کاملاً حذف کرد.
«تولیدکنندههای هوش مصنوعی رایگان، فوری و به اندازه کافی خوب هستند که یک انسان را گول بزنند»، کونال ورما، مدیر فناوری AppZen، در نظراتی درباره این روند گفت. «هوش مصنوعی اساساً بازی را از یک جعلی بزرگ که ارزش ریسک را داشت به انبوهی از جعلیهای کوچک تغییر داد.»
این تغییر بهوضوح در اعداد دیده میشود. رسیدهای جعلی تولیدشده با هوش مصنوعی بهطور متوسط حدود ۱۰۱ دلار (میانه ۳۲ دلار) هستند — بهطور قابل توجهی کمتر از میانگین ۱۸۲ دلار جعلیهای قدیمی با قالب. این تصادفی نیست. بیشتر پلتفرمهای هزینه هر چیزی زیر یک آستانه دلاری مشخص را بهطور خودکار تأیید میکنند، که اغلب بین ۲۵ تا ۱۰۰ دلار است. اگر هر رسید جعلی را دقیقاً زیر آن خط نگه دارید، بدون اینکه انسانی به آن نگاه کند از تأیید عبور میکند.
چند یافته دیگر که اگر بازپرداختها را مدیریت میکنید ارزش دانستن دارند:
- نرخ اعتراف کارمندان بالاست. در یک نظرسنجی در سال ۲۰۲۶، تقریباً ۴۰٪ از کارمندان آمریکایی گفتند که برای یک هزینه کاری از هوش مصنوعی برای تولید یا تغییر رسید استفاده کردهاند — ۱۹٪ یک خرید را کاملاً جعل کردهاند و ۱۵٪ مبلغ یک خرید واقعی را افزایش دادهاند.
- ابزارهای شرکت بخشی از مشکل هستند. ۴۰٪ از کارمندانی که رسید جعلی ایجاد کرده بودند از ابزارهای هوش مصنوعی استفاده کردند که کارفرمای خودشان هزینه آن را پرداخت میکرد، به این معنی که کلاهبرداری گاهی با مجوز نرمافزاری خود شما اجرا میشود.
- رفتار تکراری رایج است. تقریباً یکسوم از کارمندانی که در ارائه رسید جعلی دستگیر شدند بعداً دوباره این کار را انجام دادند — در یک کارفرمای بزرگ مورد مطالعه، نرخ تکرار به ۴۱٪ رسید.
- این یک الگوی جهانی است، نه مشکل یک کشور. در همان مجموعه داده، ارسالها شامل ۱۷۴ شرکت و دهها کشور بود، از چند رسید ناهار ۳۰ دلاری تا یک ادعای ۱۲,۹۰۰ دلاری از یک کارمند.
هیچیک از اینها به این معنی نیست که تیم شما بهطور غیرعادی ناصادق است. بلکه به این معنی است که ابزارهای میانبر زدن بهطور چشمگیری بهتر و ارزانتر شدهاند، در حالی که فرآیند بررسی شما احتمالاً اصلاً تغییر نکرده است.
چرا «آیا واقعی به نظر میرسد؟» دیگر کار نمیکند
برای سالها، استاندارد بررسی یک رسید اساساً بصری بود: آیا بافت کاغذ درست به نظر میرسد، آیا فونتها با فروشنده مطابقت دارند، آیا مجموع درست است. تولیدکنندههای تصویر مدرن رسیدهایی با بافت کاغذ واقعی، تفکیک اقلام قابل قبول و مهرهای زمانی که با تاریخ ادعاشده مطابقت دارند تولید میکنند — دقیقاً به این دلیل که این نوع تصویر همان چیزی است که این مدلها در تولید آن خوب هستند. پرسیدن «آیا این شبیه یک رسید واقعی است؟» دیگر یک بررسی معنادار کلاهبرداری نیست، زیرا یک جعلی قانعکننده اکنون رایگان و فوری ساخته میشود.
پیامد عملی برای یک کسبوکار کوچک ساده است: تأیید سند را متوقف کنید و تأیید تراکنش را شروع کنید. رسید فقط یک ادعاست. سوابق تراکنش — شارژ کارت، برداشت بانکی، نام فروندهای که واقعاً پرداخت را پردازش کرده — واقعیت است.
کتاب راهنمای کسبوکار کوچک برای بررسی بازپرداختها
برای بستن بیشتر این شکاف به نرمافزار شناسایی کلاهبرداری سازمانی نیاز ندارید. چند تغییر در سیاست و فرآیند بیشتر ریسک را پوشش میدهد.
۱. رسیدها را با دادههای واقعی تراکنش تطبیق دهید، نه فقط ظاهر سند
اگر کارمند با کارت شرکت پرداخت میکند، بانک یا پردازنده کارت قبلاً سابقهای از فروشنده، مبلغ و تاریخ دارد. رسید را با آن سابقه تطبیق دهید بهجای اعتماد به تصویر بهتنهایی. ناهماهنگی در نام فروشنده، مبلغ یا زمان، سیگنال بسیار قویتری نسبت به هر چیزی است که روی خود رسید دیده میشود.
