در جهانی که هوش مصنوعی می‌تواند بنویسد، طراحی کند، تشخیص دهد و حتی استراتژی بچیند، نقش انسان چیست؟
پاسخ این سؤال را باید در مهارتی جست که کمتر از آن صحبت شده اما اکنون به‌سرعت در حال تبدیل شدن به یک مزیت رقابتی کلیدی است: آینده‌نگری (Foresight).

هوش مصنوعی عالی است؛ اما فقط در مسیرهایی که از قبل وجود داشته‌اند.

بیایید با یک حقیقت مهم آغاز کنیم:
هوش مصنوعی در پیش‌بینی آینده‌ی قابل مدل‌سازی و مبتنی بر داده‌های گذشته، بی‌نقص عمل می‌کند. مثلاً می‌تواند:
🔹رفتار مشتریان را تحلیل کند
🔹ریسک اعتباری را ارزیابی نماید
🔹هزینه تبلیغات را بهینه کند
🔹حتی محتوا تولید کند
اما آیا AI می‌تواند آنچه هنوز هرگز رخ نداده را پیش‌بینی کند؟ خیر.
در مواجهه با موقعیت‌هایی که پر از عدم قطعیت‌اند مانند تغییرات ژئوپلیتیکی، بحران‌های اقلیمی یا تحول ناگهانی بازارهای کار، هوش مصنوعی عملاً سردرگم است. چرا؟ چون داده‌ای برای آموزش آن وجود ندارد.
سریع بودن به‌معنای خردمند بودن نیست.
ما در حال ورود به عصری هستیم که در آن هوش مصنوعی می‌تواند بنویسد، کدنویسی کند، تشخیص دهد، بهینه‌سازی انجام دهد و حتی استراتژی طراحی کند. این فناوری قادر است الگوها را در داده‌ها سریع‌تر از هر انسان دیگری شناسایی کرده و تصمیماتی را خودکارسازی کند که پیش‌تر هفته‌ها زمان می‌بردند.
اما اشتباهی که ممکن است مرتکب شویم این است: فرض کنیم چون هوش مصنوعی در تحلیل گذشته خوب است، در پیش‌بینی آینده هم خوب خواهد بود.
اما این‌طور نیست.
هوش مصنوعی در «پیش‌بینی» عالی است؛ اما این با «آینده‌نگری» فرق دارد. پیش‌بینی یعنی امتداد دادن چیزهای شناخته‌شده به آینده نزدیک. اما آینده‌نگری یعنی آماده شدن برای آنچه ممکن است اتفاق بیفتد؛ از جمله چیزهایی که تاکنون ندیده‌ایم.
و نکته جالب اینجاست که مغز انسان هم به‌صورت طبیعی برای آینده‌نگری ساخته نشده. مغز ما برای بقا در محیط‌های قابل پیش‌بینی تکامل یافته، نه برای تصور آینده‌های مختلف یا حرکت در دل عدم قطعیت‌های شدید.
به همین دلیل است که در جهانی که به‌سرعت توسط هوش مصنوعی هدایت می‌شود، مهارتی که انسان را متمایز می‌کند، پردازش داده نیست؛ بلکه آینده‌نگری است.

آینده‌نگری: توانایی انسان در دیدن فراتر از داده

برخلاف هوش مصنوعی، انسان می‌تواند چیزی را ببیند که هنوز وجود ندارد.
می‌تواند با تخیل، سناریوهایی را در ذهن بسازد، پیامدهای احتمالی را پیش‌بینی کند و برای آن‌ها آماده شود. این توانایی در شرایطی اهمیت دارد که:
🔹بازارها در حال تغییر ساختاری هستند.
🔹قانون‌گذاری نامشخص است.
🔹فناوری‌های نوظهور در حال شکل دادن به الگوهای مصرف‌اند.
🔹مشاغلی که امروز وجود دارند، فردا ناپدید می‌شوند.

تفاوت بنیادین: پیش‌بینی (Forecasting) و آینده‌نگری (Foresight)

چرا مهارت آینده‌نگری برای رهبران تجاری حیاتی شده است؟

هوش مصنوعی با ریسک کنار می‌آید؛ اما نه با عدم قطعیت.
ریسک در صفحات اکسل زندگی می‌کند. اما عدم قطعیت در دنیای واقعی.
یکی از مهم‌ترین تمایزهایی که رهبران باید همین حالا درک کنند، تفاوت بین ریسک و عدم قطعیت است.
ریسک یعنی بتوانید دامنه‌ای از نتایج را تعریف کرده و به آن‌ها احتمال اختصاص دهید. می‌توانید آن را مدل‌سازی کنید. می‌توانید آن را مدیریت یا کاهش دهید.
عدم قطعیت یعنی حتی نمی‌دانید چه متغیرهایی مهم هستند یا چه نتایجی ممکن است پیش آید. نمی‌توانید به داده‌های گذشته برای هدایت خود تکیه کنید. در ریسک، می‌توانید احتمال‌ها را محاسبه کنید؛ اما در عدم قطعیت، خودِ نتایج هم ناشناخته‌اند.
هوش مصنوعی در محیط‌های پرریسک عالی عمل می‌کند. اگر به آن داده تاریخی کافی بدهید، می‌تواند نرخ ریزش مشتریان را پیش‌بینی کند، تقلب را شناسایی کرده یا هزینه‌های تبلیغاتی را بهینه کند. اما وقتی با عدم قطعیت واقعی مواجه می‌شویم- مثلاً در مورد تأثیر هوش مصنوعی مولد بر دینامیک نیروی کار یا آینده قانون‌گذاری در حوزه هوش مصنوعی- دیگر هوش مصنوعی کمک چندانی نمی‌کند. چرا که داده آموزشی برای آینده‌هایی که هنوز رخ نداده‌اند وجود ندارد.
اینجاست که آینده‌نگری استراتژیک به ضرورتی انکارناپذیر تبدیل می‌شود.
شرکت‌هایی که به آینده‌نگری اهمیت می‌دهند، مزیت‌های ملموسی را تجربه می‌کنند:

• ▪️زودتر از رقبا تغییرات را تشخیص می‌دهند
• ▪️برای تغییرات قوانین (مثلاً قانون هوش مصنوعی در اتحادیه اروپا) آماده‌ترند
• ▪️می‌توانند ظرفیت‌های انسانی را بازآموزی یا بازتعریف کنند
• ▪️تصمیمات‌شان از نظر اخلاقی، اجتماعی و اقتصادی پایدارتر است.
  
• 📎مثال‌ها: کداک و شِل
  به کداک فکر کنید. با وجود اینکه دوربین دیجیتال را اختراع کرد، نتوانست آینده‌ی دیجیتال را پیش‌بینی کند و برای مدت زیادی به کسب‌وکار فیلم سنتی خود چسبید.
  در مقابل، شرکت شِل از دهه ۱۹۷۰ به برنامه‌ریزی سناریویی پرداخته است، که به آن کمک کرده بحران‌های نفتی و شوک‌های ژئوپلیتیکی را بهتر از رقبا مدیریت کند.

چرا مغز ما با آینده‌نگری مشکل دارد؟

شاید تعجب کنید، اما مغز ما برای آینده‌نگری ساخته نشده.
ما برای بقا در محیط‌های قابل پیش‌بینی تکامل یافته‌ایم؛ نه برای تصور آینده‌های عجیب، مبهم یا رادیکال.
این سوگیری‌ها کار را سخت‌تر می‌کنند:
۱. سوگیری وضعیت موجود: تمایل به حفظ شرایط فعلی
۲. تفکر خطی: فرض اینکه فردا شبیه امروز خواهد بود
۳. سوگیری تأییدی: انتخاب اطلاعاتی که باورهای ما را تأیید می‌کنند
۴. سوگیری فرافکنی: تصور اینکه دیگران یا آینده شبیه اکنون ما هستند.
🔵اما خبر خوب اینکه: آینده‌نگری یک مهارت اکتسابی است؛ قابل آموزش، تمرین و تقویت.

