بانک‌ها در تله هوش مصنوعی؛ چرا ساختار کهنه بانکداری باید از پایه بازسازی شود؟

برای دهه‌ها، فناوری بانکداری بر پایه یک توالی ساده و خطی عمل کرده است: انسان تصمیمی مالی می‌گیرد و فناوری بانک آن را پردازش می‌کند. مشتری تصمیم به افتتاح حساب، انتقال پول به سپرده پس‌انداز یا درخواست وام می‌گیرد و سیستم‌های بانک این دستور را مو‌به‌مو اجرا می‌کنند.

هوش مصنوعی این پتانسیل را دارد که این چرخه سنتی را کاملاً معکوس کند. به جای انتظار برای اینکه کاربر عملیاتی را مشخص کند، AI می‌تواند اهداف فرد را درک کند، زمینه مالی پیرامون آن هدف را بسنجد و مسیر بهینه بعدی را تعیین نماید. این سیستم‌ها می‌توانند تشخیص دهند که مشتری در آینده نزدیک با کمبود نقدینگی مواجه خواهد شد، راه‌های موجود برای جبران آن را شناسایی کنند و در نهایت اقدام مالی مناسب را به اجرا درآورند.

طبق برآوردهای مؤسسه McKinsey، هوش مصنوعی مولد می‌تواند سالانه بین ۲۰۰ تا ۳۴۰ میلیارد دلار ارزش برای صنعت بانکداری خلق کند. با این حال، بخش بزرگی از این صنعت صرفاً در حال افزودن AI به سیستم‌هایی است که برای همان مدل سنتی و قدیمی طراحی شده‌اند، نه اینکه مدل بنیادین خود را بر پایه هوش مصنوعی از نو بسازند.

مشکل اساسی اینجاست که هوش مصنوعی در همان ساختارهای جزیره‌ایِ محصولات و مرزهای پردازشی گذشته گرفتار می‌شود. در واقع بانک‌ها لایه فناورانه جدیدی به دست می‌آورند، اما توانایی تصمیم‌گیری فراسیستمی که برای تحقق کامل ظرفیت هوش مصنوعی ضروری است، شکل نمی‌گیرد.

موج اول همچنان بر بهبود فرایندها تمرکز دارد

محسوس‌ترین کاربردهای هوش مصنوعی در بانکداری، اغلب همان مواردی هستند که پیاده‌سازی آن‌ها آسان‌تر است. بانک‌ها از ابزارهای AI برای ارتقای خدمات مشتریان، خودکارسازی تشخیص تقلب، شخصی‌سازی پیشنهادها، خلاصه‌سازی اسناد و تسریع تصمیم‌گیری‌های اعتباری بهره می‌برند. به عنوان نمونه، گروه بانکداری Lloyds اعلام کرده است که در سال ۲۰۲۵ بیش از ۵۰ مورد کاربری هوش مصنوعی را در سراسر این مجموعه راه‌اندازی کرده که ارزشی نزدیک به ۵۰ میلیون پوند خلق کرده است و انتظار می‌رود در سال ۲۰۲۶ بیش از ۱۰۰ میلیون پوند ارزش افزوده دیگر ایجاد کند.

مؤسسه McKinsey نیز با تکیه بر تجربیات صنعت در کار با هوش مصنوعی مولد، دیدگاه مشابهی مطرح کرده است. صرفاً قرار دادن ابزارهای هوش مصنوعی بر فراز فرایندهای موجود، به تحولی بنیادین منجر نخواهد شد و حتی می‌تواند لایه تازه‌ای از بدهی فنی (Technical Debt) برای سازمان‌ها بسازد.

