Ödeme Dolandırıcılığında İnsan Hatasının Üstesinden Gelmek: Yapay Zeka Yardımcı Olabilir mi?

516 kuruluşa yönelik yakın tarihli bir Trustmi anketi, bu şirketlerin yarısının insan hatasından kaynaklanan ticari e-posta ihlali ve diğer ödeme dolandırıcılığı biçimlerinin kurbanı olduğunu buldu. Anket, katılımcıların %41’inin iş akışlarının bazı yönlerini otomatikleştirdiğini, ancak yaklaşık %27’sinin hala manuel süreçlere güvendiğini buldu. Teknoloji yığınlarına dolandırıcılık önleme araçları eklemelerine rağmen, kuruluşların %14’ü bunları kullanmıyor ve bu da ödeme süreçlerini saldırılara karşı savunmasız bırakıyor.

Küresel dolandırıcılık maliyetleri geçen yıl 485 milyar dolara ulaştığından, birçok kuruluş işletmelerini savunmak için yapay zekaya yöneliyor. Aslında, NASAQ anketine katılanların %70’i kuruluşlarının önümüzdeki birkaç yıl içinde yapay zeka veya makine öğrenimine harcamalarını artırmasını bekliyor ve faydalı mülkiyet bilgilerini incelemek, mali suç analisti yardımcı pilotlarını etkinleştirmek, uyarı açıklaması ve anlatı oluşturmak ve müşteri risk profillerini analiz etmek gibi günlük süreçlerin karmaşıklığını azaltmak için yapay zeka araçlarını kullanmayı planladıklarını söylüyor.

NASDAQ raporunda, “Uyumluluk baskısı arttıkça ve mali suçlar geliştikçe, yapay zekaya harcamalarını artırmayı planlamayan kuruluşların, mali suç yönetim programlarını güçlendirmek için alternatif yollar belirlemeleri gerekecek” denildi.

Yapay Zeka Benimsemesinin Zorlukları

Ancak AI tabanlı otomasyonun potansiyel faydaları, karmaşık ödeme ekosistemleriyle entegrasyon için gereken maliyetler, zaman ve kaynaklarla sınırlıdır. Trustmi CEO’su Shai Gabay, eski sistemleri elden geçirmek zorlayıcı olabilir ve çoğu kuruluş, yeni teknolojiden yararlanmak için gereken teknik becerilerden yoksundur, dedi.

Dijital dönüşüme öncülük etmek için gerekli BT desteğini işe almanın, yeni yazılımlara yatırım yapmanın ve çalışanları eğitmenin maliyeti çoğu şirket için büyük engellerdir. Gabay, diğer büyük endişelerin arasında mevcut ERP sistemleri ve muhasebe yazılımlarıyla entegrasyon sorunlarının da bulunduğunu söyledi.

Merkez bankaları yapay zeka ile çıtayı yükseltebilir, ancak bu teknoloji aynı zamanda halüsinasyona yatkınlığı ve bilgisayar korsanlığına karşı savunmasızlığı nedeniyle riskler de taşıyor.

Aslında, Uluslararası Para Fonu, AI’nın ve finans alanındaki uygulamalarının evrimleşen doğasının, ne geliştiricilerin ne de düzenleyicilerin onun güçlü ve zayıf yönlerini tam olarak anlamadığı anlamına geldiği konusunda uyardı. IMF’ye göre, “Bu nedenle, henüz gerçekleşmemiş birçok beklenmedik tuzak olabilir ve ülkelerin izleme ve ihtiyatlı gözetimlerini güçlendirmeleri gerekecektir.”

Bankaların karşı karşıya olduğu başlıca engellerden biri mevcut ortamlarının karmaşıklığıdır. B2B ödeme işleme, satıcı katılımı ve yönetimi, fatura işleme ve eski sistem yönetimi için sistemler içerir. Tüm bu süreçler çok sayıda insanı içerir ve birden fazla güvenli olmayan iletişim yöntemi kullanır. Bu kadar çok hareketli parçayla, kötü niyetli kişiler ödeme süreçlerindeki çok sayıda zayıf bağlantıyı istismar edebilir.

