https://virgool.io/feed/@mohammad.peiravi fa 2026-04-15 02:55:13 https://files.virgool.io/upload/users/751876/avatar/GJHADT.jpg?height=120&width=120 https://virgool.io/@mohammad.peiravi https://virgool.io/@mohammad.peiravi/%D9%82%D8%B7%D8%B9-%D8%A7%DB%8C%D9%86%D8%AA%D8%B1%D9%86%D8%AA-%D8%B3%D8%A7%D8%AF%D9%87-%D8%AA%D8%B1%DB%8C%D9%86-%D9%81%D8%A7%DB%8C%D8%B1%D9%88%D8%A7%D9%84-%D8%AA%D8%A7%D8%B1%DB%8C%D8%AE-qtbp0bugu77e قطع شدن اینترنت، برخلاف تصور اکثریت مردم، نه‌تنها فاجعه نیست، بلکه می‌تواند یک اقدام پیشگیرانه‌ی هوشمندانه تلقی شود. چیزی مثل بستن درِ خانه برای جلوگیری از دزدی، آن هم وقتی کلیدش را قبلاً به همه داده‌ایم. تجربه سال‌های اخیر نشان داده تبعات هر اتفاق سیاسی یا نظامی در کشور، هک و نفوذ به سامانه‌های مختلف است. این موضوع را هم در جنگ 12 روزه شاهد بودیم و هم در حوادث قبلی، مخصوصاً اگر «سامانه‌ای» باشد که اسمش با «ملی»، «هوشمند» یا «یکپارچه» شروع می‌شود و یا به یکی از سازمان‌ها و ارگان‌های خاص و خدمت‌رسان مثل بانک منتسب باشد.از آن طرف، ما با یک واقعیت غیرقابل‌انکار روبه‌رو هستیم: نیروی متخصص امنیت سایبری کم است. نه به این دلیل که نداریم، بلکه چون یا مهاجرت کرده، یا در حال پر کردن فرم مهاجرت است، یا کلاً به این نتیجه رسیده که امنیت واقعی یعنی خاموش کردن لپ‌تاپ و رفتن به دنبال کاری که منافع مالیش را تأمین کند. در چنین شرایطی، انتظار اینکه در بحران، این تعداد محدود متخصص بتوانند هم حمله دفع کنند، هم سامانه بالا نگه دارند، هم پاسخگو باشند و هم شب بخوابند، کمی خوش‌بینانه یا بهتر بگوییم خیال‌پردازانه است.پس راه‌حل چیست؟ ساده، کم‌هزینه و بومی: قطع اینترنت. طبق یک اصل نانوشته در امنیت سایبری: شبکه امن، شبکه قطع است. وقتی اینترنت نیست، حمله هم نیست. وقتی حمله نیست، هکی هم نیست. وقتی هک نیست، گزارش امنیتی هم لازم نیست. وقتی گزارش لازم نیست، کسی هم سوال نمی‌پرسد و وقتی کسی سوال نمی‌پرسد، یعنی همه‌چیز امن است. این همان «امنیت از نوع نبودن مسئله» است؛ رویکردی که سال‌ها در سایر حوزه‌ها هم جواب داده است.در نهایت، باید پذیرفت که وقتی زیرساخت، نیروی انسانی و مدیریت بحران همزمان ضعیف‌اند، بهترین استراتژی دفاعی این است که زمین بازی را جمع کنیم. نه توپ، نه داور، نه بازی، نه گل خورده. صفر-صفر، مساویِ کاملاً امن. قطع شدن ۱۲روزه اینترنت شاید برای مردم سخت باشد، اما برای امنیت سایبری کشور، یک مرخصی اجباریِ بسیار مفید است. Mohammad Peiravi Mohammad Peiravi Sat, 24 Jan 2026 09:46:38 +0330 https://virgool.io/@mohammad.peiravi/%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D8%AF%D8%B1-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA-%D8%A7%D8%B6%D8%B7%D8%B1%D8%A7%D8%B1-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D9%BE%DB%8C%D8%A7%D9%85%D8%AF%D9%87%D8%A7%DB%8C-%D9%82%D8%B7%D8%B9%DB%8C-%D8%B7%D9%88%D9%84%D8%A7%D9%86%DB%8C-%D9%85%D8%AF%D8%AA-%D8%A7%DB%8C%D9%86%D8%AA%D8%B1%D9%86%D8%AA-jnhuypj3ikeh قطعی یا اختلال طولانی‌مدت اینترنت در ایران را باید نه به‌عنوان یک مسئله فنی یا مقطعی، بلکه به‌مثابه یک شوک ساختاری به اقتصاد دیجیتال و به‌طور کلی اقتصاد کشور نگاه کرد. در اقتصاد امروز، اینترنت دیگر یک ابزار جانبی یا مزیت رقابتی نیست، بلکه زیرساختی حیاتی است که بخش قابل توجهی از تولید، اشتغال، آموزش، نوآوری و تعاملات اقتصادی بر بستر آن شکل می‌گیرد. بنابراین هرگونه قطع یا بی‌ثباتی در این زیرساخت، پیامدهایی فراتر از اختلال در چند کسب‌وکار آنلاین به همراه دارد و آثار آن به‌صورت زنجیره‌ای در کل نظام اقتصادی و اجتماعی خودش را نشان می‌دهد.قطعی اینترنت در جنگ ۱۲ روزه و حوادث اخیر دی‌ماه ۱۴۰۴، اگرچه از نظر شدت و گستره شباهت‌هایی دارند، اما از نظر زمینه، منطق اعمال و پیامدها متفاوت‌اند. در جنگ ۱۲ روزه، قطع تقریبا کامل اینترنت در واکنش به یک تهدید خارجی و با اهداف امنیتی و دفاعی انجام شد، هرچند به اختلال گسترده در زندگی دیجیتال و فعالیت‌های اقتصادی انجامید. در مقابل، قطعی اینترنت در حوادث اخیر در بستر بحران داخلی و برای کنترل جریان اطلاعات و ارتباطات اجتماعی اعمال شده و نه‌تنها ارتباط با جهان خارج، بلکه ارتباطات داخلی را نیز مختل کرده است. تجربه اخیر به‌دلیل طولانی‌تر بودن، الگوی نامشخص و اختلال هم‌زمان در خدمات بانکی، آموزشی و کسب‌وکارهای دیجیتال، پیچیده‌تر و پرهزینه‌تر بوده است. در مجموع، تفاوت در نوع بحران و هدف‌گذاری سیاستی باعث شده آثار اقتصادی و اجتماعی قطعی اینترنت در حوادث اخیر عمیق‌تر و پایدارتر از تجربه جنگ ۱۲ روزه باشد.در گام نخست، اقتصاد دیجیتال به‌طور مستقیم و فوری آسیب می‌بیند. پلتفرم‌های خدماتی، فروشگاه‌های آنلاین، شرکت‌های فین‌تک، استارت‌آپ‌های حوزه آموزش، سلامت و حمل‌ونقل و حتی کسب‌وکارهای سنتی که به فروش آنلاین، بازاریابی دیجیتال یا پرداخت الکترونیکی وابسته‌اند، با افت شدید یا توقف کامل فعالیت مواجه می‌شوند. ویژگی مهم این وضعیت آن است که هزینه‌های ثابت این کسب‌وکارها، از حقوق نیروی انسانی گرفته تا اجاره، زیرساخت و تعهدات مالی، همچنان پابرجاست، در حالی که جریان درآمدی آنها قطع یا به‌شدت محدود می‌شود. این نداشتن توازن، تاب‌آوری بنگاه‌ها را کاهش داده و بسیاری از آنها را در معرض ورشکستگی یا کوچک‌سازی اجباری قرار می‌دهد. نمونه انرا در جنگ تحمیلی ۱۲ روزه شاهد بودیم.در سطح بعدی، اثرات این اختلال به بازار کار و معیشت خانوارها منتقل می‌شود. اقتصاد دیجیتال ایران طی سال‌های اخیر، به‌ویژه برای جوانان، زنان و نیروهای متخصص، فرصت‌های شغلی گسترده‌ای ایجاد کرده است؛ از رانندگان و فروشندگان پلتفرمی گرفته تا فریلنسرها، تولیدکنندگان محتوا و متخصصان فناوری. قطعی اینترنت به معنای قطع درآمد بخش بزرگی از این گروه‌هاست؛ درآمدی که غالباً روزانه و مبتنی بر فعالیت آنلاین است. در نتیجه، فشار معیشتی به‌سرعت افزایش می‌یابد و نااطمینانی شغلی، امنیت اقتصادی خانوارها را تضعیف می‌کند. این پیامد اجتماعی، یکی از جدی‌ترین و در عین حال کم‌دیده‌شده‌ترین آثار قطعی اینترنت است.بخش آموزش نیز به‌عنوان یکی از ارکان سرمایه انسانی، به‌شدت از این وضعیت متأثر می‌شود. آموزش آنلاین، دسترسی به منابع علمی، ارتباطات دانشگاهی بین‌المللی، دوره‌های مهارتی و حتی بسیاری از فعالیت‌های پژوهشی، وابسته به اینترنت است. اختلال طولانی‌مدت در این حوزه، نه‌تنها فرآیند یادگیری را متوقف یا تضعیف می‌کند، بلکه شکاف آموزشی را عمیق‌تر می‌سازد و کیفیت نیروی انسانی آینده را تحت تأثیر قرار می‌دهد. از منظر اقتصاد دیجیتال، این مسئله به معنای کاهش توان رقابتی کشور در میان‌مدت و بلندمدت است، زیرا توسعه فناوری و نوآوری بدون سرمایه انسانی توانمند ممکن نیست.در کنار این موارد، یکی از پیامدهای راهبردی قطعی اینترنت، تشدید فرار سرمایه است؛ سرمایه‌ای که صرفاً به منابع مالی محدود نمی‌شود، بلکه شامل سرمایه انسانی و نوآورانه نیز هست. سرمایه‌گذاران، چه داخلی و چه خارجی، بیش از هر چیز به ثبات و پیش‌بینی‌پذیری محیط کسب‌وکار توجه دارند. بی‌ثباتی در زیرساخت ارتباطی، ریسک سیستماتیک اقتصاد دیجیتال را افزایش می‌دهد و انگیزه سرمایه‌گذاری را کاهش می‌دهد. هم‌زمان، نیروهای متخصص حوزه فناوری که ارتباط کاری و درآمدی آنها با بازارهای جهانی گره خورده است، در چنین شرایطی یا به مهاجرت فیزیکی می‌اندیشند یا به‌دنبال خروج تدریجی از اکوسیستم داخلی می‌روند. این روند، توان نوآوری کشور را به‌طور خاموش اما مستمر تضعیف می‌کند.در سطح اکوسیستم نوآوری، قطعی اینترنت به معنای توقف ایده‌پردازی، آزمایش و رشد است. استارتاپ‌ها و شرکت‌های نوپا که ذاتاً بر سرعت، آزمون و خطا و اتصال به بازارهای گسترده متکی هستند، در فضای بی‌ثبات نمی‌توانند برنامه‌ریزی بلندمدت داشته باشند. نتیجه آن است که اکوسیستم نوآوری از یک فضای رشد و خلق ارزش، به فضایی برای بقا و کاهش ریسک تبدیل می‌شود. در چنین شرایطی، عقب‌ماندن از روندهای جهانی فناوری، از هوش مصنوعی گرفته تا خدمات ابری و اقتصاد پلتفرمی، اجتناب‌ناپذیر خواهد بود. نمونه این بخش در دسترسی به منابع مثل گیت‌هاب است که برای برنامه‌نویسان محدودیت ایجاد کرده است.در نهایت، قطعی طولانی‌مدت اینترنت به فرسایش اعتماد عمومی منجر می‌شود؛ اعتمادی که سنگ‌بنای حکمرانی دیجیتال و اقتصاد داده‌محور است. کاربران، کسب‌وکارها و فعالان اقتصادی، حتی اگر منشأ اختلال را خارج از کنترل خود بدانند، در نهایت با کاهش اعتماد، رفتارهای محافظه‌کارانه‌تری اتخاذ می‌کنند. این کاهش اعتماد، فاصله میان سیاست‌گذار و بخش خصوصی دیجیتال را افزایش می‌دهد و اجرای هرگونه برنامه تحول دیجیتال را با چالش مواجه می‌سازد.