چکیده: سازندگان مدلهای هوش مصنوعی به محیط کار مؤسسات مالی نزدیکتر شدهاند. محصولات تخصصی آنها داده، ابزار تحلیل و کنترلهای سازمانی را کنار هم قرار میدهند. این حرکت در ادامه تاریخی طولانی از پیوند فناوری و امور مالی رخ میدهد؛ تاریخی که اکنون به پرسش تازهای رسیده است: هوش مصنوعی تا کجا اجازه اقدام خواهد داشت؟
روی میز تحلیلگر، چند صورت مالی باز است. او باید عددی را از یادداشتهای گزارش پیدا کند، با دوره قبل تطبیق دهد و در مدل ارزشگذاری وارد کند. بعد نوبت نوشتن توضیح و آمادهکردن گزارش مشتری است. بخش زیادی از روز با رفتوآمد میان سند، جدول و متن میگذرد. رقابت تازهای شروع شده است.
شرکتهای هوش مصنوعی میخواهند این کارها را در یک محیط به هم متصل کنند. آنتروپیک در ژوئیه ۲۰۲۵ راهکار مالی Claude for Financial Services را معرفی کرد. گوگل کلاد در اگوست ۲۰۲۶ از Gemini Enterprise for Financial Services رونمایی کرد و اوپنایآی در سپتامبر همان سال ChatGPT for Financial Services را عرضه کرد. این محصولات در زمانهای متفاوت معرفی شدهاند، اما هدف مشترکی دارند: واردکردن مدل به کار روزانه متخصص مالی.
برای فهم اهمیت این حرکت، باید کمی از میز تحلیلگر فاصله بگیریم. نخستین صحنه این روایت، در بستر اقیانوس اطلس اتفاق میافتد.
مرور سریع مقاله:
- پرده اول | وقتی خبر از کشتی جلو افتاد
- پرده دوم | رایانه پشت پیشخوان جا گرفت
- پرده سوم | بانک در پنجره مرورگر
- پرده چهارم | الگوریتمها پیش از ChatGPT رسیده بودند
- پرده پنجم | صاحبان داده وارد صحنه میشوند
- پرده ششم | رقابت بر سر میز کار تحلیلگر
- پرده هفتم | وقتی عاملها دستهچک بگیرند
کاربردها، مزایا و چالشهای استفاده از هوش مصنوعی در خدمات و تصمیمگیریهای مالی
۱. کاربردها
مدیریت ریسک
امنیت و تشخیص تقلب
تجارت و سرمایهگذاری
خدمات مشتریان
۲. مزایا
۳. چالشها
پرده اول | وقتی خبر از کشتی جلو افتاد
ژوئیه ۱۸۶۶. کابل تلگراف اقیانوس اطلس ارتباطی پایدار میان دو سوی اقیانوس برقرار میکند. خبری که با کشتی سفر میکرد، حالا از سیم میگذرد. برای بازارهای لندن و نیویورک، فاصله میان دانستن و معاملهکردن کوتاهتر میشود.
کریستوفر هوگ در پژوهش خود، قیمت یک ورقه بهادار مشترک میان دو بازار را بررسی کرد و شواهدی یافت که وقفه اطلاعاتیِ برآوردشده پس از اتصال کابل، از حدود ده روز به صفر روز کاهش یافته بود. این برآورد به دادههای روزانه و همان مورد مطالعه مربوط است. پژوهش هوگ درباره کابل تلگراف و جریان اطلاعات بازار سرمایه
ارزش اقتصادی تلگراف برای بازار مالی ملموس بود. معاملهگر میتوانست زودتر از قیمت آن سوی اقیانوس باخبر شود و تصمیمش را با اطلاعات تازهتری بگیرد. بازار مالی برای این فناوری تازه، کاربردی با ارزش اقتصادی روشن پیدا کرده بود.
خبر سریعتر رسید. ثبت حسابها و پردازش اسناد، هنوز به سرعت دستها وابسته بود.