ابزارهایی برای ساختن آینده

برای نهادینه کردن آینده‌نگری در سطح فردی و سازمانی، ابزارهای زیر بسیار اثربخش‌اند:

🔹برنامه‌ریزی سناریویی (Scenario Planning)

🔹افق‌پیمایی (Horizon Scanning)

🔹تحلیل رویدادهای غیرمنتظره (Wild Card Analysis)

🔹نقشه‌برداری ریسک (Risk Radar)

🔹رد تیمینگ (Red Teaming): فرضیات فعلی را به چالش بکشید

همدلی استراتژیک (Strategic Empathy): درک واکنش‌های ذی‌نفعان مختلف در آینده
این‌ها ویژگی‌های انتزاعی نیستند؛ بلکه عادت‌های عملی‌اند که آینده‌نگری را قابل دسترس و کاربردی می‌کنند. در حالی‌که آینده‌نگری فردی قدرتمند است، سازمان‌ها زمانی پتانسیل واقعی آن را آزاد می‌کنند که این فرآیند به‌صورت جمعی انجام شود. تیم‌های متنوع که با هم آینده‌نگری می‌کنند – از طریق کارگاه‌های سناریونویسی، رد تیمینگ و بررسی ساختاریافته روندها- بینش‌های مقاوم‌تری ایجاد می‌کنند زیرا تجارب و دیدگاه‌های متفاوت را ترکیب می‌کنند.

آینده را نمی‌توان پیش‌بینی کرد- اما می‌توان برای آن آماده شد

فرض کنیم چند سناریو رخ دهد:
🔹فناوری GPT باعث بی‌اعتمادی کاربران به محتوای تولیدشده توسط ماشین شود.
🔹چین، اروپا و آمریکا سه مسیر متفاوت در قانون‌گذاری AI انتخاب کنند.
🔹نظام آموزشی نتواند سریع خود را با نیازهای شغلی جدید هماهنگ کند.
🔹اختلالات آب‌وهوایی زنجیره تأمین جهانی را بازتعریف کند.

چه کسی آماده‌تر است؟
کسی که سناریوها را از قبل دیده، تحلیل کرده و برایشان برنامه دارد.
آینده‌نگری استراتژیک، تمرینی ساختاریافته برای بررسی آینده‌های محتمل مختلف به‌منظور اتخاذ تصمیمات بهتر در امروز است. هدف آن پیش‌بینی آینده نیست- بلکه آماده‌سازی برای طیفی از آینده‌هاست.

این فرآیند شامل ابزارهایی مانند:
▪️برنامه‌ریزی سناریویی: تصور راه‌های مختلفی که آینده ممکن است پیش برود
▪️افق‌پیمایی: شناسایی روندهای نوظهور و نشانه‌های ضعیف
▪️تحلیل رویدادهای غیرمنتظره (Wild card analysis): آمادگی برای رویدادهایی با احتمال پایین اما تأثیر بالا
▪️نقشه‌برداری ریسک (Risk radar mapping): تصویرسازی از عدم قطعیت‌ها براساس احتمال وقوع و میزان تأثیر
هرچه افق زمانی دورتری را بررسی کنیم، داده‌ها اهمیت کمتری پیدا می‌کنند- و قدرت تفکر ما اهمیت بیشتری می‌یابد.

افق‌های زمانی آینده‌نگری:
➖کوتاه‌مدت (۰ تا ۱ سال): پایش روندها، پیش‌بینی‌های چابک
➖میان‌مدت (۲ تا ۵ سال): برنامه‌ریزی سناریویی، نقشه‌برداری ریسک
➖بلندمدت (۵ تا ۱۰ سال و بیشتر): چشم‌اندازسازی، آینده‌های اخلاق‌محور، تحلیل رویدادهای خاص
هرچه اطمینان از پیش‌بینی‌های هوش مصنوعی کاهش می‌یابد، نیاز به آینده‌نگری انسانی بیشتر می‌شود؛ به‌ویژه در بازه‌های زمانی بلندمدت.

هم‌افزایی، نه رقابت: AI + Foresight

هوش مصنوعی مانند GPS است. آینده‌نگری دانستن این است که وقتی جاده تمام می‌شود چه باید کرد.
دیدن آینده‌نگری به‌عنوان مقابله با هوش مصنوعی وسوسه‌انگیز است. اما فرصت واقعی در هم‌افزایی میان آن‌هاست.
🔘هوش مصنوعی می‌تواند داده‌های انبوه را پردازش کرده، الگوها را شناسایی و نتایج را در چارچوب سیستم‌های شناخته‌شده پیش‌بینی کند.
🔘آینده‌نگری اما می‌پرسد: اگر سیستم تغییر کند چه؟ چه چیزهایی را نمی‌بینیم؟ چه چیزهایی هنوز در داده‌ها ظاهر نشده‌اند؟
تشبیه خوب این است: هوش مصنوعی مثل GPS است؛ بهترین مسیر را براساس وضعیت ترافیک کنونی پیدا می‌کند. اما آینده‌نگری مانند دانش برنامه‌ریزی شهری، سیستم‌های آب‌وهوایی و پویایی‌های اجتماعی است. این مهارت ما را برای مسیرهای انحرافی، اختلالات و مقصدهای کاملاً جدید آماده می‌کند. یکی سفر را بهینه می‌کند؛ دیگری تضمین می‌کند که جهت‌مان درست باشد—حتی وقتی جاده ناپدید می‌شود.
با هم، آن‌ها یک رویکرد تصمیم‌گیری قدرتمند را می‌سازند—مبتنی بر شواهد، اما هدایت‌شده با چشم‌انداز.
بهترین سازمان‌ها این دو را در کنار هم قرار می‌دهند:
🔘هوش مصنوعی برای آنچه «قابل محاسبه» است
🔘آینده‌نگری برای آنچه «قابل تصور» است
یکی نقشه می‌دهد، دیگری مقصد را تعریف می‌کند.

نقش فرهنگ سازمانی در پرورش آینده‌نگری

در نهایت، این مهارت تنها در بستری رشد می‌کند که:
🔹اشتباه کردن را تنبیه نمی‌کند
🔹کنجکاوی را تشویق می‌کند
🔹اختلاف نظر را ارزش می‌داند
🔹از دیدگاه‌های چندرشته‌ای استقبال می‌کند.
اگر سازمان شما فرهنگ یادگیری، تفکر سیستمی و تفکر بلندمدت دارد، آینده‌نگری در آن می‌بالد.

جمع‌بندی: آینده متعلق به آینده‌نگران است

آینده متعلق به کسانی است که می‌پرسند: چه آینده‌ای می‌خواهیم بسازیم.

Not just survive, but shape it.

در جهانی که ماشین‌ها با سرعت نور تحلیل می‌کنند، ارزش انسانی در تخیل، تشخیص روندهای نوظهور و آماده‌سازی برای دگرگونی‌هاست.

بنابراین اگر می‌خواهید در دنیای فردا نقشی مؤثر ایفا کنید، از امروز به آینده‌نگری مجهز شوید.

---

منبع

ظهور هوش مصنوعی (AI) عصر جدیدی از تحول دیجیتال را آغاز کرده است. در بخش بانکداری که به سرعت در حال پیشرفت است، ادغام هوش مصنوعی (AI) کمتر یک انتخاب از بین گزینه‌های موجود و بیشتر به یک پله مهم و ضروری برای رشد تبدیل شده است. این صنعت با یک نقطه عطف در پذیرش هوش مصنوعی مواجه است که در آن سازمان‌ها یا فرصت‌های پیش روی خود را در آغوش می گیرند یا در خطر عقب ماندن هستند!

به دیگر بیان، تصمیم برای ترکیب هوش مصنوعی باید یک تصمیم استراتژیک باشد و با هدف رسیدگی به چالش‌های تجاری خاص باشد و نه صرفاً یک رویکرد هیجانی سریع به سمت آخرین روندها و مدها. دلیل آن این است که شناسایی چالش‌های بازدارنده رشد و ارزیابی قابلیت هوش مصنوعی به عنوان یک راه حل، یک رویکرد عملی و مقرون به صرفه است که هر استراتژیستی که ایفای نقشی موثرتر را در دنیای بانکداری امروز دنبال می‌کند لاجرم باید این مسیر را دنبال کند.

فرصت بزرگ، چالش‌های بسیار بزرگ‌تر!

هوش مصنوعی در بانکداری می‌تواند انقلابی در خدمات مشتری، کاهش ریسک، تسریع تراکنش‌ها و ارتقاء کارایی ایجاد کند. با این حال، چالش‌های مهمی نیز سر راه وجود دارد که به اندازه فرصت‌ها مهم و بزرگ هستند. برای مثال می‌توان به این چالش‌ها اشاره کرد:

• 🔹بانک‌ها بیش از هر زمان دیگری با حجم عظیمی از داده‌ها مواجه‌اند.
• 🔹صحت، کیفیت، و حفظ حریم خصوصی این داده‌ها حیاتی است.
• 🔹پیروی از الزامات قانونی و استانداردهای بین‌المللی، نیازمند برنامه‌ریزی دقیق است.

یادمان باشد که داده‌ها ستون فقرات هر استراتژی موفق در AI هستند. صرفاً دسترسی به داده کافی نیست؛ باید با دقت، امنیت، و انطباق کامل با مقررات از آن استفاده شود.