جمع‌بندی آنکه، از دید اقتصاد دیجیتال، قطعی اینترنت نه یک مسئله مقطعی، بلکه یک خسارت سیستماتیک است که هم‌زمان تولید، اشتغال، آموزش، نوآوری و اعتماد را تضعیف می‌کند. در دنیای امروز، اینترنت هم‌سنگ زیرساخت‌هایی چون برق و حمل‌ونقل است و هرگونه اختلال طولانی‌مدت در آن، هزینه‌ای به مراتب فراتر از آنچه در کوتاه‌مدت دیده می‌شود، بر اقتصاد و آینده توسعه کشور تحمیل می‌کند. https://peivast.com/p/252916 کشور تحمیل می‌کند. Mohammad Peiravi Mohammad Peiravi Wed, 21 Jan 2026 20:52:23 +0330 https://virgool.io/@mohammad.peiravi/%D9%87%D8%B3%D8%AA%D9%87-%D8%A8%D8%A7%D9%86%DA%A9%DB%8C-%D8%A7%D8%B2-%D8%AA%D8%A7%D8%A8-%D8%A2%D9%88%D8%B1%DB%8C-%D8%AF%D8%B1-%D8%A8%D8%AD%D8%B1%D8%A7%D9%86-%D8%AA%D8%A7-%D8%AA%D9%88%D8%B3%D8%B9%D9%87-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-azhebdghzfkn صنعت بانکداری در چند سال اخیر با هم‌زمانی چند روند بنیادین مواجه شده است؛ از یک‌سو شتاب تحولات فناورانه و دیجیتالی‌شدن سبک زندگی و کسب‌وکارها، از سوی دیگر افزایش انتظارات مشتریان برای دریافت خدمات ۲۴×۷، بی‌وقفه و شخصی‌سازی‌شده، و در کنار آن پیچیده‌تر شدن الزامات نظارتی و بروز بحران‌های عملیاتی، اقتصادی و نظایر آن را در صنعت بانکی شاهد هستیم. در چنین فضایی، آنچه بیش از پیش مورد توجه قرار گرفته، صرفاً محصولات بانکی یا کانال‌های دیجیتال نیست، بلکه معماری زیرساختی بانک‌ها و به‌طور خاص معماری سامانه‌های هسته بانکی است. هسته بانکی یا Core Banking به‌عنوان ستون فقرات عملیات بانک، تعیین می‌کند که یک بانک تا چه اندازه می‌تواند چابک، تاب‌آور، نوآور و قابل‌اعتماد باقی بماند.مدل سنتی بانکداری که طی دهه‌ها بر پایه یک هسته یکپارچه، متمرکز و اغلب قدیمی شکل گرفته، در زمانی طراحی شده بود که تنوع خدمات محدود، تغییرات کند و انتظارات مشتریان قابل‌پیش‌بینی‌تر بود. اما در دنیای امروز، همین هسته یکپارچه به نقطه‌ای تبدیل شده که هم‌زمان منبع ثبات و منشأ ریسک است. در این مدل، تقریباً تمام سرویس‌های اصلی و پایه بانک شامل مدیریت حساب‌ها، ثبت تراکنش‌ها، محاسبه مانده‌ها، تسهیلات، کارت، پرداخت و گزارش‌گیری در یک سامانه واحد و درهم‌تنیده پیاده‌سازی شده‌اند. این درهم‌تنیدگی باعث می‌شود هر تغییر کوچک، هزینه و ریسک بزرگی به همراه داشته باشد، وابستگی بانک به تأمین‌کننده هسته افزایش یابد، توسعه محصولات جدید کند و پرهزینه شود و مهم‌تر از همه، کل بانک به یک نقطه شکست واحد وابسته بماند. در چنین شرایطی، بروز اختلال در هسته می‌تواند به‌طور هم‌زمان شعب، موبایل‌بانک، اینترنت‌بانک، پرداخت‌ها و حتی عملیات بین‌بانکی را از کار بیندازد؛ وضعیتی که در بانکداری مدرن، با مفهوم دسترس‌پذیری پیوسته و اعتماد عمومی، سازگار نیست.در واکنش به این بن‌بست معماری، دو رویکرد نوین مطرح شده‌اند که هر دو تلاش می‌کنند محدودیت‌های هسته‌های سنتی را برطرف کنند، اما از دو مسیر متفاوت. نخست رویکرد هسته بانکی چندگانه (Multi-Core Banking) و دوم بانکداری بدون هسته (Coreless Banking). اگرچه این دو مفهوم ممکن است نزدیک به هم تلقی می‌شوند، اما در واقع از نظر طراحی، سطح بلوغ موردنیاز و میزان ریسک، تفاوت‌هایی با یکدیگر دارند.هسته بانکی چندگانه بر این فرض بنا شده که هسته به‌عنوان یک مفهوم عملیاتی و مالی همچنان ضروری است، اما تمرکز و یکپارچگی آن باید شکسته شود. در این رویکرد، بانک به‌جای تکیه بر یک هسته واحد، از چند هسته تخصصی و مستقل استفاده می‌کند که هرکدام مسئول یک دامنه مشخص کسب‌وکار هستند. برای مثال، سپرده‌ها، تسهیلات، پرداخت‌ها، کارت و خزانه‌داری می‌توانند هرکدام هسته جداگانه خود را داشته باشند. این هسته‌ها از طریق لایه‌های میانی استاندارد مانند API Gateway، معماری رویدادمحور و مدل داده مرجع با یکدیگر و با کانال‌های بیرونی ارتباط برقرار می‌کنند. در چنین معماری‌، هسته حذف نمی‌شود، بلکه به اجزای کوچک‌تر، مستقل‌تر و قابل‌جایگزینی تقسیم می‌شود؛ اجزایی که می‌توانند با سرعت‌های متفاوتی تکامل پیدا کنند.اهمیت هسته چندگانه بیش از هر چیز در افزایش تاب‌آوری عملیاتی بانک نمایان می‌شود. وقتی هسته‌ها از یکدیگر جدا هستند، بروز اختلال در یک دامنه الزاماً کل بانک را متوقف نمی‌کند. اگر هسته پرداخت با مشکل مواجه شود، سپرده‌ها، تسهیلات یا حتی برخی خدمات شعبه‌ای می‌توانند همچنان فعال بمانند. این تفاوت در شرایط بحرانی، به معنای تفاوت میان یک اختلال قابل‌ مدیریت و یک بحران بزرگ است. علاوه بر این، چندگانگی هسته امکان چابکی بیشتر در توسعه محصولات را فراهم می‌کند، زیرا هر هسته می‌تواند متناسب با نیاز دامنه خود توسعه یابد، بدون آنکه تغییرات آن سایر بخش‌ها را دچار ریسک کند. از منظر تحول، شاید یکی از مهم‌ترین مزایای چندگانگی هسته، فراهم‌کردن امکان مهاجرت تدریجی از هسته‌های قدیمی باشد. بانک می‌تواند به‌جای یک مهاجرت بزرگ و پرریسک، ابتدا یک دامنه مانند پرداخت یا کارت را از هسته فعلی جدا کرده و به یک هسته جدید منتقل کند و سپس به‌تدریج سایر دامنه‌ها را نوسازی کند.با این حال، هسته چندگانه نیز بدون چالش نیست. موفقیت آن نیازمند حاکمیت داده قوی، تعریف شفاف مرز دامنه‌ها، توانمندی فنی در حوزه API و یکپارچه‌سازی و همچنین هم‌راستایی ساختار سازمانی با معماری فنی است. با این وجود، این الزامات در مقایسه با رویکرد بانکداری بدون هسته، واقع‌بینانه‌تر و متناسب‌تر با شرایط بانک‌های موجود هستند.در سوی دیگر طیف، بانکداری بدون هسته قرار دارد؛ رویکردی که اساساً وجود هسته مرکزی را زیر سؤال می‌برد. در معماری بدون هسته، بانک بر پایه مجموعه‌ای از میکروسرویس‌های مستقل و رویدادمحور ساخته می‌شود که هرکدام منطق مالی خاص خود را دارند و تعامل آن‌ها از طریق ثبت رویدادها و دفترکل‌های توزیع‌شده شکل می‌گیرد. در این مدل، مفاهیمی مانند حساب، مانده یا تراکنش دیگر در یک هسته متمرکز تعریف نمی‌شوند، بلکه حاصل پردازش رویدادها و ثبت‌های دفتر کل هستند. بانکداری بدون هسته از ابتدا برای مقیاس‌پذیری بالا، انعطاف‌پذیری حداکثری و حذف وابستگی به وندور طراحی می‌شود و به‌ویژه برای نئوبانک‌ها، بانکداری پلتفرمی و امور مالی تعبیه شده جذابیت زیادی دارد.مزیت اصلی بدون هسته بودن در چابکی بسیار بالا و آزادی معماری آن است. بانک می‌تواند سرویس‌های جدید را با سرعت زیاد ایجاد کرده، فناوری‌ها را بدون وابستگی به یک هسته مرکزی تغییر داده و خود را با نیازهای آینده تطبیق دهد. از منظر تاب‌آوری نیز نبود نقطه شکست متمرکز باعث می‌شود چالش یا خرابی یک سرویس، کل سیستم را متوقف نکند. با این حال، همین مزایا در صورت نبود بلوغ کافی، می‌توانند به نقاط ضعف جدی تبدیل شوند. بانکداری بدون هسته نیازمند سطح بسیار بالایی از مهندسی نرم‌افزار، تیم‌های DevOps بالغ، رگولاتوری منعطف و دیجیتال‌محور و فرهنگی سازمانی است که کاملاً بر محصول، پلتفرم و مسئولیت‌پذیری تیم‌ها استوار باشد. در نبود این پیش‌نیازها، بانکداری بدون هسته می‌تواند به پیچیدگی کنترل‌ناپذیر، افزایش خطاهای انسانی، دشواری نظارت مالی و حتی ریسک‌های جدی انطباق با مقررات منجر شود.از منظر راهبردی، می‌توان گفت هسته بانکی چندگانه و بانکداری بدون هسته در دو نقطه متفاوت از مسیر تحول دیجیتال بانکداری قرار دارند. چندگانگی هسته یک مسیر تکاملی است که تلاش می‌کند واقعیت بانک‌های موجود و محدودیت‌های عملیاتی را بپذیرد و آن‌ها را به‌تدریج متحول کند. اما بانکداری بدون هسته یک مسیر انقلابی است که بیشتر برای بازیگران جدید یا سازمان‌هایی مناسب است که می‌توانند از ابتدا، معماری خود را طراحی کنند.در بستر بانکداری ایران، که با هسته‌های قدیمی، مقتضیات رگولاتوری، فشار عملیاتی بالا، ریسک‌های محیطی و حساسیت اجتماعی نسبت به اختلالات بانکی مواجه است، بانکداری با هسته بانکی چندگانه نه‌تنها یک انتخاب فناورانه، بلکه یک ضرورت راهبردی برای بقا و مدیریت ریسک محسوب می‌شود. این رویکرد امکان افزایش تاب‌آوری، کنترل بحران و نوسازی تدریجی را فراهم می‌کند، بدون آنکه بانک را وارد یک چالش فناورانه پرریسک کند. در مقابل، بانکداری بدون هسته در شرایط فعلی ایران بیشتر یک افق بلندمدت و آرمانی است تا یک گزینه اجرایی کوتاه‌مدت. حرکت به سمت بانکداری بدون هسته مستلزم اصلاحات عمیق در رگولاتوری، ساختار سازمانی و توان مهندسی است و بدون طی موفق مرحله چندگانگی هسته، احتمال شکست آن بسیار بالا خواهد بود.