پرده دوم | رایانه پشت پیشخوان جا گرفت
سپتامبر ۱۹۵۹، بانک آو امریکا (Bank of America) سامانه ERMA را تحویل گرفت. دستگاه، شماره حساب چاپشده با جوهر مغناطیسی روی چک را میخواند و پردازش آن را به سامانه الکترونیکی میسپرد. تاریخچه ERMA در موزه تاریخ رایانه
مقیاس کار، دلیل اقتصادی روشنی برای این تغییر فراهم میکرد. بر اساس روایت تفصیلی همین موزه، تا سال ۱۹۶۶ مراکز منطقهای ERMA تقریباً تمام شبکه ۹۰۰شعبهای بانک را پوشش میدادند و سالانه بیش از ۷۵۰ میلیون چک پردازش میکردند.
برای پردازش خودکار، دادهها باید به شکلی ثبت میشدند که ماشین بتواند آنها را بخواند. بانک باید سند، شناسه حساب و فرایند ثبت را با سامانه تازه هماهنگ میکرد. خرید رایانه، مجموعهای از تغییرهای عملیاتی را به دنبال داشت.
بخش بزرگی از این پیشرفت پشت پیشخوان رخ میداد. مشتری همچنان برای بسیاری از کارها به شعبه میرفت. اینترنت قرار بود محل این ملاقات را تغییر دهد.
پرده سوم | بانک در پنجره مرورگر
در پایان سال ۱۹۹۹، حدود ۱۱۰۰ بانک آمریکایی وبسایت تراکنشی داشتند. مشتری میتوانست از طریق این سایتها کارهایی مانند مشاهده موجودی، انتقال وجه و پرداخت را انجام دهد. گزارش فدرال رزرو شیکاگو درباره جایگاه اینترنت در بانکداری
مشتری حالا بخشی از کارهای بانکی را از خانه انجام میداد. با گسترش خدمات آنلاین، آسانبودن استفاده، در دسترسبودن خدمات و اعتماد به سامانه اهمیت بیشتری یافت. شعبه همچنان بخشی از شبکه خدمات بود و وبسایت مسیر تازهای در کنار آن فراهم میکرد.
اینترنت امکان مقایسه را نیز گسترش داد. مشتری برای شناخت گزینهها و استفاده از بعضی خدمات، مسیرهای بیشتری پیش رو داشت. در این محیط، رابطه مؤسسه با مشتری به کیفیت حضورش در کانالهای دیجیتال وابستهتر میشد.
از تلگراف تا مرورگر، انتقال اطلاعات، پردازش حسابها و دسترسی مشتری تغییر کرده بود. حجم دادهای که در این مسیر باقی میماند، امکان دیگری ایجاد میکرد: پیداکردن الگوهایی که بررسی دستی آنها دشوار بود.
پرده چهارم | الگوریتمها پیش از ChatGPT رسیده بودند
سال ۲۰۱۹، بانک انگلستان و نهاد ناظر رفتار مالی بریتانیا از مؤسسات مالی درباره یادگیری ماشین پرسیدند. از ۱۰۶ پاسخدهنده، حدود دوسوم اعلام کردند از آن استفاده میکنند. کشف تقلب، مبارزه با پولشویی و خدمات مشتری از کاربردهای رایج بود. نتایج این نمونه را نمیشد به کل صنعت مالی بریتانیا تعمیم داد، اما پاسخها نشان میداد مؤسسات پیش از موج مدلهای زبانی هم از یادگیری ماشین استفاده میکردند. پیمایش یادگیری ماشین در خدمات مالی بریتانیا
همان گزارش از کاربردهایی در ریسک اعتباری، قیمتگذاری و اجرای معامله نیز سخن میگفت. بنابراین، سپردن بعضی تصمیمها و اقدامها به ماشین سابقه داشت. مدلهای زبانی وارد صنعتی شدند که از قبل تجربه سنجش خطا، پایش مدل و تعیین حدود تصمیمگیری خودکار را داشت. یکی از کاربردهای این دوره، اعتبارسنجی هوشمند در صنعت مالی است که از دادههای گذشته برای ارزیابی رفتار اعتباری استفاده میکند.
