พบข้อกังวล 14 จาก 132 ผลประเมินเอกสารกู้ยืมที่ AI แก้ไข

การทดลองให้ผู้มีประสบการณ์ตรวจสอบและดำเนินการสินเชื่อประเมินเอกสารกู้ยืมที่ AI แก้ไข พบข้อกังวลเกี่ยวกับการแก้ไขเอกสาร 14 รายการ จากผลประเมิน 132 รายการ หรือ 10.6% โดยอ้างอิงจากข้อมูลระบุตัวตนที่ไม่ตรงกันภายในเอกสารหรือระหว่างเอกสาร

งานวิจัยฉบับพรีพรินต์ที่เผยแพร่ในเดือนตุลาคม 2026 ระบุว่า นักวิจัยสร้างไฟล์ PDF ปลอมจากเอกสารการเงินจริง 47 ฉบับที่ได้มาโดยได้รับความยินยอม ผู้มีประสบการณ์ด้านการพิจารณาและดำเนินการสินเชื่อ 3 คนตรวจเอกสารและส่งผลประเมินรวม 132 รายการ

เมื่อนักวิจัยตรวจสอบคำอธิบายของผู้ประเมินเทียบกับเอกสารต้นฉบับ พบผลประเมินที่น่าสงสัย 12 รายการ และผลประเมินที่ระบุว่าข้อมูลไม่เพียงพอ 2 รายการ รวมเป็น 14 รายการ ทั้งสองประเภทตั้งอยู่บนข้อสังเกตว่าข้อมูลระบุตัวตนไม่ตรงกัน

งานวิจัยไม่ได้รายงานกรณีที่ผู้ประเมินตรวจพบจุดแก้ไขจริงจากเบาะแสทางภาพเพียงอย่างเดียว นักวิจัยระบุว่าไม่ควรนำผลไปตีความเป็นอัตราการตรวจจับเอกสารปลอมของอุตสาหกรรมการเงินโดยรวม เนื่องจากมีผู้ประเมินเพียง 3 คน และไม่มีชุดควบคุมที่ผสมเอกสารจริงเข้าไป

งานประเมินอีกชิ้นหนึ่งชื่อ AIForge-Doc เผยแพร่ในเดือนกุมภาพันธ์ 2026 นักวิจัยสร้างภาพเอกสาร 4,061 ภาพ โดยใช้ AI เปลี่ยนตัวเลขในภาพใบเสร็จและแบบฟอร์ม แล้วประเมินประสิทธิภาพการตรวจจับ

ค่าความสามารถในการจำแนก (AUC) ที่รายงานคือ TruFor 0.751, DocTamper 0.563 และ GPT-4o 0.509 ค่า AUC เป็นตัวชี้วัดประสิทธิภาพการจำแนกภายใต้เงื่อนไขการทดสอบนั้น ไม่ใช่อัตราการตรวจพบในสถานการณ์จริงของภาคการเงิน

การตรวจสอบเอกสารมีหลายเป้าหมาย เครื่องมือตรวจจับใช้ค้นหาร่องรอยการแก้ไขในภาพ ลายเซ็นดิจิทัลใช้ตรวจว่าไฟล์ถูกเปลี่ยนหลังลงนามหรือไม่และใช้กุญแจใดลงนาม ส่วนการตรวจสอบกับหน่วยงานผู้ออกเอกสารใช้เทียบข้อมูลที่ยื่นกับบันทึกจริงของหน่วยงาน

สถาบันมาตรฐานและเทคโนโลยีแห่งชาติสหรัฐฯ (National Institute of Standards and Technology: NIST) อธิบายในมาตรฐานลายเซ็นดิจิทัล FIPS 186-5 ว่าลายเซ็นใช้ตรวจจับการเปลี่ยนแปลงข้อมูลโดยไม่ได้รับอนุญาตและยืนยันตัวผู้ลงนามได้ อย่างไรก็ตาม การที่ลายเซ็นถูกต้องไม่ได้ยืนยันว่าเนื้อหาในเอกสารเป็นความจริง

