هوش مصنوعی می تواند پول را جابجا کند. آیا می تواند تصمیمات مالی درستی بگیرد؟ | نظر

و در ژوئن 2026، مسترکارت Agent Pay for Machines را معرفی کرد، سیستمی که برای پشتیبانی از تراکنش‌های عامل محور طراحی شده است، به گفته Yahoo Finance.

وقتی هوش مصنوعی از ارائه توصیه‌های مالی به اجرای بالقوه پرداخت‌ها و مدیریت پول می‌رود، یک سوال مهم مطرح می‌شود: چگونه این سیستم‌ها می‌توانند تصمیماتی بگیرند که منعکس‌کننده شرایط مالی واقعی یک فرد باشد، نه اینکه صرفا به اعداد روی صفحه پاسخ دهند؟

توانایی اجرای یک تراکنش با توانایی درک اینکه آیا منطقی است یا خیر یکسان نیست. یک عامل هوش مصنوعی ممکن است بتواند در عرض چند ثانیه صورتحساب را بپردازد، وجوه را انتقال دهد یا یک پرواز بخرد. اما بدون زمینه کافی، می تواند از نظر فنی تصمیم درستی بگیرد که در جای دیگری مشکل مالی ایجاد کند.

این چالشی است که صنعت مالی باید به آن رسیدگی کند زیرا به سیستم های هوش مصنوعی مسئولیت بیشتری می دهد.

یک حساب بانکی با موجودی به ظاهر سالم در نظر بگیرید. روی کاغذ، وجوه موجود ممکن است نشان دهد که خرید مقرون به صرفه است. در واقع، اجاره ممکن است ظرف سه روز سررسید شود، بازپرداخت وام ممکن است برای هفته بعد برنامه ریزی شود، و یک الگوی درآمد نامنظم ممکن است موجودی باقیمانده را مهم تر از آنچه به نظر می رسد، کند.

نماینده ای که فقط موجودی فعلی را می بیند، می تواند خریدی را تأیید کند که صاحب حساب را برای مخارج اساسی کمبود پول می گذارد.

مشکل لزوما داده های نادرست نیست. تعبیر ناقصی است.

سیستم های مالی به طور فزاینده ای در ثبت و سازماندهی فعالیت ها موثر شده اند. تراکنش ها را می توان بر اساس تاجر، مقدار و نوع هزینه طبقه بندی کرد. با این حال، طبقه‌بندی همیشه توضیح نمی‌دهد که چرا یک معامله رخ داده است یا برای موقعیت مالی گسترده‌تر یک فرد چه معنایی دارد.

برای مثال، انتقال بزرگ به یکی از اعضای خانواده ممکن است هزینه ای غیرعادی به نظر برسد. در عوض می تواند نشان دهنده یک مسئولیت تکرار شونده است که باید هنگام ارزیابی درآمد قابل تصرف در نظر گرفته شود. به طور مشابه، تغییر در هزینه ها می تواند نشان دهنده یک مشکل در حال ظهور باشد، یا می تواند منعکس کننده هزینه های موقتی باشد که قبلا برای آن برنامه ریزی شده است.

این تمایزها زمانی اهمیت پیدا می‌کنند که از یک سیستم هوش مصنوعی انتظار می‌رود بیشتر از اطلاعات ارائه شده انجام دهد. آنها وقتی از طرف کسی تصمیم می گیرند اهمیت دارند.

من معتقدم فاز بعدی فناوری مالی نیازمند توجه بیشتر به زمینه فعالیت مالی است. این به معنای درک نحوه تعامل مخارج، درآمد، پس‌انداز، استقراض و سرمایه‌گذاری است، نه اینکه هر تراکنش را به عنوان یک رویداد مجزا در نظر بگیرید.