پردازش زبان هم پیشینه داشت. تشخیص لحن مثبت یا منفی اخبار و استخراج نام شرکتها از متن، پیش از دستیارهای امروزی هم انجام میشد. مدلهای زبانی بزرگ دامنه کار با متن و شیوه تعامل با آن را گسترش دادند. مقدمه پژوهش BloombergGPT
حالا کاربر میتوانست سؤالش را به زبان معمولی مطرح کند، چند سند را کنار هم بگذارد و توضیح بخواهد. در کار مالی، اعتماد به این پاسخها به پرسش دیگری وابسته بود: مدل اطلاعاتش را از کجا میآورد؟
پرده پنجم | صاحبان داده وارد صحنه میشوند
مارس ۲۰۲۳، بلومبرگ پژوهش BloombergGPT را منتشر کرد: مدلی با ۵۰ میلیارد پارامتر، آموزشدیده با ترکیبی از دادههای مالی و عمومی. مجموعه مالی پژوهش ۳۶۳ میلیارد توکن داشت و با ۳۴۵ میلیارد توکن از منابع عمومی تکمیل شده بود. توکن، واحدی است که مدل متن را با آن پردازش میکند و میتواند یک واژه یا بخشی از آن باشد. نویسندگان در آزمونهای خود از عملکرد بهتر نسبت به مدلهای مقایسهشده در وظایف مالی خبر دادند. این آزمونها عملکرد پژوهشی مدل را میسنجیدند. برای داوری درباره موفقیت تجاری آن، شواهد دیگری لازم بود. مقاله BloombergGPT
بلومبرگ با این کار، مجموعه داده و دانش تخصصی خود را در توسعه مدل به کار میگرفت. تجربه گردآوری خبر، اطلاعات شرکتها و اسناد مالی، در رقابت هوش مصنوعی نیز ارزش پیدا کرده بود.
بااینحال، آموزش تخصصی فقط یکی از راههای استفاده از داده است. محصول میتواند هنگام پاسخگویی به منابع معتبر متصل شود و سند مربوط را بازیابی کند. این تفاوت برای مالی تعیینکننده است: دانستن مفهوم سود عملیاتی با دسترسی به آخرین رقم آن در صورت مالی اصلاحشده دو نیاز جداگانهاند.
برای تحلیلگر، عدد بدون زمینه کافی نیست. باید معلوم باشد مربوط به کدام دوره است، از چه سندی آمده و چه تعدیلی در آن انجام شده است. حتی اختلاف میان صورتهای تلفیقی و جداگانه میتواند نتیجه مقایسه را تغییر دهد.
در معرفی راهکارهای مالی جدید، نامهایی مانند FactSet، S&P Global، LSEG و PitchBook در میان تأمینکنندگان داده تکرار میشود. صاحبان داده و سازندگان مدل به یکدیگر نزدیک شدهاند: یکی اطلاعات تخصصی میآورد و دیگری محیط تازهای برای استفاده از آن فراهم میکند. این همکاری، پرسش تجاری مهمی هم دارد: کاربر در نهایت روز کاری خود را در محصول کدام شرکت میگذراند؟
پرده ششم | رقابت بر سر میز کار تحلیلگر
حالا به میز تحلیلگر برمیگردیم. او باید داده را پیدا کند، محاسبه را انجام دهد و نتیجه را در قالب گزارش یا ارائه تحویل دهد. هر جا ابزارهای این مراحل به هم متصل نباشند، انتقال اطلاعات و تطبیق خروجیها دوباره بر عهده او میافتد.
عرضه بستههای تخصصی برای صنعت مالی پیشینه دارد. مایکروسافت در نوامبر ۲۰۲۱ دسترسی عمومی به Microsoft Cloud for Financial Services را اعلام کرده بود. ارائه خدمات فناوری متناسب با نیازهای صنعت مالی، پیش از این موج هم جریان داشت. اعلام عرضه مایکروسافت
حرکت جدید، سازندگان مدل را به مرحلههای بیشتری از کار نزدیک میکند. در این محصولات، «عامل» سامانهای است که با استفاده از مدل و ابزارهای در دسترس، چند مرحله از یک کار را در محدوده مجوزهایش پیش میبرد.
معرفیهای رسمی، تأکیدهای متفاوتی دارند، اما قابلیتهای محصولات همپوشانی زیادی دارد. هر سه به داده، کارهای چندمرحلهای و آمادهکردن خروجی توجه دارند. برای شناخت تفاوتها باید شیوه اجرای این کارها را کنار هم گذاشت.
