استراتژی جذاب یو‌اس بنک برای صنعتی‌سازی هوش مصنوعی: «چالش اصلی مدل‌ها نیستند، لوله‌کشی زیرساخت است!»

بانک «یو‌اس بنک» (U.S. Bank) وارد فاز جدیدی از دنیای هوش مصنوعی شده که یک معیار ارزیابی بسیار ساده و شفاف دارد: برای راه‌اندازی اولین پروژه و کاربرد شاید به یک لشکر آدم و کلی وقت نیاز باشد، اما دهمین پروژه باید در یک بعدازظهر جمع‌وجور شود! این اصل اساسی دقیقاً همان چرخش استراتژیکی است که دیلیپ ونکاتاچاری (Dilip Venkatachari) هدایتش را بر عهده دارد؛ حرکتی از فاز صرفاً «اثبات کارآمدی هوش مصنوعی» به سمت «صنعتی‌سازی و مقیاس‌پذیری آن» در یکی از بزرگ‌ترین نهادهای مالی ایالات متحده.

شرکت مادر این بانک یعنی «یو‌اس بن‌کورپ» (U.S. Bancorp)، در سال ۲۰۲۵ درآمد خالص رکوردشکن ۲۸.۷ میلیارد دلاری را به ثبت رسانده است. این غول مستقر در مینیاپولیس از طریق بانکداری خرد، تجاری، شرکتی، سازمانی، خدمات پرداخت و مدیریت ثروت به میلیون‌ها مشتری خدمات می‌دهد و بخش پرداخت آن از حدود ۱۰۰۰ نهاد مالی دیگر نیز پشتیبانی می‌کند. ونکاتاچاری در نقش قائم‌مقام ارشد و مدیر ارشد فناوری و اطلاعات (CITO)، سکان زیرساخت‌های فناوری جهانی، امنیت، محصولات دیجیتال و تحول فناورانه این بانک را هدایت می‌کند.

از اثبات کارایی هوش مصنوعی تا صنعتی‌سازی در مقیاس بزرگ

تلاش‌های اولیه یو‌اس بنک در حوزه هوش مصنوعی روی این متمرکز بود که نشان دهند این فناوری می‌تواند با رعایت استانداردهای سفت‌وسخت بانکی، برای مشتریان ارزش‌آفرین باشد. اما حالا ونکاتاچاری می‌گوید بانک از «فاز اثبات» به «فاز مقیاس‌پذیری» رسیده است. او در این باره می‌گوید: «بخش دشوار ماجرا اصلاً این نیست که ثابت کنیم هوش مصنوعی کار می‌کند؛ چالش اصلی و سخت، صنعتی‌سازی آن است.» تحقق این هدف نیازمند یک زیرساخت مشترک، حکمرانی قوی، ابزار‌های قابل استفاده مجدد و سازوکاری است که ایده‌ها را به نتایج ملموس و قابل اندازه‌گیری تبدیل کند. در این مسیر، امنیت، حریم خصوصی و الزامات قانونی نیز باید پا‌به‌پای نوآوری رشد کنند و مقیاس‌پذیر شوند.

در دنیای واقعی، بزرگ‌ترین موانع معمولاً خیلی کم‌تر از خود مدل‌های هوش مصنوعی زرق‌وبرق دارند! ونکاتاچاری تأکید می‌کند: «از دیدگاه فناوری، چالش ما اصلاً خود مدل‌های زبانی یا الگوریتم‌ها نیستند، بلکه لوله‌کشی و زیرساخت است!» عواملی مثل کیفیت داده‌ها، احراز هویت، یکپارچه‌سازی سیستم‌ها، قابلیت رصد و فرآیندهای استقرار تعیین می‌کنند که آیا یک پروژه آزمایشی می‌تواند به قابلیتی پایدار و مطمئن تبدیل شود یا نه. داده‌ها باید در تمام بخش‌های سازمان تعریف یکسانی داشته باشند و برای پاسخ‌دهی آنی به مشتریان در دسترس قرار بگیرند.

