مهارت نگران‌کننده هوش مصنوعی در جعل اسناد

مرز جدیدی در فریب دیجیتال

پیشرفت بی‌وقفه هوش مصنوعی همچنان به تغییر شکل چشم‌انداز دیجیتال ما ادامه می‌دهد و قابلیت‌هایی را ارائه می‌کند که زمانی محدود به داستان‌های علمی تخیلی بودند. در میان آخرین پیشرفت‌ها، ظرفیت مدل‌های پیچیده هوش مصنوعی برای تولید تصاویر فوق‌العاده واقعی برجسته است. با این حال، یک جنبه خاص و شاید دست‌کم گرفته شده از این فناوری اکنون نگرانی‌های قابل توجهی را برانگیخته است: توانایی ارائه متن بسیار قانع‌کننده در تصاویر تولید شده. نسخه اخیر OpenAI، مدل 4o، جهشی شگفت‌انگیز در این زمینه نشان می‌دهد و بسیار فراتر از کاراکترهای درهم و بی‌معنی که تولیدکنندگان تصویر هوش مصنوعی قبلی را آزار می‌داد، حرکت می‌کند. این مهارت تازه کشف شده فقط یک نقطه عطف فنی نیست؛ بلکه ناخواسته در حال باز کردن یک جعبه ابزار قدرتمند برای ایجاد اسناد جعلی با سهولت و وفاداری بی‌سابقه است و مفهوم اصالت در قلمرو دیجیتال را به چالش می‌کشد.

پیامدهای آن گسترده است. در حالی که نسل‌های قبلی هوش مصنوعی با پیچیدگی‌های تایپوگرافی به شدت دست و پنجه نرم می‌کردند و اغلب تصاویری تولید می‌کردند که در آن متن بیشتر شبیه هنر انتزاعی بود تا نوشته خوانا، آخرین مدل‌ها می‌توانند فونت‌ها، طرح‌بندی‌ها و نواقص ظریفی را که در اسناد دنیای واقعی یافت می‌شوند، تکرار کنند. این پیشرفت نشان‌دهنده یک تغییر پارادایم است. آنچه زمانی فرآیندی دشوار و اغلب نیازمند کار دستی فشرده بود که به مهارت‌های طراحی گرافیک و نرم‌افزارهای تخصصی نیاز داشت، اکنون از طریق دستورات متنی ساده به هوش مصنوعی قابل دسترسی است. مانع ورود برای ایجاد اقلام تقلبی، از موارد پیش پا افتاده گرفته تا موارد بسیار حساس، به سرعت در حال کاهش است و تهدیدی جدید و فزاینده را در بخش‌های مختلف ارائه می‌دهد.

معمای متن در تصویر حل شد؟

سال‌ها، پاشنه آشیل تولید تصویر با هوش مصنوعی، متن بود. مدل‌ها می‌توانستند مناظر نفس‌گیر، موجودات خارق‌العاده و پرتره‌های فوتورئالیستی را تداعی کنند، اما اگر از آنها خواسته می‌شد نوشته‌ای خوانا - یک تابلوی خیابان، برچسب روی بطری، متن روی یک سند - را شامل شوند، نتایج اغلب به طرز خنده‌داری ضعیف بود. حروف بدشکل می‌شدند، کلمات غلط املایی داشتند یا بی‌معنی بودند، فاصله‌گذاری نامنظم بود و فونت‌ها ناسازگار بودند. این محدودیت ناشی از روش اساسی یادگیری این مدل‌ها بود: آنها در تشخیص و تکرار الگوهای بصری، بافت‌ها و اشکال عالی بودند، اما با ماهیت نمادین و ساختاری زبان تعبیه شده در یک تصویر دست و پنجه نرم می‌کردند. متن نه تنها به دقت بصری بلکه به درجه‌ای از درک معنایی و پایبندی به قوانین املایی نیاز دارد، مفاهیمی که درک آنها برای سیستم‌های صرفاً مبتنی بر الگو دشوار بود.