Claude؛ از تحلیل مالی تا کار در ابزارهای روزمره
Anthropic راهکار مالی خود را در ژوئیه ۲۰۲۵ با Claude سازمانی، Claude Code و اتصالهای آماده داده معرفی کرد. پژوهش، بررسی موشکافانه سرمایهگذاری و مدلسازی از کاربردهای اولیه بودند. معرفی اولیه Claude for Financial Services
در اکتبر همان سال، افزونه Excel، اتصالهای تازه و مهارتهای مالی آماده به این مجموعه اضافه شدند. کاربر میتوانست در خود صفحهگسترده، فرمولها را بررسی کند، مدل را تغییر دهد و توضیح تغییرات را ببیند. بهروزرسانی اکتبر ۲۰۲۵
در مه ۲۰۲۶ نیز ده قالب عامل برای کارهایی مانند آمادهکردن ارائه مشتری، بررسی پرونده شناخت مشتری و بستن حسابهای پایان ماه معرفی شد. این قالبها برای استفاده در Claude Cowork، Claude Code و محیط Managed Agents عرضه شدند. معرفی عاملهای مالی
صفحه فعلی خدمات مالی Claude نیز کار در ابزارهای Microsoft 365 را بخشی از این مجموعه معرفی میکند. مسیر توسعه محصول، ترکیب ابزار آماده و امکان ساخت فرایند اختصاصی را نشان میدهد. برای مؤسسه، انتخاب میان این مسیرها به نوع کار، توان تیم فنی و هزینه نگهداری وابسته است. خدمات مالی Claude
Gemini؛ هماهنگی کارهای چندمرحلهای
گوگل محصول خود را ابتدا بهصورت پیشنمایش برای بازار سرمایه و بانکداری شرکتی معرفی کرد. در معرفی این محصول، یک عامل پژوهش مالی، بیش از ۵۰ مهارت و ۱۳ اتصال داده آمده است. مهارتها دستورالعملهایی برای انجام کارهای مشخصاند. دویچهبانک نیز شریک طراحی عامل پژوهش بوده است. معرفی رسمی Gemini Enterprise for Financial Services
این طراحی نشان میدهد گوگل بر هماهنگی مراحل کار تأکید دارد. برای ارزیابی آن در سازمان، باید مسیر جابهجایی اطلاعات را بررسی کرد: اگر در یک مرحله خطایی رخ دهد، آیا میتوان آن را در خروجی مرحله بعد تشخیص داد؟
ChatGPT؛ داده آماده در کنار خروجی قابلاستفاده
OpenAI نقطه شروع محصول مالی خود را بانکداری سرمایهگذاری و پژوهش سهام اعلام کرده است. همکاری طراحی با مورگان استنلی و اورکور، میزبانی دادههای مالی در زیرساخت OpenAI و قالبهای سازمانی Word، Excel و PowerPoint از اجزای معرفیشدهاند. معرفی رسمی ChatGPT for Financial Services
این ترکیب قرار است آمادهکردن گزارش و فایل برای همکار یا مشتری را از مرحله گردآوری اطلاعات آسانتر کند. برای خریدار، پرسش عملی این است که چه مقدار از زمان جمعآوری و قالببندی کم میشود و چه مقدار بازبینی همچنان لازم میماند.
مقایسه با معیارهای مشترک
این جدول، معرفیهای رسمی و بهروزرسانیهای محصولات را تا ۱۳ سپتامبر ۲۰۲۶ کنار هم میگذارد. تاریخ نخستین معرفی از وضعیت دسترسی جدا شده است. برای مقایسه کیفیت و هزینه واقعی، باید محصولات را با کارها و دادههای یکسان آزمود.
در جدول، MCP پروتکلی برای اتصال مدل به داده و ابزار است. API امکان ارتباط برنامهها با یکدیگر را فراهم میکند و A2A برای ارتباط میان عاملها به کار میرود.