ادغام هوش مصنوعی: یک تصمیم استراتژیک، نه دنباله‌روی از مد

متخصصان و کارشناسان حوزه فناوری و کسب‌وکار همگی بر این نکته تأکید دارند که استفاده از هوش مصنوعی نباید تنها به یک واکنش سطحی به موج‌های جدید تکنولوژیک تبدیل شود. در حالی که پیشرفت‌های سریع در زمینه هوش مصنوعی و سایر فناوری‌ها ممکن است توجه‌ها را جلب کند، ضروری است که این تکنولوژی‌ها به‌طور استراتژیک و هدفمند در پاسخ به نیازها و چالش‌های واقعی کسب‌وکار به‌کار گرفته شوند. در واقع، به جای این‌که صرفاً از خود بپرسیم «چطور می‌توان از AI استفاده کرد؟»، باید این سوال را مطرح کنیم:

«چه موانعی بر سر رشد ما وجود دارد، و آیا هوش مصنوعی می‌تواند راه‌حلی مؤثر برای آن‌ها باشد؟»

این نگاه عملی و مقرون‌به‌صرفه، مسیر تحول هوشمندانه را هموار می‌سازد. این تغییر رویکرد به سازمان‌ها کمک می‌کند تا تصمیمات هوشمندانه‌تری در زمینه به‌کارگیری AI اتخاذ کنند و مطمئن شوند که این تکنولوژی نه تنها به رشد کسب‌وکار آن‌ها کمک می‌کند، بلکه چالش‌های واقعی را نیز حل می‌کند. از این رو، استفاده بهینه و استراتژیک از هوش مصنوعی می‌تواند به عنوان یک محرک مؤثر برای نوآوری و رقابت در دنیای دیجیتال امروز عمل کند.

یکی از بزرگ‌ترین اشتباهاتی که سازمان‌ها در مسیر دیجیتالی‌سازی مرتکب می‌شوند، ادغام فناوری‌های نوین بدون هدف مشخص و صرفاً به‌عنوان پاسخی به روندهای روز است. در زمینه هوش مصنوعی، این اشتباه می‌تواند پرهزینه‌تر از همیشه باشد.

بانک‌ها نباید صرفاً به این دلیل که «همه به سمت AI می‌روند»، پروژه‌ای با عنوان «هوش مصنوعی» را آغاز کنند. بلکه باید بر مبنای تحلیل دقیق نیازهای کسب‌وکار، منابع در دسترس و اهداف روشن، تصمیم‌گیری کنند.

چرا باید با نگاه استراتژیک به AI نگریست؟

ادغام هوش مصنوعی مانند تعویض یک نرم‌افزار ساده نیست. این فناوری قرار است به بخش‌هایی از فرآیند تصمیم‌گیری بانک دسترسی پیدا کند و در برخی موارد، جایگزین آن شود. بنابراین بدون داشتن:

• درک روشن از مسئله‌ای که قرار است حل شود،
• نقشه راه قابل سنجش برای پیاده‌سازی،
• و شاخص‌های دقیق برای سنجش موفقیت،

نتیجه پروژه نه تنها مؤثر نخواهد بود، بلکه ممکن است موجب اتلاف منابع، آسیب به اعتبار بانک و بی‌اعتمادی مشتریان شود.

نگاه راهبردی یعنی چه؟

یک تصمیم استراتژیک برای ادغام AI یعنی:

1. مشخص کردن چالش‌ها یا گلوگاه‌های عملیاتی موجود

-آیا در اعتبارسنجی تسهیلات مشکل زمان‌بر بودن دارید؟

-آیا تماس‌های پرتکرار مرکز تماس، منابع انسانی را مستهلک کرده‌اند؟

آیا تحلیل ریسک در معاملات کلان، کند یا نادقیق است؟

• سنجش تطابق AI با نیاز تعریف‌شده

-آیا AI در این زمینه می‌تواند دقت، سرعت یا هزینه را بهبود دهد؟

-مدل یادگیری ماشین چقدر باید پیچیده باشد؟ (مدل کوچک‌تر اما تخصصی یا مدل بزرگ و همه‌منظوره؟)

• طراحی معماری مناسب برای پیاده‌سازی

-چه زیرساختی نیاز است؟

-داده‌های موردنیاز در کجا هستند؟ آیا آماده مصرف هستند؟

-نیاز به سیستم هیبریدی است یا ابری کامل؟

• محاسبه هزینه و بازده سرمایه‌گذاری (ROI)

یک گراف ساده با محور افقی (میزان سرمایه‌گذاری) و محور عمودی (میزان بازده) می‌تواند به اولویت‌بندی پروژه‌ها کمک کند.

پیچیدگی ادغام را دست‌کم نگیرید!

همان‌طور که در گزارش Red Hat نیز اشاره شده، پیچیدگی فنی یکی از اصلی‌ترین عواملی است که بانک‌ها را از اجرای موفق AI بازمی‌دارد. هوش مصنوعی به‌خودی‌خود یک راه‌حل مستقل نیست؛ بلکه باید در تار و پود فرآیندها، سیاست‌ها، و داده‌های سازمان تنیده شود.

برای مثال:

• 🔵اگر سامانه‌های اصلی بانک بر زیرساخت‌های قدیمی بنا شده‌اند، ممکن است نیاز به مهاجرت یا بازطراحی سیستم باشد.
• 🔵یا اگر داده‌های مشتری به‌صورت سیلوهای مجزا ذخیره شده‌اند، ابتدا باید پروژه‌های یکپارچه‌سازی داده اجرا شوند.

همچنین مقررات سخت‌گیرانه بانکی، به‌ویژه در حوزه امنیت داده و شفافیت تصمیمات، باید از ابتدا در طراحی لحاظ شوند؛ نه در مرحله اجرا.

مزایای واقعی فقط با بینش واقعی به دست می‌آیند

ادغام هوش مصنوعی اگر به‌درستی انجام شود، می‌تواند فرآیندهای بانکی را متحول، کیفیت خدمات را ارتقا، هزینه‌ها را کاهش، و امنیت را افزایش دهد. اما اگر صرفاً به‌عنوان یک پروژه تبلیغاتی یا پیروی از جریان روز انجام شود، نه‌تنها مزایای آن محقق نمی‌شود، بلکه ممکن است سازمان را دچار آشفتگی عملیاتی کند. استفاده از AI باید بر پایه تفکر سیستمی، تفکیک دقیق نیازها، و هماهنگی بین واحدهای فناوری، کسب‌وکار، حقوقی و ریسک باشد.

موانع اصلی در مسیر ادغام AI در بانکداری

۱. زیرساخت‌های قدیمی: بسیاری از بانک‌ها همچنان از سیستم‌های قدیمی (Legacy Systems) استفاده می‌کنند که ادغام فناوری‌های پیشرفته با آن‌ها چالش‌برانگیز است.

۲. کمبود نیروی متخصص: بازار جهانی با کمبود متخصصان هوش مصنوعی مواجه است. آموزش داخلی یا همکاری با تأمین‌کنندگان خارجی، تنها راه‌حل موجود است.

۳. ریسک‌های سیستمی: استفاده انبوه از مدل‌های مشابه می‌تواند باعث رفتارهای یکنواخت و حتی سقوط‌های ناگهانی بازار شود.

۴. مسائل اخلاقی و شفافیت: سیستم‌های AI نباید جعبه‌سیاه باقی بمانند. شفافیت، تبیین‌پذیری و انصاف، اصولی حیاتی هستند.

مدیریت مؤثر داده: پیش‌نیاز کلیدی موفقیت

هوش مصنوعی بدون داده‌های باکیفیت، فقط نامی زیباست. برای موفقیت در ادغام AI باید مطمئن شویم که:

• 🔵داده‌ها بی‌طرفانه و دقیق هستند؛
• 🔵تاریخچه و منبع داده‌ها قابل ردیابی‌اند؛
• 🔵از مدل‌های غیرمتمرکز مانند یادگیری فدرال (Federated Learning) برای آموزش مدل‌ها بدون انتقال داده استفاده می‌شود؛
• 🔵و تمام فرآیندها مطابق مقررات حفظ حریم خصوصی و مالکیت داده پیش می‌روند.

AI برای ارتقای عملیات، نه فقط کاهش هزینه‌ها

• –خودکارسازی فرآیندها: از تأیید تراکنش‌ها تا پاسخ‌گویی به مشتریان، AI می‌تواند بهره‌وری را افزایش دهد.
• –افزایش دقت در تصمیم‌گیری: تحلیل داده‌های عظیم در زمان واقعی می‌تواند بینش‌هایی برای پیش‌بینی، مدیریت ریسک و شخصی‌سازی خدمات فراهم آورد.
• –توانمندسازی کارکنان: به‌جای جایگزینی نیروی انسانی، AI می‌تواند آن‌ها را از انجام وظایف تکراری آزاد کرده و به سمت تحلیل و تصمیم‌سازی سوق دهد.

