نخستین و مهم‌ترین کارکرد نرم‌افزارهای بانکی، مدیریت مؤثر و دقیق جریان‌های مالی است. بانک‌ها، بیمه‌ها، مؤسسات اعتباری و شرکت‌های سرمایه‌گذاری روزانه با میلیون‌ها تراکنش مالی در مقیاس‌های مختلف روبه‌رو هستند. نرم‌افزارهای بانکی با پردازش سریع و مطمئن این داده‌ها، عملیات مالی را با کمترین خطا و بیشترین کارایی ممکن می‌کنند. همچنین، این نرم‌افزارها با خودکارسازی بسیاری از فرایندهای سنتی همچون پرداخت‌ها، محاسبات سود و زیان، اعتبارسنجی، گزارش‌گیری مالی و کنترل ریسک، به کاهش هزینه‌های عملیاتی و افزایش بهره‌وری سازمان‌ها کمک شایانی کرده‌اند. قابلیت دسترسی ۲۴ ساعته به خدمات از طریق اینترنت‌بانک‌ها و اپلیکیشن‌های موبایلی نیز به افزایش رضایت مشتریان و گسترش دربرگیری مالی در جوامع مختلف انجامیده است.
افزون بر این، نرم‌افزارهای مالی ابزارهایی قدرتمند برای تحلیل داده‌ها و پشتیبانی از تصمیم‌گیری به‌شمار می‌آیند. با استفاده از آنها، اشخاص حقیقی و حقوقی می‌توانند بر مبنای داده‌های واقعی، تصمیمات هوشمندانه‌تری در حوزه‌هایی مانند سرمایه‌گذاری، مدیریت نقدینگی و دریافت تسهیلات اتخاذ کنند و سرانجام در شرایطی که تهدیدات سایبری و الزامات قانونی همواره در حال گسترش‌اند، نرم‌افزارهای مالی با بهره‌گیری از استانداردهای امنیتی و انطباق با مقررات نظارتی، نقش مهمی در حفظ اعتماد عمومی به نظام‌های مالی ایفا می‌کنند.
هوش مصنوعی، از نظریه تا انقلاب در عمل!
می‌دانیم که هوش مصنوعی (Artificial Intelligence – AI) شاخه‌ای از علوم رایانه است که به طراحی و توسعه سامانه‌هایی می‌پردازد که توانایی انجام وظایف هوشمندانه مشابه با عملکرد ذهن انسان را دارند. این وظایف می‌توانند شامل درک زبان طبیعی، یادگیری از داده‌ها، استدلال منطقی، حل مسئله، و تصمیم‌گیری باشند. هدف اصلی هوش مصنوعی، ساخت سیستم‌هایی است که بتوانند بدون برنامه‌نویسی صریح، از تجربه بیاموزند و عملکرد خود را در طول زمان بهبود دهند.
پیشینه هوش مصنوعی به دهه ۱۹۵۰ میلادی بازمی‌گردد، زمانی که پژوهشگرانی مانند آلن تورینگ و جان مک‌کارتی مفهوم ماشین‌های هوشمند را مطرح کردند. در دهه‌های بعدی، اگرچه پیشرفت‌هایی حاصل شد، اما به دلیل محدودیت‌های سخت‌افزاری و کمبود داده، هوش مصنوعی بیشتر در سطح نظری باقی ماند. با این حال، از اوایل قرن ۲۱، با رشد نمایی قدرت محاسباتی، توسعه شبکه‌های عصبی مصنوعی، و در دسترس بودن حجم عظیمی از داده‌ها (Big Data)، دوران طلایی جدیدی برای هوش مصنوعی آغاز شد.
نقش یادگیری ماشین و یادگیری عمیق
در سال‌های اخیر، فناوری‌های نوینی مانند یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) به سرعت توسعه یافته‌اند. این فناوری‌ها به سیستم‌ها امکان می‌دهند الگوهای پیچیده را در داده‌های عظیم تشخیص دهند و بر اساس آن پیش‌بینی یا تصمیم‌گیری کنند. بویژه شبکه‌های عصبی عمیق (Deep Neural Networks) که الهام‌گرفته از ساختار مغز انسان هستند، توانسته‌اند در حوزه‌هایی مانند پردازش تصویر، تشخیص صدا، ترجمه ماشینی و تولید زبان طبیعی، عملکردی فراتر از انسان از خود نشان دهند.