برای هزینههایی که از جیب پرداخت شده و برای بازپرداخت ارسال میشوند، تأیید پرداخت پایه (یک خط از صورت کارت، رسید کیف پول دیجیتال، تأیید انتقال بانکی) را در کنار رسید فروشنده بخواهید — دو سوابق مستقل جعل آنها بهطور هماهنگ بسیار سختتر از یک سند است.
۲. آستانه تأیید خودکار خود را بازبینی کنید
اگر ابزار هزینه شما هر چیزی زیر، مثلاً، ۷۵ دلار را بهطور خودکار تأیید میکند، بدانید که رسیدهای جعلی هوش مصنوعی بهطور خاص برای قرار گرفتن دقیقاً زیر چنین خطی اندازهگیری میشوند. این به این معنی نیست که باید شخصاً هر رسید قهوه ۱۲ دلاری را بررسی کنید — اما به این معنی است که یک آستانه دلاری ثابت بهتنهایی یک قانون شناختهشده و قابل بهرهبرداری است. یک سقف تأیید خودکار پایینتر را با بازرسی نمونه تصادفی بالای و زیر خط ترکیب کنید، تا کارمندان نتوانند بهطور قابل اعتماد پیشبینی کنند کدام ادعای کوچک بررسی دوم میگیرد.
۳. مراقب ارسالکنندگان تکراری و الگوهای خوشهای باشید
از آنجا که بخش بزرگی از کلاهبرداری رفتار تکراری است، ردیابی کسانی که قبلاً رسیدشان علامتگذاری شده — حتی برای چیزی جزئی — یکی از اقدامات با بازده بالا است که میتوانید با زمان محدود بررسی انجام دهید. بهطور مشابه، مراقب خوشهها باشید: چندین کارمند که قالب رسیدهای مشکوکاً مشابه ارسال میکنند، مبالغی که همه دقیقاً زیر آستانه شما هستند، یا افزایش ارسالهای «رسید گم شده، این بازسازی است».
۴. ارسال سریع با جزئیات کامل را الزامی کنید
یک سیاست روشن تعیین کنید — هزینههایی که در یک بازه زمانی مشخص (معمولاً ۳۰ روز) با تاریخ، مبلغ، فروشنده و هدف تجاری به صراحت بیانشده ارسال میشوند. ارسالهای دیرهنگام، اهداف مبهم («جلسه با مشتری»، بدون نام یا زمینه)، و رسیدهایی با ارقامی که کاملاً با مجموع اقلام قابل قبول مطابقت ندارند، همه ارزش بررسی دقیقتر دارند.
۵. برای هر چیز غیرعادی یا با ارزش بالا، تأیید قبلی استفاده کنید
هزینههای معمول تکراری (مسافت، سفر استاندارد، لوازم معمول) میتوانند با فرآیند سبک باقی بمانند. هر چیزی خارج از الگوی عادی — یک خرید بزرگ یکباره، فروشنده ناآشنا، دستهای که کارمند معمولاً هزینه نمیکند — باید قبل از بازپرداخت تأیید قبلی یا امضای مدیر را داشته باشد، نه فقط بررسی پس از واقعیت.
۶. به ابزارهای هوش مصنوعی که در اختیار کارمندان قرار میدهید بدون تأیید خروجی آنها اعتماد نکنید
اگر کسبوکار شما به کارمندان دسترسی به ابزارهای نوشتن، تصویر یا سند هوش مصنوعی میدهد، آگاه باشید که همان ابزاری که به کسی در نوشتن ایمیل به مشتری کمک میکند، میتواند در چند ثانیه یک رسید جعلی قانعکننده نیز تولید کند. زبان سیاست بهتنهایی («سوءاستفاده از ابزارهای شرکت نکنید») یک کنترل فنی نیست — آن را با عادت تطبیق تراکنش بالا جفت کنید.
این در عمل چگونه به نظر میرسد
مشکل مقیاس بهراحتی در یک مثال واقعی دیده میشود. در یک شرکت از فهرست Fortune 10 مورد مطالعه در دادههای AppZen، ۱۴۲ کارمند در ۲۲ کشور ۳۴۰ رسید کلاهبردارانه به ارزش مجموع ۳۴,۹۵۳ دلار ارسال کردند — بهطور متوسط حدود ۱۰۳ دلار برای هر ادعا. هیچ ارسال تکی بهتنهایی بررسی دستی را فعال نمیکرد. نیاز بود به الگوی کل سازمان نگاه شود، نه به هیچ رسید فردی، تا مشکل دیده شود.
