اعتماد، ارز مشترک همه دورانهای بانکداری است. از زمانی که نخستین بانکها در قرن هجدهم در ونیز و لندن شکل گرفتند، مردم پول و دارایی خود را نه صرفاً به دلیل نرخ سود یا امنیت خزانه، بلکه به اعتبار و درستکاری نهاد مالی میسپردند.
امروز نیز، در دورانی که هوش مصنوعی به ستون فقرات بانکداری مدرن تبدیل شده، این اصل تغییری نکرده است. تنها شکل آن عوض شده؛ اعتماد دیگر در رفتار کارمندان یا معماری باشکوه ساختمانها خلاصه نمیشود، بلکه درون خطوط کدی نهفته است که تصمیم میگیرد چه کسی وام بگیرد، چه کسی از ریسک اعتباری برخوردار است، و چه کسی باید تحت نظارت دقیقتری قرار گیرد.
در چند سال اخیر، هوش مصنوعی بهسرعت از ابزار کمکی به هستهی تصمیمگیری بانکها تبدیل شده است. امروز، سیستمهای هوشمند در تحلیل ریسک اعتباری، شناسایی تقلبهای مالی، شخصیسازی خدمات و حتی در اتوماسیون فرایندهای داخلی نقش حیاتی دارند.
این سیستمها با بررسی میلیونها داده مالی و رفتاری، الگوهایی را کشف میکنند که هیچ کارشناس انسانی قادر به دیدن آنها نیست. اما درست در همین نقطه، چالش اصلی آغاز میشود: دادهها متعلق به انساناند و تصمیمها بر زندگی واقعی آنها اثر میگذارد. هر الگوریتم اشتباه، میتواند سرنوشت مالی یک فرد را تغییر دهد.
مسئله اصلی، اخلاق و شفافیت در تصمیمات خودکار است. سیستمهای هوش مصنوعی به اندازهی دادههایی که با آنها تغذیه میشوند، عادلانه و بیطرفاند.
اگر دادههای تاریخی یک بانک متأثر از تبعیضهای گذشته باشد، الگوریتم نیز همان الگوها را بازتولید میکند. در آمریکا، یکی از نمونههای مشهور زمانی رخ داد که یک الگوریتم اعتباری، بهطور ناخواسته امتیاز وام زنان را پایینتر از مردان محاسبه میکرد، صرفاً به دلیل دادههای سوگیرانهی گذشته. این حادثه باعث شد نهادهای ناظر خواستار ارزیابی اخلاقی مدلهای یادگیری ماشین شوند.
وقتی یک سیستم تصمیم میگیرد که درخواست وام مشتری رد شود، فرد حق دارد بداند چرا. اما بسیاری از مدلهای هوش مصنوعی مانند جعبهسیاه عمل میکنند؛ حتی طراحانشان هم دقیق نمیدانند تصمیم بر چه اساسی گرفته شده است.
برای حل این مسئله، مفهوم هوش مصنوعی قابل توضیح (Explainable AI – XAI) شکل گرفت. این فناوری تلاش میکند خروجیهای پیچیدهی الگوریتمی را به زبان انسانی و قابل فهم تبدیل کند.
بانکهایی مانند HSBC و ING از نخستین مؤسساتی بودند که داشبوردهای توضیح تصمیم الگوریتمی را برای مشتریان خود راهاندازی کردند تا فرآیند رد یا پذیرش وام، شفاف و مستند باشد.
با گسترش هوش مصنوعی، حفظ حریم خصوصی دادهها به موضوعی حساس تبدیل شده است. بانکها امروزه حجم عظیمی از دادههای مالی، رفتاری و حتی مکانی مشتریان را در اختیار دارند.
ترکیب این دادهها میتواند دقت پیشبینیها را افزایش دهد، اما مرز باریکی میان شخصیسازی مفید و نظارت بیش از حد وجود دارد. کاربران حق دارند بدانند چه دادههایی از آنها جمعآوری میشود و چگونه مورد استفاده قرار میگیرد.
اتحادیه اروپا با اجرای قانون GDPR این حق را به رسمیت شناخت و بانکها را ملزم کرد برای هر نوع پردازش داده، رضایت صریح کاربران را جلب کنند.
اگر تصمیم یک الگوریتم منجر به زیان مالی برای مشتری شود، مسئولیت با کیست؟
بانک؟ شرکت توسعهدهنده؟ یا هیچکس؟
نبود چارچوبهای حقوقی مشخص در بسیاری از کشورها باعث شده بانکها خود به تدوین سیاستهای داخلی در زمینه پاسخگویی و کنترل مدلهای هوش مصنوعی بپردازند.