تفاوت بین یک معماری بومی هوش مصنوعی (AI-Native) و صرفاً افزودن یک چت‌بات به سیستمی سنتی را می‌توان با سه پرسش کلیدی سنجید:

• آیا هوش مصنوعی صرفاً از یک توالی ثابت از دستورالعمل‌ها پیروی می‌کند، یا قادر است اقدامات مختلف را در چارچوب یک سیستم امنیتی تعریف‌شده، منابع داده معتبر و ابزارهای تاییدشده انتخاب و هماهنگ کند؟
• آیا فرایند مورد نظر طوری طراحی شده است که ایجنت بتواند اقدام کند، در حالی که امکان بازبینی انسانی و ثبت تمامی تصمیمات برای تحلیل‌های آتی فراهم باشد؟
• آیا سطوح دسترسی، نظارت و کنترل‌های رگولاتوری به‌ویژه برای عملکردهای حیاتی مانند انطباق با قوانین و پیشگیری از کلاهبرداری، مستقیماً درون گردش کار تعبیه شده‌اند؟

چنانچه پاسخ به این پرسش‌ها منفی باشد، آن سازمان صرفاً یک رابط هوش مصنوعی به سیستم خود افزوده، بدون آنکه فرایند بنیادین را بازمهندسی کرده باشد.

گذار از محصول‌محوری به نتیجه‌محوری

تحول عمیق‌تر زمانی رقم می‌خورد که بانک نقطه آغاز خود را به جای محصولات بانکی، هدف نهایی مشتری قرار دهد.

مشتری‌ای را در نظر بگیرید که می‌خواهد سطح معینی از نقدینگی را حفظ کند و هم‌زمان بیشترین سود ممکن را از موجودی مازاد خود به دست آورد. یک سیستم بانکداری هوشمند می‌تواند به‌صورت مداوم مانده‌حساب، پرداخت‌های آتی، جریان درآمد، اعتبار در دسترس و سایر داده‌های مرتبط را پایش کند و سپس تعیین نماید که آیا این پول باید نقدی باقی بماند، در جای دیگری سرمایه‌گذاری شود یا برای تسویه تسهیلات و کاهش هزینه وام به کار رود.

در حالی که این سیستم متناسب با تغییر شرایط مالی مشتری به تصمیم‌گیری لحظه‌ای ادامه می‌دهد، نیازی نیست کاربران از همان ابتدا تمامی اختیارات و کنترل را واگذار کنند. پذیرش این سیستم‌ها می‌تواند با اقدامات کم‌خطر آغاز شود؛ مانند انتقال خودکار وجوه مازاد به حساب پس‌انداز یا کنار گذاشتن مالیات بر ارزش افزوده برای دوره‌های پرداخت مالیاتی، پیش از آنکه به سمت تصمیمات با ریسک بالاتر گسترش یابد.

این رویکرد اکنون در برخی مؤسسات مالی به کار گرفته شده است، هرچند که هنوز در قالب کاربردهای محدود جریان دارد. برای نمونه، Deutsche Bank سامانه‌ای مبتنی بر ایجنت‌های هوش مصنوعی را برای مدیریت ریسک‌های طرف سوم مستقر کرده است که در آن، چند ایجنت هوش مصنوعی ضوابط نظارتی مرتبط را استخراج می‌کنند، اسناد پشتیبان را تحلیل می‌نمایند و پیشنهادهای ارزیابی را ارائه می‌دهند. در این میان، ارزیابان انسانی همچنان مسئولیت بررسی، تایید یا لغو آن توصیه‌ها را بر عهده دارند.

یک ایجنت هوش مصنوعی، درست مانند یک نیروی کار تازه، باید اختیارات و سطوح دسترسی مشخصی دریافت کند. ثبت شفاف لاگ فعالیت‌ها، هشدارهای خودکار، آستانه‌های تعیین‌شده برای تایید نهایی و امکان لغو تصمیمات توسط انسان، اصولی هستند که رعایت آن‌ها در محصول، کنترل دقیق را برای سازمان‌ها و نهادهای ناظر تضمین می‌کند.

بانکداری در قالب سیستم تصمیم‌گیری مستمر

بر پایه این منطق، بانک به یک لایه اجرایی هوشمند تبدیل می‌شود که به‌صورت پیوسته فعالیت‌های مالی را برای تحقق اهداف تعیین‌شده کاربر هدایت می‌کند.

