Sahte Maaş Bordroları Borç Verenlerden Milyarlarca Dolar Harcıyor

Gelir ve istihdam soruları, kredi, sigorta, kira ve diğer anlaşmalar için başvuruların temel ilkeleridir. Ancak giderek artan sayıda sahte maaş bordrosu sağlayıcısı, tüm şirket sahte olsa bile istihdamı doğrulamak için sahte belgeler üretiyor ve telefon görüşmelerine cevap veriyor. Borç verenler, istihdam doğrulaması için yüksek maliyetlerle ve sınırlı İK veri tabanlarıyla karşı karşıya kalıyor ve dolandırıcılar bu boşlukları istismar ediyor.

Point Predictive’in 2024 Otomobil Kredisi Dolandırıcılığı Trendleri Raporu’na göre, gelir ve istihdam dolandırıcılığı yaygın bir sorundur ve sektörün 7,9 milyar dolarlık dolandırıcılık kaybı riskinin neredeyse yarısını oluşturmaktadır. 2023’te gelir ve istihdam dolandırıcılığı, otomobil kredisi verenler için 3,6 milyar dolarlık muazzam bir kayba neden olmuş ve sektördeki toplam dolandırıcılıkla ilgili kayıpların %45’ini temsil etmiştir.

İstihdam doğrulama dolandırıcılığı çok çeşitli borç verenleri etkiler. Bu kredilerin temerrüde düşme olasılığı daha yüksektir, borç verenler üzerindeki borç silme ve mali yükü artırır.

Neler Çalışmıyor?

Doğrulama sürecindeki en büyük sorun, borç verenlerin doğru ve güvenilir kararlar almak için ihtiyaç duyduğu gerçek zamanlı, bütünsel veri erişiminin olmamasıdır. Inscribe AI’nın CEO’su ve kurucu ortağı Ronan Burke, otomasyonla bile birçok finans kuruluşunun hala “parçalanmış veri kaynaklarıyla uğraştığını ve bu durumun güvendikleri bilgilerde boşluklar yarattığını” söyledi.

Sorun yeni değil, ancak dijital bankacılıktaki ilerlemeyle birlikte maaş bordrolarının sunulması zahmetli bir süreç haline geldi. Gelir ve istihdamı doğrulamak, birkaç temel sorun nedeniyle borç verenler için karmaşık ve maliyetli bir zorluk haline geldi.

Belge sahteciliği büyük bir endişe kaynağıdır, çünkü gönderilen her 10 maaş bordrosundan 1’i tespit edilmesi zor sahtecilikler içerir. Analistler genellikle maaş bordrolarının çokluğundan dolayı inceleme yorgunluğuyla karşı karşıya kalır ve bu da bilgilerin gözden kaçmasına neden olur. Ayrıca, istihdam veri tabanları eksiktir ve başvuranların yalnızca yaklaşık %45’ini kapsar, bu da kredi verenleri banka ekstreleri veya manuel doğrulamalar gibi alternatif yöntemlere güvenmeye zorlar, Point Predictive’in Cracking The Code – The Evolution of Income and Employment Validation’ına göre.

Bu doğrulama yöntemleri yalnızca manuel iş yüklerini artırmakla kalmaz, aynı zamanda tüketicilere yüklenen ek belge gereksinimleri nedeniyle kredi başvurusunun terk edilmesine de yol açar. Gerçek bir maaş bordrosu sağlamak, bir tüketici için yavaş ve zahmetli bir süreçtir. Ancak sahte bir maaş bordrosu sağlamak çok daha kolaydır. İnternette bulunan 12.000’den fazla maaş bordrosu oluşturma sitesinden birini kullanarak sahte bir maaş bordrosu oluşturmak sadece 90 saniye sürebilir.

Maaş bordroları bilindiği üzere güvenilmez olsa da, en yaygın kabul gören alternatif olan istihdam doğrulaması maliyetlidir ve zaman alıcı olabilir. Merkezi insan kaynakları veri tabanları anında istihdam doğrulaması kolaylığı sunar, ancak genellikle yüksek bir maliyetle. Her doğrulama ‘vuruşunun’ maliyeti 30$ veya daha fazla olabilir. Standart dışı gelir ve istihdam akışları getiren gig ekonomisinin yükselişiyle doğrulama daha da zor hale geldi. Point Predictive’e göre, insan kaynakları veri tabanları genellikle başvuranların yalnızca %30 ila %45’i hakkında bilgi içerir ve bu da başvuruların çoğunun kapsanmamasına neden olur.

Ortaya çıkan kimlik bilgisi tabanlı çözümler doğrudan bordro sağlayıcılarına veya banka hesaplarına bağlanabiliyor, ancak tüketicilerin yalnızca %3 ila %5’i bunları kullandığından benimsenme oranı düşük kalıyor.

Point Predictive’in kurucu ortağı Frank McKenna, “Tüm bu zorluklar doğrulama sürecinde sürtüşmelere yol açıyor ve birçok potansiyel borçlunun, külfetli ve zaman alıcı gereklilikler nedeniyle başvurularını terk etmesine neden oluyor” dedi.

Yapay Zeka: Oyunun Kurallarını Değiştiren Bir Şey Mi?

