بیش از نیمی از استرالیاییهای زیر ۳۰ سال اعتراف کردهاند که از ابزارهای هوش مصنوعی برای ساخت یا تغییر اسناد مالی هنگام درخواست وام مسکن استفاده کردهاند. این یافتهها که در تحقیقات موسسه OurTop10 منتشر شده، نگرانیهای جدی درباره گسترش تقلب مالی در بازار وامدهی استرالیا ایجاد کرده است.
بر اساس این پژوهش، ۱۸ درصد از کل استرالیاییها اعلام کردهاند که از هوش مصنوعی برای دستکاری اسناد ارائهشده به بانکها استفاده کردهاند. اما این رقم در میان نسل Z به ۵۶ درصد میرسد. همچنین ۳۶ درصد از نسل هزاره [Millennials] نیز به چنین اقدامی اعتراف کردهاند.
منصور سلطانی [Mansour Soltani]، رئیس بخش تحقیقات OurTop10، گفت: «متقاضیان اعتبار با درخواست وام مثل رزومه کاری رفتار میکنند و فکر میکنند میتوانند اطلاعات را دستکاری کنند. اما این تقلب مالی است.» سلطانی افزود که خودش هم در ابتدا تصور میکرد انجام این تحقیق «اتلاف وقت» خواهد بود، چون باور نمیکرد کسی به ارتکاب تقلب مالی اعتراف کند.
بیشترین موارد دستکاری شامل صورتحسابهای بانکی (۱۰ درصد)، اسناد استخدامی (۹ درصد)، فیشهای حقوقی یا مدارک درآمدی (۶ درصد) و پیشنهادهای رقبای وامدهنده (۳ درصد) بوده است.
سلطانی هشدار داد که متقاضیان تصور میکنند بانکها متوجه این دستکاریها نمیشوند، اما واقعیت برعکس است: «بانکها از فناوری برای شناسایی هرگونه تغییر در متن اسناد استفاده میکنند و این موارد را شناسایی میکنند.» در چنین مواردی، بانک معمولاً درخواست را رد میکند.
اما مشکل اصلی اینجاست که بانکها پس از رد درخواست، معمولاً موضوع را به مراجع قانونی گزارش نمیدهند. سلطانی این رویه را «راز صنفی» توصیف کرد و گفت: «بسیاری از وامدهندگان نمیخواهند علنی شود که این تقلب سیستماتیک است، اما آنهایی که با ما صحبت کردند گفتند که بسیار گسترده است. این یک مشکل واقعی است.»
او توضیح داد که یکی از دلایل سکوت بانکها این است که اگر افزایش تقلب را به تامینکنندگان مالی خود اعلام کنند، ممکن است میزان منابعی که دریافت میکنند کاهش یابد.
از منظر تحلیلی، اهمیت این موضوع در آن است که نبود گزارشدهی منظم، چرخهای معیوب ایجاد میکند: تقلب گسترش مییابد اما هیچگاه به پروندههای قضایی تبدیل نمیشود و بازدارندگی واقعی شکل نمیگیرد.
بزرگترین نمونه شناختهشده در این زمینه مربوط به بانک کامنولث استرالیا [Commonwealth Bank of Australia] است. در مارس امسال، این بانک به مقامات اطلاع داد که حدود یک میلیارد دلار استرالیا در قالب وامهای مسکن غیرقانونی — از جمله مواردی که با هوش مصنوعی دستکاری شده بودند — پرداخت شده است. این بانک پس از شکایت دو افشاگر در سال ۲۰۲۵ که یک کارگزار وام و یک وامدهنده در بخش بانکداری خصوصی را به جعل صورتهای درآمدی متهم کرده بودند، خود را به پلیس و نهاد نظارتی شرکتها گزارش داد.
جیمیسون اوریلی [Jamieson O’Reilly]، بنیانگذار شرکت امنیت اطلاعات Dvuln، در گفتوگو با نشریه Information Age اعلام کرد که پرونده بانک کامنولث احتمالاً «اولین مورد در این مقیاس است که اسناد تولیدشده با هوش مصنوعی بهعنوان ساز و کار اصلی به کار رفته». او افزود که ابزارهای هوش مصنوعی مورد استفاده برای جعل اسناد در مقایسه با ۱۵ سال پیش «بهکلی تغییر کردهاند»، اما الگوی کلی تقلب — تکیه بر افراد داخلی با دانش کافی و انکارپذیری کافی — تغییری نکرده است.
اوریلی تاکید کرد: «فناوری اعتماد نهادی را از بین نمیبرد، فقط سوءاستفاده از آن را سریعتر و ردیابیناپذیرتر میکند.»
زمینه این خبر نشان میدهد که گسترش ابزارهای هوش مصنوعی مولد، آستانه ورود به تقلب مالی را به شدت پایین آورده است. آنچه پیشتر نیازمند مهارت فنی بود، اکنون با چند دستور ساده قابل انجام است و این موضوع چالش جدیای برای نظام وامدهی استرالیا ایجاد کرده است.
تحلیل خبر با دیرینه نیوز بزرگترین رسانه خبری فارسی زبانان در استرالیا
این گزارش نشان میدهد که تقاطع هوش مصنوعی و بازار مسکن استرالیا به یک نقطه بحرانی رسیده است. از یک سو، فشار سنگین بازار مسکن و دشواری دریافت وام، برخی جوانان را به سمت راهحلهای غیرقانونی سوق میدهد. از سوی دیگر، سکوت نهادی بانکها در برابر تقلب — که ناشی از نگرانیهای تجاری است — عملاً این رفتار را بدون پیامد قانونی رها میکند.
پیامد احتمالی این وضعیت آن است که وامهای پرداختشده بر اساس اسناد جعلی، ریسک واقعی نکول را افزایش میدهند و در صورت تداوم، میتوانند ثبات سیستم بانکی را تهدید کنند. پرونده بانک کامنولث با رقم یک میلیارد دلار نشان میدهد که این تهدید دیگر نظری نیست.
عدم قطعیت اصلی در این گزارش آن است که آمار اعلامشده بر پایه خوداظهاری متقاضیان است و ممکن است واقعیت از این هم گستردهتر باشد. همچنین مشخص نیست که نهادهای نظارتی استرالیا چه برنامهای برای الزام بانکها به گزارشدهی منظم موارد تقلب دارند.
منبع: Yahoo Finance



























































