گلدمن ساکس استفاده از ابزارهای کدنویسی هوش مصنوعی را برای معاملهگران و بانکداران محدود کرد
بانک گلدمن ساکس پس از بررسی مسائل مربوط به بهرهوری و مدیریت ریسک، دسترسی معاملهگران و بانکداران خود به ابزارهای کدنویسی هوش مصنوعی نظیر Claude Code و پلتفرم GitHub را قطع کرد. بر اساس سیاست جدید، استفاده از این دستیارهای هوشمند اکنون تنها به مهندسان فنی این بانک محدود شده است.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- گلدمن ساکس در پی نگرانیهای مربوط به بهرهوری و مدیریت ریسک دسترسی معاملهگران و بانکداران خود به ابزارهای کدنویسی هوش مصنوعی مانند Claude Code را متوقف کرد.
- سیاست جدید این بانک استفاده از دستیارهای کدنویسی را تنها به مهندسان فنی نرمافزار و تحلیلگران تخصصی معاملات محدود کرده است.
- بانکهای بزرگ وال استریت در کنار توسعه دستیارهای اختصاصی تلاش میکنند مقررات دقیقتری برای مدیریت هزینهها و حفظ مهارتهای تحلیلی کارکنان تدوین کنند.
بر اساس گزارش بلومبرگ، بانک گلدمن ساکس اکثر معاملهگران و بانکداران سرمایهگذاری خود را از استفاده از ابزارهای کدنویسی هوش مصنوعی، از جمله Claude Code متعلق به شرکت Anthropic و پلتفرم GitHub مایکروسافت، منع کرده است.
دستورالعمل داخلی این بانک که در ماه اکتبر بهروزرسانی شده، استفاده از این ابزارها را فقط به مهندسان نرمافزار محدود کرده است. گلدمن ساکس پیشتر به مدت چند ماه به کارمندان بخش بانکداری اجازه استفاده از این ابزارها را داده بود، اما در پی ارزیابی مجدد بهرهوری و نگرانیهای ناشی از مدیریت ریسک، این رویکرد تغییر کرد.
این محدودیت تازه موجب نارضایتی برخی از معاملهگران شده است. آنها پیش از این برای انجام اموری نظیر رصد الگوهای معاملاتی مشتریان، شبیهسازی نوسانات بازار و پوزیشنهای مالی، و همچنین نگارش متون تحلیلی و آمادهسازی دادههای بصری به این ابزارهای هوشمند متکی شده بودند.
دستورالعمل جدید شامل اعضای گروه موسوم به «استراتس» (Strats) نمیشود؛ گروهی از متخصصان که حیطه وظایف آنها پیوندی میان مهندسی نرمافزار، پژوهشهای تحلیل کمی و معاملات مالی است.
نیک کارکاترا، سخنگوی گلدمن ساکس، در این رابطه اعلام کرد: «ما ابزارهای هوش مصنوعی مشخصی را در اختیار کارکنان بخشهای مختلف قرار میدهیم تا بهترین سناریوهای کاربردی آنها را شناسایی کنیم. پس از یک دوره آزمایشی و ارزیابی مواردی همچون بهرهوری و مدیریت ریسک، در نهایت این فناوریها را در اختیار کسانی میگذاریم که در بلندمدت بیشترین تناسب را با آنها دارند.»
در ماه ژوئیه، مارکو ارجنتی، مدیر ارشد فناوری اطلاعات گلدمن ساکس، از رواج پدیده «وایب کدینگ» میان کارمندان غیرفنی نظیر معاملهگران و فعالان بخش مالی استقبال کرده بود. به گفته ارجنتی، این نیروها با کمک هوش مصنوعی راهکارهای اولیه مدنظر خود را میساختند و سپس نتیجه را برای بازبینی و تکمیل به یکی از ۱۲ هزار مهندس نرمافزار بانک تحویل میدادند.
با وجود این، کریس چرچمن، از شرکای ارشد گلدمن ساکس، در ماه اوت هشدار داد که تکیه بیش از حد بر هوش مصنوعی در وال استریت ممکن است تواناییهای تحلیلی نسل آینده بانکداران را تحلیل ببرد. چرچمن که نایبرئیس کارگروه هوش مصنوعی این بانک در بازارهای جهانی است، اشاره کرد که گلدمن ساکس هنوز راهبرد قطعی خود را برای مدیریت این مرحله گذار نهایی نکرده است.
همزمان سایر موسسات مالی بزرگ نیز در حال تدوین چارچوبهای خود برای استفاده از هوش مصنوعی هستند. بهعنوان مثال، بانک جیپیمورگان چیس در ماه ژوئیه از کارمندان خود خواست هر وظیفه را به مدل متناسب با آن بسپارند تا هزینهبرترین مدلها فقط برای مسائل پیچیده استفاده شوند و برای کارهای سادهای مثل خلاصهسازی گزارشها صرف نشوند. از سوی دیگر، گلدمن ساکس دستیار هوش مصنوعی اختصاصی خود را توسعه داده که به مدلهایی از شرکتهای OpenAI، Anthropic و گوگل متصل است.
این نخستین بار نیست که گلدمن ساکس دست به اعمال محدودیت بر فناوریهای هوشمند میزند؛ این بانک در ماههای نخست سال جاری میلادی نیز دسترسی کارکنان خود در شعبه هنگکنگ به مدل Claude شرکت Anthropic را محدود کرده بود.
مطالب مرتبط و پیشنهادی

گارتنر: مدلهای وزنباز ۹۰ درصد وظایف عاملهای هوشمند را با یکبیستم هزینه انجام میدهند
گزارش جدید موسسه گارتنر نشان میدهد مدلهای وزنباز قادرند بخش عمده وظایف روزمره در عاملهای هوش مصنوعی را با کسری از هزینه مدلهای تجاری پیشرو اجرا کنند. تحلیلگران پیشبینی میکنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمانها به این مدلها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگسازی عاملها منتقل گردد.

بنچمارک MER-Bench ضعف مدلهای هوش مصنوعی را در ویرایش دقیق میمها آشکار کرد
میمهای اینترنتی بهدلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شدهاند. بنچمارک جدید MER-Bench نشان میدهد که مدلهای تصویری هنوز نمیتوانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.

OpenAI پاداش کشف باگ را برای شناسایی آسیبپذیریهای امنیتی به ۱۷۲ هزار دلار رساند
شرکت OpenAI با راهاندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیبپذیریهای حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهرهگیری از مدلهای پیشرفته هوش مصنوعی تلاش میکند رخنههای امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.