بانک ها هوش مصنوعی را به مدلی اضافه می کنند که هوش مصنوعی آن را منسوخ می کند

برای چندین دهه، فناوری بانکداری بر اساس یک توالی ساده ساخته شده است: یک فرد تصمیم مالی می گیرد و فناوری بانک آن را پردازش می کند. یک مشتری تصمیم می گیرد حسابی باز کند، پول را به پس انداز منتقل کند یا برای وام درخواست کند، و سیستم های بانک این دستورالعمل را اجرا می کنند.

هوش مصنوعی به طور بالقوه می تواند این توالی را معکوس کند. به جای اینکه منتظر بمانید تا انسان یک اقدام را مشخص کند، هوش مصنوعی می‌تواند اهداف فرد را تفسیر کند، زمینه مالی اطراف آن هدف را درک کند و تعیین کند که چه اتفاقی می‌افتد. می‌تواند تشخیص دهد که یک مشتری احتمالا با کمبود نقدینگی مواجه می‌شود، راه‌های موجود برای رفع آن را شناسایی می‌کند و به طور بالقوه اقدام مناسب را انجام می‌دهد.

مک کینزی تخمین می زند که هوش مصنوعی مولد می تواند سالانه 200 تا 340 میلیارد دلار ارزش برای صنعت بانکداری ایجاد کند. با این حال بسیاری از صنعت در حال اضافه کردن هوش مصنوعی به سیستم‌های طراحی‌شده برای مدل قدیمی هستند، نه بازسازی مدل حول هوش مصنوعی.

مشکل این است که هوش مصنوعی همان سیلوهای محصول و مرزهای فرآیند را به ارث می برد. بانک‌ها لایه دیگری از فناوری را به دست می‌آورند، اما نه تصمیم‌گیری بین سیستمی لازم برای تحقق پتانسیل کامل هوش مصنوعی.

موج اول هنوز در مورد فرآیندهای بهتر است

قابل مشاهده ترین کاربردهای هوش مصنوعی در بانکداری اغلب ساده ترین کاربردها هستند. بانک‌ها از ابزارهای هوش مصنوعی برای بهبود خدمات مشتریان، شناسایی خودکار تقلب، شخصی‌سازی توصیه‌ها، خلاصه‌سازی اسناد و تسریع در تصمیم‌گیری‌های اعتباری استفاده می‌کنند. به عنوان مثال، گروه بانکی لویدز می گوید که بیش از 50 مورد استفاده از هوش مصنوعی در سال 2025 در سراسر این گروه به کار گرفته شد که حدود 50 میلیون پوند ارزش ایجاد کرد و بیش از 100 میلیون پوند ارزش اضافی در سال 2026 پیش بینی می شود.

مک کینزی مشاهدات مشابهی را بر اساس تجربه صنعت با هوش مصنوعی مولد انجام داده است. صرف افزودن هوش مصنوعی به فرآیندهای موجود، تغییر تحولی ایجاد نمی کند و در عوض می تواند لایه دیگری از بدهی فنی ایجاد کند.

تفاوت بین معماری بومی هوش مصنوعی و چت بات متصل به یک سیستم موجود را می توان با سه سوال آزمایش کرد. آیا هوش مصنوعی دنباله‌ای ثابت از دستورالعمل‌ها را دنبال می‌کند یا می‌تواند اقداماتی را در یک سیستم تعریف‌شده از نرده‌های محافظ، منابع داده قابل اعتماد و ابزارهای تایید شده انتخاب و هماهنگ کند؟

آیا فرآیندی طراحی شده است که عامل با بررسی انسانی و هر تصمیمی برای تجزیه و تحلیل ثبت شود؟

و آیا مجوزها، نظارت و کنترل‌های نظارتی در جریان کار، به‌ویژه برای عملکردهای حیاتی مانند انطباق و جلوگیری از تقلب، تعبیه شده است؟ اگر پاسخ منفی است، این شرکت یک رابط هوش مصنوعی بدون طراحی مجدد فرآیند اساسی اضافه کرده است.

از محصولات تا نتایج

تحول مهمتر زمانی آغاز می شود که بانک با هدف مشتری شروع می کند، نه با محصول بانکی.

مشتری را در نظر بگیرید که می خواهد سطح معینی از نقدینگی را حفظ کند و در عین حال از پول نقد مازاد تا حد ممکن درآمد کسب کند. یک سیستم بانکی هوشمند می‌تواند به طور مداوم موجودی، پرداخت‌های آتی، درآمد، اعتبار در دسترس و سایر اطلاعات مرتبط را کنترل کند، سپس تعیین کند که آیا پول باید نقد شود، در جای دیگری سرمایه‌گذاری شود یا برای کاهش استقراض استفاده شود.

در حالی که با تغییر شرایط مشتری، سیستم می تواند به تصمیم گیری ادامه دهد، اما این نیازی به تسلیم فوری کنترل از سوی مشتریان ندارد. پذیرش می‌تواند با اقدامات کم خطر، مانند انتقال وجه نقد اضافی به پس‌انداز یا کنار گذاشتن مالیات بر ارزش افزوده برای پرداخت‌های مالیاتی آتی، قبل از گسترش به تصمیم‌های بعدی آغاز شود.

