استفاده از هوش مصنوعی این امکان را فراهم می‌کند که بانک‌ها هوشمندتر و کارآمدتر قادر به دستیابی به عملکرد مالی قوی‌تر کند. این توانایی، فراتر از آنچه از پیاده‌سازی اتوماسیون انتظار می‌رود تأثیرگذار است. در حالی که هیاهوی پیرامون این موضوع غیرقابل انکار است، بسیاری از مدیران ارشد بانکداری به طور فزاینده‌ای درباره تحقق ارزش با توجه به چالش‌های پیش‌روی هوش مصنوعی سؤال می‌پرسند. آیا هوش مصنوعی انتظارات را برآورده خواهد کرد؟ پس از آزمایش‌های اولیه، بانک‌ها چگونه می‌توانند از مرحله اثبات مفهوم به مرحله اثبات ارزش برسند و با استفاده از هوش مصنوعی، سازمان خود را بازآفرینی و متحول کنند؟ چه زمانی، اگر اصلاً ممکن باشد، بانک‌ها می‌توانند بازده ملموسی از سرمایه‌گذاری‌های خود در هوش مصنوعی مشاهده کنند؟
این سوالات در شرایطی اهمیت بیشتری پیدا کرده‌اند که بخش بانکداری جهانی با چالش‌هایی مانند نتایج نابرابر بهره‌وری نیروی کار علیرغم هزینه‌های بالای فناوری در مقایسه با سایر بخش‌ها مواجه است از جمله کاهش بهره‌وری در بانک‌های آمریکا. هوش مصنوعی این پتانسیل را دارد که این مشکلات را کاهش داده و در سال‌های آینده، بانک‌ها را در موقعیت بهتری قرار دهد به‌ویژه از طریق افزایش بهره‌وری نیروی کار، چرا که کارکنان وظایف روزمره بیشتری را به سیستم‌های هوش مصنوعی پیشرفته و توانمند محول می‌کنند. در بانکداری خرد، بانک‌ها از هوش مصنوعی برای ایجاد پیشنهادهای شخصی‌سازی‌شده استفاده می‌کنند تا به مشتریان در سرمایه‌گذاری و برنامه‌ریزی مالی کمک کنند. در بخش کسب‌وکارهای کوچک، هوش مصنوعی به شناسایی وام‌هایی که ممکن است به مشکل بخورند کمک می‌کند و به بانک این امکان را می‌دهد تا اقدامات لازم برای حمایت از مشتری انجام دهد.
این گزارش طرح جامعی را برای کمک به رهبران خدمات مالی ارائه می‌دهد تا مسیر پیچیده استخراج ارزش در مقیاس بزرگ از هوش مصنوعی در سطح سازمان را ترسیم کنند. سپس، یک ساختار جامع قابلیت‌های هوش مصنوعی برای بانکداری را که توسط عوامل هوش مصنوعی پشتیبانی می‌شود، شرح می‌دهد.
تحقق وعده‌های هوش مصنوعی در بانکداری
با این حال، چند بانک پیشرو در توانایی خود برای استفاده از هوش مصنوعی، از جمله هوش مصنوعی مولد (Gen AI)، در سطح سازمان برجسته هستند و شروع به دستیابی به سودهای قابل‌توجه از کاربرد هوش مصنوعی کرده‌اند. اصول ساخت یک بانک مبتنی بر هوش مصنوعی شامل موارد زیر است:
سیستم‌های چندعاملی
بانک‌هایی که از هوش مصنوعی بهره می‌برند، این فناوری را ابزاری تحول‌آفرین می‌دانند و از آن برای اولویت‌های استراتژیک اصلی مانند افزایش درآمد، تمایز از رقبا و افزایش رضایت مشتریان و کارکنان استفاده می‌کنند. بانک‌های پیشرو هوش مصنوعی را در فرایند برنامه‌ریزی استراتژیک خود جای می‌دهند و از هر واحد کسب‌وکار می‌خواهند عملیات خود را بازنگری کرده و اهداف جسورانه مالی و مشتری‌محور تعیین کنند. در گام بعد، آن‌ها برای گسترش مقیاس‌پذیری پروژه‌های هوش مصنوعی، روی ایجاد پلتفرم‌های مناسب داده و فناوری سرمایه‌گذاری می‌کنند. بانک‌های پیشرو همچنین اطمینان حاصل می‌کنند که پروژه‌های بزرگ هوش مصنوعی توسط کسب‌وکار هدایت شوند، نه صرفاً توسط فناوری. این رویکرد به این معناست که مدیران کسب‌وکار مسئولیت طراحی و پیاده‌سازی نوآوری مبتنی بر هوش مصنوعی را بر عهده می‌گیرند، اطمینان می‌دهند که آنچه ساخته می‌شود کاملاً با نیازهای کسب‌وکار همسو است و به‌صورت مشترک با رهبران فناوری، در قبال نتایج مسئولیت‌پذیر هستند.