| معیار | Claude for Financial Services | Gemini Enterprise for Financial Services | ChatGPT for Financial Services |
|---|---|---|---|
| نخستین معرفی مورد استناد | ژوئیه ۲۰۲۵؛ با بهروزرسانیهای بعدی | اوت ۲۰۲۶ | سپتامبر ۲۰۲۶ |
| وضعیت دسترسی | قالبهای عامل در طرحهای پولی؛ Managed Agents در بتای عمومی طبق اعلام مه ۲۰۲۶ | پیشنمایش | مؤسسات مالی واجد شرایط، از مسیر فروش |
| نمونه کارهای مالی | مدلسازی، شناخت مشتری، تطبیق حسابها | پژوهش، شناخت مشتری، پایش سبد | بانکداری سرمایهگذاری، پژوهش سهام |
| اتصال به منابع | اتصال MCP به دادههای مالی و داخلی | اتصال MCP به منابع مجوزدار و داخلی | داده میزبانیشده و اتصال MCP به منابع دیگر |
| نمونه تأمینکنندگان داده | FactSet، LSEG، PitchBook | FactSet، LSEG، S&P Global | Daloopa، PitchBook، LSEG News |
| توسعه اختصاصی | Code، API و قالبهای Managed Agents | عاملهای اختصاصی، مهارتها و A2A | API برای ساخت برنامههای اختصاصی |
| کار با ابزارهای اداری | افزونههای Excel، PowerPoint و Word | ارتباط با Workspace و Microsoft 365 | ساخت فایل با قالبهای Word، Excel و PowerPoint |
| بررسی منابع | ارجاع به سند و سلول | استناد و روش تحلیل | ارجاع به جدول و متن سند |
| کنترل اقدام و ثبت رویداد | مجوز ابزار و ثبت فراخوانیها در Managed Agents | کنترل مرکزی و ثبت رویداد حسابرسی | کنترل اقدامات برنامهها و ثبت رویدادهای پشتیبانیشده |
| هزینه اجرای کار یکسان | در منابع بررسیشده مشخص نشده | در منابع بررسیشده مشخص نشده | در منابع بررسیشده مشخص نشده |
منابع جدول: معرفی اولیه Claude، بهروزرسانی Excel، عاملهای مالی Claude، خدمات مالی Claude، Google Cloud و OpenAI.
دامنه دسترسی، مجوز داده و هزینه توسعه اختصاصی ممکن است به طرح و قرارداد جداگانه وابسته باشد. کنترلهای ذکرشده نیز به محیط اجرایی مشخصی مربوطاند و نباید آنها را به تمام شیوههای استفاده از هر محصول تعمیم داد. این موضوع با بحث حاکمیت هوش مصنوعی و مدیریت داده پیوند دارد.
این رقابت چه چیزی را تغییر میدهد؟
تخصصیشدن در این محصولات، مجموعهای از انتخابهاست: کدام داده در دسترس باشد، کاربر چه کارهایی را با چند دستور انجام دهد، خروجی در چه قالبی تحویل داده شود و مدیر سازمان چه اختیاری برای کنترل محیط داشته باشد.
ارزش اقتصادی این ابزارها را باید از آغاز تا پایان کار سنجید. اگر استخراج اعداد سریعتر شود، اما بررسی و اصلاح آنها همان زمان را بگیرد، صرفهجویی چندانی حاصل نشده است. گزارش خوشساخت نیز باید با شواهدش سازگار باشد. معیار ارزیابی میتواند زمان کل انجام کار، خطاهای مهم، هزینه بازبینی و امکان تکرار نتیجه باشد.
هرچه سازمان کارهای بیشتری را در یک محیط انجام دهد، تغییر تأمینکننده پرهزینهتر میشود. انتقال اتصالهای داده، قالبها و شیوههای کاری به محیط تازه، زمان و منابع میخواهد. هیئت ثبات مالی در گزارش ۲۰۲۴ وابستگی به تأمینکنندگان ثالث و تمرکز ارائهدهندگان هوش مصنوعی را از آسیبپذیریهای مهم برشمرده است.
تا اینجا، بحث بر سر محیطی بود که تحلیل در آن انجام میشود. مرحله بعد زمانی آغاز میشود که همان محیط اجازه اجرای نتیجه را هم داشته باشد.
پرده هفتم | وقتی عاملها دستهچک بگیرند
فرض کنید مدیر مالی به دستیارش مأموریت میدهد فاکتورهای این هفته را بررسی کند، مغایرتها را پیدا کند و پرداختهای مجاز را تا سقفی مشخص انجام دهد.
دستیار باید سند را بخواند، مبلغ را تطبیق دهد، سررسید را تشخیص دهد و دستور پرداخت را ثبت کند. اگر به ابزارهای لازم دسترسی داشته باشد، میتواند این مراحل را دنبال کند. سپردن این مأموریت، یعنی دادن اختیار خرجکردن در محدودهای مشخص.