در نهایت، تحول معماری هسته بانکداری را باید فراتر از یک پروژه فناوری دید. این تحول یک تصمیم راهبردی با پیامدهای عمیق عملیاتی، مالی و حتی اجتماعی است. بانکداری با هسته بانکی چندگانه معماری «زنده ماندن و پایدار شدن» بانک‌ها در دنیای پرریسک امروز است و بانکداری بدون هسته معماری «بازآفرینی کامل بانک» در افق آینده. بانک‌هایی که امروز به‌درستی مسیر چندگانگی هسته را طی کنند، تنها بازیگرانی خواهند بود که امکان واقعی و ایمن حرکت به سمت بانکداری بدون هسته را خواهند داشت. Mohammad Peiravi Mohammad Peiravi Tue, 30 Dec 2025 11:28:41 +0330 https://virgool.io/@mohammad.peiravi/%D8%A7%D8%B2-%D8%AA%D8%A3%D9%85%DB%8C%D9%86-%D9%85%D8%A7%D9%84%DB%8C-%D8%AA%D8%A7-%D8%AA%D8%A7%D8%A8-%D8%A2%D9%88%D8%B1%DB%8C-%D8%B2%D9%86%D8%AC%DB%8C%D8%B1%D9%87-%D8%AA%D8%A3%D9%85%DB%8C%D9%86-%D9%87%D9%85%DA%A9%D8%A7%D8%B1%DB%8C-%D8%A8%DB%8C%D9%86-%D8%A8%D8%A7%D9%86%DA%A9-%D9%88-%D8%A8%DB%8C%D9%85%D9%87-%D8%AF%D8%B1-%D8%AE%D8%AF%D9%85%D8%A7%D8%AA-%D8%B2%D9%86%D8%AC%DB%8C%D8%B1%D9%87-%D8%AA%D8%A3%D9%85%DB%8C%D9%86-qiim9wyeivki یکی از نتایج و دستاوردهای تحول دیجیتال در صنعت بانکی، تغییر ماهیت و نحوه ارائه خدمات مالی به مشتریان حقیقی و حقوقی بوده است. تغییراتی که هم دسترسی به خدمات را آسان نموده و هم نحوه ارائه آنرا تغییر داده است. از آنجایی که بانک‌ها معمولاً در بخش مشتریان حقیقی با هم رقابت می‌کنند و سعی دارند سپرده‌های مالی مشتریان حقیقی را به سمت خود هدایت کنند، برخی از بانک‌ها تمرکز خود را بر روی مشتریان حقوقی گذاشته‌اند و تلاش می‌کنند در این بخش خدمات نوآورانه‌ای ارائه نمایند. یکی از این خدمات مشتریان حقوقی، تأمین مالی زنجیره تأمین است. موضوعی که در طی دو یا سه سال اخیر بسیار در صنعت بانکداری پررنگ شده است و تقریباً بانک‌هایی که بیشتر با مشتریان حقوقی سر و کار دارند، به پیاده‌سازی آن در صنایع مختلف پرداخته‌اند. تأمین مالی زنجیره تأمین یا SCF به عنوان ابزاری برای بهبود گردش نقدینگی، کاهش نیاز به سرمایه در گردش و حمایت از بنگاه‌های کوچک و متوسط شناخته شده است. بسیاری از بانک‌ها با استقرار پلتفرم‌های SCF توانسته‌اند رابطه مالی میان خریداران، تأمین‌کنندگان و تولیدکنندگان را هوشمندانه‌تر مدیریت کنند و جریان نقدی را سرعت ببخشند.شکاف در تأمین مالی زنجیره تأمیناما با وجود رشد قابل توجه SCF و توجه گسترده بانک‌ها به آن، یک واقعیت اساسی همچنان نادیده گرفته می‌شود: این‌که زنجیره تأمین علاوه بر نیاز مالی، دارای مجموعه‌ای پیچیده از ریسک‌های پنهان و آشکار است که صرفاً با تزریق اعتبار یا خرید دین، مدیریت نمی‌شود. تأمین مالی تنها یکی از ابعاد پشتیبانی از زنجیره تأمین است و زمانی که این زنجیره در معرض اختلال، وقفه یا نکول قرار می‌گیرد، جریان مالی هم به شکل مستقیم آسیب می‌بیند.واقعیت این است که بخش عمده‌ای از ریسک‌های زنجیره تأمین در ماهیت خود «غیرمالی» هستند اما اثر آن‌ها کاملاً مالی است. اگر بخواهیم یک نگاه کلی به ریسک‌های مالی و غیرمالی زنجیره تأمین داشته باشیم، می‌توانیم از ریسک نکول خریدار، ریسک نقدینگی، ریسک اعتباری و ریسک نرخ ارز (یا نرخ بهره) به عنوان ریسک‌های مالی و از ریسک عملیاتی تولید، ریسک حمل‌ونقل (لجستیک)، ریسک تجاری و کیفیت، ریسک شوک قیمت مواد و نظایر آن به عنوان ریسک‌های غیر مالی نام ببریم. در تأمین مالی زنجیره تأمین، بانک معمولاً ریسک نکول خریدار را می‌بیند و بر اساس رفتارهای پرداخت، اطلاعات اعتباری و سابقه تجاری او، تأمین مالی اسناد را انجام می‌دهد. اما اغلب بانک نمی‌تواند ریسک‌هایی را که در زنجیره وجود دارد، به‌طور کامل ارزیابی کند. هر کدام از ریسک‌هایی که بیان شد می‌تواند SCF را تحت تأثیر قرار دهد و به طور مستیقم جریان مالی را تغییر دهد. در واقع، SCF در ظاهر معامله را تأمین مالی می‌کند، اما توانایی محافظت از معامله در مقابل اختلالات واقعی زنجیره را ندارد.با وجود این چالش‌ها، آیا باید SCF متوقف شود و یا باید به دنبال راه‌حلی برای شناسایی و کاهش ریسک بود؟ آیا بانک ظرفیت و توانایی ورود به موضوع ریسک را دارد؟ درست در این نقطه است که مفهوم بیمه زنجیره تأمین یا SCI به‌عنوان حلقه مفقوده SCF مطرح می‌شود.بیمه زنجیره تأمینSCI تنها یک بیمه اعتباری ساده نیست که صرفاً عدم پرداخت خریدار را پوشش دهد. SCI یک مفهوم گسترده‌تر است که به‌جای تمرکز بر نقطه نهایی پرداخت، ریسک‌های «جریان کالا» را هم در نظر می‌گیرد. زنجیره تأمین، یک خط صاف نیست بلکه مجموعه‌ای از روابط چندلایه میان تأمین‌کنندگان، تولیدکنندگان، لجستیک، واردکنندگان، صادرکنندگان و خریداران است. هر یک از این نقاط می‌توانند منبع ریسک باشند و در صورت بروز مشکل، کل جریان مالی را مختل کنند. بنابراین بیمه زنجیره تأمین می‌تواند ریسک‌های عملیاتی، ریسک‌های لجستیک، ریسک‌های تجاری، ریسک‌های کیفیت و حتی ریسک‌های قانونی را پوشش دهد؛ ریسک‌هایی که تأمین مالی حتی در پیشرفته‌ترین مدل‌های SCF، توانایی پیش‌بینی یا جبران آن را ندارد.SCF بدون SCI مانند پرداخت بدون وثیقه استبانک وقتی در قالب SCF یک فاکتور را زودتر از سررسید پرداخت می‌کند، در حقیقت به توان عملیاتی و یکپارچگی زنجیره اعتماد می‌کند. بانک فرض می‌گیرد کالا در زمان مقرر تحویل می‌شود، کیفیت مطابق قرارداد است، تأمین‌کننده بالادستی دچار وقفه نمی‌شود، حمل‌ونقل بین‌المللی دچار بحران سیاسی نمی‌گردد و قیمت مواد اولیه آن‌قدر به‌طور ناگهانی نوسان نمی‌کند که تولیدکننده نتواند تعهد خود را انجام دهد. اما تجربه نشان داده که همین «فرضیات» بیشترین ریسک را ایجاد کرده‌اند. از بحران کرونا و توقف زنجیره‌های جهانی تا افزایش ریسک‌های ژئوپلیتیک، از بحران حمل‌ونقل تا ورشکستگی شرکت‌های کلیدی، هر بار یک حلقه کوچک در زنجیره گسسته شده و زیان آن به کل سیستم منتقل شده است. این رخدادها نشان می‌دهد که اگر نظام بانکی بخواهد SCF را در مقیاس بزرگ و پایدار اجرا کند، ناگزیر است لایه SCI را نیز فعال کند تا جریان مالی از اثر اختلالات عملیاتی مصون بماند. البته باید این نکته را ذکر کرد که پیشتر بیمه اعتباری به‌طور عمده برای پوشش ریسک عدم پرداخت فاکتور توسط خریدار در نقطه نهایی معامله طراحی شده بود. این بیمه‌ها یک محصول تک‌رشته‌ای و مالی‌محور هستند. در مقابل، بیمه زنجیره تأمین یک مفهوم بسیار جامع‌تر است که به دنبال پوشش ریسک‌های کل جریان کالا از نقطه تأمین تا تحویل نهایی است. بیمه زنجیره تأمین تنها بر نکول خریدار تمرکز نمی‌کند، بلکه ریسک‌های متنوعی مانند شکست تأمین‌کننده در تحویل به‌موقع، چالش‌های لجستیک ناشی از تحولات ژئوپلیتیک یا حوادث طبیعی، و مشکلات کیفیت تولید را در بر می‌گیرد. برای عملیاتی شدن، SCI نیازمند داده‌های لحظه‌ای از وضعیت کالا است، بنابراین بیمه زنجیره تأمین یک محصول چند‌رشته‌ای و داده‌محور است که برای اولین بار ریسک‌های عملیاتی را مستقیماً به جبران خسارت مالی مرتبط می‌سازد. این تفاوت در دامنه، SCI را به یک راه‌حل حقیقی برای تکمیل شکاف ریسکی SCF تبدیل می‌کند. این مدل تنها یک محصول جدید نیست، بلکه یک «راهبرد» برای بانک و بیمه است.جایگاه SCI در ایرانهمانگونه که گفته شد نظام بانکی ایران نیز در نقطه‌ای قرار گرفته که توسعه SCF به‌سرعت در حال افزایش است، اما هنوز مکانیزم‌های مدیریت ریسک در سطح زنجیره تقویت نشده‌اند و در همان سطح اولیه است. بخش عمده‌ای از تأمین مالی فعلی مبتنی بر اعتبار مشتری یا قرارداد فروش است، اما ریسک‌های مرتبط با تأمین‌کننده، تولید، حمل‌ونقل، گمرک، تأخیرهای عملیاتی و نوسان قیمت‌ها در مدل‌های فعلی پوشش نمی‌یابند. این عدم پوشش باعث می‌شود بانک‌ها در موارد اختلال زنجیره با ریسک عدم بازپرداخت مواجه شوند، حتی اگر خریدار در حالت عادی معتبر باشد. در چنین شرایطی بیمه زنجیره تأمین می‌تواند نقش یک ضربه‌گیر اساسی را ایفا کند و شکاف میان ریسک عملیاتی و ریسک مالی را پر کند.نکته کلیدی دیگر این است که اکثر بانک‌های بزرگ، به‌ویژه در ایران، شرکت بیمه اختصاصی یا وابسته نیز دارند. این هم‌زمانی بانک و بیمه می‌تواند فرصت استراتژیک کم‌نظیری در هلدینگ‌های فناوری اطلاعات و نوآوری بانک‌ها ایجاد کند. در حالی که در بسیاری از کشورها هماهنگی میان شرکت‌های بیمه و بانک‌ها برای پوشش زنجیره تأمین دشوار است، در ایران وجود ساختار مالکیتی هلدینگی در بانک‌ها اجازه می‌دهد بانک و بیمه یک محصول یکپارچه طراحی کنند؛ محصولی که در آن SCF جریان مالی را تضمین کند و SCI ریسک‌های عملیاتی و تجاری را پوشش دهد. چنین هم‌افزایی نه‌تنها ریسک بانک را کاهش می‌دهد، بلکه به بیمه هم امکان می‌دهد که وارد بازار جدیدی از محصولات هوشمند مدیریت ریسک شود و ارزش‌آفرینی بیشتری نسبت به بیمه‌های سنتی داشته باشد.