مدل‌هایی مانند 4o از OpenAI وارد می‌شوند. در حالی که پایه‌های فنی دقیق آن اختصاصی است، نتایج نشان‌دهنده یک تکامل قابل توجه است. به نظر می‌رسد این معماری‌های جدیدتر درک پیچیده‌تری از متن به عنوان یک عنصر متمایز در یک تصویر را ادغام می‌کنند. آنها می‌توانند فونت‌های خاصی تولید کنند، فاصله بین حروف (kerning) و فاصله بین خطوط (leading) را ثابت نگه دارند و کاراکترها و نمادهای پیچیده را به دقت ارائه دهند. این فقط مربوط به قرار دادن پیکسل‌ها نیست؛ بلکه مربوط به بازآفرینی ظاهر متن واقعی روی یک رسانه خاص است، خواه جوهر روی کاغذ، متن نمایشگر دیجیتال یا حروف برجسته باشد. به نظر می‌رسد هوش مصنوعی قادر به شبیه‌سازی ظرایفی است که به متن در زمینه‌های بصری اصالت می‌بخشد. کاربرانی که این قابلیت‌ها را بررسی می‌کردند به سرعت دریافتند که درخواست‌ها برای تصاویری حاوی متن خاص، حتی در قالب اسناد رسمی، با دقت شگفت‌انگیزی برآورده می‌شوند. این مهارت، تولید تصویر با هوش مصنوعی را از یک ابزار صرفاً هنری یا خلاقانه به حوزه‌ای با پتانسیل جدی برای سوء استفاده منتقل می‌کند.

جعل بر اساس تقاضا: طیف اسناد جعلی

توانایی تازه کشف شده هوش مصنوعی در ارائه دقیق متن در تصاویر، جعبه پاندورای واقعی از جعل‌های بالقوه را باز می‌کند. نمونه‌های اولیه که توسط کاربران برجسته شد، مانند رسیدهای هزینه جعلی، تنها نوک کوه یخ را نشان می‌دهند، اگرچه نگرانی قابل توجهی برای کسب‌وکارهایی است که قبلاً با کلاهبرداری در هزینه‌ها دست و پنجه نرم می‌کردند. تصور کنید کارمندی یک رسید کاملاً ساختگی برای یک شام مجلل که هرگز اتفاق نیفتاده است، همراه با نام رستوران قابل قبول، تاریخ، لیست اقلام و کل مبلغ - همه در چند ثانیه توسط هوش مصنوعی تولید شده - ارائه دهد. تأیید صحت چنین ادعاهایی زمانی که مدرک ارائه شده از نسخه واقعی قابل تشخیص نباشد، به طور تصاعدی دشوارتر می‌شود.

با این حال، پیامدها بسیار فراتر از حساب‌های هزینه شرکت‌ها است. پتانسیل تولید موارد زیر را در نظر بگیرید:

• نسخه‌های جعلی: همانطور که توسط کاربران اولیه نشان داده شد، می‌توان از هوش مصنوعی خواست تا تصاویری شبیه به نسخه‌های داروهای کنترل شده ایجاد کند. در حالی که یک تصویر ثابت به خودی خود یک نسخه معتبر نیست، استفاده بالقوه آن در کلاهبرداری‌های پیچیده‌تر یا تلاش برای تهیه غیرقانونی دارو را نمی‌توان نادیده گرفت. می‌توان از آن به عنوان الگو یا بخشی از یک فریب بزرگتر که داروخانه‌های آنلاین یا فرآیندهای تأیید کمتر سخت‌گیرانه را هدف قرار می‌دهد، استفاده کرد.
• شناسایی تقلبی: توانایی تولید گواهینامه‌های رانندگی، گذرنامه‌ها یا کارت‌های شناسایی ملی با ظاهر واقعی، یک خطر امنیتی جدی ایجاد می‌کند. در حالی که ویژگی‌های امنیتی فیزیکی (هولوگرام‌ها، تراشه‌های تعبیه شده) مانعی برای جعل‌های فیزیکی باقی می‌مانند، کپی‌های دیجیتالی با وفاداری بالا می‌توانند برای تأیید سن آنلاین، دور زدن بررسی‌های شناخت مشتری (KYC) یا تسهیل سرقت هویت استفاده شوند. ایجاد یک فاکسی‌میلی دیجیتال قانع‌کننده به طرز نگران‌کننده‌ای ساده می‌شود.
• اسناد مالی جعلی: تولید صورت‌حساب‌های بانکی جعلی، فیش‌های حقوقی یا حتی چک‌ها اکنون قابل تصور است. چنین اسنادی می‌توانند برای درخواست متقلبانه وام، اجاره‌نامه یا مزایای دولتی استفاده شوند و تصویری نادرست از سلامت مالی یا درآمد ارائه دهند. توانایی هوش مصنوعی در تکرار لوگوهای بانکی خاص، قالب‌بندی و جزئیات تراکنش، لایه‌ای خطرناک از باورپذیری را اضافه می‌کند.
• اوراق قانونی و رسمی جعلی: ایجاد گواهی‌های تولد تقلیدی، گواهی‌های ازدواج، فرم‌های مالیاتی یا اسناد دادگاه وارد قلمرو امکان می‌شود. در حالی که فرآیندهای تأیید رسمی اغلب به پایگاه‌های داده و سوابق فیزیکی متکی هستند، وجود جعل‌های بسیار واقعی، غربالگری اولیه را پیچیده می‌کند و می‌تواند اشکال مختلف کلاهبرداری یا ارائه نادرست را امکان‌پذیر سازد.
• مدارک تحصیلی و حرفه‌ای: ساخت دیپلم‌ها، گواهی‌های مدرک یا مجوزهای حرفه‌ای آسان‌تر می‌شود. افراد می‌توانند از مدارک تولید شده توسط هوش مصنوعی برای ارائه نادرست صلاحیت‌های خود به کارفرمایان یا مشتریان بالقوه استفاده کنند، اعتماد به استانداردهای حرفه‌ای را تضعیف کرده و به طور بالقوه افراد فاقد صلاحیت را در موقعیت‌های مسئولیت قرار دهند.