Örneğin, büyük işletmeler ortalama olarak ayda 20.000’den fazla fatura işliyor. Sahtekarlık için manuel kapsam belirlemek sadece zor değil, aynı zamanda ölçekte imkansız bir görevdir. Ayrıca, finans ekipleri genellikle silolarda çalışır ve bu da şirketlerin ödeme süreçleri üzerinde uçtan uca görünürlük elde etmesini zorlaştırır. Birçok kuruluş, gerçek zamanlı veri ve kapsamlı raporlama sağlama yeteneğinden yoksun eski sistemlere ve manuel süreçlere güvenir ve bu da zamanında sahtekarlık tespitini zorlaştırır.

Dolandırıcılar genellikle tedarikçilere ve satıcılara ödemeleri işleyen hesap ödeme departmanlarını hedef alırlar. Genellikle mevcut bir tedarikçi gibi davranıp bir organizasyona sahte faturalar gönderirler veya hatta büyük ödemeleri yetkilendirmek için bir şirketin AP süreçlerine dijital olarak erişim sağlarlar, dedi Infosys. “Genellikle, böyle bir dolandırıcılık tespit edildiğinde, çok geç olur; para zimmete geçirilmiş olur ve failler çoktan gitmiş olur,” dedi Infosys.

İnsan hatası, çalışanları hassas bilgileri ifşa etmeye veya hileli işlemleri yetkilendirmeye kandırmak için sosyal mühendislik ve kimlik avı kullanan asırlık dolandırıcılıklara da olanak tanır. Bilgileri yanlış alıcıya göndermek gibi özensiz veri yönetimi, veri sızıntılarına ve mali dolandırıcılığa yol açabilir.

Yapay Zeka Nasıl Yardımcı Olabilir?

Hesap ödenebilir otomasyon çözümleri, manuel işlemin gözden kaçırabileceği yeni adres veya yeni banka hesap bilgileri gibi faturalardaki küçük tutarsızlıkları işaretleyebilir. Uyarılar, şirketleri ödemeleri işleme koymadan önce faturaların meşruiyetini doğrulamak için tedarikçileriyle iletişime geçmeye yönlendirebilir. “Örneğin, bir kuruluşun bir tedarikçiden ayda ortalama altı fatura alması normalse ve bu sayı aniden artarsa, bu tutarsızlık hemen işaretlenir. Modern otomasyon araçları, dolandırıcıların atlatıp aldatmasının imkansız olduğu ve AP dolandırıcılık tespitinde paha biçilmez bir araç olan yapay zeka ve makine öğrenimi algoritmalarını kullanır,” dedi Infosys.

İşletmeler, B2B ödemelerinde dolandırıcılık kayıplarını azaltmak için AI’nın potansiyelini görüyor. Şirketler, kalıpları belirlemek, anormallikleri tespit etmek ve veri girişi ve hesaplamalar gibi rutin görevleri otomatikleştirmek için geçmiş verileri incelemek amacıyla AI’yı kullanabilir. Süreçleri kolaylaştırmak ve güveni artırmak için tedarikçilerden gelen kalabalık kaynaklı verileri kullanabilirler. Tüm B2B ödeme ekosisteminin uçtan uca görünürlüğünü sağlayan teknolojiler, insan hatalarından kaynaklanan sorunları tespit etmeye ve önlemeye yardımcı olan kapsamlı bir görünüm sunar.

Bazı kuruluşlar dolandırıcılıkla mücadele için yapay zeka tabanlı girişimler başlattı ancak sonuçları görmek için henüz çok erken.

Örneğin, küresel ağı 11.500’den fazla kurumu kapsayan üye sahibi ödeme kooperatifi Swift, bu yılın başlarında iki yapay zeka tabanlı deney duyurdu.

Bir girişim, Swift’in finans kuruluşlarının dolandırıcılığa işaret eden anormallikleri tespit etmesine yardımcı olan mevcut aracını güçlendirmeyi umuyor. Diğer proje, bankaların canlı trafik verileri de dahil olmak üzere Swift ağındaki geçmiş etkinlik kalıpları hakkında bir AI modeli eğiterek olası dolandırıcılık etkinliğinin daha doğru bir resmini oluşturacak ve finans kuruluşlarının anormal ödemeleri yürütülmeden önce işaretlemesine olanak tanıyacak.