نقشه‌راه هوش مصنوعی مولد برای مؤسسات مالی

در عرض تنها یک دهه، هوش مصنوعی (AI) از یک موضوع تحقیقاتی به یک فناوری در دسترس و حیاتی تبدیل شده که در مرکز یک انقلاب صنعتی جدید قرار دارد. هوش مصنوعی در حال دگرگون کردن فرآیندها و عملکردهای اساسی در صنایع مختلف است، از توسعه دارو و برنامه‌ریزی خطوط هوایی گرفته تا بهینه‌سازی زنجیره تأمین و تصویربرداری پزشکی. دیگر هوش مصنوعی مفهومی برای آینده نیست؛ بلکه امروز نقش یک تغییر‌دهنده بازی را ایفا می‌کند. شرکت‌هایی که به‌صورت قاطع و استراتژیک در زمینه هوش مصنوعی پیشروی می‌کنند، مزایای پایدار و قابل توجهی در صنعت خود به دست خواهند آورد.

این واقعیت به‌ویژه در بخش مالی مشهودتر است. هوش مصنوعی بر داده متکی است و بانک‌ها و سایر مؤسسات مالی چندمنظوره (FIs) به معادن عظیم، باکیفیت و متمرکز بر مشتری از داده‌ها دسترسی دارند. به‌طور خاص، داده‌های تراکنشی دقیق مشتریان بانک می‌تواند بینش‌های گسترده و دقیقی درباره رفتارها، ترجیحات، نیازها و ریسک‌ها ارائه دهد، به‌گونه‌ای که مجموعه داده‌های سایر صنایع کمتر توان انجام چنین کاری را دارند. برای مثال، در بانکداری خرد، استفاده از هوش مصنوعی برای پیش‌بینی و سفارشی‌سازی پیشنهادات محصولات آینده بر اساس نیازها و رفتارهای مشتری، به‌سرعت در بسیاری از بازارهای بانکی به یک الزام تبدیل شده است.

ظهور هوش مصنوعی مولد(GenAI) ابزارهای گسترده‌تر هوش مصنوعی را غنی‌تر کرده و فرصت‌ها برای مؤسسات مالی به منظور خلق ارزش جدید با استفاده از هوش مصنوعی را تسریع بخشیده است. توانایی مدل‌های GenAI در درک و تولید (مکالمه) به زبان ساده، قابلیت‌های هوش مصنوعی را به‌طور گسترده‌تری در دسترس قرار داده و دسترسی به دارایی‌های هوش مصنوعی را برای کاربران غیر فنی در سراسر سازمان‌ها گسترش داده است.

مدیران مؤسسات مالی باید ورود به این مرحله جدید فناوری را فرصتی بدانند تا هوش مصنوعی و GenAI را به‌عنوان محرک‌های اصلی جهت‌گیری آینده صنعت به رسمیت بشناسند.

در این مقاله، نقشه‌راهی برای این مسیر ترسیم شده است؛ از یکپارچه‌سازی GenAI در چارچوب‌های موجود گرفته تا بازتصور عملیات سنتی از طریق یک تحول کامل مبتنی بر هوش مصنوعی. در چشم‌انداز به‌سرعت در حال تغییر هوش مصنوعی، ایجاد یک استراتژی قوی برای نیروی انسانی به همان اندازه مهم است که توانایی مقابله با چالش‌های مربوط به حاکمیت و مقررات اهمیت دارد و از آنجا که این فناوری روزبه‌روز پیشرفت می‌کند، داشتن یک چشم‌انداز آینده‌نگر برای رهبران مالی، امری حیاتی است.

گنجاندن هوش مصنوعی مولد (GenAI) در نقشه‌راه

عناوین رسانه‌ها معمولاً توجهی اغراق‌آمیز و اغلب نادقیق را به هوش مصنوعی مولد جلب می‌کنند. این هیاهو و سردرگمی باعث شده بسیاری از مدیران اجرایی این سؤال را مطرح کنند که آیا هوش مصنوعی مولد، استراتژی‌ها و ابتکارات فعلی هوش مصنوعی آن‌ها را منسوخ خواهد کرد؟ پاسخ روشن این است: خیر. در واقع، هوش مصنوعی مولد مکمل هوش مصنوعی‌ای است که قبلاً در استراتژی‌های موجود مؤسسات مالی (FI) گنجانده شده است.