یکی از مهم‌ترین دستاوردهای اخیر، توسعه مدل‌های زبانی بزرگ مانند GPT، BERT و PaLM است که توانایی درک و تولید زبان طبیعی با دقتی بی‌سابقه را فراهم کرده‌اند. این مدل‌ها پایه‌گذار تحول در حوزه‌هایی مانند چت‌بات‌ها، اتوماسیون خدمات مشتری، تحلیل متون مالی و استخراج اطلاعات از مستندات شده‌اند.
از سوی دیگر، کاربردهای موفق هوش مصنوعی در حوزه‌هایی چون پزشکی (تشخیص بیماری‌ها)، خودروهای خودران، صنعت، کشاورزی هوشمند و حتی هنر، گواهی بر پتانسیل گسترده این فناوری در تغییر چهره جهان است. این تحولات بستری مناسب برای استفاده از هوش مصنوعی در صنایع مالی و بانکی فراهم کرده که در ادامه مقاله به‌تفصیل بررسی خواهد شد.
چالش‌ها و محدودیت‌های نرم‌افزارهای سنتی مالی و بانکی
با وجود پیشرفت‌های قابل‌توجه در فناوری اطلاعات، بسیاری از نرم‌افزارهای مالی و بانکی که هم‌اکنون مورد استفاده قرار می‌گیرند، مبتنی بر معماری‌های قدیمی و منطق‌های سخت کد شده‌اند که قابلیت انطباق با پیچیدگی‌ها و تغییرات سریع بازار امروز را ندارند. این نرم‌افزارها، اگرچه در دهه‌های گذشته به‌عنوان ستون فقرات زیرساخت‌های بانکی عمل کرده‌اند، اما با چالش‌ها و محدودیت‌های مهمی مواجه هستند که در ادامه به مهم‌ترین آنها اشاره می‌شود:
محدودیت در شناسایی تقلب‌های پیچیده
سیستم‌های سنتی بیشتر بر پایه قوانین از پیش تعریف‌شده کار می‌کنند؛ مثلاً اگر مقدار تراکنش از حد معینی بیشتر شود، هشدار داده شود. اما مجرمان مالی، به‌سرعت روش‌های خود را تغییر می‌دهند و تقلب‌هایی با الگوهای غیرقابل پیش‌بینی انجام می‌دهند. نرم‌افزارهای سنتی توانایی تشخیص این الگوهای پیچیده را ندارند و همین امر به افزایش ریسک مالی می‌انجامد.
ضعف در شخصی‌سازی خدمات
در بازار رقابتی امروز، ارائه خدمات مالی متناسب با ویژگی‌ها و نیازهای خاص هر مشتری یک ضرورت است. اما بسیاری از نرم‌افزارهای فعلی فاقد قابلیت یادگیری از رفتار کاربر و ارائه پیشنهادهای هوشمندانه‌اند. این مسئله موجب کاهش تعامل کاربران و نارضایتی آنان می‌شود.
ناتوانی در تحلیل داده‌های حجیم و متنوع
با رشد داده‌های تراکنشی، رفتاری و مالی، بانک‌ها با حجم عظیمی از اطلاعات روبه‌رو هستند. نرم‌افزارهای سنتی در تحلیل داده‌های ساخت‌یافته و بویژه داده‌های غیرساخت‌یافته مانند متون، صداها و تصاویر، محدودیت جدی دارند. این موضوع مانع استفاده کامل از ظرفیت اطلاعات موجود برای تصمیم‌گیری و نوآوری می‌شود.
کندی در پاسخ‌گویی به تغییرات بازار و مقررات
در اکوسیستم مالی، تغییرات در مقررات، سیاست‌های پولی و شرایط اقتصادی بسیار سریع اتفاق می‌افتد. نرم‌افزارهای سنتی که بر پایه منطق ثابت و ساختارهای پیچیده توسعه یافته‌اند، انعطاف‌پذیری لازم برای انطباق سریع با این تغییرات را ندارند و به بازنویسی‌های مکرر نیاز دارند که زمان‌بر و پرهزینه است.