استفاده مجدد از دستاوردها بدون سرکوب خلاقیت

یو‌اس بنک ساختار هوش مصنوعی خود را به شکل یک مدل فدرال و توزیع‌شده ساماندهی کرده است؛ به این صورت که تیم‌های مرکزی، زیرساخت‌های فناوری، ابزار‌های توسعه و چهارچوب‌های نظارتی را تأمین می‌کنند، در حالی که متخصصان هوش مصنوعی دقیقاً در کنار تیم‌های کسب‌وکار و نزدیک به مشتریان فعالیت دارند. هدف از این ساختار، حفظ چابکی و سرعت تیم‌هاست، بدون اینکه هر پروژه بیاید و برای خودش یک زیرساخت نرم‌افزاری مجزا بسازد و همه‌چیز جزیره‌ای شود.

ونکاتاچاری توضیح می‌دهد: «ما نمی‌خواهیم ۱۰۰۰ آزمایش هوش مصنوعی به ۱۰۰۰ پشته نرم‌افزاری جداگانه تبدیل شوند.» به همین دلیل، بانک یک پلتفرم یکپارچه با سرویس‌های مشترک و خطوط قرمز امنیتی راه انداخته و حتی یک مارکت‌پلیس و بازارچه داخلی برای هوش مصنوعی ساخته است تا تیم‌ها بتوانند ابزار‌های ساخته‌شده توسط یکدیگر را ببینند و دوباره از آن‌ها استفاده کنند. جالب اینجاست که آن‌ها از سازوکاری شبیه ارجاعات دانشگاهی بهره می‌برند؛ وقتی یک ابزار توسط تیم دیگری به کار گرفته می‌شود، سازنده اصلی می‌بیند که کارش چقدر ارزشمند بوده و تشویق می‌شود آن را ارتقا دهد.

این استراتژی آگاهانه بر پایه تشویق چیده شده نه اجبار و دستور از بالا. اجبار سفت‌وسخت تیم‌ها برای استفاده مجدد از ابزار‌ها می‌تواند آن‌ها را وادار به استفاده از چیز‌هایی کند که با نیازهایشان همخوانی ندارد و جلوی ایده‌های خلاقانه را بگیرد. یو‌اس بنک با شفاف کردن این قطعات و پاداش دادن به سازندگانشان، به دنبال این است که هر فرآیند پیاده‌سازی ارزان‌تر و سریع‌تر تمام شود و در عین حال، فضای کشف و آزمون‌وخطا زنده بماند.

تغییر ماهیت کار و پرورش نسل جدید استعدادها

برنامه‌های آموزشی این بانک فراتر از دوره‌های کلاسیک و سنتی رفته است؛ چرا که ابزار‌های هوش مصنوعی بسیار سریع‌تر از سرفصل‌های رسمی تغییر می‌کنند. یو‌اس بنک اصول بنیادین و پایدار را آموزش می‌دهد، هکاتون‌های متعددی برگزار می‌کند و با همکاری مستقیم شرکت‌های پیشرو در زمینه مدل‌های مرزی و شرکای استراتژیک، کارگاه‌های عملی ترتیب می‌دهد تا از این طریق، نیروهای پیشرو دانش را میان بقیه همکاران پخش کنند.

ونکاتاچاری تأکید می‌کند: «راه‌حل این نیست که دنبال فردی بگردیم که به همه‌چیز مسلط باشد؛ راهکار اصلی داشتن افرادی است که ذهن بازی دارند و مشتاق یادگیری مداوم هستند.» از طرفی، دسترسی مستقیم به هوش مصنوعی در ابزار‌های روزمره و آشنا به کارکنان کمک می‌کند تا پیش از تغییر ساختار تیم‌ها یا فرآیندهای کاری، ابتدا روش کار فردی خودشان را متحول کنند.

حوزه مهندسی نرم‌افزار بهترین نمونه برای مشاهده این تغییرات است. برنامه‌نویسان دیگر به جای نوشتن خط به خط کدها، به سمت هدایت، بازبینی و ارکستراسیون کدهای تولیدشده توسط هوش مصنوعی حرکت می‌کنند. البته ونکاتاچاری انتظار ندارد این تحول به تعدیل ناگهانی و گسترده نیروهای فنی منجر شود. بهره‌وری افراد به‌شدت افزایش می‌یابد، اما هم‌زمان نیاز سازمان‌ها هم بیش‌تر می‌شود چون کار‌های باارزش‌تری برای انجام دادن پیدا می‌کنند. در این دنیای جدید، قدرت تشخیص، تخصص در حوزه کسب‌وکار و شناخت عمیق نیازهای مشتری اهمیت دوچندانی پیدا می‌کند.