دیدگاه ROI محور (بازگشت سرمایه) در پیاده‌سازی AI

یکی از رویکردهای کلیدی برای پیاده‌سازی موفق هوش مصنوعی در صنعت بانکداری، استفاده از یک ماتریس تصمیم‌گیری ساده است که به بانک‌ها این امکان را می‌دهد تا پروژه‌های AI را به صورت هوشمندانه‌تری اولویت‌بندی کنند. در این ماتریس، دو محور اصلی وجود دارد:

• محور افقی: میزان سرمایه‌گذاری موردنیاز

این محور نشان‌دهنده مقدار منابع مالی و زمانی است که برای اجرای پروژه‌های هوش مصنوعی باید اختصاص داده شود. به عبارت دیگر، هر پروژه‌ای که در این بخش قرار می‌گیرد، بسته به نیاز به سرمایه و منابع، درجه پیچیدگی و زمان‌بر بودنش متفاوت خواهد بود.

• محور عمودی: بازدهی مورد انتظار

این محور به میزان تأثیر یا سودآوری مورد انتظار از پیاده‌سازی هوش مصنوعی در یک پروژه خاص اشاره دارد. در واقع، هر پروژه در این بخش بر اساس نتایج مورد انتظار و نقشی که می‌تواند در بهبود عملکرد و کارایی سازمان ایفا کند، ارزیابی می‌شود.

این رویکرد به بانک‌ها کمک می‌کند تا پروژه‌های هوش مصنوعی خود را بر اساس منابع در دسترس و تأثیر واقعی آن‌ها اولویت‌بندی کنند و اطمینان حاصل کنند که از سرمایه‌گذاری‌های انجام‌شده بیشترین بهره را می‌برند.

ارزیابی تأثیر هوش مصنوعی باید عددی و روشن باشد

برای سنجش موفقیت پیاده‌سازی هوش مصنوعی، معیارهایی باید تعیین شود که جنبه‌های کسب‌وکار را اندازه‌گیری کنند و فقط به جنبه‌های فنی مانند حجم داده‌ها یا توان پردازشی اکتفا نکنند. موفقیت باید با استفاده از شاخص‌های قابل اندازه‌گیری، روشن و قابل اثبات ارزیابی شود. برخی از این شاخص‌ها عبارتند از:

• 🔵بهبود رضایت مشتری با استفاده از چت‌بات‌های هوشمند (استفاده از چت‌بات‌های هوشمند برای پاسخ‌گویی به سوالات مشتریان به طور 24/7 و کاهش زمان انتظار، که منجر به افزایش رضایت و وفاداری مشتریان می‌شود.)
• 🔵کاهش نرخ تراکنش‌های مشکوک از طریق مدل‌های تشخیص تقلب (به کارگیری مدل‌های هوش مصنوعی برای شناسایی و جلوگیری از تقلب‌های مالی، که در نتیجه، بانک‌ها قادر به کاهش خسارات ناشی از تراکنش‌های مشکوک و کلاه‌برداری خواهند بود.)
• 🔵افزایش سرعت و دقت اعتبارسنجی در وام‌دهی (استفاده از الگوریتم‌های هوش مصنوعی برای تحلیل دقیق‌تر و سریع‌تر درخواست‌های وام، که منجر به تصمیم‌گیری‌های بهینه‌تر و تسریع روند اعتبارسنجی خواهد شد.)

جمع‌بندی: مهم‌ترین ریسک، عدم استفاده است

اگرچه پیاده‌سازی هوش مصنوعی همانند هر فناوری نوین دیگری، با ریسک‌هایی همراه است – از جمله حریم خصوصی، ریسک سیستمی و هزینه‌های اجرایی- اما در حقیقت بزرگ‌ترین ریسک، نادیده گرفتن آن است.

در دنیای بانکداری دیجیتال، موفقیت در آینده به توانایی استفاده از هوش مصنوعی بستگی دارد؛ نه صرفاً به تکنولوژی، بلکه به بینش، برنامه‌ریزی و اجرای هوشمندانه آن.

---

منبع

در عصر فناوری و سال ۲۰۲۵ صنعت بانکداری با حجم بی‌سابقه‌ای از داده‌ها مواجه شده است. روزانه حدود ۲.۵ کوینتیلیون بایت (۲,۵۰۰,۰۰۰,۰۰۰,۰۰۰,۰۰۰,۰۰۰ بایت) داده توسط کاربران تولید می‌شود که شامل تراکنش‌های مالی، فعالیت‌های آنلاین، تعاملات مشتریان، داده‌های شبکه‌های اجتماعی و اطلاعات اقتصادی می‌باشد. این داده‌ها مانند «سوخت دیجیتال» بانک‌ها عمل می‌کنند.¹

در این مطلب به تحلیل فرصت‌ها، چالش‌ها، ریسک‌ها و نمونه‌های موفق استفاده از کلان‌داده در بانکداری پرداختیم و چشم‌انداز آینده را بررسی می‌کنیم.

آمارهای صنعت کلان‌داده و بانکداری دیجیتال²

پیش از بررسی فرصت‌ها، می‌خواهیم یک نگاه کلی به داده‌های مهم این صنعت بندازیم:

رشد بازار تحلیل کلان‌داده به شکل زیر پیش‌بینی می‌شود:

• درآمد پیش‌بینی‌شده بازار کلان‌داده در سال ۲۰۲۳: ۳۰۸ میلیارد دلار
• پیش‌بینی درآمد تا سال ۲۰۲۹: ۶۵۵ میلیارد دلار (رشد بیش از ۲ برابر)
• نرخ رشد سالانه بازار کلان‌داده تا ۲۰۲۵: ۱۰.۶٪

گسترش بانکداری دیجیتال نیز به مانند زیر پیش‌بینی شده است:

• ٪۸۹ از کاربران بانکی از بانکداری موبایل استفاده می‌کنند.
• ٪۹۷ از نسل هزاره (میلنیال‌ها) مشتری بانکداری دیجیتال هستند.

نقش کلان‌داده در بانکداری و خدمات مالی (BFSI) به چه صورتی است؟

• ٪۲۳ از درآمد کل بازار کلان‌داده به بخش بانکداری، خدمات مالی و بیمه (BFSI) اختصاص دارد.

فرصت‌های کلان‌داده در بانکداری

استفاده از کلان‌داده در بانکداری، هم روی عملکرد بانک‌ها و کاهش هزینه‌ها تاثیر می‌گذارد و هم تجربه مشتری را شخصی‌تر، سریع‌تر و امن‌تر کرده است. بانک‌ها با تحلیل داده‌های عظیم مشتریان، می‌توانند خدمات هوشمندتر، فرآیندهای کارآمدتر و امنیت بهتری ارائه دهند. در این بخش پنج فرصت جذابی که کلان‌داده برای صنعت بانکداری فراهم کرده است را بررسی می‌کنیم.

تجربه مشتری شخصی‌سازی شده

امروزه مشتریان بانک‌ها انتظار تجربه‌ای شخصی‌سازی‌شده و متناسب با نیازهای خود را دارند. بانک‌ها می‌توانند به وسیله کلان‌داده و هوش مصنوعی (AI) الگوهای رفتاری مشتریان را تحلیل کنند و خدماتی متناسب با شرایط مالی و نیازهای فردی ارائه دهند. این شامل پیشنهادهای مالی هدفمند، توصیه‌های هوشمند سرمایه‌گذاری و حتی تشخیص احتمال خروج مشتریان است.

طبق نظرسنجی مؤسسه Accenture در سال ۲۰۲۴، ٪۸۴ از مدیران بانکی معتقدند که شخصی‌سازی خدمات یکی از عوامل کلیدی در حفظ مشتریان است.³

برای درک بهتر، می‌خواهیم داستان موفقیتِ استفاده از کلان داده را در سطح جهان بررسی کنیم:

American Express که یکی از بهترین شرکت‌های مالی در زمینه تحلیل داده‌های مشتریان است، با تحلیل بیش از ۱۱۵ متغیر از داده‌های تراکنشی، الگوهای خرید و رفتارهای مالی مشتریان، احتمال خروج مشتریان را پیش‌بینی می‌کند. در نتیجه می‌تواند پیشنهادهای ویژه‌ای را برای نگهداشت مشتریان ارائه دهد و به کاهش نرخ ریزش آن‌ها کمک کند.

