CSN tar hjälp av AI för att identifiera bidragsbrott

Centrala studiestödsnämnden, CSN, använder numera AI och ML för prediktiva, riskbaserade kontroller. På så sätt ska man – baserat på tidigare ansökningar – identifiera ärenden där det finns en ökad sannolikhet för bidragsbrott. Och resultatet är än så länge lyckat.  

– Under 2023 kunde vi tack vare de prediktiva kontrollerna göra polisanmälningar och återkräva 13 miljoner kronor. Dessutom förhindrade vi felaktiga utbetalningar på över sex miljoner kronor, säger Daniel Lindgren, controller på CSN:s utbetalningsavdelning. 

Tekniken som CSN använder sig av är en maskininlärningsmodell som skattar sannolikheten att individuella ansökningar görs på falska grunder.

– När vi ser att ärenden har en högre sannolikhet att vara uppsåtliga bidragsbrott så är det upp till våra studiestödsutredare att avgöra om det är ett bidragsbrott. Många gånger så kontaktar vi skolorna, både i Sverige och i utlandet, när det finns en misstanke om bidragsbrott. 

– Därutöver har vi slumpmässiga kontroller bland alla våra ansökningar för att säkerställa att varje ärende har en chans att kontrolleras.

"Omöjligt jobb för en person"

Maskininlärningsmodellen hjälper CSN att kvantifiera risker utifrån komplexa träningsdata på ett sätt som hade varit omöjligt för en person att göra, enligt Daniel Lindgren. 

– Vi har blivit bättre på att upptäcka bidragsbrott tidigt i ansökningsprocessen, vilket leder till mindre felaktiga utbetalningar. Vi arbetar också mer resurseffektivt genom att fokusera våra studiestödsutredare på ansökningsärenden med en större andel bidragsbrott. Det är trots allt i slutändan våra utredare som gör grovjobbet.

Finns det fler potentiella AI-användningsområden för CSN framåt?

– Just nu undersöker vi internt, men även i samarbete med andra myndigheter, möjligheten att använda oss av AI och maskininlärningsmodeller i olika sammanhang, till exempel för att ge bättre service till våra kunder, säger Daniel Lindgren.