از منظر نوآوری خدمات مالی، ترکیب SCF و SCI می‌تواند یک تحول کامل در بازار ایجاد کند. SCF جریان نقدینگی را تسهیل می‌کند و باعث کاهش هزینه سرمایه می‌شود، اما SCI این جریان را در برابر شوک‌ها مقاوم می‌کند. نتیجه، زنجیره‌ای است که هم نقدشوندگی بالایی دارد و هم تاب‌آوری عملیاتی. این مدل می‌تواند پایه‌ای برای معرفی محصولات جدیدی مانند تأمین مالی مبتنی بر داده‌های تولید، بیمه مبتنی بر عملکرد زنجیره، مدل‌های قیمت‌گذاری پویا و نظایر آن باشد. در حال حاضر، نرخ تأمین مالی بر اساس اعتبار خریدار (داده‌های مالی) تعیین می‌شود و حق بیمه نیز به‌صورت جداگانه بر اساس ریسک‌های استاندارد محاسبه می‌گردد. اما در مدل یکپارچه، پلتفرم‌های هوشمند بانک و بیمه، داده‌های اعتباری را با داده‌های عملیاتی زنجیره تأمین ترکیب می‌کنند. این داده‌ها شامل رصد لحظه‌ای وضعیت حمل‌ونقل، سابقه عملکرد تأمین‌کننده، و نوسانات قیمت مواد اولیه است. با استفاده از الگوریتم‌های پیشرفته، ریسک واقعی و لحظه‌ای هر معامله ارزیابی می‌شود. نتیجه این ارزیابی، یک قیمت‌گذاری پویا است که در آن نرخ تأمین مالی (SCF) و حق بیمه (SCI) بر اساس بهبود یا وخامت شرایط عملیاتی زنجیره تأمین به‌طور مستمر تنظیم می‌شود. این رویکرد، قیمت‌گذاری را عادلانه‌تر، ریسک بانک را کمتر و کل زنجیره تأمین را به سمت عملکرد بهتر تشویق می‌کند. از سویی دیگر، پلتفرم‌های هوشمند بانک نیز می‌توانند از ترکیب داده‌های اعتباری، داده‌های حمل‌ونقل، داده‌های تولید و داده‌های پرداخت استفاده کنند تا ریسک واقعی هر معامله را ارزیابی کرده و نرخ بیمه و نرخ تأمین مالی را به‌صورت پویا و دقیق تعیین کنند.توصیه راهبردی به بانک‌هابه‌طور خلاصه، SCF به‌تنهایی برای پوشش ریسک‌های پیچیده زنجیره کفایت نمی‌کند. این ابزار، جریان نقدی را فعال می‌کند اما جریان کالا را تضمین نمی‌کند. در مقابل، SCI امکان می‌دهد کل زنجیره، از نقطه تأمین تا تحویل، در برابر ریسک‌ها محافظت شود. هم‌افزایی میان بانک و شرکت بیمه در یک هلدینگ مالی نیز باعث می‌شود ارائه این خدمت نه‌تنها عملی باشد، بلکه یک مزیت رقابتی برای بانک ایجاد کند. ایجاد ساختارهای مبتنی بر SCI در کنار SCF می‌تواند تحول تازه‌ای در مدیریت ریسک، نوآوری مالی و پایداری زنجیره تأمین ایجاد کند؛ تحولی که برای اقتصاد امروز، چه در سطح خرد و چه کلان، ضرورتی انکارناپذیر است.بانک‌ها باید از امروز برای مرحله بعدی تحول SCF آماده شوند. ورود به SCI نه یک انتخاب، بلکه یک الزام راهبردی برای محافظت از دارایی‌ها، کاهش نکول و توسعه پایدار خدمات تأمین مالی است. بانک‌هایی که زودتر این مدل را در همکاری نزدیک با شرکت بیمه خود پیاده‌سازی کنند، می‌توانند زنجیره‌های تأمین صنایع بزرگ از فولاد و پتروشیمی تا کشاورزی و کالاهای مصرفی، را به محصولی پایدار، قابل بیمه و قابل تأمین مالی تبدیل کنند. این دقیقاً همان نقطه‌ای است که بانک را از یک «تأمین‌کننده اعتبار» به «شریک عملیاتی صنعت» تبدیل می‌کند. Mohammad Peiravi Mohammad Peiravi Tue, 30 Dec 2025 11:16:04 +0330 https://virgool.io/@mohammad.peiravi/%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D9%87%D9%84%D8%AF%DB%8C%D9%86%DA%AF-%D9%87%D8%A7%DB%8C-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D9%88-%D9%86%D9%88%D8%A2%D9%88%D8%B1%DB%8C-%D8%A8%D8%A7%D9%86%DA%A9-%D9%87%D8%A7-%D8%AA%D9%88%D8%A7%D8%B2%D9%86-%D9%85%DB%8C%D8%A7%D9%86-%D8%AB%D8%A8%D8%A7%D8%AA-%D9%88-%DA%86%D8%A7%D8%A8%DA%A9%DB%8C-ouobqsapk6ob مقدمهسیر تحول دیجیتال و الزامات بانکی و نظارتی، بانک ها را به سمت ایجاد هلدینگ های تخصصی فناوری اطلاعات سوق داده است. بانک‌ها در چند سال اخیر، با تغییرات گسترده‌ای همراه بودند. از یک سو شروع تحول دیجیتال در نظام بانکی که منتهی به دیجیتالی شدن خدمات، گسترش روش‌های نوین پرداخت و سامانه‌های یکپارچه شد و از سویی دیگر، لزوم فعالیت تخصصی در حوزه‌های مورد نیاز، باعث شد بانک‌ها به سمت ایجاد شرکت‌های تخصصی حرکت ‌کنند. برای مدیریت یکپارچه این شرکت‌ها، هلدینگ‌های فناوری اطلاعات در بدنه بانک‌ها شکل گرفت. این ساختارهای جدید، هم نیازهای درونی بانک‌ها را برطرف می‌ساخت و هم در بازار خدمات و فناوری‌های مالی نقش‌آفرینی می‌کرد. در واقع، «هلدینگ‌داری فناوری اطلاعات بانک‌ها» از این مسیر شکل گرفت و اکنون به یکی از ارکان پنهان اما اثرگذار نظام بانکی کشور تبدیل شده است. در ابتدا هدف از ایجاد هلدینگ‌های فناوری اطلاعات بانک‌ها، بیشتر تمرکز بر توسعه زیرساخت (اعم از زیرساخت‌های ارتباطی و مراکز داده)، سامانه‌ها (مانند سیستم‌های متمرکز بانکی، شبکه پرداخت، سامانه‌های امنیتی و پشتیبانی از مشتریان) و پشتیبانی فنی از آنها بود ولی با گذشت زمان، توسعه زنجیره ارزش بانک و نوآوری هم به آن افزوده شد. به دلیل ساختار چابک و دسترسی به اکوسیستم نوآوری، هلدینگ‌های فناوری اطلاعات به عنوان واسط بین اکوسیستم نوآوری و بانک‌ها چه در زمینه سرمایه‌گذاری و تکمیل زنجیره ارزش و چه در دسترسی به فین‌تک‌ها در قالب ارائه API و خدمات بانکداری باز، قرار گرفتند. در واقع، هلدینگ‌های فناوری اطلاعات به سمت به‌کارگیری نیروی انسانی متخصص مورد نیاز بانک در بخش‌های مختلف، گسترش خدمات نوآورانه با همکاری و استفاده از ظرفیت اکوسیستم نوآوری و فین‌تک و نیز سرمایه‌گذاری در حوزه‌های نوظهور حرکت کردند و کم کم «هلدینگ‌های فناوری و نوآوری بانک» شکل گرفت.هلدینگ های شاخص نمونه‌های شاخص این روند را در اکثر بانک‌های کشور شاهد هستیم. اما در این میان، برخی موفق‌تر عمل کردند. به عنوان نمونه، گروه فناپ از درون گروه مالی پاسارگاد شکل گرفت و به یکی از شناخته‌ترین هلدینگ‌های فناوری و نوآوری بانکی تبدیل شد. البته ذکر این نکته هم لازم است که فناپ فقط به حوزه بانکی محدود نشد و در صنعت تلکام هم ورود کرد و تقریباً کاملترین سبد شرکت‌ها در میان سایر هلدینگ‌های فناوری و نواوری بانکی دارد و توانسته مجموعه‌ای شامل شرکت‌های تخصصی در حوزه تلکام، پرداخت، مراکز داده، زیرساخت‌های ابری، سامانه‌های هوش مصنوعی و حتی سرمایه‌گذاری در استارتاپ‌ها را مدیریت کند. در مقابل، هلدینگ فناوری و نوآوری بانک تجارت (تفتا)، با ایجاد شرکت‌های تخصصی حوزه بانکی در زمینه‌های پشتیبانی از مشتریان، بانکداری شرکتی، داده و هوش مصنوعی، زیرساخت و امنیت، کربنکینگ، بانکداری دیجیتال، پرداخت و سرمایه‌گذاری بیشتر به توسعه زنجیره ارزش بانک تجارت تمرکز داشته است. در سطحی دیگر، گروه ملی انفورماتیک و شرکت‌های زیرمجموعه‌اش مانند خدمات انفورماتیک و شاپرک، نقشی ملی‌تر ایفا می‌کنند و عملاً بخشی از زیرساخت رسمی نظام پرداخت کشور را شکل داده‌اند. این مجموعه‌ها اگرچه ماهیت دولتی یا حاکمیتی دارند، اما در ساختار سازمانی خود شباهت‌هایی با هلدینگ‌های بانکی پیدا کرده‌اند و در تعامل مستقیم با بانک‌ها و شرکت‌های تابعه‌شان قرار دارند.نقاط اشتراک و تمایز هلدینگ‌هاهمه هلدینگ‌ها با وجود تفاوت‌های ظاهری، در چند ویژگی اساسی اشتراک دارند. اول آنکه تقریباً همه این هلدینگ‌ها، از یک سو در تأمین نیازهای درون بانکی و توسعه زنجیره ارزش بانک و سویی دیگر ورود به بازار فناوری‌های مالی و استفاده از ظرفیت اکوسیستم نوآوری مشترک هستند. دومین ویژگی مشترک آنها، تمرکز بر حوزه پرداخت و زیرساخت‌های بانکی است. سومین شباهت نیز به ساختار مالکیتی و مدیریتی آنها مربوط می‌شود که تقریباً همه این هلدینگ‌ها به بانک مادر وابسته هستند و تصمیمات آنها بیشتر تابع سیاست‌های بانک است. این وابستگی از یک سو هماهنگی با بانک را تسهیل می‌کند، اما از سوی دیگر استقلال تجاری و چابکی سازمانی را محدود می‌سازد.در مقابل اشتراکات، تفاوت‌هایی در نقش آفرینی هلدینگ‌ها وجود دارد. برخی از آنها، برخی از آنها، مسیر تجاری‌تر و توسعه‌محور را پیموده‌اند و توانسته‌اند با ایجاد شرکت‌های زیرمجموعه در حوزه‌های گوناگون، به بازیگری بزرگ در بازار فناوری کشور تبدیل شوند. آنها پروژه‌هایی فراتر از نیاز بانک مادر را اجرا می‌کنند و حتی مشتریان غیربانکی دارند. در مقابل، برخی دیگر هنوز بیشتر نقش واحد خدمات داخلی را دارند و بخش اصلی فعالیت‌هایشان به پشتیبانی و نگهداری سیستم‌های بانکی محدود می‌شود. همچنین برخی هلدینگ‌ها بخش‌های ویژه‌ای برای نوآوری و سرمایه‌گذاری خطرپذیر تشکیل داده‌اند و به‌دنبال مشارکت در اکوسیستم فین‌تک هستند، در حالی که برخی دیگر از نظر ساختار هنوز با مفهوم نوآوری باز فاصله دارند.با همه این شباهت‌ها و تفاوت‌ها، هلدینگ‌های فناوری و نوآوری بانک‌ها توانسته‌اند گام‌های مناسبی در توسعه بانکداری دیجیتال کشور بردارند و توانسته‌اند سطح قابل‌توجهی از انسجام و سرعت در توسعه سیستم‌ها ایجاد کنند. بسیاری از بانک‌ها به کمک همین شرکت‌ها توانسته‌اند خدمات آنلاین، بانکداری دیجیتال، کیف پول، سامانه‌های هوشمند اعتبارسنجی و حتی خدمات پرداخت مبتنی بر API را به‌سرعت پیاده کنند. این هلدینگ‌ها همچنین سهم مهمی در بومی‌سازی فناوری‌های حیاتی مالی داشته‌اند.تضاد نقش هادر الگوی کنونی هلدینگ‌داری بانکی در ایران، تضاد نقش‌ها و چالش هم‌راستایی میان بازیگران اصلی، یکی از مهم‌ترین موانع رشد به شمار می‌رود. از یک‌سو، هلدینگ‌های فناوری و نوآوری بانک‌ها به‌عنوان بازوی توسعه دیجیتال و نوآوری شناخته شده‌اند، اما از سوی دیگر، معاونت فناوری اطلاعات خود بانک‌ها هنوز قدرت تصمیم‌گیری مستقیم در حوزه‌های فنی را در اختیار دارند. این دو نهاد، به‌جای تکمیل یکدیگر، در بسیاری از موارد در وضعیت رقابت یا حتی تعارض قرار می‌گیرند. معاونت فناوری اطلاعات، خود را مسئول زیرساخت‌های حیاتی و امنیتی می‌داند و هلدینگ، به دنبال توسعه محصولات و خدمات نوآورانه است. نتیجه آن، دوگانگی در تصمیم‌گیری و کندی در اجرای پروژه‌ها است. چرا که مشخص نیست اولویت با حفظ ثبات سیستم‌های موجود است یا حرکت به سمت نوآوری و تحول دیجیتال. این تعارض در سطح بالاتر به تضاد منافع ساختاری میان بانک و هلدینگ نیز گسترش می‌یابد. وقتی هلدینگ به‌طور کامل در مالکیت بانک است، تصمیم‌های اقتصادی و فنی آن ناگزیر تحت تأثیر ملاحظات بانکی قرار می‌گیرد. بانک‌ها معمولاً رویکردی محافظه‌کارانه دارند و تمایل چندانی به پذیرش ریسک‌های فناورانه نشان نمی‌دهند. در حالی‌که نوآوری نیازمند آزمایش، شکست و سرمایه‌گذاری جسورانه است. همین موضوع سبب شده بسیاری از هلدینگ‌ها عملاً به واحدهای فناوری اطلاعات بانک‌ها تبدیل شوند. آنها به‌جای رقابت در بازار، از بودجه بانک تغذیه می‌شوند و مأموریتشان بیشتر حفظ پایداری سیستم‌های موجود است.یک بعد دیگر تضاد بین معاونت فناوری اطلاعات بانک‌ها و هلدینگ‌ها در این بخش است که از نظر معاونت فناوری اطلاعات، هلدینگ‌ها در نقش پیمانکار هستند و جایی برای ارائه پیشنهاد‌ها، همکاری در سیاست‌گذاری و استراتژی‌های جدید ندارند. در صورتی که با توجه به جایگاه هلدینگ‌ها در اکوسیستم فناوری و نوآوری، می‌توانند منشاء تحولات اثربخشی در بانک باشند و به عنوان یک شریک استراتژیک عمل کنند.این اتفاق، روح کارآفرینی را در درون هلدینگ‌ها تضعیف کرده است. بسیاری از پروژه‌ها نه بر اساس تحلیل بازار، بلکه مطابق با دستور بانک مادر تعریف می‌شوند. استقلال مدیریتی نیز غالباً به‌صورت اسمی وجود دارد. زیرا ترکیب هیئت‌مدیره‌ها و مدیران ارشد به‌گونه‌ای است که عملاً تصمیم‌گیر نهایی همچنان بانک است. در نتیجه، هلدینگ‌ها نمی‌توانند استراتژی رشد بلندمدت یا مدل تجاری مستقل خود را تدوین کنند. حتی در سطح مالی، تفکیک هزینه‌ها و درآمدها به‌روشنی انجام نمی‌شود و ارزیابی واقعی بازده سرمایه‌گذاری تقریباً ناممکن است. جمع بندیدر مجموع، می‌توان گفت هلدینگ‌داری بانکی در ایران تاکنون هم نشانه بلوغ و هم محدودیت بوده است. از یک‌سو، این ساختار توانسته شکاف فناورانه نظام بانکی را پر کند و زیرساخت بومی خدمات مالی دیجیتال را بنا نهد؛ از سوی دیگر، وابستگی شدید به بانک مادر، انحصارگرایی و کمبود شفافیت، خطر رکود نوآوری را افزایش داده است. برای گذار به مرحله بعد، باید رابطه میان بانک و هلدینگ بازتعریف شود و هم‌راستایی واقعی میان معاونت فناوری بانک و هلدینگ فناوری آن شکل گیرد. این هم‌راستایی تنها در صورتی ممکن است که هر دو نهاد مأموریت‌ها و مرزهای خود را به رسمیت بشناسند: «بانک به‌عنوان سیاست‌گذار و تضمین‌کننده ثبات و هلدینگ به‌عنوان موتور نوآوری و توسعه اکوسیستم مالی».آینده هلدینگ‌داری بانکی در ایران به توانایی این نهادها در عبور از نقش پشتیبان فنی به بازیگر نوآور وابسته است. اگر این تحول با اصلاح سیاست‌ها، استقلال مدیریتی و فرهنگ رقابتی همراه شود، می‌تواند مسیر بانکداری دیجیتال کشور را به‌سوی پویایی، همکاری و خلق ارزش جدید هدایت کند. هلدینگ‌ها باید از نقش پشتیبان فنی به سمت شریک استراتژیک بانک‌ها حرکت کنند و در مسیر تحول دیجیتال بانک‌ها، ایجاد محصول جدید و حرکت بانک‌ها به سمت یک نهاد مبتنی بر هوشمندی و نوآوری کمک کنند. Mohammad Peiravi Mohammad Peiravi Sat, 29 Nov 2025 19:45:34 +0330 https://virgool.io/@mohammad.peiravi/%D8%AF%D8%B3%D8%AA-%D8%A7%D8%B2-%D8%A7%D8%AC%D8%B1%D8%A7%DB%8C-%D8%A7%DB%8C%D9%86-%D9%87%D9%85%D9%87-%D9%BE%D8%A7%DB%8C%D9%84%D9%88%D8%AA-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A8%D8%B1%D8%AF%D8%A7%D8%B1%DB%8C%D8%AF-uudghmakanvq این عنوان، مطلبی است که توسط Harvard Business Review در دسامبر 2025 منتشر شده است. در این مطلب عنوان شده است که «به‌جای آزمایش ده‌ها کاربرد پراکنده در بخش‌های مختلف شرکت، یک حوزه را انتخاب کنید و در آن عمیق شوید». شرکت‌هایی که مشتاق به‌کارگیری هوش مصنوعی مولد هستند، معمولاً ده‌ها پایلوت در واحدهای مختلف راه‌اندازی می‌کنند تا سریع به نتایج کوچک و افزایش‌های جزئی بهره‌وری برسند. اما یک رویکرد پراکنده هیچ‌گاه اثر تحول‌آفرین ایجاد نمی‌کند. شرکت جهانی کالاهای مصرفی رکیت[1] مسیر دیگری رفت. این شرکت تصمیم گرفت در یک حوزه، یعنی بازاریابی، عمیق شود؛ جایی که هوش مصنوعی مولد می‌تواند در مجموعه‌ای از فعالیت‌های مرتبط مانند تولید بینش، خلق محتوا و توسعه محصول به کار گرفته شود. پیام تجربه رکیت چیست؟ برای آزاد کردن ظرفیت واقعی هوش مصنوعی مولد، سازمان‌ها باید در برابر وسوسه آزمایش گسترده مقاومت کنند و در عوض، عمیق و متمرکز عمل کنند؛ یعنی تلاش‌ها را بر حوزه‌هایی متمرکز کنند که مقیاس‌پذیری و هم‌افزایی می‌تواند تغییر معنادار ایجاد کند. سازمان‌ها باید ابتدا یک حوزه استراتژیک انتخاب کنند که هوش مصنوعی مولد بتواند در مجموعه‌ای از وظایف به‌هم‌پیوسته در آن اعمال شود. سپس باید بر نقاط قوت موجود خود، مثل داده‌ها یا توانمندی‌های فنی، تکیه کنند تا به شکلی معنی‌دار مقیاس‌پذیری ایجاد کنند. با بازنگری فرایندهای اصلی در آن حوزه و همسو کردن تیم‌ها حول «تحول» به‌جای «آزمایش»، شرکت‌ها می‌توانند به بینش‌های عمیق‌تر، نوآوری سریع‌تر و اثر قابل‌اندازه‌گیری دست یابند. مقدمهدر اواخر ۲۰۲۳، وقتی تیم مدیریتی رکیت به پذیرش هوش مصنوعی مولد فکر می‌کرد، فهرست بلندبالایی از کاربردها در سراسر سازمان از نوشتن ارائه‌ها گرفته تا پشتیبانی مشتری و بهینه‌سازی قراردادهای خرید، وجود داشت. بسیاری از این کاربردها صرفه‌جویی زمانی و بازگشت سرمایه فوری داشتند، اما به وظایف پراکنده مربوط می‌شدند. مدیران رکیت از صرفه‌جویی زمانی خوشحال بودند، اما می‌دانستند چنین تلاش‌هایی استراتژی شرکت را متحول نمی‌کند و مزیت معناداری ایجاد نخواهد کرد. آنها چیزی فراتر از بهبودهای جزئی بهره‌وری می‌خواستند.بنابراین، به‌جای اینکه هر پروژه هوش مصنوعی با ROI مثبت را تأیید و اجرا کنند، تصمیم گرفتند روی یک حوزه واحد تمرکز کنند: بازاریابی. در اینجا می‌شد از هوش مصنوعی مولد برای مجموعه‌ای از وظایف به‌هم‌پیوسته استفاده کرد؛ از تولید بینش گرفته تا تولید محتوا و توسعه محصول جدید. این وظایف، از داده‌ها، مشتریان و تحقیقات بازار مشترکی بهره‌ می‌بردند و نتایج یکی روی دیگری اثر می‌گذاشت. برای مثال، بینش لحظه‌ای از رفتار مصرف‌کننده به نوآوری بهتر و بخش‌بندی دقیق‌تر منجر می‌شود. نوآوری سریع‌تر در محصول نیز شرکت را قادر می‌سازد محصولات مرتبط‌تری به بازار عرضه کند و همین امر به بهبود وفاداری، حفظ مشتری و تقویت طرفداری برند کمک می‌کند. مدیران معتقد بودند تمرکز صرفاً بر بازاریابی به بهبود عملکرد در مقیاس بزرگ کمک خواهد کرد.رکیت در بازاریابی نقاط قوتی داشت، از جمله داده‌های غنی مشتری و تیمی که به فناوری‌های پیشرفته از جمله هوش مصنوعی پیش‌بینی‌کننده مسلط بود. پذیرش هوش مصنوعی مولد با تمرکز بر عملیات بازاریابی باعث شد این شرکت شیوه‌های جدیدی برای عملکرد این بخش کشف کند. این کار تیم بازاریابی را مجبور کرد رویکرد خود را بازنگری کند و بسیاری از فرایندها را از نو تعریف کند؛ زیرا هوش مصنوعی مولد می‌توانست کل عملیات بازاریابی را، نه فقط یک یا دو وظیفه کوچک، بهبود دهد.کمتر از دو سال بعد، رکیت می‌گوید رویکرد هدفمندش نسبت به هوش مصنوعی مولد باعث شده سرعت خلق ایده‌های محصول تا ۶۰ درصد افزایش یابد. همچنین ادعا می‌کند که هوش مصنوعی مولد فرآیندهای ارتباطات برند و بازاریابی را در برخی موارد ۳۰ درصد یا بیشتر کارآمدتر کرده است. این دستاوردها بدون تمرکز بر مجموعه‌ای از وظایف مرتبط در یک حوزه واحد امکان‌پذیر نبود.تجربه رکیت یک درس کلیدی دارد: برای کسب مزیت رقابتی پایدار، شرکت‌ها باید از دو خطای رایج در پیاده‌سازی هوش مصنوعی مولد پرهیز کنند. اول: پراکنده‌کردن منابع در کاربردهای کوچک و مجزا. دوم: تمرکز صرف بر ROI فوری. این رویکرد «پهن و کم‌عمق» نام دارد. بسیاری از مدیرانی که با آنها صحبت شده است، تصور می‌کردند باید هوش مصنوعی را تا حد ممکن وسیع پیاده کنند تا ببینند چه چیزی جواب می‌دهد. این روش شاید صرفه‌جویی‌هایی ایجاد کند، اما بعید است مزیت رقابتی ایجاد کند و شرکت را به موفق‌ترین حالت ممکن برساند.چرا؟ فرض کنید شرکتی چند فرآیند در حسابداری، تعدادی در زنجیره تأمین، چند مورد در بازاریابی، در مالی و تعدادی در منابع انسانی را خودکار کند. دو اتفاق می‌افتد:1- مدیران انگیزه‌ای برای بازطراحی کامل یک واحد ندارند وقتی فقط ۵ تا ۱۰ درصد وظایف از هوش مصنوعی استفاده می‌کند.2- اجرای کاربردهای بدون هدف بزرگ‌تر، باعث خستگی سازمانی می‌شود و وقتی کاربردهای ایجادشده مزیت رقابتی کمی دارند یا به‌راحتی توسط رقبا کپی می‌شوند، کارکنان بدبین یا دلسرد می‌شوند (در حالی که در رکیت، هدف بزرگ‌تر، افزایش رشد درآمد از طریق عرضه سریع‌تر محصولات جدید بود).در پیاده‌سازی هوش مصنوعی، شرکت‌ها باید راه رکیت را دنبال کنند؛ یعنی رویکرد «عمیق و متمرکز». این یک استراتژی غیرمعمول است: طبق نظرسنجی BCG در سال ۲۰۲۴ از ۱۰۰۰ مدیر ارشد، فقط ۴ درصد شرکت‌ها چنین رویکرد متمرکزی را اتخاذ می‌کنند. اما این شرکت‌ها در بلندمدت دو برابر دیگران ROI کسب می‌کنند.براساس گفته مدیران رکیت: «ما که دهه‌ها در حوزه بازاریابی، استراتژی و فناوری فعالیت کرده‌ایم، از سال ۲۰۲۲ که هوش مصنوعی مولد معرفی شد، مشاهده کرده‌ایم رویکرد عمیق و متمرکز مزایای زیادی دارد. این رویکرد شما را وادار می‌کند اساساً بازتعریف کنید که کار چگونه در یک بخش انجام می‌شود؛ بهره‌وری را با تکیه بر نقاط قوت رقابتی افزایش می‌دهد و کشف روش‌های کاری جدید و منحصربه‌فرد را تسهیل می‌کند، روش‌هایی که تقلید آنها برای رقبا دشوار است. وقتی که در یک حوزه تسلط یافتید، می‌توانید آموخته‌ها را در حوزه‌های دیگر نیز پیاده کنید. وقتی برای اولین بار ایده «عمیق و متمرکز» را ارائه کردیم، بسیاری از مدیران آن را متناقض و حتی پرریسک‌تر از رویکرد «پهن و کم‌عمق» می‌دانستند. البته، این رویکرد اشتباه نیست؛ در زمان و هزینه صرفه‌جویی می‌کند و انجام چند آزمایش کم‌عمق و گسترده برای سنجش آمادگی سازمان قابل‌قبول است. اما باید درک کرد که کاربردهای کوچک و جدا از هم، تحول‌آفرین نیستند. بسیاری از مدیران نیز درباره سرمایه‌گذاری سنگین مورد نیاز برای بازطراحی فرایندها نگران بودند و از اینکه برخلاف تفکر رایج عمل کنند می‌ترسیدند، تفکری که می‌گوید برای موفقیت باید صدها پروژه هوش مصنوعی اجرا کنید. همچنین بسیاری از آنها هیچ‌گاه ارزیابی دقیق و صادقانه‌ای از قابلیت‌های اصلی و بلوغ داده شرکت انجام نداده بودند تا بفهمند کجا باید عمیق شوند؛ زیرا این کار را دشوار و زمان‌بر می‌دانستند. اما به‌مرور، بسیاری از همین بدبینان متوجه شدند که رویکرد عمیق و متمرکز منطقی‌تر است».در این مقاله گفته خواهد شد که چرا بسیاری از شرکت‌ها در پذیرش هوش مصنوعی مولد دچار سوءمدیریت می‌شوند. سپس راهنمایی ارائه خواهد شد که چگونه می‌توان برای پیاده‌سازی هوش مصنوعی، رویکرد عمیق و متمرکز را با موفقیت دنبال کنید. چرا باید «عمیق و متمرکز» عمل کرد؟رهبران معمولاً برای هر مورد استفاده از هوش مصنوعی، بازگشت سرمایه دقیق و قابل‌سنجش می‌خواهند. آن‌ها می‌گویند فقط وقتی بازگشت سریع سرمایه ثابت شد، باید هوش مصنوعی را در بخش‌های دیگر نیز گسترش داد. اما این نگاه، نحوه اثرگذاری هوش مصنوعی را نادیده می‌گیرد: ROI در کاربردهای مختلف، سرعت و شدت متفاوتی دارد. در شرکت‌هایی که به‌درستی از GenAI بهره گرفته‌اند، اثرگذاری ممکن است زمان‌بر باشد و نباید فقط با معیارهای کوتاه‌مدت سنجیده شود.در مقایسه با رویکرد «سطحی و گسترده»، پیاده‌سازی «عمیق و متمرکز» زمان و انرژی بیشتری می‌طلبد. اجرای همزمان آن در چندین حوزه تقریباً ناممکن است؛ زیرا نیازمند مدیریت تغییرات گسترده است. شما ابزارهای جدید وارد سازمان می‌کنید، فرایندهای کاری را تغییر می‌دهید، و حتی ساختار تیم‌ها و شیوه کار کردن افراد نیز باید تغییر کند. هر فناوری جدید مقداری یادگیری و سازگاری می‌خواهد، اما رویکرد عمیق فراتر از این‌هاست و نیازمند بازتصور کامل نحوه انجام کار است.رویکرد «عمیق و متمرکز» می‌تواند بر یک عملکرد یا یک فرایند انتها به انتها تمرکز کند. شرکت لورآل، بزرگ‌ترین غول آرایشی دنیا، مانند رکیت، هوش مصنوعی را فقط در عملکرد بازاریابی خود به‌کار گرفته است. در مقابل، بانک فرضی «اکمی» یک فرایند انتها به انتها، فرآیند وام مسکن، را دگرگون کرده است (اکمی اسمی واقعی نیست).فرایند اولیه این بانک بسیار پیچیده بود: مشاور وام اسناد را جمع‌آوری و به‌صورت دستی وارد سیستم می‌کرد؛ سپس کارشناس وام اسناد را بررسی می‌کرد و مدارک تکمیلی مانند گزارش‌های ملکی یا اطلاعات مناطق سیل‌خیز را نیز می‌افزود؛ در نهایت کارشناس ارزیابی، اعتبار متقاضی را می‌سنجید. اکنون هوش مصنوعی مولد همه اسناد وام را پردازش می‌کند و بانک یک رابط مکالمه‌ای هوش مصنوعی نیز ساخته است که کارشناسان با آن گفتگو می‌کنند و درخواست اجرای مدل‌های پیش‌بینی یا نوشتن توضیح رد یا پذیرش درخواست را می‌دهند. این رابط کار با مدل را ساده کرد و کارشناسان دریافتند دادن اطلاعات دقیق‌تر درباره شرایط مشتری، به بهبود نتایج کمک می‌کند. نتیجه این شد که بانک تصمیمات بهتری گرفت، سریع‌تر شد و پاسخ‌گویی به مشتری بهبود یافت. چگونه باید شروع کرد؟پیش از اجرای هوش مصنوعی مولد، باید تشخیص دهید کدام حوزه برای سازمان از نظر استراتژیک مهم‌تر است؛ زیرا هدف نهایی این است که هوش مصنوعی مزیت رقابتی موجود را تقویت کند. برای این کار چهار گام پیشنهاد می‌شود:4 گام پیشنهادیگام ۱: شناسایی بهترین فرصتهوش مصنوعی مولد یک فناوری همه‌منظوره است. طیفی از کاربردها دارد:· کارهای اداری و بهره‌وری مثل خلاصه‌سازی جلسات یا تولید اسلاید (کم‌ارزش از نظر مزیت رقابتی)؛· خلق ارزش و مدل‌های کسب‌وکار جدید؛· بازآفرینی حوزه[2]یعنی بازطراحی کامل یک عملکرد یا فرایند، جایی که تقریباً هر شرکت می‌تواند ارزش خلق کند.برای مثال، در بانک اَکمی، وام مسکن محصول استراتژیک بود و نقشی کلیدی در ارتباط با مشتری داشت. تیم، گام‌به‌گام فرایند را ترسیم کرد، نقاط قابل بازطراحی را یافت و با کمک GenAI فرایندی سریع‌تر و کارآمدتر ساخت. گام ۲: تشخیص حوزه‌های مزیت پایدارهدف از اجرای عمیق هوش مصنوعی باید یکی از این دو باشد:· تقویت یا حفاظت از یک مزیت رقابتی موجود· ایجاد مزیتی جدید که کپی کردن آن سخت باشدمثال لورآل[3]: لورآل با ترکیب تخصص خود در آرایش و ابزارهای قدرتمند GenAI، تجربه مشتری را تحول داد. چت‌بات «Beauty Genius» تحلیل پوست، توصیه محصول و برنامه شخصی ارائه می‌دهد. این موفقیت به دلیل سال‌ها سرمایه‌گذاری لورآل در AR و تحقیقات علمی پوست است. این سیستم در ۶ ماه، بیش از ۴۰۰ هزار مکالمه داشته و به واتس‌اپ نیز افزوده می‌شود. بسیاری تقلید خواهند کرد، اما هیچ‌کدام به اندازه لورآل داده و تحقیق ندارند.مثال IKEA: ایده آیکیا این است که با GenAI خدمات طراحی داخلی را بسیار ارزان‌تر و سریع‌تر کند. طراحان حرفه‌ای می‌توانند طرح اتاق را در ۱۰ دقیقه بسازند و سپس با تجربه خود آن را بهبود دهند، کاری که پیش‌تر چند روز زمان می‌برد. آیکیا از یک مزیت قدرتمند استفاده می‌کند: بزرگ‌ترین جامعه طراحان داخلی و هزاران پروژه واقعی که داده ارزشمند برای مدل فراهم می‌کند.گام ۳: انتخاب توالی درستGenAI می‌تواند بهره‌وری را افزایش دهد یا رشد ایجاد کند. هنگام اجرای عمیق و متمرکز پروژه، معمولاً شروع از صرفه‌جویی هزینه در یک حوزه منطقی‌تر است؛ زیرا سریع‌تر قابل‌دستیابی است.مثال رکیت: رکیت پنج پایلوت برای بهره‌وری بازاریابی اجرا کرد، مثل تحلیل کمپین‌های رسانه‌ای در چند ساعت به جای چند روز. پس از اثبات ارزش، شرکت:· تمامی 000,2 بازاریاب جهانی را بررسی کرد؛· ۳۰۰ وظیفه را شناسایی کرد؛· برای هر وظیفه میزان زمان و امکان اتوماسیون را سنجید؛· در نهایت حدود ۱۰۰ وظیفه را هدف قرار داد؛با انجام کارهای روتین توسط GenAI، بازاریاب‌ها توانستند کارهای تحلیلی عمیق‌تر انجام دهند. پس از اثبات صرفه‌جویی، مدیران کاربرد GenAI را برای اهداف رشد نیز تصویب کردند، مانند تبدیل بینش مشتری به نوآوری سریع‌تر محصول.اجرای عمیق و متمرکز به دلیل اثرگذاری بر کار روزمره کارکنان، مدیریت سخت‌تری می‌طلبد. 70 درصد چالش‌ها در زمینه مدیریت تغییر است و داده، 20 درصد و تکنولوژی 10 درصد از سهم چالش‌ها را به خود اختصاص می‌دهند.گام ۴: رصد رقباهمان‌طور که شما GenAI را برای تقویت مزیت خود به‌کار می‌گیرید، رقبایتان نیز چنین می‌کنند. سؤال حیاتی این است: «آیا رقبا می‌توانند با GenAI مزیت کلیدی شما را بازتولید کنند؟». حتی یک نسخه «به‌اندازه کافی خوب» می‌تواند خطرناک باشد. پس باید از GenAI طوری استفاده کنید که شکاف رقابتی را افزایش دهد، مثل کاری که لورآل با Beauty Genius کرد. اجرای جدی GenAI فرصت‌هایی برای تغییر نحوه کار آشکار می‌کند که باید آن‌ها را جدی گرفت. سخن پایانیما هنوز در روزهای ابتدایی هوش مصنوعی مولد و هوش مصنوعی عامل‌گرا هستیم، اما یک الگوی روشن از همین حالا دیده می‌شود. بیشتر شرکت‌ها هوش مصنوعی را به‌صورت گسترده و سطحی در سراسر سازمان به‌کار می‌گیرند؛ یعنی رویکردی «کم‌عمق و وسیع» اتخاذ می‌کنند و امیدوارند چند پایلوت بتواند ارزش قابل‌توجهی ایجاد کند. بسیاری از این تلاش‌ها بازگشت سرمایه ایجاد می‌کنند، اما در مجموع اثر آنها محدود و کوتاه‌مدت است، چون این نوع استقرارهای سطحی و گسترده به‌راحتی قابل تقلید هستند. در مقابل، رویکرد «عمیق و متمرکز» به‌صورت هدفمند نقاط قوت سازمان را تقویت می‌کند. شرکت‌هایی مانند IKEA، لورآل، رکیت و دیگران از این رویکرد برای بهبود عملکردها یا فرآیندهای پیچیده End-to-End استفاده کرده‌اند. آنها درباره اهداف هوش مصنوعی خود پرسش‌های سختی از خودشان پرسیدند. در برخی موارد، همین مسیر باعث شد خطوط کسب‌وکار جدیدی ایجاد کنند و نتایج این رویکرد ارزش تلاش انجام‌شده را داشته است. یک مطالعه BCG نشان می‌دهد شرکت‌هایی که از رویکرد عمیق و متمرکز استفاده می‌کنند، دو برابر شرکت‌هایی که رویکرد سطحی و گسترده دارند، بازگشت سرمایه به‌دست می‌آورند. ما پیش‌بینی می‌کنیم این فاصله در آینده بیشتر هم خواهد شد.