علی گلزاده، مدیرعامل داتا / مدیران بانکها این روزها با مجموعهای از نیروهای اثرگذار و همزمان روبهرو هستند؛ مشتریان انتظار تجربهای لحظهای، ساده و شخصیسازیشده دارند، رقبای فینتک چرخه تصمیمگیری را به چند ثانیه رساندهاند، ریسک اعتباری در محیطی بیثباتتر از گذشته حرکت میکند و هزینههای عملیاتی، الزامات رگولاتوری و پراکندگی دادهها، کیفیت تصمیمسازی را دشوارتر کردهاند. این فشارها واقعیاند، اما پاسخ بسیاری از بانکها به آنها، هنوز پاسخ درستی نیست.
در سالهای اخیر، هوش مصنوعی در بانکداری بیشتر در قالب پروژههای مستقل تعریف شده است؛ یک چتبات برای پاسخگویی به مشتریان، یک مدل اعتبارسنجی برای بخشی از فرایند اعطای تسهیلات، یک داشبورد تحلیلی برای مدیران یا یک ابزار کشف تقلب در گوشهای از عملیات. هر یک از این پروژهها میتوانند ارزشمند باشند، اما مسئله از جایی آغاز میشود که هوش مصنوعی صرفاً بهعنوان لایهای جدید بر ساختارهای قدیمی سوار میشود.
در چنین وضعیتی، هوش مصنوعی بهجای آنکه منطق بانک را تغییر دهد، به ابزاری تزئینی تبدیل میشود؛ ابزاری که در کنار فرایندهای موجود قرار میگیرد، اما راهی به قلب تصمیمگیری پیدا نمیکند.
مشکل، بیش از آنکه اجرایی باشد، ساختاری است. وقتی هوش مصنوعی در قالب یک «پروژه» تعریف میشود، بودجه مستقل، تیم مستقل و اهداف مستقل دارد و پس از پایان دوره آزمایشی نیز بهسختی به فرایندهای اصلی بانک متصل میشود. نتیجه آن است که ارزش بهصورت جزیرهای خلق میشود، نه در مقیاس کل سازمان.
پس پرسش تعیینکننده این نیست که «چه پروژه هوش مصنوعی باید راه بیندازیم؟»؛ پرسش دقیقتر این است که «اگر قرار بود بانک را از صفر طراحی کنیم، کدام فرایند بدون هوش مصنوعی اساساً قابل تصور نبود؟»
مفهوم بانکداری هوشتنیده (AI Embedded Banking) دقیقاً از همین پرسش آغاز میشود. در این نگاه، هوش مصنوعی نه یک افزوده فناورانه، بلکه بخشی از منطق تصمیمگیری بانک است. مدلهای یادگیری ماشین در قلب فرایندهای اعطای تسهیلات، مدیریت ریسک، تعامل با مشتری، شناسایی تقلب و عملیات داخلی جای میگیرند؛ نه بهعنوان لایهای جداگانه، بلکه بهعنوان سیستم عصبی سازمان.
تفاوت این رویکرد با مدل رایج کاملاً روشن است. در مدل متداول، کارمند یا مدیر تصمیم میگیرد و هوش مصنوعی، در بهترین حالت، به او کمک میکند. اما در بانکداری هوشتنیده، مدل پیشنهاد تصمیم را تولید میکند و انسان مدیریت استثناها، ابهامها و موقعیتهای حساس را بر عهده میگیرد. همین جابهجایی بهظاهر ساده، معنای مقیاسپذیری را در بانک بهطور اساسی تغییر میدهد. البته این ایده با شعار محقق نمیشود. بانکداری هوشتنیده سه پیشنیاز جدی دارد که معمولاً کمتر از خود فناوری مورد توجه قرار میگیرند.
نخست، زیرساخت داده است. بانکی که دادههایش در سیلوهای جداگانه پراکنده باشد، نمیتواند مدلی بسازد که رفتار مشتری، ریسک، نیازها و الگوی تعامل او را بهدرستی درک کند. هوش مصنوعی بدون داده یکپارچه، بیش از آنکه به تصمیمسازی نزدیک باشد، به حدس و گمان متکی خواهد بود.
دوم، فرهنگ سازمانی است. مدیران و کارشناسان باید بپذیرند که در برخی موقعیتها، مدل میتواند دقیقتر، سریعتر و منسجمتر از تجربه فردی، پیشنهاد تصمیم ارائه دهد. این پذیرش صرفاً یک مسئله فنی نیست؛ بلکه موضوعی مدیریتی و فرهنگی است.
سوم، چهارچوب رگولاتوری است. وقتی تصمیمهای اعتباری، عملیاتی یا کنترلی با اتکا به مدلهای هوش مصنوعی گرفته میشوند، مسئولیتپذیری، شفافیت، قابلیت توضیح و امکان نظارت باید از همان ابتدا در طراحی مدلها لحاظ شود. رگولاتور نیز ناگزیر است بهجای مواجهه موردی با پروژههای هوش مصنوعی، به سمت تعریف سازوکارهای روشن برای ارزیابی و تأیید مدلهای تصمیمساز حرکت کند.
بانکهایی که امروز در پروژههای هوش مصنوعی سرمایهگذاری میکنند، اما معماری سازمانی خود را دستنخورده باقی میگذارند، در واقع در حال خرید ابزار هستند، نه ساختن ظرفیت. تمایز بانکهای پیشرو در دهه آینده، نه در تعداد پروژههای هوش مصنوعی آنها، بلکه در میزان نفوذ هوش مصنوعی در لایههای اصلی تصمیمگیری آنها خواهد بود.
آنچه بانکها به آن نیاز دارند، صرفاً یک استراتژی هوش مصنوعی نیست. مسئله اصلی، بازطراحی بانک با DNA متفاوت است؛ بانکی که از درون، دادهمحور، یادگیرنده و هوشمند طراحی شده باشد.