هزینه نگهداری بالا و نبود یکپارچگی
سیستم‌های قدیمی در حالت عادی بصورت تکه‌تکه توسعه یافته‌اند و اتصال میان ماژول‌های مختلف آنها دشوار است. این موضوع افزون بر افزایش هزینه نگهداری و توسعه، باعث بروز اختلال در ارائه خدمات یکپارچه به مشتریان می‌شود.
این چالش‌ها زمینه‌ساز حرکت صنعت بانکداری بسوی راه‌حل‌های هوشمندانه‌تر و تطبیق‌پذیرتر شده‌اند؛ جایی که هوش مصنوعی می‌تواند نقش حیاتی ایفا کند. در بخش بعدی، به بررسی نقش هوش مصنوعی در بهبود نرم‌افزارهای مالی و بانکی خواهیم پرداخت.
نقش هوش مصنوعی در بهبود نرم‌افزارهای بانکی: از تئوری تا مثال‌های عینی
هوش مصنوعی در سال‌های اخیر به یکی از نیروهای محرک اصلی تحول در صنعت مالی و بانکی تبدیل شده است. برخلاف نرم‌افزارهای سنتی که بر اساس منطق‌های ایستا و قوانین از پیش تعریف‌شده عمل می‌کنند، سیستم‌های مبتنی بر هوش مصنوعی توانایی یادگیری از داده‌ها، شناسایی الگوهای پنهان و اتخاذ تصمیم‌های پویا در مواجهه با شرایط جدید را دارند. این توانمندی‌ها، بستری فراهم کرده‌اند تا بانک‌ها و مؤسسات مالی بتوانند خدمات خود را دقیق‌تر، سریع‌تر، هوشمندتر و با هزینه‌ای کمتر ارائه دهند. در ادامه، به برخی از مهم‌ترین حوزه‌های کاربردی هوش مصنوعی در نرم‌افزارهای مالی و بانکی، همراه با مثال‌های واقعی، می‌پردازیم:
شناسایی تقلب در تراکنش‌های مالی
یکی از بارزترین و پرکاربردترین حوزه‌های هوش مصنوعی در بانکداری، شناسایی تقلب است. شرکت مسترکارت Mastercard از الگوریتم‌های یادگیری ماشین برای بررسی لحظه‌ای بیش از ۷۵ میلیارد تراکنش در سال استفاده می‌کند. این الگوریتم‌ها با تحلیل الگوهای خرید کاربران، به‌سرعت تراکنش‌هایی را که به نظر غیرعادی می‌رسند، شناسایی کرده و هشدارهای لازم را صادر می‌کنند. برخلاف سیستم‌های قدیمی که بر اساس قوانینی خشک عمل می‌کردند، مدل‌های هوش مصنوعی می‌توانند الگوهای جدید تقلب را نیز کشف کنند، حتی اگر پیش‌تر تعریف نشده باشند.
مشاوران مالی هوشمند (Robo-Advisors)
پلتفرم‌هایی مانند Betterment و Wealthfront در آمریکا از هوش مصنوعی برای تحلیل وضعیت مالی کاربران و پیشنهاد پورتفوی سرمایه‌گذاری استفاده می‌کنند. این سیستم‌ها، با در نظر گرفتن ریسک‌پذیری فرد، اهداف بلندمدت، نوسانات بازار و داده‌های تاریخی، توصیه‌های مالی هوشمندانه ارائه می‌دهند.
اعتبارسنجی نوین و اعطای وام هوشمند
در حالی که بانک‌های سنتی برای اعتبارسنجی به گزارش‌های مالی و سابقه بانکی متکی هستند، شرکت‌هایی مانند Upstart (مورد حمایت گوگل) از هوش مصنوعی برای بررسی عوامل غیرسنتی مانند سوابق تحصیلی، سابقه شغلی و حتی رفتار آنلاین استفاده می‌کنند. نتیجه این روش، افزایش دسترسی افراد بدون سابقه بانکی به تسهیلات و کاهش نرخ نکول وام‌ها بوده است. این الگوها می‌توانند برای بانک‌های ایرانی نیز الگوی تحول باشند، بویژه در زمینه وام‌های خرد و تسهیلات بدون ضامن.