[1] Reckitt[2] Domain Reinvention[3] L’Oréal Mohammad Peiravi Mohammad Peiravi Fri, 28 Nov 2025 20:40:12 +0330 https://virgool.io/@mohammad.peiravi/%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-%D8%A8%D8%B1-%D9%BE%D8%A7%DB%8C%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%85%D9%88%D9%84%D8%AF-y335ebygsxp4 فناوری‌های تحول‌آفرین به‌ندرت ظهور می‌کنند اما وقتی پدیدار می‌شوند، اقدام سریع در خصوص آنها اهمیت زیادی دارد. از سال ۲۰۲۲ که الگوریتم‌های هوش مصنوعی مولد معرفی شدند، بانک‌ها شروع به فعالیت در آن خصوص کردند و به بررسی پتانسیل آن‌ها در فعالیت‌های اصلی اعتباری پرداختند. اما پس از گذشت سه سال، نتایج به دست آمده یکسان نیست: برخی مؤسسات پیشرفت خوبی در به‌کارگیری این فناوری داشته‌اند، در حالی که برخی دیگر عقب مانده‌اند. این موضوع در مطالعه‌ جدید مک‌کینزی و انجمن بین‌المللی مدیران پرتفوی اعتباری (IACPM) نیز تأیید شده است. بانک‌ها برای تسریع در به‌کارگیری هوش مصنوعی مولد در حوزه اعتباری گام‌هایی برداشته‌اند، اما طبق یک نظرسنجی، بیشتر آن‌ها همچنان در ابتدای یک مسیر بلندمدت قرار دارند.هوش مصنوعی مولد اکنون برای بسیاری از بانک‌ها در اولویت استبرای سنجش میزان پیشرفت بانک‌ها در استفاده از هوش مصنوعی مولد در حوزه اعتباری، با مدیران ارشد ۴۴ مؤسسه مالی در سراسر جهان مصاحبه و نظرسنجی انجام شده است. در میان بانک‌هایی از مقیاس بسیار بزرگ تا منطقه‌ای، درباره عواملی که بر پذیرش این فناوری اثر می‌گذارند، کاربردهای آن و رویکردهایشان در مدیریت ریسک‌های فناوری سؤال شده است.پاسخ‌ها در یک نکته کاملاً روشن بودند: هوش مصنوعی مولد در حال نفوذ جدی در صنعت بانکداری است و حدود نیمی از رهبران ارشد آن را یک اولویت می‌دانند. در کاربردهای کلیدی مانند تصمیم‌گیری اعتباری و قیمت‌گذاری، تعداد رو به رشدی از مؤسسات، حداقل یک مورد استفاده را در حال پیاده‌سازی دارند. علاوه‌براین، کاربردهای اعتباری غالباً هم‌سطح یا حتی جلوتر از دیگر حوزه‌ها قرار می‌گیرند. مدیران اجرایی پتانسیل ویژه‌ای برای هوش مصنوعی مولد در سیستم‌های هشدار سریع، تصمیم‌گیری و پیشنهاد اعتبار و فعالیت‌های مرتبط با مشتری می‌بینند.با این حال، نگاه‌ها کاملاً مثبت نیست. بسیاری از بانک‌ها به دلیل تداوم تردید نسبت به منافع مالی این فناوری، محتاطانه عمل می‌کنند. نتیجه آن‌که تنها تعداد اندکی، عمدتاً بانک‌های بزرگ‌تر، جلوتر از بقیه حرکت کرده‌اند و اکثر بانک‌ها گزارش کرده‌اند که پیشرفت‌شان کمتر از حد انتظار بوده است.پاسخ‌دهندگان به نظرسنجی عوامل مختلفی را برای این رویکرد تدریجی ذکر می‌کنند. برای مثال، بسیاری از بانک‌ها هنوز مهارت‌ها، چارچوب‌ها و معماری‌های عملیاتی لازم برای پیاده‌سازی موفق هوش مصنوعی مولد را در اختیار ندارند. در پس این چالش‌ها، دو مانع ساختاری مشاهده می‌شود:تصمیم‌گیران بیش از حد روی کاربردهای ساده تمرکز کرده‌اند و به دنبال تحول در جریان‌های کاری پیچیده یا سفرهای end-to-end نیستند.بیشتر بانک‌ها تازه شروع به استفاده از هوش مصنوعی عامل‌محور کرده‌اند و نسخه‌ای از این فناوری که با استفاده از الگوریتم‌های تصمیم‌گیری می‌تواند اثرات میان‌بخشی مانند عملیات بخش میانی و جلویی در خطوط مختلف کسب‌وکار ایجاد کند، را استفاده می‌کنند.بانک‌هایی که این چالش‌های بنیادی را برطرف می‌کنند، در حال ایجاد یک مزیت رقابتی نسبت به سایرین هستند.جامعه مخاطبین مک‌کینزی در نظرسنجیمک‌کینزی در نیمه دوم سال ۲۰۲۴ با تصمیم‌گیرندگان ۴۴ مؤسسه مالی در سراسر جهان، مصاحبه و نظرسنجی انجام داد. پاسخ‌دهندگان شامل تعداد تقریباً برابر مدیران از بانک‌های خیلی بزرگ (Megabanks)، فوق‌منطقه‌ای (Super-regionals) و منطقه‌ای (Core regionals) بودند.بانک‌های خیلی بزرگ: بیش از ۱۰۰۰ میلیارد دلار داراییبانک‌های فوق‌منطقه‌ای: ۵۰۰ تا ۱۰۰۰ میلیارد دلار داراییبانک‌های منطقه‌ای اصلی: ۱۰۰ تا ۵۰۰ میلیارد دلار داراییهمچنین با شرکت‌های بیمه‌ای و بانک‌های توسعه‌ای نیز ارتباط برقرار شده است.بیشتر مؤسسات در حال تست کاربردهای اعتباری هستندبر اساس نظرسنجی مک‌کینزی، با توجه به فرصت‌های گسترده‌ای که برای خلق ارزش وجود دارد، ۵۲ درصد از مؤسسات، پذیرش هوش مصنوعی مولد را به‌عنوان یک اولویت مطرح کرده‌اند (شکل ۱). این یعنی مدیریت ارشد، توسعه موارد استفاده از هوش مصنوعی مولد را در اولویت قرار داده و این رویکرد را از طریق سرمایه‌گذاری و جذب نیرو، پشتیبانی کرده است. در مقابل، ۳۹ درصد از مؤسسات می‌گویند که به هوش مصنوعی مولد علاقه‌مندند، اما این موضوع هنوز در سطح یک اولویت روشن و رسمی قرار ندارد. همچنین ۹ درصد اذعان کرده‌اند که مدیران ارشد آن‌ها هنوز در این زمینه مشارکت فعال ندارند.شکل 1: مدیریت در اکثر مؤسسات، هوش مصنوعی مولد را در جایگاه یک اولویت قرار داده است.هوش مصنوعی مولد سه قابلیت بسیار کاربردی برای مؤسسات مالی فراهم می‌کند:خلاصه‌سازی (Concision): یعنی توانایی تبدیل حجم عظیمی از داده‌ها به محتوای قابل‌ هضم و مختصر.تولید محتواتعامل با مشتری: که عمدتاً از طریق ربات‌ها برای پشتیبانی از مدیران مشتریان و سایر کارکنان صورت می‌گیرد.در میان این سه قابلیت، بیشترین پیشرفت مؤسسات در نظرسنجی مربوط به خلاصه‌سازی است؛ به‌طوری که اکثر مؤسسات در حال آزمایش کاربردهای هوش مصنوعی مولد در فعالیت‌هایی مانند سیستم‌های هشدار زودهنگام و تصمیم‌گیری اعتباری هستند (شکل ۲). برای مثال، یک بانک توسعه‌ای چندجانبه در حال بررسی یک ابزار هوش مصنوعی مولد است که بتواند اسناد مرتبط با ارزیابی اعتباری را پیدا کند، آن‌ها را بخواند، خلاصه کند و نتیجه‌گیری ارائه دهد.شکل2: کاربردهای هوش مصنوعی مولد در اعتباردهی تجاری بسته به اندازه مؤسسه متفاوت است.هنگام آغاز یا توسعه‌ موارد استفاده، ۴۷ درصد از مؤسسات اعلام کرده‌اند که مهم‌ترین عامل برای آن‌ها، وعده‌ افزایش بهره‌وری است. پس از آن، نیازهای کسب‌وکار و تطابق با مقررات قرار دارند که به ترتیب توسط ۴۴ درصد و ۲۵ درصد پاسخ‌دهندگان ذکر شده‌اند (شکل ۳).نکته قابل توجه این است که نیمی از مؤسسات، بازگشت سرمایه را یک عامل مهم نمی‌دانند و آن را کم‌اهمیت‌ترین معیار در تصمیم‌گیری برای اولویت‌بندی معرفی کرده‌اند. یکی از دلایل این موضوع می‌تواند این باشد که در مراحل اولیه، راه ساده‌ای برای محاسبه تأثیرات مالی وجود ندارد.شکل 3: بهبود بهره‌وری مهم‌ترین عامل در آغاز یا توسعه موارد استفاده است.جالب اینکه بانک‌های منطقه‌ای از نظر استقرار هوش مصنوعی مولد، از همه جلوتر هستند و حتی از مگابانک‌ها نیز در تعداد موارد استفاده پیشی گرفته‌اند (شکل ۴). علاوه‌براین، بانک‌های منطقه‌ای اصلی (Core Regionals) در مرحله ایده‌پردازی و برنامه‌ریزی نیز بیشترین پیشرفت را داشته‌اند.بر اساس نتایج نظرسنجی، تعداد بسیار کمی از موارد استفاده به مرحله استقرار کامل رسیده‌اند. با این حال، برخی از آن‌ها نسبت به بقیه پیشرفت بیشتری داشته‌اند. برای مثال، ۲۴ درصد از مؤسسات، موارد استفاده «موردی Ad-Hoc» را به‌طور کامل پیاده‌سازی کرده‌اند (شکل ۵). در این زمینه، چندین بانک گزارش داده‌اند که دستیارهای مجازی مبتنی بر مدل‌های زبانی بزرگ (LLM) را برای کاربردهایی مانند پردازش اسناد (تبدیل PDF، دیجیتالی‌سازی) و انجام سریع پرسش ‌و پاسخ راه‌اندازی کرده‌اند.همچنین، در حالی که هیچ بانکی هنوز به استقرار کامل در زمینه تلفیق و خلاصه‌سازی اطلاعات برای تصمیم‌گیری اعتباری نرسیده است، ۲۷ درصد از مؤسسات در مرحله پایلوت قرار دارند. موارد استفاده مرتبط با تولید محتوا مانند نگارش یادداشت‌های اعتباری و ارزیابی داده‌ها نیز از جمله کاربردهایی هستند که بیشترین تعداد پایلوت را به خود اختصاص داده‌اند. شکل 4: بانک‌های منطقه‌ای در استقرار (فناوری) پیشتاز هستند.شکل 5: استقرار کامل در بیشتر موارد استفاده نادر است.