بسیاری از افراد در بخش مالی به‌صورت غیررسمی از اصطلاح هوش مصنوعی برای اشاره به زیرمجموعه‌ای از تکنیک‌های هوش مصنوعی استفاده می‌کنند که بر مدل‌های پیش‌بینی تصمیم‌گیری تمرکز دارد. طی دهه گذشته، این نوع از هوش مصنوعی در مؤسسات مالی اهمیت پیدا کرده است، عمدتاً به این دلیل که به چالش‌های مختلف پیش‌بینی و طبقه‌بندی که برای بانکداری و بیمه حیاتی هستند، مانند نظارت بر ریسک، قیمت‌گذاری بهینه و مدل‌سازی گرایش به محصولات، پاسخ می‌دهد. ما این نوع هوش مصنوعی را هوش مصنوعی پیش‌بینی‌کننده می‌نامیم.

هوش مصنوعی مولد(GenAI) و هوش مصنوعی پیش‌بینی‌کننده ابزارهای قدرتمندی هستند، اما اهداف کاملاً متفاوتی را دنبال می‌کنند. بنابراین، استفاده از این دو به‌صورت انتخاب یکی از آنها مطرح نیست. استراتژی هوش مصنوعی یک بانک در آینده نیاز خواهد داشت که هر دو را در بر گیرد و از نقاط قوت هر یک به روش‌های متفاوت بهره ببرد.

یکی از راه‌های درک چگونگی مکمل بودن هوش مصنوعی پیش‌بینی‌کننده و مولد، مقایسه آن‌ها با دو نیم‌کره مغز انسان است. هوش مصنوعی پیش‌بینی‌کننده مشابه نیم‌کره چپ مغز عمل می‌کند که به‌طور خاص برای منطق، اندازه‌گیری و محاسبه طراحی شده است. این نیم‌کره شامل الگوریتم‌هایی است که احتمالات را تخصیص می‌دهند، نتایج را دسته‌بندی می‌کنند و از تصمیم‌گیری پشتیبانی می‌کنند. در مقابل، هوش مصنوعی مولد مانند نیم‌کره راست مغز عمل می‌کند که در خلاقیت، بیان و دیدگاه کلی برتری دارد؛ مهارت‌هایی که برای تولید پاسخ‌هایی با صدای انسانی و طبیعی در یک چت خودکار مورد نیاز است.

به‌جای نادیده گرفتن اصول اساسی استراتژی‌های موجود هوش مصنوعی، هوش مصنوعی مولد (GenAI) مهارت‌های جدیدی را به این مجموعه اضافه می‌کند. ازاین‌رو، رهبران باید فعالانه به این موضوع بپردازند و بررسی کنند که چگونه GenAI می‌تواند استراتژی‌های کنونی هوش مصنوعی را تقویت و گسترش دهد و فرصت‌های جدیدی برای تأثیرگذاری مبتنی بر هوش مصنوعی ایجاد کند.

بسیاری از افراد ممکن است در ابتدا استفاده از GenAI در بانکداری و بیمه را به ربات‌های گفتگوی خدمات مشتریان محدود کنند، اما انعطاف‌پذیری این فناوری بسیار فراتر از این کاربردهاست و وظایفی همچون تحلیل مالی خودکار و توسعه کد با کمک هوش مصنوعی را نیز شامل می‌شود. بسیاری از بانک‌های جهانی در حال بررسی استفاده از مدل‌های GenAI (چه به‌صورت داخلی توسعه‌یافته و چه به‌صورت خدمات ارائه‌شده) هستند و شرکت‌های بزرگی مانند گلدمن ساکس، دویچه بانک، امریکن اکسپرس، و ولز فارگو هم‌اکنون راهکارهای خود را در این زمینه پیاده‌سازی کرده‌اند.

با در نظر گرفتن فرصت‌های جدیدی که GenAI در کنار راهکارهای موجود مبتنی بر هوش مصنوعی پیش‌بینی‌کننده فراهم می‌کند، رهبران باید توجه داشته باشند که کاربردهای اثبات‌شده و بالقوه هوش مصنوعی، تقریباً تمام جنبه‌های جریان‌های کاری در مؤسسات مالی را پوشش می‌دهد، از نقش‌های مشتری‌محور گرفته تا عملیات پشت‌صحنه.

برای بهره‌برداری کامل از این فرصت‌های جدید، مؤسسات مالی باید روش‌های خود را برای شناسایی، اولویت‌بندی و پرورش ابتکاراتی که بیشترین تأثیر مثبت را بر ارزش‌آفرینی، مشتریان، کارکنان و کیفیت دارند را بهبود بخشند. دو اصل برای رهبران وجود دارد: 1- شفافیت در مورد نقاط قوت و ضعف هوش مصنوعی و 2- اتخاذ رویکردی منظم در آزمایش‌های مربوط به هوش مصنوعی.