پشتیبانی هوشمند مشتریان با چت‌بات‌ها
بانک آمریکایی Bank of America با معرفی دستیار هوشمند «Erica» توانسته است خدمات ۲۴ ساعته به مشتریان ارائه دهد. این چت‌بات با استفاده از NLP (پردازش زبان طبیعی)، پاسخگوی سؤالات متداول است، وضعیت حساب را اطلاع می‌دهد، قبوض را پرداخت می‌کند و حتی پیشنهادهای مالی می‌دهد. در ایران نیز برخی بانک‌هایی مانند ملت و ملی، از نسخه‌های ساده‌تر این فناوری در اپلیکیشن‌ها و سامانه‌های پاسخ‌گویی استفاده کرده‌اند.
تحلیل احساسات بازار و تصمیم‌گیری سرمایه‌گذاری
شرکت‌هایی مانند Bloomberg و Thomson Reuters از هوش مصنوعی برای پایش میلیون‌ها خبر، مقاله، توییت و تحلیل مالی استفاده می‌کنند تا احساس غالب بازار نسبت به یک سهم یا صنعت خاص را استخراج کنند. این تحلیل‌ها می‌توانند به سرمایه‌گذاران در پیش‌بینی روندها کمک کنند. در بورس ایران نیز، برخی پلتفرم‌ها مانند ره‌آورد ۳۶۵ شروع به استفاده از هوش مصنوعی برای تحلیل تکنیکال و پیشنهاد سهام کرده‌اند.
پیش‌بینی ریسک و مدیریت بحران
هوش مصنوعی می‌تواند با تحلیل داده‌های تاریخی، رفتار مشتریان و روندهای کلان اقتصادی، ریسک‌های پیشرو را پیش‌بینی کند. بانک‌هایی مانند HSBC و Citi از مدل‌های هوش مصنوعی برای پیش‌بینی نکول اعتباری، نوسانات ارزی و حتی تأثیر بحران‌های جهانی بر پورتفوی خود استفاده می‌کنند.
در مجموع، هوش مصنوعی در حال تبدیل‌شدن به موتور محرک نسل جدیدی از نرم‌افزارهای مالی و بانکی است. این فناوری نه‌تنها باعث افزایش دقت و سرعت خدمات شده، بلکه موجب تحول در مدل‌های کسب‌وکار، کاهش هزینه‌ها، و بهبود تجربه مشتری نیز شده است.
چالش‌ها و مسائل امنیتی در بکارگیری هوش مصنوعی در صنعت مالی و بانکی
با وجود پتانسیل عظیم هوش مصنوعی در بهبود عملکرد نرم‌افزارهای مالی و بانکی، بکارگیری این فناوری با چالش‌ها و مخاطرات خاص خود همراه است؛ بویژه در حوزه امنیت اطلاعات، حریم خصوصی، شفافیت تصمیم‌گیری و تبعیض الگوریتمی. در ادامه، مهم‌ترین این چالش‌ها بررسی می‌شود:
شفافیت و توضیح‌پذیری تصمیمات (Explainability)
الگوریتم‌های یادگیری عمیق که در بسیاری از سیستم‌های هوش مصنوعی مالی استفاده می‌شوند، بیشتر مانند «جعبه سیاه» عمل می‌کنند. به این معنا که تصمیمات آنها (مانند رد یا تأیید یک وام) قابل توضیح برای مشتری یا حتی کارشناس بانک نیست. این موضوع می‌تواند موجب کاهش اعتماد کاربران و همچنین بروز مشکلات حقوقی و اخلاقی شود. نهادهای نظارتی در اروپا و آمریکا نیز بتازگی خواهان افزایش شفافیت در الگوریتم‌های مالی شده‌اند.
بعنوان نمونه در سال ۲۰۱۹، شرکت اَپل به دلیل استفاده از الگوریتمی در کارت اعتباری اپل‌کارت که ظاهراً زنان را نسبت به مردان کمتر واجد شرایط دریافت اعتبار می‌دانست، با انتقادات شدیدی مواجه شد. این موضوع ناشی از نبود شفافیت در منطق تصمیم‌گیری الگوریتم بود.
