خداحافظی با بانک‌های بی‌روح؛ هوش مصنوعی چگونه بانکداری در اروپا را متحول و اختصاصی می‌کند؟

اروپایی‌ها هنوز هم بیش‌تر کار‌های بانکی خود را با نهادهای سنتی انجام می‌دهند، اما واقعیت این است که روزبه‌روز از کیفیت این خدمات ناامیدتر می‌شوند. به تازگی نتایج یک نظرسنجی گسترده از ۶۳۰۰ کاربر بانکداری آنلاین در سراسر اروپا منتشر شده که نشان می‌دهد وفاداری به بانک‌های سنتی شدیداً شکننده شده است.

با این‌که ۸۲ درصد پاسخ‌دهندگان هنوز یک بانک سنتی را به عنوان حساب اصلی خود انتخاب کرده‌اند، اما ۲۶ درصد آن‌ها پیش از این به دلیل خدمات دیجیتال ضعیف بانک خود را عوض کرده‌اند و اگر اوضاع تغییر نکند، دوباره این کار را خواهند کرد! همچنین ۴۷ درصد افراد اعلام کرده‌اند در صورت ارتقای خدمات آنلاین، رضایت بیشتری خواهند داشت و مهم‌ترین خواسته آن‌ها در این میان، دریافت پیشنهاد‌ها و توصیه‌های مالی اختصاصی و هوشمند است.

دیدگاه کارشناسی از مدیران ارشد بخش خدمات مالی در شرکت اینفوسیس (Infosys):

مشتریان امروزی واقعاً از بانک‌ها چه می‌خواهند؟

با دیجیتالی شدن صنعت بانکداری، تراکنش‌های روان و آسان به یک استاندارد همگانی تبدیل شده و تفاوت چندانی میان بانک‌های مختلف دیده نمی‌شود. هرچند کانال‌های آنلاین سریع و کارآمد هستند، اما کاملاً بی‌روح و غیرشخصی حس می‌شوند. برای اغلب کاربران، اپلیکیشن‌های بانکی صرفاً ابزاری برای انجام سریع کار‌های روزمره مانند چک کردن موجودی حساب هستند؛ روندی که رفته‌رفته به یک فاصله عاطفی میان مشتری و بانک انجامیده است.

در این میان تناقض جالبی وجود دارد: همان کاربرانی که شیفته سهولت بانکداری دیجیتال شده‌اند، حالا خواهان تعاملاتی شخصی‌سازی‌شده و گرم‌تر با بانک خود هستند. برای مثال، ۵۹ درصد از مصرف‌کنندگان اروپایی در پی دریافت مشاوره‌های مالی متناسب با نیازهای فردی خود هستند و بانک‌هایی که نتوانند این سطح از توجه را تأمین کنند، به زودی شاهد از دست رفتن مشتریان خود خواهند بود.

خبر خوب این است که فناوری‌های هوش مصنوعی وارد میدان شده‌اند تا این دو خواسته به‌ظاهر متناقض را به هم پیوند بزنند. برخلاف فناوری‌های پیشین که تنها شخصی‌سازی‌های کلی در سطح دسته‌های جمعیتی را ممکن می‌کردند، هوش مصنوعی توانسته «فوق‌شخصی‌سازی» (Hyper-personalization) را به شکلی زنده، بلادرنگ و در مقیاس میلیون‌ها کاربر پیاده کند.

شخصی‌سازی تمام‌عیار؛ از پیشنهاد محصولات تا شیوه ارتباط

مدل‌های تحلیل پیشرفته، داده‌های تراکنش و سوابق مشتریان را به دقت زیر ذره‌بین می‌گذارند تا درک عمیقی از نیازها، ترجیحات و رفتارهای تک‌تک افراد به دست آورند. موتورهای هوشمند سپس بر اساس این الگوها، مناسب‌ترین محصولات و خدمات مالی را پیشنهاد می‌کنند. جالب این‌که هوش مصنوعی علاوه بر داده‌های مالی کلاسیک مانند تعیین ریسک اعطای وام یا سبد سرمایه‌گذاری، می‌تواند الگوهای رفتاری مشتری در بیرون از فضای بانک را نیز لحاظ کند.