این تغییر ساختار در خارج از چارچوب بانکداری سنتی نیز در حال گسترش است. غول‌های پرداخت یعنی Visa و Mastercard در حال پی‌ریزی زیرساخت‌های لازم برای پرداخت‌های مبتنی بر هوش مصنوعی هستند که امکان اقدام مستقیم ایجنت‌ها به نمایندگی از مصرف‌کنندگان و کسب‌وکارها را فراهم می‌سازد. پلتفرم Visa Intelligent Commerce طراحی شده است تا به ایجنت‌های هوش مصنوعی اجازه دهد کالاها را از جانب کاربر جستجو کرده و خریداری نمایند؛ سامانه‌ای که توکنایز کردن اطلاعات کاربری، احراز هویت و کنترل سقف مخارج را مستقیماً درون فرایند پرداخت تعبیه می‌کند.

با حرکت ایجنت‌ها از نقش پیشنهاددهنده به سمت مجری تراکنش‌ها، بانک‌ها باید مطمئن شوند که عملیات انجام‌شده کاملاً در چارچوب خواست مشتری و میزان ریسک‌پذیری او باقی می‌ماند و مؤسسه مالی مسئولیت حفظ عملکرد ایجنت در این محدوده‌ها را تضمین خواهد کرد.

ضرورت هماهنگی معماری سازمانی با هوش مصنوعی

بررسی‌های مؤسسه Deloitte نشان می‌دهد که برای ۷۷ درصد از مدیران ارشد بانکی، یکپارچه‌سازی ابزارهای هوش مصنوعی با سیستم‌های فعلی، بزرگ‌ترین چالش نوسازی به شمار می‌رود؛ مانعی که حتی از دغدغه‌های امنیتی، انطباق با قوانین و سازگاری ابری نیز فراتر رفته است.

سیستم‌های سنتی بانکداری، بخش‌های پرداخت، تسهیلات، حساب‌ها و امور انطباق با مقررات را در نرم‌افزارهای مجزا تفکیک کرده‌اند. در نقطه مقابل، ایجنت‌های هوش مصنوعی برای اتخاذ یک تصمیم منسجم، نیازمند عبور از این مرزها و ترکیب داده‌ها و اقدامات سامانه‌های گوناگون هستند.

از این رو، بانک‌ها به یک لایه هماهنگ‌کننده (Orchestration Layer) نیاز دارند که به هوش مصنوعی اجازه دهد بدون نیاز به فرایندهای اختصاصی برای هر کاربرد، به تمام این سامانه‌ها دسترسی داشته باشد. هسته پلتفرم‌ها می‌تواند نقش پایگاه ثبت سوابق را حفظ کند، در حالی که فرایند تصمیم‌گیری در لایه‌ای بالاتر صورت می‌گیرد.

این تحول به فین‌تک‌های پیشرو در عرصه هوش مصنوعی نظیر Revolut یا Ramp و همچنین بازیگران تازه‌واردی که زیرساخت خود را از پایه می‌سازند، مزیت رقابتی بزرگی در برابر مؤسساتی می‌دهد که ناچار به اصلاح سیستم‌های پیچیده گذشته هستند. در صورتی که قوانین دستخوش تغییر بنیادین نشود، انتظار می‌رود نخستین مؤسسه مالی بزرگ مبتنی بر سیستم تصمیم‌گیری مستمر، ظرف پنج سال آینده وارد عرصه شود.

این پدیده ممکن است از نظر چارچوب‌های سفت‌وسخت رگولاتوری، دقیقاً یک بانک سنتی نامیده نشود، اما بخش اعظم وظایف بانکی را در دست خواهد گرفت و به کاربران امکان می‌دهد امور مالی خود را هوشمندانه مدیریت کنند.

به باور تحلیلگران، بانک‌ها برای بقا و پیشرفت باید به نهادهایی سازمان‌یافته برای تصمیم‌گیری مستمر به نفع مشتری تبدیل شوند، نه اینکه صرفاً پذیرنده دستورات باشند. همچنین در حوزه هوش مصنوعی، زمان نگاه سطحی و تزئینی به پایان رسیده است و باید کل ساختار بانکداری پیرامون این فناوری از نو مهندسی شود.