بهینه‌سازی فرآیندهای عملیاتی

بانکداری سنتی فرآیندهای زمان‌بر و طاقت‌فرسایی دارد که هزینه‌های عملیاتی را بالا می‌برد و روی نارضایتی مشتریان نیز تاثیر مستقیم می‌گذارد. اما با کلان‌داده و یادگیری ماشین (ML) می‌توانید این فرآیندها را خودکارسازی و بهینه‌سازی کنید.

تحقیقات نشان می‌دهد که ۳۰٪ از فرآیندهای بانکی، از جمله بررسی اعتبارات، پردازش درخواست‌های وام و تحلیل تراکنش‌ها، قابلیت دیجیتالی شدن و اتوماسیون را دارند. همچنین استفاده از فناوری RPA (اتوماسیون فرآیندهای رباتیک) می‌تواند هزینه‌های عملیاتی را بین ۲۰ تا ۲۵٪ کاهش دهد.

بانک‌های زیادی در دنیا در حال تغییر هستند که نمونه‌اش را می‌توانید در ادامه مطالعه کنید:

JP Morgan Chase با استفاده از الگوریتم‌های یادگیری ماشین و ابزار COIN (Contract Intelligence)، زمان پردازش اسناد وام را از ۳۶۰,۰۰۰ ساعت انسانی به چند ثانیه کاهش داده است. این مدل می‌تواند اسناد حقوقی پیچیده را مورد بررسی قرار دهد، اطلاعات کلیدی را استخراج کند و باعث بهینه‌سازی فرآیندهای اداری می‌شود. مزایای به دست آمده در راستای این تحول، به شرح زیر است:

کاهش هزینه‌های عملیاتی، افزایش سرعت پردازش درخواست‌ها و کاهش احتمال خطاهای انسانی.

امنیت سایبری و مقابله با تقلب

با دیجیتالی‌شدن بانک‌ها، حملات سایبری و جرائم مالی به چالشی تبدیل شده‌اند که باید به درستی به آن‌ها رسیدگی کرد. بانک‌ها باید بتوانند تراکنش‌های غیرعادی را در لحظه شناسایی کنند و مانع از وقوع تقلب شوند.

کلان‌داده و تحلیل‌های پیشرفته، امکان نظارت لحظه‌ای بر تراکنش‌ها و شناسایی الگوهای غیرعادی را فراهم می‌کنند. طبق آمار جهانی تنها ۳۸٪ از سازمان‌های مالی آمادگی لازم برای مقابله با تهدیدات سایبری را دارند. در عین حال، ۶۳٪ از مؤسسات مالی از هوش مصنوعی و کلان‌داده برای تشخیص تراکنش‌های مشکوک و تقلب استفاده می‌کنند. لازم به ذکر است که هزینه متوسط هر نقض داده در بخش مالی، ۶.۰۸ میلیون دلار تخمین زده می‌شود.

یک نمونه در حوزه امنیت سایبری و مقابله با تقلب را نیز در ادامه بررسی کرده‌ایم:

CitiBank با همکاری شرکت Feedzai، سیستم‌های مبتنی بر هوش مصنوعی را برای پایش تراکنش‌های مالی در لحظه پیاده‌سازی کرده است. این سیستم‌ها الگوهای رفتاری مشتریان را یاد می‌گیرند و در صورت مشاهده فعالیت‌های غیرعادی، به‌طور خودکار هشدار صادر می‌کنند و مانع از انجام تراکنش‌های مشکوک جلوگیری می‌شوند. به همین دلیل هم نرخ موفقیت در شناسایی تقلب مالی به میزان ۹۸٪ افزایش یافته، در حالی که نرخ خطای تشخیص تقلب به کمتر از ۱٪ کاهش پیدا کرده است.

تصمیم‌گیری هوشمند در اعطای تسهیلات و اعتبارسنجی

در مدل‌های سنتی اعتبارسنجی، افرادی که سابقه اعتباری ندارند، به سختی می‌توانند وام یا تسهیلات بانکی دریافت کنند. این در حالی است که با استفاده از کلان‌داده، بانک‌ها می‌توانند اعتبارسنجی را فراتر از مدل‌های سنتی انجام دهند.

بدین شکل که بیش از ۱.۷ میلیارد نفر در جهان فاقد حساب بانکی و سابقه اعتباری هستند، اما بسیاری از آن‌ها از نظر اقتصادی فعال‌اند و جزو افراد واجد شرایط دریافت وام به شمار می‌روند. سیستم‌های سنتی فقط به گزارش‌های اعتباری (Credit Score) تکیه دارند، در حالی که مدل‌های جدید از تحلیل رفتارهای دیجیتالی و تراکنش‌های غیررسمی استفاده می‌کنند.

در این حوزه نیز می‌توان مثال‌ها و نمونه‌های موفق زیادی نام برد که یکی از آن‌ها به شرح زیر است:

Kreditech یکی از شرکت‌های زمینه اعتبارسنجی هوشمند است. این شرکت با تحلیل داده‌های خریدهای آنلاین، رفتارهای شبکه‌های اجتماعی و تراکنش‌های دیجیتال کاربران، یک مدل نوین برای ارزیابی اعتبار مشتریان ایجاد کرده است.

این مدل جدید اعتبارسنجی به مشتریانی که در سیستم‌های سنتی رد صلاحیت می‌شدند، امکان دریافت وام را فراهم می‌کند. در عین حال این مدل به گونه‌ای طراحی شده که ریسک عدم بازپرداخت وام را به حداقل می‌رساند.

پشتیبانی مشتری با هوش مصنوعی

یکی از بخش‌های پرهزینه در بانکداری، پشتیبانی از مشتریان و پاسخگویی به سؤالات و درخواست‌های آن‌ها است. با استفاده از چت‌بات‌ها و دستیارهای مجازی مبتنی بر هوش مصنوعی، بانک‌ها توانسته‌اند هزینه‌های این بخش را کاهش داده و در عین حال کیفیت خدمات را افزایش دهند.

بانک‌هایی که از چت‌بات‌های هوشمند استفاده می‌کنند، هزینه‌های پشتیبانی خود را تا ۵۰٪ کاهش داده‌اند که بسیار قابل توجه است. نکته جالب این است که ۹۰٪ از تعاملات پشتیبانی مشتریان در سطح جهانی تا سال ۲۰۳۰ به‌طور کامل توسط هوش مصنوعی مدیریت خواهد شد.

دستیارهای هوشمند بانکی به راحتی می‌توانند مدیریت هزینه‌ها، پس‌انداز، مشاوره مالی و حتی پیش‌بینی رفتار مالی کاربران را انجام دهند.

Bank of America از دستیار مجازی خود به نام Erica برای کمک به مشتریان استفاده می‌کند که یک مثال عالی برای این موضوع است. Erica با بهره‌گیری از هوش مصنوعی، پردازش زبان طبیعی و تحلیل داده‌ها، به مشتریان در زمینه مدیریت هزینه‌ها، پس‌انداز، بررسی تراکنش‌ها و حتی تشخیص الگوهای غیرعادی در خرج‌کرد آن‌ها کمک می‌کند.

استفاده از چت‌بات‌های بانکی باعث شده تا زمان پاسخگویی به مشتریان کاهش یابد، دقت پاسخ‌ها افزایش پیدا کند و مشتریان تجربه بهتری از تعامل با بانک‌ها داشته باشند.

ریسک‌ها و چالش‌های کلان‌داده در بانکداری

پس از بررسی کاربردها و مزایا، باید ریسک‌های کلان‌داده در بانکداری را نیز مورد تحلیل قرار دهیم:

سیستم‌های قدیمی (Legacy Systems)

• ۹۲ از ۱۰۰ بانک برتر جهانی هنوز از سیستم‌های مین‌فریم IBM استفاده می‌کنند. این سیستم‌ها برای تحلیل کلان‌داده طراحی نشده‌اند و تغییر آن‌ها هزینه‌بر است.⁴

امنیت داده و تهدیدات سایبری

• بانک‌ها با حجم عظیمی از داده‌های حساس مواجه هستند که نیازمند حفاظت شدید است.
•  حملات سایبری و نقض داده‌ها هزینه‌های هنگفتی به بانک‌ها تحمیل می‌کند.

راهکارهای که برای چالش‌های بالا وجود دارد: استفاده از بلاکچین و رمزنگاری داده‌ها است که می‌تواند امنیت تراکنش‌ها را افزایش دهد.

حجم و کیفیت داده‌ها

• ۸۰ تا ۹۰٪ از داده‌های مالی غیرساختاریافته هستند (مانند ایمیل‌ها و تعاملات شبکه‌های اجتماعی).
• بانک‌ها باید روی ساختاردهی و تحلیل این داده‌ها سرمایه‌گذاری کنند.

