برای سالها، هوش مصنوعی (AI) در بانکداری مانند یک کارآموز مفید عمل میکرد. ایمیلها را پیشنویس میکرد، گزارشها را خلاصه میکرد و به سوالات مشتریان پاسخ میداد. مفید بود، اما تحولآفرین نبود.
سپس چتباتها آمدند. این "دستیاران دیجیتال" وعده خدمات بهتر را دادند اما اغلب پاسخهای طولانی به مشکلات ساده ارائه میدادند.
اکنون مدل در حال تغییر است. موج جدیدی از هوش مصنوعی عاملگرا فراتر از کمک به عمل میرود. به جای پیشنهاد وظایف، این سیستمها میتوانند آنها را اجرا کنند: تسویه معاملات، بررسی قوانین انطباق یا علامتگذاری تراکنشهای مشکوک.
به طور خلاصه، بانکداری در حال حرکت از هوش مصنوعی که به بانکداران کمک میکند به هوش مصنوعی که مانند یک بانکدار عمل میکند است.
هوش مصنوعی عاملگرا دقیقاً چیست؟
در اصل، هوش مصنوعی عاملگرا به سیستمهای هوش مصنوعی اشاره دارد که میتوانند به طور خودکار وظایف را در چندین مرحله برنامهریزی، تصمیمگیری و اجرا کنند.
برخلاف ابزارهای سنتی هوش مصنوعی که منتظر دستورات میمانند، یک عامل هوش مصنوعی میتواند:
طبق تحلیل اخیر تیم خدمات مالی مایکروسافت، سیستمهای عاملگرا به بانکها اجازه میدهند فرآیندهای پیچیده را از بررسی تقلب تا پذیرش خودکار کنند، زیرا مدلهای مدرن هوش مصنوعی اکنون میتوانند استدلال چند مرحلهای انجام دهند و به طور امن با رابطهای برنامهنویسی داخلی (API) تعامل کنند.
در بانکداری، این به معنای این است که سیستم بیش از تفسیر یک دستور عمل میکند. میتواند یک فرآیند را از ابتدا تا انتها اجرا کند. به عنوان مثال، ممکن است دادههای بازار را بررسی کند، قوانین انطباق را چک کند و از طریق سیستمهای متصل معامله یا تسویهای را اجرا کند.
به جای انتظار برای تأیید هر مرحله توسط انسان، هوش مصنوعی قوانین را دنبال کرده و وظیفه را به طور خودکار تکمیل میکند.
این توانایی در هماهنگی وظایف در سیستمهاست که بسیاری از بانکها اکنون هوش مصنوعی عاملگرا را به عنوان "هوش مصنوعی تراکنشی" توصیف میکنند.
هوش مصنوعی فقط درباره اقدامات مالی صحبت نمیکند؛ بلکه آنها را انجام میدهد.
هوش مصنوعی مولد در مقابل هوش مصنوعی عاملگرا: تفاوت چیست؟
هر دو هوش مصنوعی مولد و هوش مصنوعی عاملگرا بر مدلهای زبانی بزرگ (LLM) تکیه دارند. تفاوت کلیدی در این است که برای چه کاری ساخته شدهاند.
امروزه بیشتر مردم با ابزارهای هوش مصنوعی مولد مانند ChatGPT یا Claude آشنا هستند. این سیستمها محتوا تولید میکنند: متن، کد، گزارشها و خلاصهها. به کارکنان کمک میکند اطلاعات را تفسیر کنند اما اقدامات را انجام نمیدهد.
اما هوش مصنوعی مولد در مرحله مشاوره متوقف میشود. هوش مصنوعی عاملگرا فراتر میرود: برای اجرای وظایف طراحی شده است. میتواند دادهها را تحلیل کند، تصمیمگیری در چارچوب قوانین تعریف شده انجام دهد و اقدامات را در سیستمهای متصل آغاز کند.
به زبان ساده، هوش مصنوعی مولد نقشه را ارائه میدهد. هوش مصنوعی عاملگرا ماشین را میراند.
در یک زمینه بانکی، تفاوت به این صورت است:
|
ویژگی |
هوش مصنوعی مولد |
هوش مصنوعی عاملگرا |
|
نقش اصلی |
تولید اطلاعات |
اجرای وظایف |
|
سبک تعامل |
پاسخ به درخواست |
جریان کاری خودکار |
|
مثال در بانکداری |
پیشنویس گزارش انطباق |
ثبت خودکار گزارش انطباق |
|
مثال در معاملهگری |
تحلیل یک پرتفوی |
اجرای و تسویه معاملات |
آیا هوش مصنوعی عاملگرا در حال حاضر بانکها را اداره میکند؟
مؤسساتی مانند گلدمن ساکس، گروه بانکی لویدز و دویچه بانک دیگر فقط در حال آزمایش ابزارهای هوش مصنوعی نیستند. بسیاری از آنها سیستمهای مبتنی بر عامل را در عملیات روزانه خود ادغام میکنند تا بخشهایی از معاملات، انطباق و نظارت بر ریسک را خودکار کنند.
این سیستمها اکنون مجوز محدودی برای انجام وظایفی که قبلاً نیاز به بررسی دستی داشتند، دریافت کردهاند.
به عنوان مثال، گروه بانکی لویدز اعلام کرده است که قصد دارد هوش مصنوعی عاملگرا را در سراسر بانک گسترش دهد و انتظار دارد بیش از 100 میلیون پوند ارزش از ابتکارات هوش مصنوعی در سال 2026، دو برابر ارزش تولید شده در سال قبل، به دست آورد.