مرزهای قابلیت‌های هوش مصنوعی

مانند هر ابزار دیگری، مهم است که از هوش مصنوعی در کاربردهای مناسب استفاده شود. برای مثال، در مورد هوش مصنوعی پیش‌بینی‌کننده، یک سیستم امتیازدهی ریسک اعتباری مبتنی بر یادگیری ماشین، در تصمیم‌گیری‌های مربوط به درخواست‌های ساده کارت اعتباری بهتر از بیشتر انسان‌ها عمل می‌کند. اما اگر وظیفه، ارزیابی وام‌هایی باشد که شامل معاملات مالی پیچیده و ساختارمند هستند و هر درخواست ویژگی‌های منحصربه‌فردی دارد، بهتر است تصمیم‌گیری به انسان سپرده شود.

این موضوع در موردGenAI نیز صادق است. مطالعه‌ای اخیر که توسط مؤسسه BCG با همکاری دانشگاهیان برجسته انجام شد، نشان داد که GenAI در وظایفی مانند نوآوری خلاقانه در محصولات، عملکرد بسیار خوبی دارد و تلاش‌های انسانی برای بهبود خروجی‌های مدل در این حوزه‌ها اغلب نتیجه معکوس داشته و به نتایج بدتری منجر شده است. از سوی دیگر، در وظایفی که خارج از توانایی‌های فعلی این فناوری هستند، مانند حل مسائل تجاری، GenAI عملکرد ضعیف‌تری نسبت به انسان‌ها داشته و حتی در بسیاری از موارد باعث کاهش کارایی شرکت‌کنندگان مطالعه شده است که از این فناوری استفاده کرده‌اند.

به عبارت دیگر، GenAI زمانی بهترین عملکرد را دارد که انسان‌ها به‌عنوان تکمیل‌کننده خروجی‌های آن عمل کنند و وظایفی را که خارج از حوزه تخصص هوش مصنوعی هستند، بر عهده بگیرند (مانند مثال هوش مصنوعی پیش‌بینی‌کننده در امتیازدهی اعتباری). اما هنگامی‌که انسان‌ها تلاش می‌کنند به‌عنوان بهبوددهنده خروجی‌های GenAI عمل کنند و آن‌ها را ارتقا دهند، ممکن است ارزش استفاده از هوش مصنوعی به‌طور قابل‌توجهی کاهش یابد.

انضباط آزمایشی

ارزیابی و اجرای موارد استفاده کوچک‌تر در بخش‌های نوآورانه کسب‌وکار می‌تواند بسیار سودمند باشد. ایجاد چنین آزمایشگاه‌های هوش مصنوعی به گسترش علاقه و پذیرش بیشتر راهکارهای هوش مصنوعی در سازمان کمک می‌کند. این آزمایشگاه‌ها بستری برای بهبود تکنیک‌های جدید و توسعه قابلیت‌های فنی فراهم می‌کنند و همچنین روشی عملی برای مواجهه با تصمیم‌گیری‌های کلیدی ارائه می‌دهند؛ مانند اینکه آیا زیرساخت‌های فناوری درون‌سازمانی توسعه یابند، به منابع خارجی سپرده شوند، یا از طریق همکاری و دیگر روش‌های یکپارچه‌سازی پیاده‌سازی شوند.

با این حال، دهه گذشته رشد و آزمایش‌های هوش مصنوعی نشان داده است که آزمایش‌ها می‌توانند به‌راحتی از کنترل خارج شوند. رویکرد گسترده «بقای اصلح» - یعنی اجرای تعداد زیادی موارد استفاده کوچک به امید اینکه چند مورد موفق شوند - اغلب نتایج ناامیدکننده‌ای به همراه داشته است. مؤثرترین استراتژی‌های هوش مصنوعی شامل انجام آزمایش‌های انتخابی در محیط‌های کنترل‌شده شبیه به آزمایشگاه است. این روش به رهبران کمک می‌کند تا با استفاده از بینش‌های به‌دست‌آمده از آزمایش‌ها، تعداد محدودی از فرصت‌های هوش مصنوعی با تأثیر بالا را شناسایی کرده و سازمان را حول این موارد متمرکز کنند.

با پیشرفت سریع راه‌حل‌های هوش مصنوعی مولد (GenAI)، نیاز به آزمایش‌های مستمر برای بهره‌گیری کامل از این فناوری همچنان حیاتی خواهد بود. با این حال، اتخاذ رویکردی منظم و دقیق در آزمایش‌ها نیز ضروری است.