چالش‌های قانونی و مقرراتی (مانند GDPR)

قوانین سختگیرانه GDPR و سایر مقررات حفظ حریم خصوصی، بانک‌ها را ملزم به شفافیت در جمع‌آوری و استفاده از داده‌های مشتریان می‌کنند.

به همین دلیل: بانک‌ها باید مدل‌هایی را طراحی کنند که با رعایت قوانین، داده‌ها را تحلیل کنند و حریم خصوصی مشتریان را حفظ نمایند.

نمونه‌های موفق بانک‌ها در استفاده از کلان‌داده

همانطور که گفتیم، مثال‌های موفقیت‌آمیز زیادی می‌توانیم در حوزه استفاده از کلان‌داده بزنیم که سه موردش را می‌توانید در جدول زیر مطالعه کنید:

بانک	کاربرد کلان‌داده	نتیجه
Barclays	تحلیل احساسات کاربران در شبکه‌های اجتماعی	بهبود تجربه کاربری اپلیکیشن موبایل
Deutsche Bank	تحلیل تأثیر عوامل نامشهود بر قیمت سهام	افزایش دقت پیش‌بینی‌های بازار مالی
BNP Paribas	نظارت بر عملکرد کارکنان و شعب	بهبود بهره‌وری و کاهش هزینه‌های عملیاتی

آینده کلان‌داده در بانکداری

صنعت بانکداری در حال گذار به عصر جدیدی است که کلان‌داده و فناوری‌های مرتبط، به مهم‌ترین‌ بخش آن تبدیل می‌شوند. این تحولات نحوه ارائه خدمات مالی را تغییر می‌دهند و فرصت‌های بی‌شماری برای بهبود کارایی، کاهش هزینه‌ها و افزایش رضایت مشتریان ایجاد می‌کنند.

در این قسمت از مطلب به بررسی چهار روند کلیدی که آینده بانکداری را شکل خواهند داد، می‌پردازیم.

هوش مصنوعی و یادگیری ماشین (AI & ML)

هوش مصنوعی و یادگیری ماشین در حال تبدیل شدن به بخشی مهم و حیاتی در بانکداری مدرن هستند. بانک‌ها به کمک این فناوری‌ها می‌توانند حجم عظیمی از داده‌ها را تحلیل کرده و از آن‌ها برای پیش‌بینی تقاضا، شناسایی تقلب و تصمیم‌گیری خودکار استفاده کنند.

• پیش‌بینی تقاضا: با تحلیل الگوهای رفتاری مشتریان، بانک‌ها می‌توانند نیازهای آینده آن‌ها را پیش‌بینی و خدمات متناسب ارائه دهند.
• شناسایی تقلب: الگوریتم‌های هوش مصنوعی قادرند الگوهای غیرعادی در تراکنش‌ها را شناسایی کرده و بلافاصله هشدار دهند. به لطف این ویژگی‌ تا حد امکان می‌توان از کلاهبرداری‌های احتمالی جلوگیری کرد و اعتماد مشتریان را به دست آورد.
• تصمیم‌گیری خودکار: فرآیندهایی مانند اعطای وام یا بررسی صلاحیت اعتباری می‌توانند به طور کامل خودکار شوند.

بانکداری باز (Open Banking)

بانکداری باز مفهومی است که در آن بانک‌ها داده‌های مشتریان خود را به صورت امن با توسعه‌دهندگان و شرکت‌های فین‌تک به اشتراک می‌گذارند. این رویکرد به ایجاد اکوسیستمی از خدمات نوآورانه منجر می‌شود که نیازهای مشتریان را به شیوه‌های جدید برآورده می‌کند.

در روش بانکداری باز، بانک‌ها با استفاده از APIهای امن، می‌توانند داده‌های مالی مشتریان را با رضایت آن‌ها در اختیار شرکت‌های ثالث قرار دهند. همچنین بانک‌ها می‌توانند با استارتاپ‌های فین‌تک همکاری کنند تا خدمات جدیدی مانند وام‌های فوری، سرمایه‌گذاری‌های خرد و ابزارهای پس‌انداز هوشمند را توسعه دهند.

فناوری بلاکچین

فناوری بلاکچین رهبر اصلی بالا بردن امنیت در فضای بانکداری دیجیتال است. این فناوری با ایجاد یک دفتر کل توزیع‌شده، امکان دستکاری داده‌ها را به حداقل می‌رساند. بلاکچین با رمزنگاری پیشرفته، امنیت تراکنش‌ها را تضمین می‌کند. این موضوع به ویژه در جلوگیری از تقلب و حملات سایبری اهمیت دارد.

هر تراکنش در بلاکچین به صورت شفاف و غیرقابل تغییر ثبت می‌شود که این موضوع به مشتریان و نهادهای نظارتی اطمینان می‌دهد که داده‌ها دستکاری نشده‌اند. همچنین بلاک‌چین با حذف واسطه‌ها در فرآیندهای مالی، هزینه‌های تراکنش‌ها را به طور قابل توجهی کاهش می‌دهد.

تحلیل لحظه‌ای (Real-Time Analytics)

در دنیای امروز سرعت تصمیم‌گیری یک مزیت رقابتی است. به کمک تحلیل لحظه‌ای داده‌ها در کم‌ترین زمان می‌توان به نوسانات بازار واکنش نشان داد و تصمیم‌های بهینه گرفت. با تحلیل بلادرنگ داده‌ها، بانک‌ها می‌توانند ریسک‌های بالقوه را شناسایی و از آن‌ها جلوگیری کنند. به عنوان مثال، شناسایی سریع تراکنش‌های مشکوک باعث جلوگیری از وقوع کلاهبرداری می‌شود.

نتیجه‌گیری

کلان‌داده در صنعت بانکداری تبدیل به ابزاری شده است که به وسیله آن می‌توان ایمنی و خدمات بهتری فراهم کرد و در عین حال هزینه‌ها به میزان زیادی کاهش داد. بانک‌هایی که از این فناوری استفاده می‌کنند، می‌توانند تجربه‌ای شخصی‌تر برای مشتریان ایجاد کنند، هزینه‌های عملیاتی خود را پایین بیاروند، امنیت را بهبود ببخشند و فرآیندهای اعتبارسنجی را بهینه‌سازی کنند.

در آینده، بانک‌هایی که از داده‌های عظیم برای تصمیم‌گیری هوشمندانه استفاده نکنند، در رقابت با بازیگران جدید بازار، مانند فین‌تک‌ها عقب خواهند ماند.

1. منبع: statista.com ↩︎
2. منبع: Grand View Research ↩︎
3. منبع: accenture ↩︎
4. منبع: IBM ↩︎

در عصر دوم تحول دیجیتال، هوش مصنوعی مولد (Generative AI) می‌تواند قواعد بازی را در نظام بانکداری ایران و جهان تغییر دهد؛ از کنترل هوشمند ریسک و انطباق با مقررات تا پیشگیری از تقلب و تسریع در اعتبارسنجی. این مقاله با نگاهی تحلیلی و آینده‌پژوهانه، مسیر بهره‌برداری از gen AI را برای بانکداری با تأکید برای بانک‌های ایرانی ترسیم می‌کند.

در پنج سال آینده (2029)، هوش مصنوعی مولد (gen AI) می‌تواند به‌طور بنیادی شیوه مدیریت ریسک در مؤسسات مالی را با خودکارسازی، تسریع و بهبود فرآیندهایی از جمله رعایت مقررات تا کنترل ریسک‌های اقلیمی دگرگون کند.

هوش مصنوعی مولد به‌عنوان محرکی برای موج بعدی بهره‌وری در صنایع مختلف از جمله خدمات مالی شناخته می‌شود. از مدل‌سازی تحلیلی تا خودکارسازی وظایف دستی و ترکیب محتوای بدون ساختار، این فناوری در حال تغییر نحوه عملکرد واحدهای بانکی و نیز چگونگی مدیریت ریسک و انطباق با مقررات است.

در عین حال که استفاده از gen AI نیازمند وضع چارچوب‌هایی برای اطمینان از استفاده صحیح در سازمان است، این فناوری می‌تواند به افزایش کارایی و اثربخشی عملکردهای ریسک و انطباق نیز کمک کند. در ادامه مقاله، به نحوه ایجاد یک رویکرد انعطاف‌پذیر و قدرتمند برای استفاده از gen AI در مدیریت ریسک و انطباق می‌پردازیم و موضوعات مهمی را که مدیران باید در نظر داشته باشند بررسی می‌کنیم.

