在當前這個數位化急速發展的時代，企業對於營運效率與風險管理的重視程度日益提升。特別是面對費用報銷舞弊這項普遍且棘手的挑戰，如何有效辨識並遏止，已成為許多企業財務團隊的優先課題。ExpenseIn 產品副總裁理查．瓊斯（Richard Jones）就曾直言，傳統的「黑箱」人工智慧（AI）模式，對於抓出費用報銷中的舞弊行為，往往力有未逮。他強調，財務團隊真正需要的，是能夠提供明確解釋的「白箱」模式，亦即具備解釋性的人工智慧（Explainable AI, XAI），才能從根本上解決問題。
費用報銷舞弊，顧名思義，是指員工在報銷差旅、業務或其他營運相關費用時，出現不誠實或違規的行為。這類行為的樣態多元，從最常見的金額灌水、虛報發票，到偽造收據、重複報銷，甚至透過不當手段取得現金回扣等等。這些看似小額的個案，一旦累積起來，對企業造成的損失往往不容小覷。根據統計，全球每年企業因員工舞弊造成的損失高達數十億美元，而費用報銷舞弊正是其中一個重要的環節。
過去，企業多半仰賴人工審核、內部稽核或隨機抽查來偵測費用舞弊。然而，隨著企業規模擴大、交易量增加，人工審核的效率瓶頸與漏網之魚日益凸顯。單純仰賴人為判斷，不僅耗時費力，也難以應對日益複雜且隱蔽的舞弊手法。這正是 AI 技術被引入此領域的契機。
然而，早期許多企業導入的 AI 舞弊偵測系統，往往偏向所謂的「黑箱」模型。這些模型雖然宣稱具備高效的模式識別能力，能夠標記出異常的費用報銷記錄，但它們的決策過程卻不透明。當系統發出警示，指出某筆報銷可能存在舞弊時，財務人員往往無法得知系統是基於哪些具體的原因做出判斷。這就好比一個只會告訴你「有問題」，卻不說明「哪裡有問題」的警報器。
瓊斯先生指出，這種黑箱 AI 在費用舞弊偵測上的侷限性十分明顯。想像一下，當一個系統標記出某個高階主管的差旅報銷可能涉嫌舞弊時，財務團隊需要具備明確的證據與解釋，才能展開後續的調查或與當事人溝通。如果系統只能給出一個模糊的「高風險」評級，卻說不出具體的異常模式，財務人員就很難採取下一步行動。缺乏可解釋性，不僅降低了決策的信心，也可能導致誤判，甚至引發內部不必要的矛盾。
舉例來說，如果一個黑箱 AI 僅基於歷史數據，發現某個員工在特定時段內報銷的餐飲費用偏高，便將其標記為高風險。但實際上，該員工可能正負責一個重要的客戶專案，需要頻繁宴請客戶。在這種情況下，若沒有 AI 的解釋，財務人員可能會誤判，浪費時間進行不必要的調查。反之，如果 AI 能夠指出「該員工的餐飲費用超出了公司規定上限 30%，且與同行其他專案經理相比高出 50%，同時這些費用發生地點與專案客戶所在地不符」，這樣清晰的解釋就能讓財務人員快速判斷，並採取精準的行動。
正因如此，瓊斯先生強調，費用舞弊偵測需要的是「解釋性的人工智慧」（XAI）。XAI 的核心價值在於，它不僅能識別異常模式，還能闡明其決策背後的邏輯和依據。對於財務團隊來說，這意味著當系統發出警示時，他們可以獲得清晰、可理解的理由，例如：
- 超出正常範圍的金額： 某筆費用明顯高於同類型的歷史平均值或公司設定的上限。
- 不尋常的模式： 某個員工的報銷頻率、時間點或組合方式，與其職務或一般行為模式不符。例如，頻繁在非工作時間報銷晚餐費用，或在同一個地方連續報銷多次不同名目的費用。
- 規則違反： 報銷項目違反了公司既定的費用政策，例如超出單次消費上限、未提供符合規定的憑證，或報銷了非允許的品項。
- 與其他數據的衝突： 報銷單上的資訊與其他企業內部數據（如差勤紀錄、專案紀錄、行事曆）存在矛盾。例如，員工報銷了出差費用，但差勤系統顯示其當天並未出差。
透過 XAI，財務人員不再需要面對一個神祕的判斷機制，而是能夠理解系統的思考脈絡，從而建立對 AI 建議的信任。這種信任對於企業內部推動數位化轉型，特別是在敏感的財務審核領域，至關重要。當員工知道系統的判斷是基於可驗證的規則和數據，而非模糊的演算法，也能減少對自動化審核的抗拒。
此外，解釋性 AI 不僅能協助偵測舞弊，還能提供優化內部控制流程的寶貴洞察。當 AI 頻繁地指出某一類型的舞弊風險，或是某個部門的報銷異常率偏高時，財務主管就能據此檢視現行的費用政策是否需要調整，或是加強對特定流程的監管。這種從數據中學習並持續改進的能力，是傳統人工審核難以比擬的。
總的來說，理查．瓊斯先生的論點清晰地指出，在費用舞弊偵測的應用場景中，單純追求預測準確度的「黑箱」AI 已不足夠。企業需要的是能夠將其智慧轉化為可理解、可行動洞察的「白箱」AI，也就是解釋性人工智慧。透過 XAI，企業不僅能更有效地抓出潛藏的舞弊，更能提升財務決策的透明度、效率與公信力，讓費用控管從被動追查轉為主動防範，為企業的永續發展提供更堅實的基礎。這場從「黑箱」走向「白箱」的AI戰場，無疑將是未來金融科技發展的關鍵趨勢。