سهولتی که با آن می‌توان این اسناد متنوع را با استفاده از هوش مصنوعی شبیه‌سازی کرد، یک چالش اساسی را نشان می‌دهد. این فناوری تولید تصویر را به سلاح تبدیل می‌کند و آن را به یک موتور بالقوه برای فریب گسترده در حوزه‌های شخصی، شرکتی و دولتی تبدیل می‌کند. حجم عظیم جعل‌های بالقوه می‌تواند سیستم‌های تأیید موجود را تحت تأثیر قرار دهد.

فریب گزارش هزینه: مشکلی بزرگ‌تر شده

کلاهبرداری در بازپرداخت هزینه پدیده جدیدی نیست. کسب‌وکارها مدت‌هاست با کارمندانی که ادعاهای متورم یا کاملاً ساختگی ارائه می‌دهند، دست و پنجه نرم می‌کنند. یک نظرسنجی در سال 2015، که مدت‌ها قبل از در دسترس قرار گرفتن نسل فعلی ابزارهای هوش مصنوعی انجام شد، آمار شگفت‌انگیزی را نشان داد: 85 درصد از پاسخ‌دهندگان به نادرستی‌ها یا دروغ‌های آشکار اعتراف کردند هنگام درخواست بازپرداخت، با هدف به جیب زدن پول اضافی. این آسیب‌پذیری از پیش موجود، ضعف‌های سیستمی در کنترل‌های مالی شرکت‌ها را برجسته می‌کند. روش‌های رایج شامل ارائه ادعا برای هزینه‌های شخصی پنهان شده به عنوان هزینه‌های تجاری، تغییر مبالغ در رسیدهای قانونی یا ارائه ادعاهای تکراری بود.

دلایل شیوع چنین کلاهبرداری‌هایی اغلب به کنترل‌های داخلی ناکافی و فرآیندهای پرداختنی ناقص برمی‌گردد. بررسی‌های دستی زمان‌بر و اغلب سطحی هستند، به خصوص در سازمان‌های بزرگی که تعداد زیادی گزارش هزینه را پردازش می‌کنند. سیستم‌های خودکار ممکن است مغایرت‌های آشکار را علامت‌گذاری کنند، اما دستکاری‌های ظریف یا ادعاهای کاملاً ساختگی اما قابل قبول می‌توانند به راحتی از قلم بیفتند. اغلب به تأیید مدیریتی اتکا می‌شود که می‌تواند سرسری باشد، به خصوص اگر مبالغ در نگاه اول معقول به نظر برسند. حجم زیاد تراکنش‌ها می‌تواند محیطی ایجاد کند که در آن بررسی دقیق تک تک رسیدها غیرعملی باشد.