این در حال حاضر در مؤسسات مالی ظاهر می شود، اگرچه بیشتر در برنامه های محدود. به عنوان مثال، دویچه بانک یک سیستم هوش مصنوعی عاملی را برای مدیریت ریسک شخص ثالث به کار گرفته است که در آن چندین عامل هوش مصنوعی کنترل های مربوطه را بازیابی می کنند، اسناد پشتیبانی را تجزیه و تحلیل می کنند و نتایج ارزیابی را پیشنهاد می کنند. ارزیاب های انسانی همچنان مسئول بررسی یا نادیده گرفتن این توصیه ها هستند.

مانند یک کارمند جدید، یک عامل هوش مصنوعی باید مجوزهای تعریف شده را دریافت کند. گزارش‌های شفاف فعالیت، هشدارها، آستانه تأیید و توانایی نادیده گرفتن تصمیم‌ها، این اصل را در محصول قابل مشاهده و توسط تنظیم‌کننده‌ها قابل اجرا می‌سازد.

بانک به یک سیستم تصمیم گیری پیوسته تبدیل می شود

تحت این فرض، بانک به یک لایه اجرایی هوشمند تبدیل می شود که به طور مستمر فعالیت های مالی را برای دستیابی به یک هدف تعریف شده مدیریت می کند.

این ساختار در حال تغییر در خارج از بانکداری سنتی نیز قابل مشاهده است. ویزا و مسترکارت هر دو زیرساختی را برای پرداخت‌های مبتنی بر هوش مصنوعی ایجاد می‌کنند و به نمایندگان اجازه می‌دهند از طرف مصرف‌کنندگان و کسب‌وکارها عمل کنند. Visa Intelligent Commerce به گونه‌ای طراحی شده است که به عوامل هوش مصنوعی اجازه می‌دهد محصولات را از طرف کاربر پیدا کنند و از طرف کاربر خریداری کنند، با گواهی‌نامه‌های توکن‌شده، احراز هویت و کنترل‌های هزینه‌ای که در جریان پرداخت تعبیه شده است.

همانطور که نمایندگان از توصیه اقدامات به اجرای آنها می روند، بانک ها باید اطمینان حاصل کنند که تراکنش ها در چارچوب قصد مشتری و تحمل ریسک باقی می مانند. مؤسسه همچنان مسئول نگه داشتن نماینده در آن محدودیت ها است.

معماری باید با هوش مصنوعی تغییر کند

دیلویت دریافت که ادغام با سیستم‌ها و ابزارهای موجود، چالش اصلی نوسازی برای 77 درصد از مدیران بانکی است که هوش مصنوعی را به کار می‌گیرند، پیش از نگرانی‌های امنیتی، انطباق و قابلیت همکاری ابری.

سیستم‌های بانکداری سنتی پرداخت‌ها، وام‌دهی، حساب‌ها و انطباق را در برنامه‌های مختلف از هم جدا می‌کنند. عوامل هوش مصنوعی باید در سراسر این مرزها کار کنند و داده ها و اقدامات چندین سیستم را برای تصمیم گیری واحد ترکیب کنند.

بنابراین بانک ها به یک لایه هماهنگی نیاز دارند که به هوش مصنوعی اجازه دهد بدون نیاز به یکپارچه سازی سفارشی دیگر برای هر مورد استفاده، به آن سیستم ها دسترسی داشته باشد. پلتفرم‌های اصلی می‌توانند سیستم‌های ثبتی باقی بمانند، در حالی که بیشتر تصمیم‌گیری در بالای آنها اتفاق می‌افتد.

این به فین‌تک‌های پیشرو هوش مصنوعی مانند Revolut یا Ramp و همچنین تازه واردانی که زیرساخت‌های خود را از ابتدا طراحی می‌کنند، مزیتی نسبت به مؤسساتی که باید سیستم‌های عمیق تعبیه‌شده را بازسازی کنند، می‌دهد. اگر مقررات به طور کلی بدون تغییر باقی بماند، اولین مؤسسه مالی بزرگ که حول تصمیم گیری مستمر ساخته شده است، می تواند ظرف پنج سال ظهور کند.

ممکن است این بانک به معنای دقیق نظارتی نباشد، اما می‌تواند سهم فزاینده‌ای از وظایف بانک را انجام دهد و به مشتریان اجازه دهد امور مالی خود را مدیریت کنند.

برای پیشرفت، من معتقدم بانک‌ها باید به مؤسسه‌هایی سازمان‌یافته تبدیل شوند تا تصمیمات مستمری را به نفع مشتری بگیرند، نه اینکه صرفا دستورالعمل‌ها را دنبال کنند. و وقتی صحبت از هوش مصنوعی به میان می‌آید، آنها باید از تلقی آن به‌عنوان ابزاری شیک برای افزودن دست بردارند و شروع به برخورد با آن به عنوان چیزی برای ساختن کنند.

ما بهترین پلتفرم هوش تجاری را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit