ریسک‌های پنهان در پیروی از بانک‌های بزرگ در هوش مصنوعی
منبع: AI Business – مترجم: تیم دکتر دیتا
تاریخ انتشار: ۴ سپتامبر ۲۰۲۵
هوش مصنوعی در صنعت بانکداری در حال گسترش است. بانک‌های بزرگی مانند Bank of America و Goldman Sachs در کنار شرکت‌هایی مثل گوگل و OpenAI ابزارهای مبتنی بر هوش مصنوعی خود را برای بهینه‌سازی عملیات و ارتقای خدمات مشتری معرفی کرده‌اند.
با این حال، در حالی که بانک‌های بزرگ منابع لازم برای آزمایش و توسعه سریع دارند، این موضوع برای بانک‌های کوچک‌تر صادق نیست. به گفته کوین گرین، مدیر بازاریابی هاپکس (پلتفرمی ویژه صنعت مالی)، تغییر سریع صنعت به سمت هوش مصنوعی ریسک‌های پنهانی برای مؤسساتی به همراه دارد که فاقد زیرساخت یا استراتژی مناسب هستند.
او در گفت‌وگویی اختصاصی با AI Business درباره مشکلات استقرار شتاب‌زده هوش مصنوعی بدون طرح کسب‌وکار مشخص، نیاز به راهکارهای اختصاصی متناسب با صنایع خاص، و چگونگی محافظت شرکت‌های مالی در این فضای پرتحول صحبت کرده است.
پذیرش هوش مصنوعی در بانکداری
گرین: «اکنون همه بانک‌ها در حال بررسی جایگاه هوش مصنوعی در اکوسیستم خود هستند. پذیرش با سرعت بالایی اتفاق می‌افتد و بیشتر بانک‌ها تلاش می‌کنند این ابزارها را سریعاً در ساختارهای عملیاتی موجود پیاده‌سازی کنند. اما مشکل اصلی، شکاف میان بانک‌های بزرگ و کوچک‌تر است.»
او ادامه می‌دهد: «بانک‌های بزرگی مثل Wells Fargo، Chase و Bank of America قراردادهای کلانی با گوگل و OpenAI بسته‌اند. این منطقی است چون آن‌ها تیم‌های مهندسی بزرگ برای مدیریت ریسک و زیرساخت دارند. اما خارج از ۵۰ بانک برتر، چنین منابعی وجود ندارد.»
مشکلات ناشی از این شکاف
توجه رسانه‌ها به بانک‌های بزرگ، تصویری گمراه‌کننده ایجاد می‌کند؛ گویی پیاده‌سازی هوش مصنوعی ساده و نتیجه فوری است. اما واقعیت برای بانک‌های متوسط یا کوچک بسیار پیچیده‌تر است.
این حرکت بانک‌های بزرگ اگرچه پتانسیل هوش مصنوعی را تأیید می‌کند، اما انتظارات غیرواقعی ایجاد می‌کند. خطر بزرگ این است که تصور شود این فناوری “وصل کن و استفاده کن” است، در حالی که چنین نیست.
نمونه: قرارداد Wells Fargo با گوگل احتمالاً سالانه بیش از ۱۰ میلیون دلار هزینه دارد. اما پرسش این است که این هزینه چه بازدهی واقعی داشته است؟ پاسخ «جستجوی بهتر» کافی نیست.
نگاه کوتاه‌مدت به هوش مصنوعی
ریسک دیگر، نگاه سطحی به قابلیت‌های هوش مصنوعی است. در حال حاضر، تمرکز بیشتر بانک‌ها روی افزایش بهره‌وری و اتوماسیون فرآیندهاست. اما مزیت واقعی در سه تا پنج سال آینده نمایان می‌شود، زمانی که بانک‌ها از هوش مصنوعی برای بازتعریف شیوه عملکرد خود استفاده کنند.
فشار برای پذیرش سریع
گرین: «بله. فشار زیادی وجود دارد. شرکت‌ها می‌خواهند نشان دهند از روند جلوتر هستند. اما اگر بدون استراتژی، منابع یا درک درست وارد شوند، نتیجه معکوس خواهد داشت.
این همان اشتباهی است که در دوره نرم‌افزار هم رخ داد. اما تفاوت اینجاست که هوش مصنوعی فقط یک نرم‌افزار نیست؛ یک زیرساخت است.»
او اضافه می‌کند: «بسیاری از شرکت‌ها نرم‌افزارهای بزرگ خریدند اما فقط از ۳۰٪ قابلیت‌ها استفاده کردند. حالا همین اتفاق در هوش مصنوعی در حال تکرار است. شرکت‌ها ابزارهای عمومی می‌خرند و تصور می‌کنند به‌راحتی در کسب‌وکارشان جا می‌افتد، اما متوجه می‌شوند برای نیازهای خاصشان طراحی نشده است.»
راهکارهای اختصاصی برای بانک‌های کوچک
گرین: «قطعاً. هر صنعت و حتی هر شرکت ویژگی‌های خاص خود را دارد. بنابراین نیاز به راهکارهای اختصاصی بیشتر خواهد شد. ابزارهای بدون کدنویسی و رابط‌های ساده خوب‌اند برای یادگیری، اما بدون کار اضافی سنگین، هیچ‌گاه کاملاً متناسب با صنایع خاص نمی‌شوند.»
دغدغه‌های امنیت سایبری
استفاده گسترده از ابزارهای عمومی ریسک ایجاد می‌کند. حتی اگر مدل‌ها روی داده‌های شما آموزش نبینند، داده‌ها همچنان در سیستم‌ها وجود دارند و این خطر افشا را افزایش می‌دهد.
بانک‌ها با داده‌های بسیار حساس مالی و شخصی سروکار دارند. بنابراین اولین پرسش باید این باشد:
«آیا با دسترسی کامل یک ابزار هوش مصنوعی به سیستم‌ها و داده‌های اصلی‌مان راحت هستیم؟»
بانک‌های بزرگ می‌توانند تیم‌های مهندسی اختصاصی برای مدیریت ریسک داشته باشند، اما بانک‌های کوچک چنین امکانی ندارند. در نتیجه یا باید ریسک داده را بپذیرند یا از مزایای کامل هوش مصنوعی محروم بمانند.
جمع‌بندی دکتر دیتا
حرکت شتاب‌زده بانک‌های بزرگ به سمت هوش مصنوعی نباید برای بانک‌های کوچک‌تر الگو شود. استراتژی درست، استفاده از راهکارهای اختصاصی و امن است که با نیازهای واقعی هر بانک همخوانی داشته باشد. بیشترین ارزش برای بانک های کوچک و متوسط از شخصی‌سازی می‌آید. این بانک‌ها با شناخت مشتری و خدمات رابطه‌محور رقابت می‌کنند. اما اگر نتوانند هوش مصنوعی را به داده‌های اصلی خود متصل کنند، نمی‌توانند تجربه مشتری را ارتقا دهند. بنابراین در دو راهی می‌مانند: یا ریسک داده را بپذیرند یا از فرصت‌های بالقوه صرف‌نظر کنند.
بسیار مفید و کاربردی بود