بهره‌گیری از فرصت‌های gen AI

هوش مصنوعی مولد می‌تواند شیوه مدیریت ریسک بانک‌ها را در سه تا پنج سال آینده متحول کند. این فناوری می‌تواند عملکردها را از فعالیت‌های مبتنی بر وظیفه به همکاری استراتژیک با واحدهای کسب‌وکار برای پیشگیری از ریسک و ایجاد کنترل‌ها در ابتدای مسیرهای مشتری (رویکرد «انتقال به چپ») سوق دهد. نتیجه این تحول، آزادسازی ظرفیت کارشناسان ریسک برای مشاوره در توسعه محصولات جدید، تصمیم‌گیری‌های استراتژیک، بررسی روندهای نوظهور ریسک، تقویت تاب‌آوری و بهبود فرآیندهای ریسک و کنترل خواهد بود.

این پیشرفت‌ها ممکن است منجر به ایجاد مراکز هوشمندی ریسک مبتنی بر AI و gen AI شوند که همه خطوط دفاعی سازمان را پشتیبانی کنند؛ از جمله کسب‌وکار، عملیات، انطباق و ممیزی. این مراکز می‌توانند گزارش‌دهی خودکار، شفافیت بیشتر در ریسک، تصمیم‌گیری مؤثرتر در حوزه ریسک و خودکارسازی نسبی در تدوین و به‌روزرسانی سیاست‌ها و رویه‌ها را فراهم آورند.

به‌عنوان نمونه، شرکت مک‌کینزی یک کارشناس مجازی مبتنی بر gen AI توسعه داده است که پاسخ‌هایی سفارشی بر اساس داده‌ها و اطلاعات اختصاصی شرکت ارائه می‌دهد. واحدهای ریسک بانک‌ها می‌توانند ابزارهای مشابهی توسعه دهند که تراکنش‌ها، اخبار بازار، قیمت دارایی‌ها و پرچم‌های قرمز را اسکن کرده و در تصمیمات ریسک اثرگذار باشند.

gen AI همچنین می‌تواند هماهنگی بهتری میان خطوط اول و دوم دفاعی در سازمان ایجاد کند، در حالی که ساختار حاکمیتی را در میان هر سه خط حفظ می‌کند.

کاربردهای نوظهور gen AI در ریسک و تطبیق مقررات

از میان کاربردهای متعدد gen AI در مؤسسات مالی، برخی از آن‌ها برای پذیرش اولیه در حال بررسی هستند:

• رعایت مقررات: استفاده از gen AI به‌عنوان کارشناس مجازی مقررات و سیاست‌های داخلی.
• جرائم مالی: ایجاد گزارش فعالیت مشکوک و به‌روزرسانی رتبه‌بندی ریسک مشتریان.
• ریسک اعتباری: خلاصه‌سازی اطلاعات مشتری برای تصمیم‌گیری اعتباری و تولید خودکار یادداشت‌های اعتباری.
• مدل‌سازی و تحلیل داده: مهاجرت سریع‌تر از زبان‌های قدیمی مثل COBOL به Python.
• ریسک سایبری: تولید کد برای قوانین شناسایی تهدیدات امنیتی و شبیه‌سازی حملات.
• ریسک اقلیمی: جمع‌آوری خودکار داده‌ها و تولید گزارش‌های ESG.

با جای‌گذاری این فناوری در نقش‌های کلیدی، بانک‌ها شاهد موج دوم از موارد استفاده نوظهور خواهند بود، از جمله ارزیابی کفایت سرمایه داخلی، خلاصه‌سازی موقعیت‌های ریسک و پیش‌نویس گزارش‌ها برای مدیریت ارشد.

ملاحظات کلیدی در پذیرش gen AI

در حالی‌که کاربردهای متعدد و جذابی از gen AI وجود دارد که می‌تواند بهره‌وری را افزایش دهد، اولویت‌بندی آن‌ها برای تحقق ارزش و در عین حال پذیرش مسئولانه و پایدار فناوری بسیار حیاتی است> برای بهره‌برداری از ارزش  gen AI، لازم است موارد استفاده با اولویت بالا شناسایی و مسئولانه اجرا شوند. مدیران ریسک می‌توانند بر اساس سه بُعد مهم اثر، ریسک و قابلیت اجرا، اولویت‌ها را مشخص کنند.

📎توضیح: نمودار زیر به مدیران ریسک کمک می‌کند تا بر اساس تأثیر، ریسک و قابلیت اجرا، کاربردهای فناوری را اولویت‌بندی کرده و حداکثر اثر را به‌دست آورند

مدیران ارشد ریسک می‌توانند تصمیمات خود را بر اساس ارزیابی‌های کیفی و کمی در سه بُعد فوق اتخاذ کنند. این فرایند شامل هم‌راستایی با چشم‌انداز کلی بانک در مورد gen AI و چارچوب‌های حاکمیتی مرتبط، درک مقررات مربوطه (مانند قانون AI اتحادیه اروپا) و ارزیابی حساسیت داده‌ها می‌شود.

در کنار آن، رهبران سازمان باید نسبت به مخاطرات جدید مرتبط با این فناوری آگاهی داشته باشند. این مخاطرات را می‌توان به هشت دسته تقسیم کرد:

1. عدالت آسیب‌دیده: زمانی‌که خروجی مدل به‌صورت ذاتی علیه یک گروه خاص مغرضانه باشد.
2. نقض مالکیت فکری: مانند کپی‌رایت یا سرقت ادبی، چون مدل‌ها معمولاً بر داده‌های موجود در اینترنت تکیه دارند.
3. نگرانی‌های مربوط به حریم خصوصی: انتشار اطلاعات شخصی یا حساس بدون اجازه.
4. استفاده مخرب: مانند تولید محتوای نادرست یا جعل هویت، فیشینگ یا کلاه‌برداری با استفاده از gen AI.
5. تهدیدات امنیتی: رخنه در آسیب‌پذیری‌های سیستم‌های gen AI.
6. ریسک‌های عملکرد و قابلیت توضیح‌پذیری: پاسخ‌های نادرست یا اطلاعات قدیمی توسط مدل‌ها.
7. ریسک‌های استراتژیک: عدم تطابق با استانداردها یا مقررات ESG و آسیب به شهرت یا جامعه.
8. ریسک‌های شخص ثالث: نشت داده‌های محرمانه از طریق استفاده از ابزارهای ثالث.

راهبردهای موفق برای طراحی مسیر gen AI

سازمان‌هایی که قصد دارند از gen AI ارزش استخراج کنند، باید با رویکردی متمرکز و از بالا به پایین وارد شوند. با توجه به کمبود استعداد برای مقیاس‌دهی قابلیت‌های gen AI، شروع با ۳ تا ۵ کاربرد اولویت‌دار که با اهداف استراتژیک سازمان هم‌راستا هستند، توصیه می‌شود. اجرای این کاربردها باید در بازه‌ای بین ۳ تا ۶ ماه انجام شود و سپس تأثیر آن بر کسب‌وکار سنجیده شود.

برای مقیاس‌دهی موفق، توسعه یک اکوسیستم gen AI در ۷ حوزه ضروری است:

1. فهرستی از خدمات و راه‌حل‌های آماده‌تولید gen AI که در سناریوها و برنامه‌های مختلف بانکی قابل استفاده باشند.
2. زیرساخت فناوری امن و آماده‌برای gen AI که از اجرای ترکیبی ابری (Hybrid Cloud) پشتیبانی کند.
3. یکپارچه‌سازی با مدل‌های پایه‌ای سازمانی برای انتخاب و ارکستراسیون بهینه میان مدل‌های باز و اختصاصی.
4. خودکارسازی ابزارهای پشتیبان از جمله MLOps، داده‌ها و خطوط پردازش برای تسریع توسعه و نگهداری.
5. مدل‌های حاکمیتی و نیروی انسانی که بتوانند با تخصص‌های میان‌رشته‌ای (NLP، یادگیری تقویتی، قوانین، ابر و مهندسی Prompt) همکاری کنند.
6. هم‌راستایی فرایندها برای آزمایش، اعتبارسنجی و پیاده‌سازی سریع و ایمن راه‌حل‌ها.
7. نقشه راهی که زمان‌بندی راه‌اندازی و مقیاس‌دهی قابلیت‌ها و راه‌حل‌ها را در تطابق با استراتژی کسب‌وکار مشخص کند.

در دنیایی که همه صنایع در حال آزمایش gen AI هستند، سازمان‌هایی که از این فناوری بهره نمی‌گیرند، در خطر عقب‌افتادگی در بهره‌وری، نوآوری و تعامل با مشتری قرار دارند. بانک‌ها باید بدانند که انتقال از مرحله آزمایشی به تولید در gen AI زمان بیشتری نسبت به هوش مصنوعی سنتی می‌برد. هنگام انتخاب موارد استفاده، نباید رویکرد جزیره‌ای اتخاذ شود بلکه باید با استراتژی و اهداف کلی سازمان هماهنگ باشند.