Gelir ve istihdam doğrulaması çok yönlü bir yaklaşım gerektirir. Borç verenler, tüketicilerin kapsamlı belgeler sunma ihtiyacını ortadan kaldıran sorunsuz çözümler yaratmalıdır. Ancak, genellikle insan hatasına ve verimsizliğe yatkın olan manuel bordro incelemelerinin yerine yapay zeka ile veri doğrulama ve otomasyonu da kullanabilirler. Yapay zeka destekli çözümler, gelir taleplerinin doğruluğunu daha etkili bir şekilde değerlendirebilir.

Son olarak, doğrulama sistemlerinin kapsamının tüketicilerin %80 ila %90’ını kapsayacak şekilde genişletilmesi, kredi verenlerin başvuruları daha hızlı ve daha az manuel müdahaleyle işleme koymasını sağlayacak ve genel olarak daha verimli ve güvenilir bir sisteme yol açacaktır.

Point Predictive, Plaid, Atomic, TruWork, Inscribe AI ve Ocrolus gibi birçok çözüm sağlayıcısı bu zorluklarla farklı şekillerde mücadele ediyor. Örneğin, Point Predictive’in IEVaidate’i, 260 milyondan fazla gelir raporunu ve yedi diğer veri kaynağını kapsayan tescilli verilerini kullanarak, bordroları manuel olarak incelemek yerine veri doğrulaması kullanarak, borçluların gelirleri hakkında doğruyu söyleyip söylemediklerini arka planda tespit ediyor. Plaid, banka ekstrelerini doğruluyor ve bordro bağlantısıyla bağlantı kuruyor, Inscribe AI ise sahte gelir belgelerini tespit etmek için yapay zeka kullanıyor.

Inscribe AI, gelir ve istihdam doğrulama sürecini kolaylaştırmak için gelişmiş AI ve makine öğrenimi modelleri kullanır. Belge analizi ve dolandırıcılık tespiti gibi görevlerin otomatikleştirilmesi, insan incelemecilerin gözden kaçırabileceği kalıpları ve anormallikleri belirlemeye olanak tanır ve sahte belgeleri kabul etme riskini azaltır. Inscribe AI’nın çözümü, banka ekstreleri ve maaş bordroları dahil olmak üzere birden fazla kaynaktan gelen verileri çapraz referanslayarak, borç alan kişinin kapsamlı bir profilini oluşturur ve borç verenlerin gerçek zamanlı olarak daha bilinçli kararlar almasına yardımcı olur.

Bu derinlemesine analiz, gerçek zamanlı içgörülerle bir araya geldiğinde, Inscribe’ı genellikle ince ama kritik dolandırıcılık sinyallerini kaçıran geleneksel sistemlerden ayırıyor.

Endüstri liderleri de otomasyona büyük bahis oynuyor. Doğrulama sürecinin çoğunu otomatikleştirerek bankalar, tarihsel olarak hem zaman alıcı hem de pahalı olan manuel işgücüne olan ihtiyacı önemli ölçüde azaltabilir. Inscribe AI’nın CEO’su ve kurucu ortağı Ronan Burke’e göre, belge analizi, dolandırıcılık tespiti ve verileri gerçek zamanlı olarak çapraz referanslama gibi görevleri ele alan AI araçlarıyla, borç verenler yalnızca operasyonel maliyetleri düşürmekle kalmayacak, aynı zamanda kötü krediler nedeniyle oluşan kayıpları da önleyebilecek.

En büyük tasarruf alanlarından biri manuel işlerin azaltılmasıdır. Daha hızlı işlem süreleri, bankaların daha kısa sürede daha fazla başvuruyu işleyebilmesi anlamına gelir ve bu da doğrudan karı iyileştirebilir. Ayrıca kredi onaylarını hızlandırarak bankaların ve kredi verenlerin daha hızlı gelir elde etmesini sağlar.

Auriemma Roundtables direktörü Glenn Kranis, çok sayıda bankacılık dolandırıcılığı uygulayıcısının, taranan kayıtlardaki tutarsızlıkları ve değişiklikleri belirleyerek gelir kanıtı belgelerindeki yanlış beyanları tespit etmeye yardımcı olabilecek OCR araçlarını incelediğini söyledi. Kranis, “Serbest meslek sahibi başvuru sahipleri için özel araçlar, alternatif belgeler aracılığıyla gelirlerini değerlendirerek karar alma süreçlerine yardımcı olabilir” dedi.

Doğrulama sürecinde tek seferlik şifrelerin kullanılmasının, istihdam veya gelir taleplerinin meşruiyetini sağlamak amacıyla kredi verenleri doğrulanmış işverenlerden veya finansal kurumlardan gelen resmi iletişimlere bağlayarak güvenliği artırabileceğini söyledi.

Quantexa’nın Kuzey Amerika’daki dolandırıcılık çözümleri başkanı Steve Lenderman, “Sürtünmesiz, ancak hızlı, ekonomik ve doğru olmasını istersiniz,” dedi ve bunun yeni bir çalışanı işe almaya benzediğini ekledi. “İş piyasası, bir adaya ‘Dört hafta içinde size geri döneceğim’ demek için çok zorlu ve rekabetçidir. Tepki şu: Meşru bir çalışanı doğrulayamazsanız, iyi bir çalışanı kaçırabilirsiniz.”