بازنگری در راه‌حل‌های جامع مبتنی بر هوش مصنوعی برای تغییر فرآیندها

تجربیات موفق و ناموفق از پیاده‌سازی‌های اخیر هوش مصنوعی نشان می‌دهد که شرکت‌ها زمانی تأثیر بیشتری مشاهده می‌کنند و ارزش بیشتری کسب می‌کنند که فرآیندها را به‌طور جامع و از ابتدا تا انتها، با رویکرد هوش مصنوعی بازنگری کنند. موارد استفاده محدود که تنها بر بخش کوچکی از یک فرآیند بزرگ‌تر تمرکز دارند، ممکن است برای مدتی کوتاه بدرخشند، اما اغلب عمر کوتاهی دارند و تأثیر و مقیاس تغییرات کمتر از حد انتظار باقی می‌ماند. همچنین، افزودن هوش مصنوعی به فرآیندهای قدیمی که برای نیازها و قابلیت‌های نیروی انسانی طراحی شده‌اند، می‌تواند منجر به اجرای ناهماهنگ و ایجاد اصطکاک برای کارکنان شود.

تحول اساسی، فراتر از تغییرات جزئی

موفقیت‌های بزرگ در هوش مصنوعی همواره از تحولات گسترده‌ای حاصل می‌شوند که شامل بازاندیشی کل فرآیند به‌عنوان بخشی از چشم‌انداز هوش مصنوعی است. رویکرد جامع از ابتدا تا انتها به معنای گنجاندن هوش مصنوعی در هر مرحله نیست، بلکه طراحی مجدد فرآیندها از پایه و اساس با در نظر گرفتن نقش‌های انسان و هوش مصنوعی برای دستیابی به ارزش بهینه است.

عملیات گسترده مؤسسات مالی (FIs) دارای یک هم‌افزایی قدرتمند هستند که منتظر کشف شدن است. با استفاده از هوش مصنوعی پیش‌بینی‌کننده و هوش مصنوعی مولد در کنار تخصص انسانی، این مؤسسات می‌توانند به کارایی و اثربخشی فرآیندهای خود به‌صورت چشمگیری بیفزایند – اثری که بیشتر از مجموع اجزای آن است.

نقش هوش مصنوعی در فرآیندهای کاری مؤسسات مالی

1. وظایف تحلیلی و پیش‌بینی‌کننده: این وظایف منطقی، مانند تعیین بهترین پیشنهاد برای ارائه به مشتری، مناسب هوش مصنوعی پیش‌بینی‌کننده هستند.
2. وظایف خلاقانه و بیانی: این وظایف هنری، مانند تولید محتوا و طراحی تصاویر برای پیشنهاد به مشتری، بهتر است توسط هوش مصنوعی مولد انجام شوند.

این دو مثال ساده می‌توانند هسته یک کمپین بازاریابی محصول شخصی‌سازی‌شده مدرن باشند. هوش مصنوعی پیش‌بینی‌کننده و مولد دست به دست هم داده و بسیاری از وظایف کمپین را از ابتدا تا انتها خودکار می‌کنند؛ از انتخاب مشتری هدف و تعیین پارامترها و متغیرهای مختلف یک پیشنهاد گرفته تا نوشتن پیام اختصاصی و افزودن تصاویر سفارشی تولیدشده. با این حال، حتی با ساده‌سازی بسیاری از بخش‌های فرآیند توسط هوش مصنوعی، انسان‌ها همچنان نقش مکمل را ایفا می‌کنند و فرآیند را نظارت کرده و با استثناهایی که به تخصص انسانی نیاز دارند، برخورد می‌کنند.

الگوهای طلایی

اگرچه کاربردهای متنوعی برای هوش مصنوعی ممکن است، بسیاری از فرصت‌های بزرگ که در جریان‌های کاری از ابتدا تا انتها (end-to-end) قرار دارند – به‌ویژه فرصت‌هایی که هوش مصنوعی پیش‌بینی‌کننده و هوش مصنوعی مولد(GenAI) را به شکلی مکمل ترکیب می‌کنند – از الگوهای اساسی پیروی می‌کنند.

یکی از این الگوها شامل سه مرحله است: (1) پردازش اطلاعات، (2) ارزیابی/تصمیم‌گیری، (3) اقدام خلاقانه. در عمل، این می‌تواند جریان کاری مربوط به پاسخ دادن به درخواست مشتری، پردازش صورتحساب یک تأمین‌کننده، تصمیم‌گیری درباره درخواست کارت اعتباری، نظارت بر حساب‌ها برای شناسایی نشانه‌های پولشویی، یا نوشتن بخشی از یک پیشنهاد سرمایه‌گذاری باشد.