در همین حال، شرکتهای وال استریت مانند گلدمن ساکس در حال آزمایش عوامل هوش مصنوعی برای فرآیندهای داخلی مانند حسابداری معاملات، بررسیهای پذیرش و جریانهای کاری انطباق هستند.
هدف این نیست که بانکداران را به طور کامل جایگزین کنند، بلکه حذف کندترین بخشهای فرآیند است.
کجا هوش مصنوعی عاملگرا ابتدا ظاهر میشود
بانکها به طور طبیعی محتاط هستند. این بدان معناست که هوش مصنوعی عاملگرا به طور همزمان در همه جا آزاد نمیشود. در عوض، این فناوری ابتدا در زمینههایی با قوانین ساختاریافته و جریانهای داده سنگین ظاهر میشود، از جمله:
-
مبارزه با پولشویی (AML)
تیمهای انطباق باید روزانه هزاران هشدار را بررسی کنند.
سیستمهای هوش مصنوعی عاملگرا میتوانند:
تحقیقات دانشگاهی نشان داده است که سیستمهای AML مبتنی بر عامل میتوانند به طور قابل توجهی جریانهای کاری انطباق را تسریع کنند و دقت روایت برای ناظران را بهبود بخشند.
-
پذیرش مشتری و شناخت مشتری (KYC)
باز کردن حساب بانکی نیاز به تأیید هویت، بررسی اسناد و غربالگری تقلب دارد.
سیستمهای عاملگرا میتوانند این مراحل را به صورت خودکار اجرا کنند.
-
عملیات معاملاتی
تسویه معاملات در بخش پشتیبان، یکی از وظایف با قوانین سنگین در امور مالی، نیز به یک کاندیدای اصلی برای خودکارسازی تبدیل شده است.
به جای اینکه کارکنان معاملات را به صورت دستی تطبیق دهند، عوامل هوش مصنوعی میتوانند سوابق را تأیید کرده و دفاتر را بهروزرسانی کنند.
اما آیا بانکها میتوانند به هوش مصنوعی خودکار اعتماد کنند؟
اینجاست که حقیقت ناخوشایند وجود دارد: هوش مصنوعی عاملگرا خطرات جدیدی را معرفی میکند.
سیستمهای هوش مصنوعی عاملگرا میتوانند به طور خودکار وظایف را انجام دهند. اگر سیستمی دادههای بازار را اشتباه بخواند یا قانون نادرستی را اعمال کند، ممکن است زنجیرهای از اقدامات نادرست را قبل از ورود انسان به راه بیندازد.
این خطر گاهی به آنچه محققان به عنوان توهمات هوش مصنوعی مینامند مرتبط است، جایی که یک مدل نتیجهگیریهای نادرستی از دادههای ناقص یا اشتباه خوانده شده تولید میکند. در بانکداری، چنین خطاهایی میتواند بر اجرای معاملات، بررسیهای انطباق یا نظارت بر تراکنشها تأثیر بگذارد.
کارشناسان درباره 3 چالش کلیدی هشدار میدهند:
شفافیت
تصمیمات هوش مصنوعی باید برای ناظران قابل توضیح باشد.
تعصب در مدلهای مالی
دادههای آموزشی میتواند به نتایج ناعادلانه منجر شود.
گسترش خودمختاری
سیستمهای هوش مصنوعی ممکن است شروع به تصمیمگیری فراتر از محدوده مورد نظر خود کنند.
برای مدیریت این خطر، ناظران و سازمانهای جهانی در حال کار بر روی تدابیر حفاظتی هستند.
به عنوان مثال، ناظران در اتحادیه اروپا (EU) در حال حاضر از طریق چارچوبهایی مانند قانون هوش مصنوعی اتحادیه اروپا به این نگرانیها پرداختهاند، که نظارت دقیق برای سیستمهای هوش مصنوعی با ریسک بالا در امور مالی را الزامی میکند.
به عبارت دیگر، بانکها ممکن است جریانهای کاری را خودکار کنند اما مسئولیت همچنان بر عهده انسانهاست.
پس... آیا عوامل هوش مصنوعی در حال تسخیر بانکداری هستند؟
نه کاملاً. واقعیت پیچیدهتر است.
هوش مصنوعی عاملگرا به سرعت در حال تبدیل شدن به یک لایه نیروی کار دیجیتال در داخل مؤسسات مالی است. این سیستمها میتوانند وظایف تکراری را سریعتر و در مقیاس بزرگتر انجام دهند.
اما مسئولیتهای اصلی مانند تصمیمگیریهای ریسک، روابط با مشتریان، قضاوت استراتژیک، همچنان نیاز به نظارت انسانی دارند.
حتی پیشرفتهترین استقرارهای هوش مصنوعی امروز با حاکمیت "انسان در حلقه" عمل میکنند، به این معنی که کارکنان میتوانند در صورت نیاز مداخله کنند.
مؤسسات مالی آینده ممکن است بانکداران را با هوش مصنوعی جایگزین نکنند، اما تقریباً قطعاً انتظار خواهند داشت که بانکداران در کنار هزاران عامل دیجیتال کار کنند.
و این سوال جالبی را برای صنعت مطرح میکند:
اگر عوامل هوش مصنوعی میتوانند تراکنشها را اجرا کنند، انطباق را نظارت کنند و بازارها را تحلیل کنند، بانکدار دهه آینده دقیقاً چه کاری انجام خواهد داد؟
یک چیز واضح است: شرح وظایف در حال تغییر است.
