AI-modell kan hitta gömda fel i a-kassornas utbetalningar
A-kassornas kontrollarbete kan förbättras med hjälp av att använda riskbaserade urval med prediktiv AI-modell. Det bedömer Inspektionen för arbetslöshetsförsäkringen i rapporten 2025:3 Gömda fel – mörkertal för felaktiga utbetalningar från arbetslöshetsförsäkringen.
A-kassorna hittar högst två tredjedelar av alla felaktiga utbetalningar
– Vår granskning visar att a-kassorna upptäcker omkring två tredjedelar av sina felaktiga utbetalningar och att de prediktiva modellerna som vi har använt har identifierat ytterligare fel som a-kassorna idag har svårt att upptäcka, säger Jessica Idbrant som är chef för Inspektionen för arbetslöshetsförsäkringens analysenhet.
Genom kontroll av ärenden som valts ut genom riskbaserat urval respektive slumpmässigt urval uppskattas de gömda felen till 1,0–2,6 respektive 1,4–4,3 procent av de tidrapporter som inte gett upphov till återkrav. De gömda felen är felaktiga utbetalningar som ännu inte upptäckts.
Omräknat till felaktiga utbetalningar för 2024 innebär det att 156–383 respektive 108–498 miljoner kronor uppskattningsvis var felaktiga utbetalningar som ännu inte har upptäckts av a-kassorna. Under 2024 återkrävde a-kassorna 260 miljoner. Det innebär att a-kassorna sammantaget hittade och återkrävde upp till omkring två tredjedelar av de totala felaktiga utbetalningarna i kronor för 2024. En tredjedel var alltså gömda fel.
Ett riskbaserat urval är ett mer effektivt urval
– Vi bedömer att riskbaserade urval baserade på AI-modeller kan bidra till en effektivare och mer träffsäker kontroll för att identifiera felaktiga utbetalningar, säger Jessica Idbrant.
Granskningen visar att det är mer träffsäkert att i kontroller av utbetald arbetslöshetsersättning välja ut tidrapporter baserat på förhöjd risk för felaktigheter enligt prediktiva modeller, så kallade riskbaserade urval, än att använda slumpmässiga urval. Granskningen visar också att ett riskbaserat urval identifierar tre gånger fler ärenden med bekräftade felaktiga utbetalningar än slumpurval, även om det totala antalet identifierade felaktiga utbetalningar var lågt.