در فرآیندهای سنتی مبتنی بر تخصص انسانی، یک انسان اطلاعات را بررسی، ارزیابی و تصمیم‌گیری می‌کند و سپس اقدام می‌کند. اما هر یک از این مراحل در الگو فرصتی برای همکاری بین هوش مصنوعی پیش‌بینی‌کننده، هوش مصنوعی مولد و انسان است.

بسته به زمینه خاص، مرحله اول (پردازش اطلاعات) ممکن است فرصتی برای استفاده از هوش مصنوعی مولد برای خلاصه‌سازی و فشرده‌سازی حجم بالای اطلاعات به شکل ساده‌تر و قابل فهم‌تر فراهم کند، یا از قدرت هوش مصنوعی پیش‌بینی‌کننده برای کاهش دامنه انتخاب‌ها از طریق استخراج بینش‌های هدفمند از مجموعه داده‌های بزرگ استفاده کند.

در مرحله دوم (ارزیابی/تصمیم‌گیری)، یک مدل هوش مصنوعی پیش‌بینی‌کننده می‌تواند به‌طور قابل اعتمادی تصمیمات خودکار درباره مواردی که در حوزه تخصص آن قرار دارند (که معمولاً بخش عمده‌ای از موارد را شامل می‌شود) بگیرد و موارد استثنایی را برای تصمیم‌گیری انسانی هدایت کند. در اینجا، مدل پیش‌بینی‌کننده به‌عنوان مکانیسم مرکزی هدایت‌کننده فرآیند عمل می‌کند و به‌طور مستقل نیاز به دخالت انسانی را تعیین می‌کند.

در مرحله سوم (اقدام خلاقانه)، که ممکن است شامل نوشتن نامه رد درخواست وام، گزارش فعالیت مشکوک یا پاسخ به سوال مشتری باشد، اغلب می‌توان این کار را به یک مدل هوش مصنوعی مولد سپرد، چه برای خودکارسازی کامل موارد ساده یا غیرحیاتی و چه برای پیش‌پردازش عناصر تکراری زمانی که دقت پایین‌تر هوش مصنوعی مولد، مانعی برای خودکارسازی کامل است.

جریان‌های کاری تکراری و با حجم بالا که در یک یا چند بخش از این الگوی طلایی پیروی می‌کنند، فرصت‌های تحول‌آفرین برای بهبود فرآیندها از ابتدا تا انتها محسوب می‌شوند.

تمرکز بر افراد و فرآیندها، نه فقط بر فناوری

پیشرفت‌های سریع در هوش مصنوعی باعث شده است که توجه بیش از حد به فناوری، پیاده‌سازی IT و داده‌های زیربنایی آن معطوف شود. البته رهبران در این زمینه با چالش‌های مهمی روبه‌رو هستند. هوش مصنوعی نیازمند حجم زیادی از داده است و ممکن است به تکثیر کنترل‌نشده داده‌ها منجر شود؛ بنابراین، وجود یک استراتژی داده روشن ضروری است. اگرچه مدل‌های تولیدی هوش مصنوعی مانند ChatGPT کاربرپسند هستند، اما پیاده‌سازی آن‌ها در مقیاس بزرگ برای IT بسیار چالش‌برانگیز است.

با این حال، بارها مشاهده شده که عوامل نرم‌تر موفقیت، مانند مدل عملیاتی هدف و ساختارهای سازمانی، رویکرد مدیریت استعدادها و مهارت‌های مرتبط با هوش مصنوعی، و مدیریت تغییراتی که هر تحول را همراهی می‌کند، در استراتژی‌های هوش مصنوعی بانک‌ها کم‌رنگ و کم‌بودجه بوده‌اند، درحالی‌که این عوامل حیاتی‌ترین نقش را در موفقیت ایفا می‌کنند.

مدل عملیاتی و ساختار سازمانی

هوش مصنوعی می‌تواند رشد چشمگیری در بهره‌وری ایجاد کند. کارها خودکار یا تقویت می‌شوند و نقش‌ها باید بازطراحی شوند. چهار نوع اصلی تأثیر هوش مصنوعی بر کار را شناسایی شده است که نقش‌های سازمان را تغییر می‌دهد و شامل موارد زیر می‌شود:

• وظایف تکراری مانند خودکارسازی با استفاده از ابزارهای کم‌کد/بدون‌کد؛
• تلفیق دانش مانند بررسی تمام توافق‌نامه‌های وام‌های تجاری؛
• تصمیم‌گیری مبتنی بر داده مانند خودکارسازی مذاکرات با تأمین‌کنندگان؛
• وظایف خلاقانه مانند تقویت فرآیند تولید کد؛

برای تطبیق با این تغییرات، مؤسسات مالی باید شجاعت بازنگری در فرآیندهای مبتنی بر انسان و بازتصور کل بخش‌ها را داشته باشند. این تلاش‌ها شامل ایجاد تیم‌های چندرشته‌ای با قابلیت‌های تعبیه‌شده در داده، تحلیل کسب‌وکار و حقوقی، اجرای ساختاری مسطح‌تر و چابک‌تر برای تصمیم‌گیری سریع‌تر، و کاهش تعداد مدیران برای مدیریت پیچیدگی‌های روزافزون کارهای انسانی خواهد بود.