الزامات حیاتی برای پذیرش gen AI در گروه‌های ریسک و تطبیق مقررات

مدیریت ریسک و کنترل‌ها

پذیرش gen AI مستلزم یک سطح جدید از کنترل و مدیریت ریسک است. باید رویکردهای دفاعی و تهاجمی را هم‌زمان در نظر گرفت. در ابتدا تمرکز بر بررسی انسانی (human-in-the-loop) برای صحت پاسخ‌هاست. gen AI می‌تواند با استفاده از استنادات منبع و امتیازدهی ریسک، خود را ارزیابی کرده و بازبینی انسانی را بهبود دهد.برخی شرکت‌ها حتی کنترل‌ها را به‌صورت لحظه‌ای اجرا کرده و بررسی انسانی را حذف کرده‌اند.

برای مدیریت مناسب ریسک‌های gen AI، عملکردهای ریسک باید اقدامات زیر را انجام دهند:

1.آموزش عمومی کارکنان درباره ریسک‌ها و انتشار بایدها و نبایدها.

2. به‌روزرسانی معیارهای شناسایی مدل‌ها و سیاست ریسک مدل مطابق با مقررات جدید

3. توسعه کارشناسان ریسک و انطباق gen AI که با تیم‌های توسعه همکاری کنند.

4. بازبینی کنترل‌های موجود در حوزه مشتری‌شناسی، ضدپولشویی، کلاه‌برداری و امنیت سایبری.

الزامات داده‌ای و فناوری

– بانک‌ها نباید نیازهای عظیم داده و فناوری gen AI را دست‌کم بگیرند.

برای دقت در خروجی‌ها، جای‌گذاری دقیق محتوا (context embedding) حیاتی است. داده‌های موجود ممکن است کافی نباشند و نیاز به داده‌های برچسب‌خورده برای سنجش عملکرد وجود دارد.

– سازمان‌هایی که پلتفرم‌های داده پیشرفته دارند، در استخراج ارزش از gen AI موفق‌تر خواهند بود.

نیازهای نیروی انسانی و مدل عملیاتی

هوش مصنوعی مولد فناوری‌ای تحول‌آفرین است که نیازمند تغییر سازمانی است. سازمان‌ها باید:

• تغییرات مدل عملیاتی را در فرهنگ سازمانی نهادینه کنند.
• کاربران را نه‌تنها در نحوه استفاده، بلکه در محدودیت‌ها و نقاط قوت gen AI آموزش دهند.
• تیمی از «پیش‌گامان gen AI » تشکیل دهند که پذیرش فناوری را هدایت کنند.

پیش‌بینی می‌شود که gen AI در آینده عملکردهای ریسک و انطباق بانک‌ها را توانمند سازد، که این نیازمند تغییر عمیق فرهنگی و تسلط کارشناسان بر این فناوری خواهد بود.

راهبردهای موفقیت برای شروع مسیر gen AI

سازمان‌ها باید با تمرکز بر موارد استفاده محدود و هدفمند، مسیر خود را آغاز کنند. برای مقیاس‌پذیری، ایجاد یک اکوسیستم gen AI ضروری است، شامل:

• فهرستی از خدمات آماده به کار
• زیرساخت امن و مناسب برای  gen AI
• یکپارچه‌سازی با مدل‌های پایه‌ای
• اتوماسیون ابزارهای پشتیبانی مثل MLOps
• مدل‌های حاکمیتی و مهارتی ترکیبی
• هم‌راستایی فرآیندهای توسعه
• نقشه راه مشخص برای پیاده‌سازی

در نهایت، برای موفقیت و پذیرش گسترده، تیم‌های ریسک و انطباق باید با نیازهای جدید در زمینه مدیریت ریسک، تقاضای داده و فناوری، و مدل‌های عملیاتی و نیروی انسانی آشنا شوند.

الزامات داده‌ای و فناوری

اجرای موفق gen AI نیازمند حجم زیادی داده با کیفیت بالا و فناوری مناسب است. فرایند «جای‌گذاری محتوا» برای دستیابی به نتایج دقیق حیاتی است. سازمان‌ها ممکن است نیاز به تهیه داده‌های برچسب‌خورده برای اندازه‌گیری عملکرد gen AI داشته باشند.

نیازهای نیروی انسانی و مدل‌های عملیاتی

با توجه به ماهیت تحول‌ساز gen AI، تغییرات فرهنگی و آموزشی در سازمان ضروری است. آموزش کارکنان، تشکیل تیم‌هایی از «پیش‌گامان gen AI» و تطبیق فرآیندهای جاری از جمله اقدامات کلیدی‌اند.

در نهایت، بانک‌هایی که بتوانند از gen AI به‌درستی استفاده کنند، قادر خواهند بود ضمن مدیریت ریسک‌ها، بهره‌وری چشمگیری کسب کنند.

مطالعه موردی: ضرورت دگرگونی در بانکداری ایران

نظام بانکی ایران در سال‌های اخیر با چالش‌هایی چون تعدد مقررات، نوسان‌های اقتصادی، ناپایداری در مدل‌های درآمدی، افزایش ریسک‌های اعتباری و سایبری، و کندی در تحول دیجیتال مواجه بوده است. در چنین شرایطی، ظهور هوش مصنوعی مولد (Gen AI) فرصتی تاریخی برای بازطراحی عملکردها، به‌ویژه در حوزه‌های مدیریت ریسک، انطباق با مقررات، و تحول تجربه مشتری فراهم می‌سازد.

ظرفیت‌های gen AI برای بانکداری ایرانی

فرصت‌های آینده‌پژوهانه gen AI برای بانک‌های ایرانی

الف) تبدیل به بانک داده‌محور و هوشمند: با محوریت gen AI ، بانک‌های پیشران می‌تواند تا سال ۱۴۰۸ به یک نهاد داده‌محور تبدیل شود که در آن تصمیم‌گیری‌های کلان و خرد بر اساس تحلیل‌های لحظه‌ای و هوشمند انجام شود.
ب) ایجاد مرکز هوشمندی ریسک (Risk Intelligence Center): مرکزی متمرکز برای تحلیل، گزارش‌گیری و هشداردهی در حوزه‌های ریسک مالی، اقلیمی، سایبری و عملیاتی. این مرکز می‌تواند کلیه خطوط دفاعی (LODs) بانک را پشتیبانی کند.
ج) ارتقاء تعامل با مشتریان از طریق مشاوران مجازی هوشمند: ایجاد دستیارهای مالی هوشمند برای پاسخگویی به مشتریان (مثلاً Chatbotهایی که توان پاسخ به استعلام‌های اعتباری یا ارزی دارند).
د) افزایش تطابق با نهادهای ناظر داخلی و بین‌المللی: تدوین گزارش‌های ESG، پیاده‌سازی الزامات FATF و سایر نهادهای نظارتی با کمترین خطای انسانی و بیشترین شفافیت.

چالش‌های پیاده‌سازی gen AI در ایران

نقشه راه پیشنهادی برای پنج سال پیش رو

 جمع‌بندی و پیشنهاد راهبردی

بانک‌های ایرانی می‌توانند با بهره‌گیری هوشمندانه از هوش مصنوعی مولد به یکی از پیشگامان تحول دیجیتال در نظام بانکی کشور بدل شوند. این فناوری نه‌تنها بهره‌وری عملیاتی و شفافیت را افزایش می‌دهد، بلکه پایه‌گذار نسلی جدید از بانکداری مبتنی بر «هوش تطبیق‌پذیر و چابک» خواهد بود.

پیشنهاد کلیدی:

مدیر و سیاست‌گذار بانک ایرانی باید یک کارگروه بین‌رشته‌ای با حضور متخصصین داده، ریسک، فناوری و حقوق تشکیل دهد تا ضمن تدوین چارچوب حاکمیتی  gen AI، اجرای پایلوت‌های هوشمند و بومی‌سازی زیرساخت‌ها را با نگاهی استراتژیک پیگیری کند.

---

_{* منبع اصلی مقاله حاضر، نوشتاری است با عنوان «How generative AI can help banks manage risk and compliance» که در مارس ۲۰۲۴ توسط راهول آگاروال (دفتر نیوجرسی شرکت مک‌کینزی)، آندریاس کرمر (دفتر برلین)، ایدا کریستنسن (دفتر نیویورک) و آنجلا لوژه (دفتر لندن) نگاشته شده است.}