مردم اغلب بخش‌های مختلف زندگی مالی خود را از طریق سیستم‌های جداگانه مدیریت می‌کنند، حتی اگر این تصمیم‌ها به هم مرتبط باشند. تصمیم پس‌انداز بر نقدینگی تأثیر می‌گذارد، بازپرداخت وام درآمد قابل تصرف را تغییر می‌دهد و هزینه‌های غیرمنتظره می‌تواند عملی بودن خرید یا سرمایه‌گذاری برنامه‌ریزی‌شده را تغییر دهد. همانطور که عوامل هوش مصنوعی وظایف مالی بیشتری را بر عهده می گیرند، حسابداری این روابط اهمیت فزاینده ای پیدا می کند.

همانطور که خدمات مالی خودکارتر می شوند، توانایی در نظر گرفتن این روابط می تواند اهمیت فزاینده ای پیدا کند.

سابقه تراکنش می تواند به یک عامل هوش مصنوعی بگوید که شخصی پولی را برای خرید مواد غذایی، مسافرت یا ناهارخوری خرج کرده است. یک زمینه مالی گسترده‌تر می‌تواند به سیستم کمک کند تا چگونگی ارتباط آن هزینه با درآمد، تعهدات، اهداف و الگوهای ثابت شخص را ارزیابی کند.

تمایز قابل توجه است. طبقه بندی آنچه را که اتفاق افتاده است توصیف می کند. زمینه به تعیین معنای آن فعالیت در یک وضعیت مالی خاص کمک می کند.

این بدان معنا نیست که عوامل هوش مصنوعی باید سعی کنند هر جنبه ای از زندگی یک فرد را از مخارج آنها استنتاج کنند. رفتار مالی می تواند مبهم باشد و یک معامله به تنهایی به ندرت شواهد کافی برای توضیح مقاصد شخص ارائه می دهد. سیستم‌های زمینه‌ای باید به جای تبدیل فرضیات به تصمیم، عدم قطعیت را در نظر بگیرند.

آنها همچنین باید بین اطلاعات مفید و اطلاعاتی که برای جمع آوری یا استفاده مناسب هستند تمایز قائل شوند. زمینه مالی باید حول داده‌های مرتبط و مجاز، با محدودیت‌های واضح در دسترسی، پادمان‌های مناسب و احترام به حریم خصوصی افراد ساخته شود.

بدون این حمایت ها، سیستمی که برای تصمیم گیری های مالی با آگاهی بیشتر طراحی شده است، می تواند خطرات جدیدی را ایجاد کند.

هنگامی که یک آژانس مسافرتی هوش مصنوعی را در نظر می گیریم، مفاهیم عملی واضح تر می شوند. یک نماینده معمولی ممکن است پروازهایی را با بودجه مشخص جستجو کرده و ارزان ترین گزینه مناسب را انتخاب کند. یک عامل آگاه تر همچنین می تواند تعهدات مالی آتی و محدودیت هزینه های مورد توافق را در نظر بگیرد، مشروط بر اینکه اجازه استفاده از آن اطلاعات را داشته باشد.

هدف لزوما جلوگیری از خرید نخواهد بود. این کمک می کند تا اطمینان حاصل شود که تصمیم منعکس کننده شرایط گسترده تر کاربر است. ممکن است نماینده گزینه ارزان‌تری را توصیه کند، درخواست تأیید کند یا طبق دستورالعمل‌های قبلی پیش برود.

همین اصل می تواند در مورد پرداخت قبوض و پس انداز نیز اعمال شود. عاملی که چندین تعهد را مدیریت می کند ممکن است لازم باشد تشخیص دهد که کدام پرداخت ها ضروری است، انتظار می رود چه زمانی وجوه وارد شود و آیا انتقال پول به پس انداز نقدینگی کافی برای هزینه های آتی باقی می گذارد یا خیر.

در هر مورد، کیفیت تصمیم تا حدی به کیفیت زمینه موجود برای سیستم بستگی دارد.