مدل عملیاتی مبتنی بر پلتفرم

در نهایت، یک مدل عملیاتی مبتنی بر پلتفرم برای پذیرش موفقیت‌آمیز هوش مصنوعی حیاتی است. جهت‌گیری بازار با توانایی بیشتر برای به‌کارگیری سریع افراد، فرآیندها و داده‌ها از نوآوری سریع‌تر در مدل‌های کسب‌وکار پشتیبانی خواهد کرد. تیم‌های چندوظیفه‌ای با مالکیت انتهابه‌انتها بر محصولات، سفرها و خدمات، به باز طراحی فرآیندها کمک خواهند کرد. همچنین توانایی مدل عملیاتی مبتنی بر پلتفرم برای مقیاس‌پذیری از طریق استانداردسازی بدون کاهش سفارشی‌سازی، یکی از مهم‌ترین عوامل موفقیت خواهد بود.

استعداد و مهارت‌ها

در آینده، تقریباً تمام نقش‌های انسانی ارتباطی با هوش مصنوعی خواهند داشت:

• نقش‌هایی که هوش مصنوعی می‌سازند، مانند متخصصان فناوری که مدل‌های هوش مصنوعی را ایجاد و نظارت می‌کنند و از پلتفرم‌های فناوری پشتیبانی می‌کنند و از قابلیت‌های فنی عمیق بهره می‌برند.
• نقش‌هایی که هوش مصنوعی را شکل می‌دهند، مانند کارشناسان عملکردی که عملیات هوش مصنوعی را هدایت می‌کنند تا نتایج تجاری را به دست آورند و مدل‌ها را در فرایندهای تجاری ادغام می‌کنند.
• نقش‌هایی که از هوش مصنوعی استفاده می‌کنند، مانند متخصصانی که با خروجی‌های مدل‌های هوش مصنوعی کار می‌کنند و محتوای حاصل و داده‌ها را برای ارائه ارزش به مشتریان و کارکنان تفسیر می‌کنند.
• نقش‌هایی که هوش مصنوعی را نظارت می‌کنند، مانند متخصصانی که خروجی‌های هوش مصنوعی را پایش می‌کنند تا اطمینان حاصل کنند که نرم‌افزار نتایج مطلوبی دارد و سیستم به‌طور ایمن و اخلاقی از فناوری استفاده می‌کند.

هوش مصنوعی مولد(GenAI) تأثیر زیادی بر برخی از بخش‌ها خواهد داشت، از جمله بازاریابی، خدمات مشتری، حقوق و توسعه نرم‌افزار. این بخش‌ها احتمالاً شاهد خودکارسازی گسترده‌ای خواهند بود که منجر به فرصت‌های قابل توجهی برای کاهش هزینه‌ها، ایجاد تقاضا از طریق خدمات با کیفیت بالاتر و توانایی تمرکز منابع بر روی وظایف با ارزش بالاتر خواهد شد.

مؤسسات مالی باید در پیاده‌سازی تغییرات واقع‌گرایانه عمل کنند. این امر شامل شناسایی نقش‌هایی است که بالاترین ارزش را برای استراتژی خاص GenAI آن‌ها دارند و سپس توسعه یک برنامه مناسب برای جذب استعدادهای با ارزش افزوده است.

برای مدیریت خوب گذار به GenAI در تمام بخش‌ها، مدیران اجرایی باید GenAI را مستقیماً در فرایند برنامه‌ریزی نیروی کار خود ادغام کنند، مهارت‌های مورد نیاز در وضعیت آینده را تعریف کنند، پتانسیل نیروی کار کنونی را ارزیابی کنند، استراتژی‌هایی برای پر کردن شکاف‌های عرضه و تقاضا تدوین کنند و از مدیریت فرهنگ و تغییر جامع برای آگاهی‌بخشی به استراتژی‌های استعداد «ساخت، خرید یا قرض گرفتن» سازمان پشتیبانی کنند.