اکنون، تولید تصویر با هوش مصنوعی را وارد این سیستم ناقص کنید. توانایی ایجاد فوری یک رسید جعلی سفارشی و از نظر بصری بی‌نقص، تلاش لازم برای ارتکاب کلاهبرداری را به طور چشمگیری کاهش می‌دهد و دشواری کشف را به میزان قابل توجهی افزایش می‌دهد. یک کارمند دیگر نیازی به مهارت‌های ابتدایی ویرایش گرافیکی یا دسترسی به رسیدهای فیزیکی ندارد؛ آنها می‌توانند به سادگی از هوش مصنوعی بخواهند: “یک رسید واقعی برای شام کاری سه نفره در ‘The Capital Grille’ در Boston، به تاریخ دیروز، به مبلغ کل 287.54 دلار، شامل پیش‌غذا، غذای اصلی و نوشیدنی تولید کن.” هوش مصنوعی به طور بالقوه می‌تواند تصویری تولید کند که بازرسی بصری را با موفقیت پشت سر بگذارد. این قابلیت تهدید را مقیاس‌پذیر می‌کند، تلاش برای کلاهبرداری را برای افراد بیشتری آسان‌تر می‌کند و برای شرکت‌ها سخت‌تر می‌کند که بدون پیاده‌سازی روش‌های تشخیص پیچیده‌تر و بالقوه مبتنی بر هوش مصنوعی، آن را کشف کنند - که منجر به یک مسابقه تسلیحاتی فناوری فزاینده می‌شود. هزینه برای کسب‌وکارها فقط زیان مالی مستقیم ناشی از ادعاهای متقلبانه نیست، بلکه افزایش سرمایه‌گذاری مورد نیاز برای سیستم‌های تأیید قوی نیز هست.

فراتر از پول خرد: مخاطرات فزاینده جعل با هوش مصنوعی

در حالی که گزارش‌های هزینه متقلبانه نشان‌دهنده یک تخلیه مالی قابل توجه برای کسب‌وکارها است، پیامدهای جعل اسناد مبتنی بر هوش مصنوعی به حوزه‌هایی با مخاطرات بسیار بالاتر گسترش می‌یابد و به طور بالقوه بر ایمنی شخصی، امنیت ملی و یکپارچگی صنایع تنظیم‌شده تأثیر می‌گذارد. به عنوان مثال، ایجاد نسخه‌های تقلبی، فراتر از کلاهبرداری مالی به حوزه خطرات بهداشت عمومی حرکت می‌کند. تولید یک نسخه با ظاهر قابل قبول برای داروهایی مانند Zoloft، همانطور که کاربران گزارش داده‌اند با 4o به دست آورده‌اند، می‌تواند تلاش‌ها برای به دست آوردن غیرقانونی داروها، دور زدن مشاوره‌های پزشکی ضروری یا کمک به تجارت غیرقانونی مواد مخدر را تسهیل کند. در حالی که یک تصویر دیجیتال به تنهایی ممکن است در یک داروخانه معتبر کافی نباشد، استفاده از آن در زمینه‌های آنلاین یا کانال‌های کمتر تنظیم‌شده، خطر آشکاری را ایجاد می‌کند.

چشم‌انداز اسناد شناسایی به راحتی قابل جعل شاید حتی نگران‌کننده‌تر باشد. شناسنامه‌های جعلی، گذرنامه‌ها و سایر مدارک ابزارهای اساسی برای فعالیت‌های غیرقانونی از مصرف الکل توسط افراد زیر سن قانونی گرفته تا سرقت هویت، مهاجرت غیرقانونی و حتی تروریسم هستند. در حالی که ایجاد جعل‌های فیزیکی قانع‌کننده با ویژگی‌های امنیتی تعبیه شده چالش‌برانگیز باقی می‌ماند، نسخه‌های دیجیتالی با کیفیت بالا که توسط هوش مصنوعی تولید می‌شوند، می‌توانند در دنیای آنلاین فوق‌العاده مؤثر باشند. می‌توان از آنها برای دور زدن دروازه‌های سنی در وب‌سایت‌ها، ایجاد پروفایل‌های رسانه‌های اجتماعی جعلی برای کمپین‌های اطلاعات نادرست، یا گذراندن بررسی‌های اولیه KYC در پلتفرم‌های مالی قبل از انجام تأیید دقیق‌تر استفاده کرد. سهولت تولید به این معنی است که بازیگران بد می‌توانند به طور بالقوه هویت‌های مصنوعی متعددی ایجاد کنند و ردیابی و پیشگیری را برای سازمان‌های مجری قانون و امنیتی به طور قابل توجهی دشوارتر کنند.