موسسات مالی با چالش مرتبطی روبرو هستند. اطلاعات متنی به طور بالقوه می تواند از ارزیابی های وام، ابزارهای پس انداز و تعاملات خدمات مشتری پشتیبانی کند. با این حال، اطلاعات اضافی نباید به طور خودکار به تصمیم گیری خودکارتر تبدیل شود. موسسات هنوز باید مشخص کنند که چگونه اطلاعات ارزیابی می شود، چگونه به خطاها رسیدگی می شود و زمانی که تصمیمی نتیجه نامطلوب ایجاد می کند چه کسی پاسخگو باقی می ماند.

این امر به ویژه در اعطای وام مهم است، جایی که داده های مالی می توانند بر دسترسی به اعتبار تأثیر بگذارند. سیگنال های رفتاری نباید به پروکسی های بی چون و چرای اعتبار تبدیل شوند و هرگونه استفاده از داده های اضافی باید از نظر دقت، انصاف و انطباق با الزامات قابل اجرا ارزیابی شود.

زیرساخت پرداخت در حال حاضر برای پشتیبانی از اشکال جدید تجارت خودکار در حال تکامل است. کار مسترکارت روی تراکنش‌های عامل محور نشان می‌دهد که چگونه سیستم‌هایی که پرداخت‌ها را تسهیل می‌کنند با فعالیت‌های مبتنی بر هوش مصنوعی سازگار می‌شوند. اما توانایی مجوز دادن یا تسویه تراکنش تنها بخشی از چالش را برطرف می کند.

بخش دیگر تعیین این است که آیا یک عمل مناسب است، چه محدودیت هایی باید بر آن حاکم باشد و چه زمانی تایید انسانی لازم است.

این مسئولیت را نمی توان به سادگی به یک الگوریتم بدون مرزهای مشخص واگذار کرد. موسسات مالی باید در قبال سیاست ها، معیارهای واجد شرایط بودن و تصمیمات خود پاسخگو باشند. کاربران همچنین باید کنترل معنی‌داری بر آنچه که نمایندگانشان می‌توانند انجام دهند، از جمله محدودیت‌های تراکنش، مجوزها و شرایطی که نیاز به تأیید دارند، داشته باشند.

زیرساخت هایی که به تفسیر شرایط مالی کمک می کند می تواند به این فرآیند کمک کند، اما نمی تواند عدم اطمینان را از بین ببرد یا جایگزین حکمرانی سالم شود.

صنعت مالی دهه ها را صرف بهبود نحوه حرکت پول، نحوه ثبت تراکنش ها و نحوه دسترسی مردم به خدمات مالی کرده است. همانطور که عوامل هوش مصنوعی شروع به فعالیت در سراسر این سیستم ها می کنند، چالش بعدی این است که اطمینان حاصل شود که اتوماسیون بیش از دستورالعمل های فوری یا تعادل موجود منعکس می شود.

یک نماینده ممکن است بداند که چگونه پول را جابجا کند. سوال مهمتر این است که آیا زمینه مناسب کافی برای درک پیامدهای انجام این کار وجود دارد یا خیر.

برای اینکه فاینانس عامل ارزش معناداری ارائه دهد، مؤسسات مالی و توسعه دهندگان فناوری باید زمینه، شفافیت و مسئولیت پذیری را در کنار اتوماسیون در اولویت قرار دهند. گام بعدی، ساختن سیستم هایی است که پیامدهای گسترده تر تصمیمات مالی را درک می کنند، در محدوده های مشخص عمل می کنند و از منافع مصرف کنندگان محافظت می کنند.

در نهایت، موفقیت هوش مصنوعی در امور مالی به سرعت انتقال پول توسط نمایندگان بستگی ندارد، بلکه به این بستگی دارد که چقدر مسئولانه به مردم کمک می کنند تا آن را مدیریت کنند.

عمرو محمد بنیانگذار و مدیرعامل Neumetria است، یک شرکت فین‌تک که ابزارهایی برای تفسیر داده‌های مالی و رفتاری توسعه می‌دهد. نظرات بیان شده متعلق به خود نویسنده است.