ریشه‌دار کردن تحول در ارزش کسب‌وکار
یک بانک معمولی حدود ۲۵ زیردامنه دارد. وقتی مدیران بانک زیردامنه‌های موردنظر برای تحول را انتخاب می‌کنند، هرکدام را به‌صورت جامع و از ابتدا تا انتها بازطراحی می‌کنند و از تمام ظرفیت‌های هوش مصنوعی و فناوری‌های دیجیتال برای دستیابی به نتایج مالی مطلوب استفاده می‌کنند.
این زیردامنه‌ها از بانکی به بانک دیگر متفاوت خواهند بود. بانک‌ها می‌توانند زیردامنه‌هایی مانند «ارزیابی مشتریان» را از نو طراحی کنند و ترکیبی از هوش مصنوعی مولد، تحلیل‌های سنتی و ابزارها و پلتفرم‌های دیجیتال را به‌کار بگیرند. بانک‌ها می‌توانند ارزیابی مشتریان را با استفاده از ترکیبی از هوش مصنوعی نسل جدید، تحلیل‌های سنتی و ابزارها و پلتفرم‌های دیجیتال دوباره طراحی کنند.
برای ادغام بی‌نقص هوش مصنوعی در سراسر سازمان، بانک‌ها می‌توانند یک زیرساخت جامع ایجاد کنند که فراتر از مدل‌های هوش مصنوعی باشد.
لایه تصمیم‌گیری، مغز سیستم
برای ایجاد ارزش پایدار، بانک‌ها باید هوش مصنوعی را در اولویت قرار داده و ساختار فناوری خود را به‌طور کامل بازسازی کنند. مدل‌های پیش‌بینی هوش مصنوعی که بخش اصلی لایه تصمیم‌گیری در بیشتر بانک‌ها هستند، در شرایطی که داده‌ها ساختاریافته و کنترل‌شده هستند، تصمیمات خوبی ارائه می‌دهند. اما این مدل‌ها زمانی که داده‌ها بدون ساختار بوده و وظایف ماهیت غیرخطی داشته و نیاز به برنامه‌ریزی چندمرحله‌ای، استدلال و هماهنگی دارند، با چالش مواجه می‌شوند. این سیستم‌ها از انواع مختلف «عوامل هوش مصنوعی» تشکیل شده‌اند که می‌توان آن‌ها را به‌عنوان همکاران مجازی در نظر گرفت. با پیشرفت‌های فناوری هوش مصنوعی مولد، این عوامل، مانند انسان‌ها، قابلیت برنامه‌ریزی، تفکر و اقدام را خواهند داشت.
سیستم‌های چندعاملی می‌توانند تصمیم‌گیری‌های پیچیده و جریان‌های کاری را از طریق استفاده دوگانه از هوش مصنوعی خودکار کنند. هر یک از این عوامل هوش مصنوعی که توسط مدل‌های زبانی بزرگ (LLMs) قدرت گرفته‌اند، از طریق ترکیبی از داده‌های خاص دامنه و بازخورد انسانی بهینه‌سازی شده‌اند. به‌عنوان مثال، یک عامل سیاست‌گذاری، پس از دریافت سیاست‌های وام بانک و استثناهای مرتبط، می‌تواند مشابه یک مدیر باتجربه بانکی، شرایط مناسب وام برای یک مشتری را پیشنهاد دهد. در همین حال، یک عامل بازرسی وثیقه می‌تواند بر اساس اسناد و تصاویر مربوط به وثیقه‌هایی که مشتریان برای دریافت وام استفاده می‌کنند، مانند عکس‌هایی از فروشگاه‌های کسب‌وکارهای کوچک، آموزش ببیند. سپس یک ابزار بینایی کامپیوتری با عامل بازرسی وثیقه همکاری می‌کند تا اسناد و تصاویر جدید وثیقه را بررسی کرده و موارد تقلب، مانند عکس‌های دست‌کاری‌شده که فروشگاه را بهتر از واقعیت نشان می‌دهند، شناسایی کند. مستندات پیشنهادی شرایط وام و جمع‌آوری اسناد اعتباری برای مذاکره با مشتری، ارزیابی وثیقه و موارد دیگر از جمله وظایفی است که می‌توان با سیستم‌های چندعاملی هماهنگ انجام داد. این عوامل می‌توانند اکثر این وظایف را مدیریت کنند.
سرمایه‌گذاری در زیرساخت‌ها برای ایجاد ارزش با هوش مصنوعی
در صورت اجرای صحیح، سیستم‌های چندعاملی می‌توانند ساختارهای مختلفی را در یک بانک به طور بنیادی بازطراحی کنند. این لایه‌های زیرساخت شامل ماشین و داده برای آموزش سیستم‌های چندعاملی است. این زیربخش در لایه داده و فناوری اصلی، ابزارها و پایپ‌لاین‌های قابل استفاده مجدد را همراه با مجموعه کامل قابلیت‌های عملیات یادگیری ماشین ارائه می‌دهد که برای استقرار و اجرای مدل‌های زبانی بزرگ در مقیاس وسیع با هزینه مقرون‌به‌صرفه ضروری است.