امنیت داده‌ها و حملات سایبری مبتنی بر هوش مصنوعی
هرچند هوش مصنوعی ابزار قدرتمندی برای افزایش امنیت سایبری است، اما خود نیز هدف حملات جدیدتری قرار می‌گیرد. حملاتی مانند adversarial attacks (حمله به مدل‌های یادگیری با داده‌های دستکاری‌شده) یا model inversion (بازیابی اطلاعات حساس از دل مدل‌های یادگیری ماشین) می‌توانند داده‌های مالی کاربران را به خطر بیندازند.
از آنجا که بانک‌ها داده‌های حساس مالی میلیون‌ها مشتری را در اختیار دارند، هر نوع نفوذ یا آسیب‌پذیری در سامانه‌های هوش مصنوعی می‌تواند پیامد فاجعه‌باری داشته باشد.
سوگیری الگوریتمی (Algorithmic Bias)
هوش مصنوعی وابسته به داده‌هایی است که با آن آموزش دیده است. اگر این داده‌ها دارای سوگیری نژادی، جنسیتی یا اقتصادی باشند، نتایج تصمیمات الگوریتم نیز همین سوگیری‌ها را بازتولید می‌کند. به عنوان مثال در برخی مؤسسه‌های مالی آمریکایی مشاهده شده که الگوریتم‌های اعتبارسنجی، تنها به دلیل نشانی محل زندگی یا نژاد، به افراد امتیاز اعتباری پایین‌تری می‌دهند؛ در حالی که از نظر مالی شرایط مشابهی با دیگران دارند.
وابستگی بیش از اندازه به مدل‌های هوش مصنوعی
در برخی موارد، بانک‌ها یا شرکت‌های فین‌تک برای تصمیم‌گیری‌های حیاتی بطور کامل به مدل‌های هوش مصنوعی تکیه می‌کنند، بدون آنکه راهکارهای موازی یا بازنگری انسانی داشته باشند. این وابستگی می‌تواند در شرایط خاص مانند بحران‌های مالی یا تغییرات ساختاری بازار، باعث تصمیمات نادرست و بحران‌های جدی شود.
چالش‌های قانونی و نظارتی
بسیاری از مقررات کنونی در حوزه بانکی و مالی بر مبنای سیستم‌های سنتی نوشته شده‌اند و نمی‌توانند تمامی ابعاد تصمیم‌گیری‌های هوشمند را پوشش دهند. برای مثال، مسئولیت حقوقی در صورت اشتباه مدل هوش مصنوعی مشخص نیست: بانک مسئول است یا سازنده الگوریتم؟ در همین راستا نهادهای نظارتی در اتحادیه اروپا (مانند EBA و ECB) در حال تدوین قوانین مشخص‌تری برای استفاده از هوش مصنوعی در صنعت مالی هستند که الزاماتی همچون شفافیت، آزمون‌های بی‌طرفی، و ارزیابی ریسک را شامل می‌شود.
هوش مصنوعی توانسته است عملکرد نرم‌افزارهای مالی و بانکی را بطور چشمگیری بهبود دهد، اما بدون توجه به مخاطرات امنیتی، اخلاقی و نظارتی، ممکن است بجای مزیت، تهدیدی برای اعتماد عمومی و سلامت سیستم مالی تبدیل شود. توسعه چارچوب‌های راهبری هوش مصنوعی، نظارت پیوسته، و تلفیق توان انسان و ماشین در تصمیم‌گیری، راهکارهایی حیاتی برای مدیریت این ریسک‌ها هستند.
وضعیت هوش مصنوعی در ایران و جایگاه آن در صنعت بانکداری
در سال‌های اخیر، هوش مصنوعی به‌عنوان یکی از محورهای تحول دیجیتال در ایران نیز مورد توجه قرار گرفته است. با وجود برخی محدودیت‌ها در زیرساخت، سرمایه‌گذاری و دسترسی به فناوری‌های پیشرفته، ایران در حوزه توسعه و پیاده‌سازی هوش مصنوعی گام‌هایی برداشته است که در برخی موارد، بویژه در صنعت مالی و بانکی، نتایج اولیه قابل‌توجهی داشته‌اند.
در نقشه راه ملی توسعه هوش مصنوعی (مصوب شورای عالی انقلاب فرهنگی در سال ۱۳۹۹)، بخش مالی یکی از حوزه‌های اولویت‌دار است. همچنین در اسناد مرتبط با «شبکه ملی اطلاعات» و «تحول دیجیتال دولت»، اشاره‌هایی مستقیم به نقش هوش مصنوعی در بهبود خدمات مالی و بانکی وجود دارد. با این حال، فاصله بین سیاست‌گذاری و اجرا هنوز زیاد است.