اولویت دادن به حاکمیت و تعریف قوانین خودتان برای مسیر

دستیابی به تأثیرات تحول‌آفرین از هوش مصنوعی و کسب پذیرش و اعتماد برای راه‌حل‌های هوش مصنوعی در درون سازمان تنها زمانی ممکن می‌شود که چارچوب حکمرانی هوش مصنوعی قوی و مستحکمی درplace باشد. بدون حکمرانی صحیح، هم هوش مصنوعی پیش‌بینی‌کننده و هم هوش مصنوعی مولد (GenAI) می‌توانند به راحتی با خطرات قانونی، نظارتی و شهرت روبه‌رو شوند. به عنوان مثال، خطر تعصب علیه برخی مشتریان ممکن است با مدل‌های زبانی بزرگ (LLMs) که روی مجموعه داده‌های عمومی با تعصب موجود در اینترنت آموزش می‌بینند، افزایش یابد. مدیران شرکت‌ها در حال مقابله با این مشکل هستند. همانطور که یک نظرسنجی اخیر از 2000 مدیر اجرایی جهانی نشان داد، 70 درصد از پاسخ‌دهندگان گفتند که نگرانی‌ها در مورد قابلیت پیگیری محدود منابع LLMها مانع استفاده از GenAI توسط آن‌ها می‌شود و 68 درصد اعلام کردند که ترس از طبیعت جعبه سیاه این فناوری و افزایش خطر نقض داده‌ها، مانع پیاده‌سازی GenAI توسط آن‌ها شده است.

ناظران جهانی مشغول نهایی کردن قوانین خاص هوش مصنوعی، اصلاح آن‌ها با مفاد مربوط به GenAI و به‌روزرسانی قوانین حریم خصوصی داده‌ها، مسئولیت و حقوق مالکیت برای این فناوری جدید هستند.

اما فناوری و تأثیرات آن سریعتر از همیشه در حال تکامل است، بنابراین عدم اطمینان نظارتی در موردGenAI احتمالاً برای مدتی ادامه خواهد داشت. با این حال، سه چارچوب برای موسسات مالی به‌ویژه قابل توجه است. موسسات مالی باید انتظار داشته باشند که در تمام این سه چارچوب خاص تحت نظارت ویژه‌ای قرار بگیرند، زیرا محصولات آن‌ها برای شهروندان حیاتی و به‌ویژه حساس در نظر گرفته می‌شوند.

اولین و دومین چارچوب شامل راهنمای حکمرانی و اخلاق هوش مصنوعی آسیای جنوب‌شرقی (ASEAN) و به‌ویژه قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) است. قانون هوش مصنوعی اتحادیه اروپا، اولین قانون افقی هوش مصنوعی در جهان است که بر اساس ریسک محافظت از مصرف‌کننده طراحی شده است. این قانون، برنامه‌های هوش مصنوعی پیش‌بینی‌کننده و GenAI را در چهار دسته ریسک طبقه‌بندی می‌کند. برنامه‌هایی که در دسته «ریسک غیرقابل قبول» قرار دارند از بازار اروپا منع خواهند شد، در حالی که برنامه‌هایی که در دسته «ریسک بالا» قرار دارند تحت موانع و الزامات پیش و پس از استقرار قرار خواهند گرفت. ارزیابی‌های رایج اعتباری هوش مصنوعی پیش‌بینی‌کننده احتمالاً جزو برنامه‌های ریسک بالا خواهند بود، مانند ربات‌های چت پشتیبانی مشتری مبتنی بر GenAI. قانون هوش مصنوعی اتحادیه اروپا هنوز در مراحل نهایی مذاکره است و انتظار می‌رود تا پایان سال 2023 یا اوایل 2024 به شکل نهایی برسد و پس از یک دوره مهلت، برای تمام محصولات در بازار اروپا اعمال شود. عدم تطابق با الزامات آن ممکن است منجر به جریمه‌ای تا 7 درصد از درآمد سالانه جهانی شود.

سومین چارچوب رویکرد تنظیم‌کنندگان ایالات متحده است که در حال حاضر هدفش تطبیق مقررات موجود به جای ایجاد قوانین جدید است و رویکردی بیشتر مبتنی بر امنیت ملی برای ریسک‌های GenAI دارد. دستور اجرایی رئیس‌جمهور جو بایدن در 30 اکتبر 2023، یک مجموعه از بررسی‌ها و موازنه‌ها را راه‌اندازی می‌کند، همراه با اقداماتی برای ترویج استفاده امن و مسئولانه از این فناوری توسط شرکت‌ها و دولت خود ایالات متحده. این اولین گام به سوی قانون‌گذاری است، اما زمان و نحوه تنظیم هوش مصنوعی در ایالات متحده هنوز موضوع بحث در کنگره و دولت است.