یک مثال برجسته، سرویس محبوب «الان بخر، بعداً پرداخت کن» (BNPL) است؛ جایی که فروشگاه‌های اینترنتی بر اساس سوابق خریدهای پیشین و سایر متغیرها، اعتبار کاربر را در کسری از ثانیه می‌سنجند و اجازه خرید اقساطی را صادر می‌کنند.

ابزار‌های هوش مصنوعی همچنین قادرند الگوهای جریان نقدینگی یا ناهنجاری‌های مالی را فوراً شناسایی کرده و برای مدیریت بهتر دارایی‌ها، مشاوره‌های پیشگیرانه به کاربر ارائه دهند. از سوی دیگر چت‌بات‌ها و کارشناسان مجازی مجهز به هوش مصنوعی مولد در هر ساعت از شبانه‌روز آماده گفت‌وگو هستند؛ آن‌ها درست مانند یک مشاور بانکی کارکشته به زبان طبیعی صحبت می‌کنند، به پرسش‌ها پاسخ می‌دهند و حتی مشکلات پیچیده را بدون معطلی رفع می‌کنند.

کاربران می‌توانند پرسش‌های اختصاصی خود درباره سبد سهام یا برنامه‌های مالی آینده را بپرسند و هوش مصنوعی مولد به صورت مستقل یا در کنار مشاوران انسانی، توصیه‌هایی کاملاً هدفمند و متناسب با شرایط همان کاربر ارائه می‌دهد.

جالب این‌که قدرت هوش مصنوعی مولد در گفت‌وگوی صمیمانه و انسانی، فرایند وصول مطالبات و بدهی‌ها را هم دگرگون کرده است. سیستم‌های مجهز به پردازش زبان طبیعی و یادگیری ماشین، ترجیحات و روحیات بدهکاران را تحلیل کرده و پیام‌هایی همدلانه و متناسب با وضعیت آن‌ها طراحی می‌کنند. این راهکار نه تنها تنش‌ها و اصطکاک را به حداقل می‌رساند، بلکه با ارائه گزینه‌های بازپرداخت منعطف و قابل قبول، نرخ وصول معوقات را به شدت بالا می‌برد.

انقلاب بزرگ در شیوه ارتباط با مخاطبان

در بخش ارتباطات، بمباران مخاطبان با پیام‌های عمومی و کلیشه‌ای بی‌اثر است و ناتوانی بانک در درک مشتری را نمایان می‌کند. این کار تنها موجب کلافگی کاربرانی می‌شود که همین حالا هم زیر آوار پیامک‌های تبلیغاتی و اسپم‌ها قرار دارند. هوش مصنوعی این سبک پرهزینه را تغییر داده و به بانک‌ها اجازه می‌دهد پیام‌هایی کاملاً مرتبط و جذاب تولید کنند.

در وهله اول، ابزار‌های پیش‌بینی ارزیابی می‌کنند که کدام کاربران به چه پیامی پاسخ مثبت نشان می‌دهند؛ سپس هوش مصنوعی مولد دست به کار شده و پیام‌هایی متناسب و اختصاصی را به زبان منتخب هر کاربر خلق می‌کند. در کنار این، الگوریتم‌ها بهترین کانال، قالب و زمان ارسال پیام را مشخص می‌کنند تا مشتری حقیقتاً حس کند بانک نیازهای او را فهمیده و برای وقت او ارزش قائل است.

صنعت بازی‌های ویدیویی نیز می‌دانی جذاب برای تعامل بانک‌ها با نسل جوان و علاقه‌مندان به دنیای دیجیتال از طریق هوش مصنوعی مولد است. با حضور گسترده گیمرها در دنیاهای واقعیت مجازی، بانک‌ها می‌توانند از هوش مصنوعی مولد برای طراحی خدمات مالی اختصاصی، متناسب با سبک زندگی گیمری استفاده کنند.