اجرای خودکار در امور مالی سابقه طولانی دارد. عاملهای مبتنی بر مدل زبانی قرار است در تفسیر درخواست، انتخاب ابزار و انجام کارهای چندمرحلهای انعطاف بیشتری داشته باشند. همین انعطاف، تعیین حدود اختیار را دشوارتر میکند. «فاکتورها را پرداخت کن» هنوز درباره فاکتور تکراری، حساب تغییرکرده فروشنده و سند ناقص چیزی نگفته است.
تلاش برای حل مسئله مجوز پرداخت آغاز شده است. گوگل در سپتامبر ۲۰۲۵ پروتکل پرداخت عاملها، AP2 را معرفی کرد. در این چارچوب، مجوزهای دیجیتال امضاشده قرار است امکان بررسی دستور کاربر و اجازه او برای پرداخت را فراهم کنند. این نمونه به پرداخت و تجارت مربوط است و نباید آن را معادل واگذاری اختیار وامدهی یا معاملهگری به سه محصول پرده قبل دانست.
مجوز، بخشی از مسئله را روشن میکند. باقی پرسشها در جریان اجرا ظاهر میشوند. مراحل این مسیر در گزارش از قصد پرداخت تا تسویه با جزئیات بیشتری بررسی شده است.
چه کسی اجازه داده است؟
عامل باید بداند از طرف چه کسی کار میکند، سقف اختیارش چقدر است و این اختیار چه زمانی منقضی میشود. اجازه مشاهده حساب، اجازه انتقال وجه ایجاد نمیکند. تأیید یک پرداخت نیز نباید به مجوز تکرار آن تبدیل شود.
کجا باید متوقف شود؟
وقتی شماره حساب فروشنده تغییر کرده یا مبلغ با قرارداد نمیخواند، عامل باید بداند کجا متوقف شود و بررسی را به چه کسی بسپارد. تأیید انسانی نیز به اطلاعات کافی نیاز دارد: فرد مسئول باید بداند چه چیزی تغییر کرده و چرا تصمیم به او ارجاع شده است.
پس از خطا چه چیزی قابلبررسی است؟
برای بررسی آنچه رخ داده، باید بتوان سند ورودی، مجوز، ابزار استفادهشده و نتیجه اقدام را پیدا کرد. وجود سابقه رویداد، بهخودیخود صحت تصمیم را تضمین نمیکند، اما امکان رسیدگی به آن را فراهم میآورد. سازمان همچنین باید برای جلوگیری از اقدام تکراری و اصلاح پیامدهای خطا آمادگی داشته باشد.
در سوی دیگر این تحول، عاملِ مشتری قرار دارد. اگر مشتری مقایسه خدمات و انجام بعضی امور را به دستیار خود بسپارد، مؤسسه مالی با درخواستهایی مواجه میشود که یک ماشین از طرف انسان مطرح میکند. در چنین سناریویی، راههای ارتباط سامانه بانک با عامل، روشنبودن شرایط خدمت و اطمینان از اینکه عامل واقعاً از طرف مشتری درخواست میدهد، اهمیت بیشتری پیدا میکند.
از این مرور تاریخی نمیتوان برای ورود هر فناوری به صنعت مالی، زمانبندی ثابتی استخراج کرد. تلگراف ارزش اطلاعات سریع را آشکار کرد، رایانه پردازش انبوه را ممکن ساخت و اینترنت دسترسی به خدمات را گسترش داد. در هر دوره، مسئلهای مشخص، فناوری را به کار مالی پیوند زد.
اکنون سازندگان مدل برای حضور در پژوهش، تحلیل و اجرای فرایندها رقابت میکنند. مؤسسات مالی باید تعیین کنند کدام کار را به آنها میسپارند و با چه شواهدی به نتیجه اعتماد میکنند.
وقتی عاملها دستهچک بگیرند، برای هر پرداخت باید بتوان به مجوزی روشن رسید: چه کسی اجازه داده، برای چه کاری و تا چه مبلغی. ماشین میتواند دستور را اجرا کند. پشت این اختیار، نام یک انسان یا مؤسسه باقی میماند.
توضیح: این مقاله به کمک هوش مصنوعی GPT-6 نوشته شده است.