همین موضوع باعث شده پرورش نیروهای تازه‌کار به یک دغدغه استراتژیک تبدیل شود. سازمان‌ها همچنان به مدل کارآموزی و شاگردی نیاز دارند تا نیروهای جدید به درک و پیش‌زمینه‌ای برسند که بتوانند خروجی‌های هوش مصنوعی را ارزیابی کنند. از طرف دیگر، هوش مصنوعی می‌تواند بحران کمبود مهارت‌های قدیمی را هم حل کند؛ مثلاً با تحلیل و ترجمه برنامه‌های چند دهه‌ای نوشته‌شده با زبان کوبول (COBOL) برای مهندسان نسل جدید.

رقابت بر سر سرعت رسیدن به ارزش عملیاتی

به باور ونکاتاچاری، استفاده از هوش مصنوعی برای شرکت‌های بزرگ روز‌به‌روز ساده‌تر می‌شود. شرکت‌های توسعه‌دهنده مدل‌های هوش مصنوعی مرزی دارند به سمت ارائه‌دهندگان راهکارهای نرم‌افزاری حرکت می‌کنند، میان‌افزارها بالغ‌تر شده‌اند و شرکت‌های باسابقه‌تر ارائه‌دهنده سرویس‌های ابری (SaaS) هوش مصنوعی را در جریان‌های کاری تخصصی ادغام کرده‌اند. یو‌اس بنک نیز همکاری با استارتاپ‌ها و سرمایه‌گذاران را بسیار زودتر کلید می‌زند؛ زیرا شرکت‌های نوپای مستعد حالا می‌توانند تنها در عرض چند ماه به مرحله استقرار کامل در بانک برسند.

این بلوغ فناورانه معادله همیشگی «ساختن یا خریدن محصول» را دگرگون کرده است. شرکت‌ها حالا می‌توانند با استفاده از چهارچوب‌های آماده بیرونی و محصولات تخصصی، خیلی سریع‌تر به نتیجه برسند؛ به شرطی که این ابزار‌ها بتوانند با استانداردها، کنترل‌های امنیتی و داده‌های بانک یکپارچه شوند.

اگرچه کاهش هزینه‌ها همیشه یک مزیت مهم است، اما ونکاتاچاری معتقد است سرعت، جایزه اصلی این مسابقه به حساب می‌آید. هوش مصنوعی به بانک کمک می‌کند محصولات جدید را سریع‌تر بسازد، تصمیم‌گیری درباره اعطای تسهیلات یا رفع مغایرت‌ها را با سرعت بالاتری انجام دهد و خدمات شخصی‌سازی‌شده‌تری ارائه دهد. او خاطرنشان می‌کند: «بهبودهای کوچک در بخش‌های مختلف، وقتی در مقیاس میلیون‌ها مشتری و هزاران کارمند ضرب شوند، تحولی شگفت‌انگیز رقم می‌زنند.»

هدف اصلی این نیست که پیشرفته‌ترین مدل هوش مصنوعی دنیا را در اختیار داشته باشید، بلکه هدف ساخت سازمانی است که بتواند پیشرفت‌های پرسرعت هوش مصنوعی را در مقیاسی بزرگ به دستاوردهای قابل اعتماد و ملموس تبدیل کند. ونکاتاچاری می‌گوید: «مهم‌ترین فاکتور برای ما و شاید هر بانک و سازمان دیگری، سرعت رسیدن به ارزش واقعی (Time to Value) است. آنچه یک سال پیش برای رسیدن به این هدف جواب می‌داد، امروز دیگر پاسخگو نیست.»

پیتر‌های (Peter High)، رئیس مؤسسه مشاوره کسب‌وکار و فناوری Metis Strategy، نویسنده سه کتاب پرفروش از جمله Getting to Nimble و میزبان پادکست Technovation است.