برای نمونه، بینش‌های حاصل از هوش مصنوعی می‌تواند به بانک‌ها امکان دهد بر اساس الگوهای خرج کردن در بازی، خدمات سرمایه‌گذاری خرد پیشنهاد دهند، خط اعتباری پویا برای خریدهای دیجیتال باز کنند و برنامه‌های پس‌اندازی طراحی کنند که پاداش‌های درون‌بازی به همراه داشته باشد.

با ادغام در پلتفرم‌های بازی و تحلیل لحظه‌ای داده‌ها، بانک‌ها می‌توانند تلنگرهای مالی به‌موقع ارائه دهند؛ از معرفی یک ابزار بودجه‌بندی گرفته تا پاداش‌های کریپتویی برای دستاوردهای گیمینگ! این تلفیق هوشمندانه دنیای بازی و امور مالی با کمک هوش مصنوعی مولد، جایگاه بانک‌ها را از یک مؤسسه مالی خشک به همراه سبک زندگی اقتصاد دیجیتال ارتقا می‌دهد.

علاوه بر این، مدل‌های هوش مصنوعی مدام از نتایج مثبت و منفی تعاملات گذشته درس می‌گیرند؛ یعنی پیشنهاد‌هایی را که با استقبال روبه‌رو شده تقویت کرده و گزینه‌های بی‌اثر را کنار می‌گذارند. این یادگیری پیوسته سبب می‌شود دقت و اثربخشی شخصی‌سازی لحظه‌به‌لحظه بیش‌تر شود.

وضعیت بانک‌های اروپایی در پذیرش هوش مصنوعی

در قاره اروپا، بازیگران نسل نو پیشتازان بلامنازع پذیرش هوش مصنوعی هستند. نئوبانک هلندی «بانگ» (Bunq) نخستین بانک مجهز به هوش مصنوعی در اروپا به شمار می‌رود؛ دستیار هوشمند مالی آن به نام «فین» (Finn)، از طریق گفت‌وگویی ساده و مسلط به موقعیت، پشتیبانی شخصی‌سازی‌شده ارائه می‌دهد و تا ۴۰ درصد درخواست‌های کاربران را به تنهایی حل‌وفصل می‌کند.

همچنین استارلینگ بانک (Starling Bank) با تحلیل تراکنش‌ها به کمک هوش مصنوعی و ارائه توصیه‌های سفارشی در اپلیکیشن موبایل خود، تعامل کاربران را ۲۵ درصد بالا برده است. بانک دیجیتال آلمانی «ان‌۲۶» (N26) نیز با پشتیبانی چندزبانه هوشمند، هوش مصنوعی مکالمه‌ای و ارائه خودکار بهترین پیشنهاد بعدی، تجربه مشتری را ارتقا داده است.

با این وجود، اغلب مؤسسات مالی اروپا هنوز مسیر درازی در پیش دارند. در یک نظرسنجی در سال ۲۰۲۴، هرچند ۹۰ درصد پاسخ‌دهندگان از ادغام برخی ابزار‌های هوش مصنوعی خبر دادند، اما فقط ۹ درصد باور داشتند که در به‌کارگیری این فناوری پیشگام هستند. تمرکز سرمایه‌گذاری‌ها بیش‌تر روی امور پشت‌صحنه و اداری بوده و استفاده از هوش مصنوعی در خدمات مستقیم به مشتریان همچنان عقب مانده است.

پاسخ‌دهندگان، کمبود تخصص، شناخت ناکافی و عدم شفافیت در قوانین نظارتی را بزرگ‌ترین موانع پیاده‌سازی هوش مصنوعی مولد اعلام کرده‌اند. شرکت‌ها می‌توانند با آموزش و ارتقای مهارت‌ها، گسترش کاربردهای هوش مصنوعی و طراحی سازوکارهای حاکمیتی قدرتمند، این چالش‌ها را پشت سر بگذارند و تحول را سرعت بخشند.