14/132 lượt đánh giá phát hiện dấu hiệu nghi vấn trong hồ sơ vay chỉnh sửa bằng AI

Trong một thử nghiệm cho chuyên gia xem xét hồ sơ vay được chỉnh sửa bằng AI, các nhà nghiên cứu ghi nhận dấu hiệu đáng ngờ trong 14/132 lượt đánh giá, tương đương 10,6%. Cơ sở của những lo ngại này là thông tin định danh không khớp bên trong một tài liệu hoặc giữa các tài liệu.

Trong bản tiền xuất bản công bố tháng 10 năm 2026, nhóm nghiên cứu tạo các tệp PDF giả từ 47 tài liệu tài chính thực tế được thu thập với sự đồng ý của người cung cấp. Ba người có kinh nghiệm thẩm định hoặc xử lý hồ sơ vay đã xem xét tài liệu và đưa ra tổng cộng 132 lượt đánh giá.

Đối chiếu phần giải thích của người đánh giá với tài liệu gốc, nhóm nghiên cứu xác định 14 lượt gồm 12 đánh giá nghi vấn và 2 đánh giá cho rằng thông tin chưa đủ. Cả hai loại đánh giá đều dựa trên nhận xét rằng thông tin định danh không khớp.

Nghiên cứu không ghi nhận trường hợp nào tìm ra chính xác phần bị chỉnh sửa chỉ nhờ các dấu hiệu trực quan. Nhóm nghiên cứu cho biết không thể khái quát kết quả này thành tỷ lệ phát hiện giả mạo của toàn ngành tài chính, vì thử nghiệm chỉ có ba người đánh giá và không có nhóm đối chứng gồm tài liệu thật.

Một nghiên cứu đánh giá khác, AIForge-Doc, được công bố vào tháng 2 năm 2026. Nhóm nghiên cứu tạo 4.061 hình ảnh tài liệu bằng cách dùng AI thay đổi các mục số trên ảnh hóa đơn và biểu mẫu, sau đó đánh giá khả năng phát hiện chỉnh sửa.

AUC được báo cáo lần lượt là 0,751 đối với TruFor, 0,563 đối với DocTamper và 0,509 đối với GPT-4o. AUC là chỉ số phân biệt trong điều kiện thử nghiệm cụ thể, không đồng nghĩa với tỷ lệ phát hiện giả mạo trong hoạt động tài chính thực tế.

Việc xác minh tài liệu có thể giải quyết những câu hỏi khác nhau. Công cụ phát hiện tìm dấu vết chỉnh sửa trong hình ảnh; chữ ký số giúp kiểm tra tệp có bị thay đổi sau khi ký hay không và khóa nào đã ký; còn việc tra cứu cơ quan phát hành đối chiếu nội dung được nộp với hồ sơ thực tế của cơ quan đó.

Viện Tiêu chuẩn và Công nghệ Quốc gia Mỹ (National Institute of Standards and Technology, NIST) nêu trong tiêu chuẩn chữ ký số FIPS 186-5 rằng chữ ký được dùng để phát hiện thay đổi trái phép đối với dữ liệu và xác thực người ký. Tuy nhiên, chữ ký hợp lệ không tự xác nhận nội dung tài liệu là đúng sự thật.

Hướng dẫn về định danh số SP 800-63A của NIST quy định yêu cầu xác minh khác nhau tùy cấp độ bằng chứng. Với bằng chứng cấp SUPERIOR, cần kiểm tra chữ ký số của cơ quan phát hành và chuỗi chứng thư dẫn tới điểm neo tin cậy. Các thuộc tính cốt lõi cần được đối chiếu với nguồn có thẩm quyền hoặc đáng tin cậy; nếu thuộc tính do cơ quan phát hành ký, có thể dùng khóa công khai của cơ quan đó để xác minh tính chính xác.

Tra cứu cơ quan phát hành là bước kiểm tra xem nội dung tài liệu đã nộp có khớp với hồ sơ thực tế của cơ quan hay không. Dấu vết chỉnh sửa trên hình ảnh hoặc trạng thái chữ ký không thể thay thế bước đối chiếu này.

Chuẩn về nguồn gốc nội dung C2PA áp dụng chữ ký mật mã cho Content Credentials, một cấu trúc dữ liệu chứa thông tin nguồn gốc gắn với tệp. Cách này giúp kiểm tra thông tin được ghi nhận hoặc tệp có bị thay đổi hay không.

Tuy nhiên, lịch sử nguồn gốc có thể kiểm tra chỉ giới hạn trong phạm vi thông tin được cung cấp và xác minh. C2PA cho biết riêng thông tin nguồn gốc không bảo đảm nội dung là thật, chính xác hay có đầy đủ lịch sử nguồn gốc.

Nếu ghi mã băm thay vì nội dung tài liệu lên blockchain, có thể so sánh mã băm đã đăng ký với tệp thu thập được sau này để kiểm tra hai tệp có giống nhau hay không. Cách làm này dùng để xác định tài liệu có bị thay đổi sau khi được ghi nhận.

Mã băm không cho biết tài liệu có đúng sự thật trước khi đăng ký hay người đăng ký có thẩm quyền phát hành hay không. Tài liệu về oracle của Ethereum (ETH) cũng nêu rằng cần xác minh nguồn và độ chính xác của dữ liệu bên ngoài trước khi đưa dữ liệu đó lên chuỗi.

Ủy ban Bảo vệ Dữ liệu châu Âu (European Data Protection Board, EDPB) lưu ý rằng việc xóa hoặc sửa thông tin cá nhân trên blockchain có thể khó khăn, đồng thời khuyến nghị lưu trữ càng ít dữ liệu cá nhân càng tốt trên chuỗi. Tùy tình huống, mã băm cũng có thể được xem là dữ liệu cá nhân.

Tại Hàn Quốc, Bộ Khoa học và Công nghệ thông tin và truyền thông giải thích nghĩa vụ minh bạch tại Điều 31 của Luật Cơ bản về AI bao gồm thông báo trước về dịch vụ AI và gắn nhãn nội dung do AI tạo ra. Việc thông báo có sử dụng AI là một biện pháp riêng, không thay thế quy trình xác minh hồ sơ tài chính có khớp với hồ sơ thực tế của cơ quan phát hành hay không.