แนวทางยืนยันตัวตนดิจิทัล SP 800-63A ของ NIST กำหนดข้อกำหนดการตรวจสอบแตกต่างกันตามระดับของหลักฐาน สำหรับหลักฐานระดับสูงสุด (SUPERIOR) ต้องตรวจลายเซ็นดิจิทัลของหน่วยงานผู้ออกเอกสารและสายใบรับรองที่เชื่อมโยงไปถึงจุดยึดความเชื่อถือ (trust anchor) คุณลักษณะสำคัญต้องนำไปเทียบกับแหล่งข้อมูลที่มีอำนาจหรือเชื่อถือได้ หรือหากเป็นคุณลักษณะที่หน่วยงานผู้ออกเอกสารลงนามไว้ ก็ต้องตรวจความถูกต้องด้วยกุญแจสาธารณะของหน่วยงานนั้น

การตรวจสอบกับหน่วยงานผู้ออกเอกสารคือการยืนยันว่าเนื้อหาในเอกสารที่ยื่นตรงกับบันทึกจริงของหน่วยงานหรือไม่ ร่องรอยการแก้ไขในภาพหรือสถานะลายเซ็นเพียงอย่างเดียวใช้แทนการตรวจสอบนี้ไม่ได้

มาตรฐานแหล่งที่มาของเนื้อหา C2PA ใช้ลายเซ็นเข้ารหัสกับข้อมูลที่เชื่อมโยงกับไฟล์ ซึ่งบันทึกประวัติแหล่งที่มาของเนื้อหา ข้อมูลนี้ช่วยตรวจสอบได้ว่ารายการที่บันทึกไว้หรือไฟล์ถูกเปลี่ยนแปลงหรือไม่

อย่างไรก็ตาม ประวัติแหล่งที่มาที่ตรวจสอบได้จำกัดอยู่ในขอบเขตของข้อมูลที่มีการจัดเตรียมและตรวจสอบแล้ว C2PA ระบุว่าข้อมูลแหล่งที่มาเพียงอย่างเดียวไม่รับรองความจริง ความถูกต้อง หรือประวัติแหล่งที่มาทั้งหมดของเนื้อหา

การบันทึกแฮชของเอกสารลงบล็อกเชนแทนการบันทึกเอกสารฉบับเต็ม ช่วยให้ภายหลังนำไฟล์ที่ได้รับมาเทียบกับแฮชที่ลงทะเบียนไว้เพื่อตรวจว่าเป็นไฟล์เดียวกันหรือไม่ วิธีนี้ใช้ตรวจได้ว่าเอกสารถูกเปลี่ยนหลังบันทึกหรือเปล่า

แต่แฮชเพียงอย่างเดียวไม่สามารถยืนยันได้ว่าเอกสารเป็นความจริงก่อนลงทะเบียน หรือผู้ลงทะเบียนมีอำนาจออกเอกสารหรือไม่ เอกสารของออราเคิล Ethereum ก็อธิบายว่า เมื่อนำข้อมูลภายนอกเข้าสู่บล็อกเชน ต้องตรวจสอบแหล่งที่มาและความถูกต้องของข้อมูลนั้น

คณะกรรมการคุ้มครองข้อมูลส่วนบุคคลยุโรป (European Data Protection Board: EDPB) ชี้ว่าการลบหรือแก้ไขข้อมูลส่วนบุคคลบนบล็อกเชนอาจทำได้ยาก และแนะนำให้เก็บข้อมูลส่วนบุคคลเพิ่มเติมไว้นอกบล็อกเชนเท่าที่ทำได้ แฮชเองก็อาจถือเป็นข้อมูลส่วนบุคคลได้ ขึ้นอยู่กับบริบท

ในเกาหลีใต้ กระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศและการสื่อสาร (과학기술정보통신부) อธิบายหน้าที่ด้านความโปร่งใสตามมาตรา 31 ของกฎหมายพื้นฐานด้าน AI ว่าครอบคลุมการแจ้งข้อมูลเกี่ยวกับบริการ AI ล่วงหน้าและการแสดงเครื่องหมายบนผลงานที่สร้างด้วย AI การแจ้งว่าใช้ AI เป็นเรื่องหนึ่ง ส่วนการตรวจสอบว่าเอกสารการเงินตรงกับบันทึกจริงของหน่วยงานผู้ออกเอกสารหรือไม่เป็นอีกเรื่องหนึ่ง