در بانک مرکزی اروپا، تمامی سامانههای هوش مصنوعی بانکی باید پیش از اجرا، از نظر عدالت، شفافیت و اثر اجتماعی مورد ارزیابی قرار گیرند — اقدامی که به تدریج در حال تبدیل شدن به استاندارد بینالمللی است.
اعتماد، همانند سرمایه مالی، قابل اندازهگیری نیست اما میتوان آن را ساخت یا از دست داد.
در بانکداری سنتی، اعتماد از تعامل انسانی میآمد؛ کارمند بانک با لبخند و احترام به مشتری، حس امنیت میداد.
اما در بانکداری هوشمند، اعتماد باید از طریق طراحی عادلانه الگوریتمها و شفافیت در تصمیمات شکل گیرد.
طبق پژوهش Deloitte در سال ۲۰۲۴، ۶۷ درصد مشتریان بانکهای دیجیتال تمایل بیشتری به استفاده از خدمات مؤسساتی دارند که سیاستهای اخلاقی و شفافیت هوش مصنوعی خود را بهطور عمومی منتشر میکنند.
بانکها باید هوش مصنوعی را نه فقط یک فناوری، بلکه یک مسئولیت اجتماعی ببینند. طراحی سیستم هوشمند بانکی، فرایندی صرفاً فنی نیست؛ از جمعآوری داده تا آموزش مدل و ارائه نتایج، هر گام تصمیمی اخلاقی است.
بسیاری از بانکهای پیشرو، از جمله Standard Chartered و DBS، کمیتههای «اخلاق داده» ایجاد کردهاند تا قبل از استقرار هر الگوریتم جدید، اثرات احتمالی آن بر عدالت، تبعیض و حریم خصوصی را بررسی کنند.
یکی از تحولات تعیینکننده در این مسیر، گسترش فناوری XAI است. این رویکرد تلاش میکند تصمیمات الگوریتمی — که معمولاً مبهم و پیچیدهاند — به شکل قابل فهم برای کاربران، ناظران و حتی مدیران بانک نمایش داده شود.
برای مثال، اگر سیستم اعتباری تصمیم بگیرد یک درخواست وام رد شود، XAI میتواند توضیح دهد که دلیل رد، نسبت بالای بدهی به درآمد یا سابقهی بازپرداخت نامنظم بوده است. چنین شفافیتی، نهتنها اعتماد مشتری را افزایش میدهد، بلکه ابزار مهمی برای نظارت هوشمندانهی رگولاتورها فراهم میآورد.
در سطح سیاستگذاری، اتحادیه اروپا با تصویب قانون EU AI Act گامی مهم برداشته است. طبق این قانون، سیستمهای بانکی مبتنی بر هوش مصنوعی در گروه «ریسک بالا» قرار میگیرند و باید استانداردهای سختگیرانهی شفافیت و پاسخگویی را رعایت کنند.
این قانون بانکها را ملزم میکند تا منبع دادهها، منطق تصمیمات الگوریتمی و معیارهای ارزیابی خود را مستند و قابل بررسی نگه دارند. در واقع، اروپا بهسوی بانکی پیش میرود که نهتنها پیشرفته، بلکه اخلاقمدار نیز هست.
در ایران نیز با رشد فینتکها و توسعهی بانکداری دیجیتال، توجه به اخلاق داده و شفافیت اهمیت فزایندهای یافته است.
همکاری میان بانک مرکزی، شرکتهای دانشبنیان و پژوهشگاههای فناوری اطلاعات میتواند به تدوین چارچوب اخلاق هوش مصنوعی بانکی بومی منجر شود؛ مدلی که ضمن حفظ ارزشهای فرهنگی و اجتماعی کشور، با استانداردهای جهانی نیز همراستا باشد.
آیندهی بانکداری نه در شعبههای فیزیکی، بلکه در اعتماد به سیستمهایی رقم میخورد که دیگر چهره انسانی ندارند.
بانکهای موفق آینده، نه آنهایی خواهند بود که الگوریتمهای پیچیدهتری دارند، بلکه آنهایی هستند که این الگوریتمها را شفاف، مسئول و اخلاقی طراحی میکنند.
در جهانی که تصمیمات مالی توسط ماشینها گرفته میشود، انسانگرایی و اخلاق نه یک گزینه، بلکه ضرورت بقاست. هوش مصنوعی میتواند بانکداری را سریعتر، دقیقتر و کارآمدتر کند، اما تنها در صورتی که با اصول انسانی همراه شود. اعتماد همچنان کمیابترین و گرانبهاترین دارایی بانکهاست؛ داراییای که هیچ فناوری نمیتواند بخرد، اما میتواند آن را بسازد.