نمونه‌هایی از کاربرد محدود هوش مصنوعی در بانک‌های ایران شامل راه‌اندازی پاسخگوهای هوشمند (چت‌بات‌ها)، توسعه سامانه‌های اعتبارسنجی برپایه تحلیل عملکرد مالی مشتریان، توسعه زیرساخت برای تشخیص الگوهای تقلب، تحلیل تراکنش‌های پرتکرار و پیشنهاد هوشمند خدمات مالی به مشتریان و … هستند که هنوز فاصله زیادی با دستیارهای مالی پیشرفته جهانی مانند Erica (در Bank of America) یا Eno (در Capital One) دارند.
نقش شرکت‌های فین تک و استارتاپ‌ها
شرکت‌های فین‌تک و استارتاپ‌های هوش مصنوعی نیز در ایران نقشی کلیدی در این مسیر ایفا کرده‌اند. برخی نمونه‌های قابل‌توجه عبارت‌اند از ارائه پیشنهادهای سرمایه‌گذاری با تحلیل داده‌های بازار، پیش‌بینی بازار بورس بر پایه یادگیری ماشین، شناسایی رفتار مشتری و تحلیل تراکنش‌های مشکوک، دسته‌بندی هوشمند هزینه‌های کاربران و پیشنهاد خدمات مالی متناسب با الگوی خرید کاربران، اعتبارسنجی و وام دهی آنلاین و …
باوجود چالش‌ها و محدودیت‌های فناورانه و نظارتی، فینتکها در حال تبدیل شدن به بازیگران کلیدی توسعه هوش مصنوعی در صنعت مالی هستند. آنها با نگاه چابک، مشتری‌محور و فناورانه، نقشی مکمل و گاه پیشرو نسبت به بانک‌ها ایفا می‌کنند. در صورت حمایت بیشتر از سوی نهادهای حاکمیتی و ایجاد زیرساخت‌های قانونی و فنی لازم، آینده هوش مصنوعی در نظام مالی ایران تا حد زیادی در دستان این بازیگران خواهد بود.
چالش‌های استفاده از هوش مصنوعی در نرم‌افزارهای بانکی و صنعت مالی ایران
استفاده از هوش مصنوعی و مقوله‌های آن در صنعت مالی ایران نیز با چالش هایی روبروست که برخی آن را با هم بررسی خواهیم کرد:
دسترسی محدود به داده‌های کلان و باکیفیت
بخش مهمی از یادگیری الگوریتم‌های هوش مصنوعی به داده‌های وسیع و متنوع نیاز دارد، اما در ایران، به‌دلیل محافظه‌کاری بانک‌ها، دسترسی به داده‌ها برای توسعه‌دهندگان محدود است. حتی داده‌های داخل یک بانک نیز اغلب به شکل جزیره‌ای و غیریکپارچه نگهداری می‌شوند.
کمبود نیروی متخصص
گرچه دانشگاه‌های ایران در حوزه نظری هوش مصنوعی عملکرد خوبی دارند، اما نیروی انسانی با تجربه عملیاتی در پیاده‌سازی هوش مصنوعی در مقیاس‌های صنعتی (مثل بانکداری) کمیاب است.
ضعف در زیرساخت محاسباتی
بسیاری از الگوریتم‌های هوش مصنوعی نیاز به پردازش‌های سنگین، GPU و منابع ابری دارند. در ایران، دسترسی به این منابع محدود است و وابستگی به خدمات ابری بین‌المللی بعلت تحریم‌ها دشوار شده است.