یک کسبوکار کوچک بدیهی است که ماهانه هزاران گزارش هزینه پردازش نمیکند. اما همان ریاضیات در مقیاس کوچکتر اعمال میشود: پنج کارمند که هر کدام چند ادعای ۴۰ تا ۸۰ دلاری در سال متورم میکنند، در بررسی گزارش به گزارش آسان است از دست برود و تا دسامبر به پول واقعی میرسد. پراکندگی جغرافیایی در دادهها همچنین یادآوری است که این رفتار خاص و محدود به یک تیم یا نقش نیست — در هر جایی که افراد هزینهها را ارسال میکنند و میدانند بررسی سبک است، ظاهر میشود.
فهرست بررسی سریع برای رسیدها
وقتی چیزی برای بازپرداخت روی میز شما میآید، چند ثانیه روی هر یک از این موارد بیشتر ادعاهای جعلی را میگیرد:
- آیا مبلغ، تاریخ و فروشنده روی رسید با تراکنش واقعی کارت یا بانک مطابقت دارد؟ اگر هیچ تراکنش مطابقی وجود نداشته باشد، این بهتنهایی ردکننده است.
- آیا مجموع بهطور مشکوکی نزدیک به آستانه تأیید خودکار شماست — مثلاً ۳ دلار زیر یک برش ۷۵ دلاری؟
- آیا این کارمند قبلاً رسید علامتگذاریشده یا تصحیحشده داشته است؟ رفتار تکراری به اندازه کافی رایج است که در بررسی شما وزن داشته باشد.
- آیا فیلد هدف تجاری چیزی خاص میگوید (نام مشتری، پروژه، زمینه جلسه) یا فقط یک عبارت کلی مانند «جلسه با مشتری» یا «لوازم اداری»؟
- آیا بهموقع ارسال شده است، یا هفتهها بعد بهعنوان بخشی از یک دسته از رسیدهای «بازسازیشده» ظاهر میشود؟
- اگر چندین کارمند رسیدهای مشابه در زمان تقریباً یکسان ارسال کنند، آن را بهعنوان الگویی برای بررسی در نظر بگیرید، نه یک تصادف که باید رد شود.
هیچیک از این بررسیها نیاز به نرمافزار خاصی ندارند — فقط نیاز دارند که واقعاً به سوابق تراکنش نگاه کنید بهجای اعتماد به سند.
نکته بزرگتر: کلاهبرداری هزینهها یک مشکل حسابداری است، نه فقط یک مشکل منابع انسانی
کلاهبرداری بازپرداخت هزینهها قبلاً در حدود ۱۳٪ از موارد کلاهبرداری شغلی قبل از اینکه هوش مصنوعی مولد جعل را آسان کند ظاهر میشد، طبق انجمن بازرسان کلاهبرداری خبره. چیزی که تغییر کرده این نیست که آیا افراد به متورم کردن گزارش هزینه وسوسه میشوند — بلکه این است که جعل چقدر ارزان و قانعکننده شده است، و هر ادعای کلاهبردارانه فردی چقدر کوچکتر میتواند باشد در حالی که همچنان جمع میشود.
دقیقاً به همین دلیل است که سوابق مالی تمیز، مستند و بهراحتی قابل حسابرسی اهمیت بیشتری از همیشه دارند. وقتی هر تراکنش در سیستمی ردیابی میشود که در آن ورودی، حسابی که به آن میخورد و سند پشتیبان همگی مرتبط و قابل بررسی هستند — بهجای پراکنده شدن در پیوستهای ایمیل، ردیفهای صفحهگسترده و عکسهای رسیدی که هیچکس بررسی نمیکند — ناهماهنگیها بهجای پنهان شدن در حجم، برجسته میشوند. یک ادعای بازپرداخت که به یک تراکنش واقعی کارت یا خط بانکی متصل نمیشود، یک پرچم قرمز است که اگر کتابهایتان برای آن ساختارمند باشد میتوانید در چند دقیقه بگیرید، و اگر نباشند هرگز متوجهش نخواهید شد.
مالی خود را سازمانیافته و قابل حسابرسی نگه دارید
گرفتن رسیدهای جعلی در نهایت یک مشکل سوابق است: شما نیاز دارید هر هزینه به یک تراکنش واقعی قابل ردیابی باشد، نه فقط به سندی که قابل قبول به نظر میرسد. Beancount.io حسابداری متن ساده با تاریخچه کامل نسخهها را به شما میدهد، بنابراین هر ورودی — و هر ویرایش آن — شفاف، قابل ردیابی و بهراحتی قابل تطبیق با سوابق واقعی بانک و کارت شماست. مستندات را کاوش کنید تا ببینید چگونه یک دفترکل با کنترل نسخه، ادعاهای هزینه ناهماهنگ یا تکراری را بهراحتی قابل شناسایی میکند، یا Fava را برای یک داشبورد بصری روی کتابهایتان ببینید. رایگان شروع کنید و بررسیهای بازپرداخت را بر روی سوابقی بسازید که واقعاً میتوانید به آنها اعتماد کنید.