علاوه بر این، توانایی جعل اسناد مالی مانند صورت‌حساب‌های بانکی یا چک‌ها پیامدهای عمیقی برای بخش مالی دارد. درخواست‌های وام، تأییدیه‌های وام مسکن و افتتاح حساب‌های سرمایه‌گذاری اغلب به اسناد ارسالی برای تأیید درآمد و دارایی‌ها متکی هستند. جعل‌های تولید شده توسط هوش مصنوعی می‌توانند به افراد یا سازمان‌ها اجازه دهند تصویری مالی گمراه‌کننده و خوش‌بینانه ارائه دهند و اعتبار یا سرمایه‌گذاری را تحت عناوین دروغین تضمین کنند. این نه تنها خطر نکول و زیان‌های مالی را برای مؤسسات افزایش می‌دهد، بلکه اعتمادی را که زیربنای معاملات مالی است، تضعیف می‌کند. به طور مشابه، گواهی‌های تولد یا فرم‌های مالیاتی جعلی می‌توانند برای ادعای متقلبانه مزایای دولتی، فرار مالیاتی یا ایجاد هویت‌های جعلی برای سایر اهداف شوم استفاده شوند. وجه مشترک، فرسایش اعتماد به اسنادی است که جامعه برای عملکردهای حیاتی به آنها متکی است.

معضل شناسایی: نبردی دشوار

با افزایش قابلیت‌های تولید هوش مصنوعی، سوال حیاتی این می‌شود: آیا می‌توانیم به طور قابل اعتماد این جعل‌ها را شناسایی کنیم؟ چشم‌انداز چالش‌برانگیز است. روش‌های سنتی تشخیص جعل اغلب به شناسایی ناسازگاری‌های ظریف، مصنوعات باقی‌مانده از نرم‌افزار ویرایش یا انحراف از الگوهای شناخته شده متکی هستند. با این حال، اسناد تولید شده توسط هوش مصنوعی می‌توانند به طرز قابل توجهی تمیز و سازگار باشند و به طور بالقوه فاقد علائم آشکار دستکاری دستی باشند. آنها همچنین می‌توانند از نو تولید شوند و کاملاً با پارامترهای درخواستی مطابقت داشته باشند، که مقایسه الگو را کمتر مؤثر می‌کند.

راه‌حل‌های فنی پیشنهادی، مانند واترمارک‌های دیجیتال یا فراداده‌های تعبیه شده که منشأ هوش مصنوعی را نشان می‌دهند، با موانع قابل توجهی روبرو هستند. اولاً، این پادمان‌ها داوطلبانه هستند؛ توسعه‌دهندگان باید انتخاب کنند که آنها را پیاده‌سازی کنند، و بازیگران بد که از مدل‌های منبع باز یا سیستم‌های سفارشی استفاده می‌کنند، به سادگی آنها را حذف خواهند کرد. ثانیاً، واترمارک‌ها و فراداده‌ها اغلب شکننده هستند و به راحتی حذف می‌شوند. اقدامات ساده‌ای مانند گرفتن اسکرین‌شات، تغییر اندازه تصویر یا تبدیل فرمت فایل می‌تواند این اطلاعات را حذف کند یا واترمارک‌ها را غیرقابل شناسایی کند. بازیگران مخرب بدون شک تکنیک‌هایی را به طور خاص برای دور زدن این اقدامات حفاظتی توسعه خواهند داد. یک بازی مداوم موش و گربه بین تکنیک‌های تولید و روش‌های تشخیص وجود دارد، و از نظر تاریخی، حمله اغلب، حداقل در ابتدا، برتری دارد.

علاوه بر این، آموزش مدل‌های هوش مصنوعی برای تشخیص محتوای تولید شده توسط هوش مصنوعی ذاتاً دشوار است. مدل‌های تشخیص باید با تکامل مدل‌های تولید به طور مداوم به‌روز شوند. آنها همچنین می‌توانند در برابر حملات متخاصمانه آسیب‌پذیر باشند - تغییرات ظریفی که به طور خاص برای فریب دادن آشکارسازها در یک تصویر تولید شده توسط هوش مصنوعی ایجاد می‌شوند. تنوع زیاد اسناد بالقوه و ظرافت‌های ظاهر آنها، ایجاد یک آشکارساز هوش مصنوعی جهانی و بی‌نقص را به یک کار طاقت‌فرسا تبدیل می‌کند. ممکن است وارد دوره‌ای شویم که شواهد بصری، به ویژه در قالب دیجیتال، به درجه بسیار بالاتری از شک و تردید و تأیید از طریق کانال‌های مستقل نیاز داشته باشد. اتکای صرف به وفاداری بصری یک سند به طور فزاینده‌ای به یک استراتژی غیرقابل اعتماد تبدیل می‌شود.