با وجود رعایت تدابیر مناسب برای هدایت توسعه‌دهندگان و کاربران هوش مصنوعی، شرکت‌ها باید قادر باشند این فناوری‌های در حال تغییر سریع را با کنترل‌های روشن بر ریسک‌ها و با رعایت کامل مقررات به سرعت پیاده‌سازی و گسترش دهند. این تدابیر باید بر روی چارچوبی متمرکز شوند که تطابق توسعه و عملکرد هوش مصنوعی را با هدف و ارزش‌های بانک تضمین کند، در حالی که هنوز تأثیر تجاری تحولی را به ارمغان می‌آورد. این رویکرد را هوش مصنوعی مسئولانه می‌نامیم.

چارچوب جامع و چابک هوش مصنوعی مسئولانه باید شامل پنج مؤلفه کلیدی باشد:

1. استراتژی: یک استراتژی جامع هوش مصنوعی که به ارزش‌های شرکت و همچنین استراتژی ریسک و اصول اخلاقی آن مرتبط باشد.
2. حکمرانی: نظارت از سوی یک تیم رهبری هوش مصنوعی مسئولانه با مسیرهای شناسایی و کاهش ریسک مشخص.
3. فرآیندها: فرآیندهای دقیق برای نظارت و بازبینی محصولات به منظور اطمینان از تطابق آن‌ها با معیارهای هوش مصنوعی مسئولانه.
4. فناوری: زیرساخت داده‌ها و فناوری برای کاهش ریسک‌های هوش مصنوعی، از جمله ابزارهایی برای پشتیبانی از هوش مصنوعی مسئولانه از ابتدا و نظارت و مدیریت مناسب چرخه زندگی.
5. فرهنگ: درک قوی در میان تمام کارکنان، از جمله توسعه‌دهندگان و کاربران هوش مصنوعی، از نقش‌ها و وظایف خود در حفظ هوش مصنوعی مسئولانه و پایبندی دقیق به آن‌ها.

یک مطالعه اخیرBCG به همکاری باMIT Sloan Management Review نشان داد که سازمان‌هایی که موفق به ادغام شیوه‌های هوش مصنوعی مسئولانه در چرخه کامل زندگی محصولات هوش مصنوعی می‌شوند، مزایای معنادار بیشتری به دست می‌آورند. در واقع، احتمال بهره‌برداری کامل از مزایای هوش مصنوعی پیش‌بینی‌کننده تقریباً سه برابر می‌شود، از 14 درصد به 41 درصد، زمانی که شرکت‌ها رهبران هوش مصنوعی مسئولانه شوند.

افزایش استفاده از هوش مصنوعی در محل کار بدون شک سؤالات پیچیده و فوری مرتبط با همکاری انسان و هوش مصنوعی را مطرح خواهد کرد و احتمالاً مواضع قوی از سوی اتحادیه‌های کارگری در مورد تغییرات فرآیند و پیاده‌سازی فناوری خواهد داشت. سؤالاتی که قوانین جدید هوش مصنوعی به آن‌ها پاسخ نمی‌دهند. اما مدیرانی که از هم‌اکنون با توسعه یک چارچوب هوش مصنوعی مسئولانه جامع برای این موقعیت آماده می‌شوند، مزیت حیاتی خواهند داشت و تحولات هوش مصنوعی خود را برای موفقیت فراهم خواهند کرد.

هدف، آینده است

مانند هر فناوری جدید پایه‌ای، GenAI مسائل زیادی را مطرح می‌کند، چه در زمینه تحقق فرصت‌ها برای بهره‌وری و اثربخشی بیشتر و چه در مورد نحوه استقرار این فناوری، چگونگی برخورد با پیچیدگی‌های استراتژی منابع انسانی جدید و نحوه نگه داشتن این فناوری در چارچوب‌های ایمن مقررات و حکمرانی خوب.

وسوسه‌ انتظار و مشاهده ممکن است قوی باشد، اما خطرات زیادی در کار است که نمی‌توان فقط به بازی کوتاه‌مدت پرداخت. مدیران باید بررسی و پذیرش هوش مصنوعی، از جمله GenAI، را به یک اولویت تحول‌آفرین برای سازمان‌های خود تبدیل کنند و از دیدگاه میان‌مدت و بلندمدت در استراتژی‌های هوش مصنوعی، برنامه‌ریزی منابع انسانی و رویکرد خود برای ایجاد یک چارچوب حکمرانی قوی حول این فناوری استفاده کنند. بازیگران اقتصادی که امروز به‌طور فعال برای انقلاب قریب‌الوقوع هوش مصنوعی در روش‌های کاری خود برنامه‌ریزی می‌کنند، در آینده از مزیت تعیین‌کننده‌ای برخوردار خواهند بود.Top of Form