نبود چارچوب‌های نظارتی مشخص
تا امروز نهادهایی مانند بانک مرکزی یا سازمان بورس، مقررات خاصی برای استفاده از هوش مصنوعی منتشر نکرده‌اند. نبود چارچوب‌های اخلاقی، امنیتی و نظارتی، مانعی برای گسترش رسمی و گسترده این فناوری در سیستم مالی کشور است. سرنوشت نامشخص و انحلال غیررسمی سازمان ملی هوش مصنوعی نیز وضعیت را بغرنج تر کرده است. پس از تغییر دولت در سال ۱۴۰۰ و جابه‌جایی تیم مدیریتی در وزارت ارتباطات، عملاً فعالیت این سازمان متوقف شد. هرچند به‌طور رسمی هیچ بیانیه‌ای مبنی بر انحلال آن منتشر نشده است. اکنون فعالیت‌های مرتبط با سیاست‌گذاری هوش مصنوعی، به‌صورت پراکنده در نهادهایی مانند معاونت علمی و فناوری ریاست جمهوری، مرکز ملی فضای مجازی و پژوهشگاه ارتباطات دنبال می‌شود. با این حال هنوز هیچ نوع نهاد مرکزی و یکپارچه‌ای جایگزین نشده است.
آیا هوش مصنوعی آینده نرم‌افزارهای مالی و بانکی را متحول خواهد کرد؟
با نگاهی به مسیر پرشتاب پیشرفت هوش مصنوعی در جهان و کاربردهای گسترده آن در حوزه‌های گوناگون، بویژه صنعت مالی و بانکی، می‌توان با اطمینان گفت که هوش مصنوعی دیگر یک انتخاب نیست، بلکه یک ضرورت است. از متخصصان بانک‌های بزرگ بین‌المللی تا فین‌تک‌های نوپا، همه به این نتیجه رسیده‌اند که بدون بهره‌گیری از قدرت هوش مصنوعی، امکان رقابت، تحلیل دقیق، و ارائه خدمات شخصی‌سازی‌شده وجود ندارد.
در این مقاله، دیدیم که چگونه هوش مصنوعی می‌تواند نرم‌افزارهای مالی و بانکی را هوشمندتر، دقیق‌تر، امن‌تر و چابک‌تر کند. توانایی‌هایی همچون:
- تحلیل لحظه‌ای حجم عظیم داده‌های مالی
- شناسایی تقلب در لحظه
- پیشنهاد راهکارهای سرمایه‌گذاری هوشمند
- پاسخ‌گویی خودکار به مشتریان با درک زبان طبیعی
- شناسایی احساسات و رفتارهای کاربران
جمع‌بندی
موارد بالا نویدبخش نسلی از نرم‌افزارهای بانکی هستند که نه‌تنها کارا، بلکه بسیار شخصی‌سازی‌شده و آینده‌نگر خواهند بود. در عین حال، چالش‌هایی نیز بر سر راه این تحول وجود دارد: از جمله ملاحظات امنیتی، موانع مقرراتی، ریسک‌های اخلاقی و تصمیم‌گیری خودکار، و همچنین نیاز به زیرساخت‌های فناورانه پیشرفته. در کشورهایی مانند ایران،با عواملی مثل محدودیت در منابع داده، کمبود نیروی متخصص، تحریم‌های فناورانه و نبود نهاد سیاست‌گذار پایدار چنین چالش‌هایی دشوارتر می‌شود. نمونه این وضع را می‌توانیم در سرنوشت نامعلوم سازمان ملی هوش مصنوعی جست‌وجو کنیم.
با این حال، تجربه کارشناسان بانک‌ها و شرکت‌های فین‌تک ایرانی نشان می‌دهد که جریان حرکت بسوی هوش مصنوعی آغاز شده است. هرچند این مسیر هنوز در مراحل ابتدایی‌ست، اما اگر با سرمایه‌گذاری هوشمندانه، سیاست‌گذاری شفاف و تقویت همکاری میان بازیگران سنتی مانند بانک‌ها و مجموعه‌های نوآور مثل فینتکها ادامه یابد، می‌تواند ایران را به بخشی کنشگر از این تحول جهانی تبدیل کند. بنابراین پاسخ به سؤال اصلی مقاله این است:
«بله، با ظهور هوش مصنوعی، نرم‌افزارهای مالی و بانکی به‌طور قطع بهتر خواهند شد. چه از منظر کارایی و امنیت، چه از دیدگاه تجربه کاربری و تصمیم‌سازی مالی. اما این بهبود نه به‌صورت خودکار، بلکه با آمادگی فناورانه، زیرساختی، انسانی و سیاست‌گذاری هوشمندانه حاصل خواهد شد.»
این مقاله دوم مهر 1404 در فصلنامه فناوری‌های مالی منتشر شد.