فروپاشی بنیان اعتماد دیجیتال

تأثیر تجمعی ابزارهای جعل هوش مصنوعی با وفاداری بالا و دسترسی آسان، فراتر از موارد خاص کلاهبرداری است. این به بنیان اعتماد در دنیای دیجیتالی فزاینده ما ضربه می‌زند. برای دهه‌ها، ما به سمت اتکا به نمایش‌های دیجیتالی حرکت کرده‌ایم - اسناد اسکن شده، فرم‌های آنلاین، شناسه‌های دیجیتال. فرض اساسی این بوده است که، در حالی که دستکاری امکان‌پذیر بود، به سطح معینی از مهارت و تلاش نیاز داشت و درجه‌ای از اصطکاک را فراهم می‌کرد. هوش مصنوعی آن اصطکاک را از بین می‌برد.

هنگامی که اصالت هر سند دیجیتالی - یک رسید، یک شناسه، یک گواهی، یک عکس خبری، یک اخطار قانونی - می‌تواند با حداقل تلاش با استفاده از ابزارهای به راحتی در دسترس به طور قانع‌کننده‌ای جعل شود، فرض پیش‌فرض باید از اعتماد به شک و تردید تغییر کند. این عواقب عمیقی دارد:

• افزایش هزینه‌های تأیید: کسب‌وکارها و مؤسسات باید بیشتر در فرآیندهای تأیید سرمایه‌گذاری کنند، که به طور بالقوه شامل احراز هویت چند عاملی، ارجاع متقابل با پایگاه‌های داده خارجی، یا حتی بازگشت به بررسی‌های فیزیکی دست و پا گیرتر می‌شود. این امر اصطکاک و هزینه را به معاملات و تعاملات اضافه می‌کند.
• فرسایش اعتماد اجتماعی: سهولت تولید شواهد جعلی می‌تواند اختلافات اجتماعی را تشدید کند، به تئوری‌های توطئه دامن بزند و ایجاد درک مشترک از حقایق را دشوارتر کند. اگر هر تصویر یا سندی را بتوان به عنوان یک جعل بالقوه هوش مصنوعی رد کرد، واقعیت عینی گریزان‌تر می‌شود.
• چالش‌ها برای روزنامه‌نگاری و شواهد: سازمان‌های خبری و سیستم‌های حقوقی به شدت به شواهد عکاسی و مستند متکی هستند. تکثیر جعل‌های واقع‌گرایانه، راستی‌آزمایی و اعتبارسنجی شواهد را پیچیده می‌کند و به طور بالقوه اعتماد عمومی به رسانه‌ها و سیستم قضایی را تضعیف می‌کند.
• آسیب‌پذیری شخصی: افراد در برابر کلاهبرداری‌هایی که از اسناد جعلی استفاده می‌کنند (مانند فاکتورهای جعلی، تهدیدهای قانونی ساختگی) و سرقت هویت که توسط شناسه‌های دیجیتال تقلبی تسهیل می‌شود، آسیب‌پذیرتر می‌شوند.

عبارت “دیگر نمی‌توانید هر چیزی را که آنلاین می‌بینید باور کنید” ممکن است اغراق‌آمیز به نظر برسد، اما جوهر چالش را به تصویر می‌کشد. در حالی که تفکر انتقادی و تأیید منبع همیشه مهم بوده‌اند، مانع فنی که زمانی محتوای واقعی را از جعل‌های پیچیده جدا می‌کرد، در حال فروپاشی است و نیازمند ارزیابی مجدد اساسی نحوه تعامل ما با اطلاعات دیجیتال و اعتبارسنجی آن است. طوفان اسناد جعلی، که توسط هوش مصنوعی قدرت گرفته است، نه تنها به راه‌حل‌های فناورانه برای تشخیص نیاز دارد، بلکه به سازگاری اجتماعی با یک محیط دیجیتال با اعتماد پایین‌تر نیز نیازمند است.