چالش‌ها و رویکرد محتاطانه بانک‌ها۴۱ درصد از پاسخ‌دهندگان نظرسنجی اعلام کرده‌اند که مشکلات اعتبارسنجی مدل‌ها آن‌ها را عقب نگه داشته است؛ یکی از دلایل ذکرشده، کمبود داده‌های معتبر و پیشین برای ارزیابی عملکرد مدل‌ها است. محدودیت‌های دیگر شامل دخیل بودن تعداد زیادی ذی‌نفع در پروژه‌ها و چالش‌های زیرساختی مانند زمان و بودجه مورد نیاز (برای مثال ایجاد توان محاسباتی برای توسعه و نگهداری) است. همچنین، ریسک‌های داده‌ای و الزامات تطبیق با مقررات به‌عنوان موانع رایج ذکر شده‌اند. در چنین شرایطی، به‌ویژه زمانی که موارد استفاده، نتایج حاشیه‌ای تولید می‌کنند، حرکت آهسته است.در مجموع، بیش از یک سوم (۳۶ درصد) پاسخ‌دهندگان معتقدند که پتانسیل بلندمدت هوش مصنوعی مولد را می‌شناسند اما به پذیرش تدریجی باور دارند. این رویکرد عمدتاً با راه‌اندازی پایلوت‌های کوچک و موارد استفاده محدود و تمرکز بر کاهش ریسک قبل از مقیاس‌دهی، مشخص می‌شود. همچنین ۲۷ درصد خود را متعادل اما ریسک‌آگاه توصیف می‌کنند، به این معنا که پتانسیل تحول‌آفرین هوش مصنوعی مولد را می‌شناسند ولی نسبت به ریسک‌ها هوشیار باقی می‌مانند.یک چالش اساسی‌تر به موضوع محدوده(Scope) بازمی‌گردد. بسیاری از بانک‌ها به جای تحول در سطح کل حوزه، در سطح خرد آزمایش می‌کنند و روی موارد استفاده منفرد تمرکز دارند. به عبارتی، آن‌ها پتانسیل هوش مصنوعی مولد برای بازتعریف عملیات، تعامل با مشتری و مدیریت ریسک را دست‌کم می‌گیرند.مقابله با چالش‌ها و ایجاد قابلیت‌هابانک‌ها در زمینه ایجاد پایه‌های لازم برای پذیرش عمیق‌تر هوش مصنوعی مولد پیشرفت‌هایی داشته‌اند.بر اساس نظرسنجی، بیشتر مؤسسات در حال جذب استعدادها (۸۷ درصد اعلام کردند که در حال استخدام کارشناسان فناوری هستند) و آموزش تیم‌های مدیریتی در زمینه هوش مصنوعی مولد و کاربردهای آن (۶۰ درصد) هستند و همزمان محیط‌ها و فرآیندهای امن ایجاد می‌کنند.بسیاری از بانک‌ها در حال ایجاد مراکز تعالی (Centers of Excellence) هستند که وظیفه توسعه و نگهداری معماری برنامه‌های هوش مصنوعی مولد، مدیریت فرآیندهای پلتفرم و استقرار و ایجاد چارچوب‌ها، کتابچه‌ها و راهنماها را بر عهده دارند. از نظر زیرساخت و فناوری، ۳۱ پاسخ‌دهنده گفته‌اند که محیط‌ها و SandBox ‌های امن برای آزمایش و توسعه ایجاد کرده‌اند. سایر بانک‌ها کارگاه‌هایی را برگزار می‌کنند، با کارشناسان بیرونی همکاری دارند و پروتکل‌ها و چارچوب‌های حکمرانی برای تعادل بین تست و مدیریت ریسک ایجاد کرده‌اند.در حوزه ریسک، بسیاری از مؤسسات بر امنیت داده‌ها تأکید دارند و محافظ‌هایی برای جلوگیری از دسترسی غیرمجاز به داده‌ها ایجاد کرده‌اند. آن‌ها برنامه‌های آموزشی جامع برای کاربران در زمینه کتابخانه‌های پرامپت(Prompt) و اعتبارسنجی نتایج دارند. همزمان، برنامه‌های مدیریت تغییر، نظارت انسانی بر نتایج تولیدشده توسط هوش مصنوعی و هوش مصنوعی مولد و فرآیندهای تأیید سختگیرانه برای موارد استفاده شامل داده‌های داخلی یا خروجی‌های سایر ارگان‌ها را اجرا می‌کنند. در خصوص موضوعاتی که موارد استفاده ممکن است بر مشتریان تأثیر بگذارد یا نیازمند تطابق با مقررات باشد، بسیاری از بانک‌ها موانع تأیید سختگیرانه ایجاد می‌کنند. برای مقابله با خطاها، آن‌ها ارزیابی عملکرد، تست مجدد و بازخورد مداوم کاربران را انجام می‌دهند.تقریباً همه مؤسسات با ارائه‌دهندگان فناوری خارجی همکاری می‌کنند. در واقع، ۸۰ درصد از پاسخ‌دهندگان به نظرسنجی، دسترسی به راه‌حل‌های خارجی دارند و اکثر آن‌ها محافظ‌هایی برای حفاظت از خود ایجاد کرده‌اند، مانند محدود کردن دسترسی به بخشی از همکاران یا از طریق دستورالعمل‌های داخلی و آموزش امنیت داده.اقدام عملی: پنج گام برای تسریع مسیر پذیرشبا اینکه بسیاری از چالش‌هایی که در سال ۲۰۲۳ شناسایی شدند همچنان برای تعامل بانک‌ها با هوش مصنوعی مولد مهم هستند، نشانه‌هایی وجود دارد که مؤسسات پیشرو در حال یافتن راهی برای تعادل بین ریسک و پاداش هستند. بسیاری از بانک‌ها از رویکرد دوگانه استفاده می‌کنند: هم ایجاد پایه‌های اولیه و هم اولویت‌بندی اقداماتی که پذیرش را تسریع می‌کنند. در ادامه، پنج گام کلیدی در این مسیر آورده شده است:همسو شدن با ذی‌نفعان: اولویت اولیه مؤسسات پیشرو، اطمینان از همسویی کامل با همه ذی‌نفعان مرتبط است. آن‌ها به صورت فعال با ذی‌نفعان بیرونی تعامل دارند و در داخل سازمان نیز اهمیت پذیرش هوش مصنوعی مولد را روشن کرده و آن را با سرمایه‌گذاری در ابزارها و زیرساخت‌ها حمایت می‌کنند.استانداردسازی داده‌ها برای تسهیل استقرار: مدیران تلاش می‌کنند منابع داده را استاندارد و یکپارچه کنند تا تیم‌ها بتوانند به داده‌های بدون ساختار مانند اسناد متنی دسترسی داشته باشند. همچنین فرآیند آزمایش و استقرار end-to-end را با دقت برنامه‌ریزی می‌کنند و تا زمانی که برنامه طبق انتظار کار نکند، پیش نمی‌روند.ایجاد معماری راه‌حل مدولار: برای افزایش بهره‌وری توسعه و استقرار موارد استفاده، برخی پیشگامان هوش مصنوعی مولد، معماری مدولار راه‌حل را پیاده‌سازی می‌کنند؛ یعنی محصولاتی با اجزای تعریف‌شده و قابل تعویض طراحی می‌کنند. با این رویکرد استاندارد، می‌توانند چندین مورد استفاده را همزمان دنبال کنند و اتصالات قابل ‌سفارشی‌سازی در لایه‌های مختلف ایجاد کنند.انتخاب فرصت‌های کم‌ریسک: برای کسب موفقیت‌های اولیه و جلب حمایت، شرکت‌های پیشرو ابتدا روی موارد استفاده کم‌ریسک تمرکز می‌کنند. به عنوان مثال، توسعه ربات‌های داخلی را اولویت‌بندی می‌کنند و با رویکرد آزمایش و یادگیری، امکان‌پذیری را قبل از مقیاس‌دهی بررسی می‌کنند.استقرار هوش مصنوعی عامل‌محور: برای بهره‌گیری واقعی از ارزش‌ها، هوش مصنوعی عامل‌محور می‌تواند نقش مهمی ایفا کند و سازمان‌ها را از کاربردهای ایستا مانند نگارش یادداشت به سمت تحول حوزه‌ای جذاب هدایت کند. در تحول حوزه‌ای، یک عامل تعاملی هدایتگر، کاربران را در فرآیند راهنمایی کرده و خروجی‌ها را بر اساس ورودی آن‌ها بهینه می‌کند.برای مثال، در فرآیند اعتبارسنجی، یک عامل هوش مصنوعی می‌تواند مدیر ارتباط با مشتری را از درخواست جدید مطلع کرده و پیش‌نویس ایمیل شخصی‌سازی‌شده برای جذب مشتری در عرض چند ثانیه ایجاد کند. در مکالمات با مشتری، عامل هوش مصنوعی می‌تواند نکات کلیدی را در زمان واقعی ثبت کرده، تحلیل‌ها یا اسناد مرتبط را ارائه دهد و بینش‌های عملیاتی فراهم کند. پس از مکالمه، عامل هوش مصنوعی می‌تواند لیست کارهای شخصی‌سازی‌شده تولید کند تا مدیر ارتباط با مشتری به‌طور مؤثر مواد لازم برای بازبینی با تیم اعتباری را آماده کند. هنگامی که این روش در کل فرآیند تأیید وام اعمال شود، اثرات گسترده‌ای ایجاد می‌کند و تجربه مشتری و کارکنان را بهینه کرده و بهره‌وری و کارایی را در مقیاس سازمان افزایش می‌دهد.نتیجه‌گیریبانک‌ها گام‌هایی برای تسریع پذیرش هوش مصنوعی مولد در کسب‌وکار اعتباری برداشته‌اند، اما نتایج نظرسنجی نشان می‌دهد که اکثر آن‌ها همچنان در مسیر یادگیری و توسعه هستند. در بسیاری از مؤسسات، هنوز تردید قابل‌توجهی نسبت به توانایی فناوری در افزایش بهره‌وری وجود دارد که غالباً منعکس‌کننده تجربیات گذشته است، زمانی که اجرای فناوری‌ها به نتایج مورد انتظار نرسیده بود. به همین دلیل، بانک‌های پیشرو رویکردی استراتژیک اتخاذ کرده‌اند و مطمئن می‌شوند که فناوری، استعدادها و سازه‌های عملیاتی لازم برای جلب اعتماد ذی‌نفعان قبل از مقیاس‌دهی فراهم شده است. بسیاری همچنین از قابلیت‌های تصمیم‌گیری هوش مصنوعی عامل‌محور بهره می‌برند و نتایج مثبت را نه فقط در خطوط کسب‌وکار منفرد بلکه در سراسر سازمان مشاهده می‌کنند. Mohammad Peiravi Mohammad Peiravi Tue, 18 Nov 2025 13:49:26 +0330 https://virgool.io/@mohammad.peiravi/%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D8%A7%DB%8C%D8%B1%D8%A7%D9%86-%D8%B3%D8%B1-%D8%AF%D8%B1-%DA%AF%D9%85-%D8%A8%DB%8C%D9%86-%D8%B1%DA%AF%D9%88%D9%84%D8%A7%D8%AA%D9%88%D8%B1%D9%87%D8%A7-ja6g8fkzuku0 اقتصاد دیجیتال ایران، هر روز با مشکلی روبه‌رو است. از ممنوعیت فعالیت اپلیکیشن‌های دارو و درمان تا واگذاری فعالان حوزه حمل‌ونقل به شهرداری و نیز ممنوعیت و فیلتر کردن کسب‌وکارهای اینترنتی، همه و همه باعث شده است تا این بخش از اقتصاد، جایگاه مناسبی نداشته باشد. به این موارد، دستورالعمل‌های محدودکننده گاه‌وبی‌گاه رگولاتورهای مختلف را هم باید اضافه کرد. از طرفی، دولت هم به اهمیت موضوع بازیگران اقتصاد دیجیتال آشناست، به گونه‌ای که در برنامه هفتم پیشرفت، سهم اقتصاد دیجیتال از تولید ناخالص ملی را 10 درصد هدف‌گذار نموده است و از سویی دیگر، در گزارشی که از سوی مرکز پژوهش‌های مجلس منتشر شد، سهم اقتصاد دیجیتال از کل اقتصاد کشور، 5 درصد عنوان شد. اما سؤال اینجاست که آیا بازیگران اقتصاد دیجیتال با چالش‌هایی که با آن دست و پنجه نرم می‌کنند، می‌توانند به این هدف‌ تعیین شده دست یابند؟ یا اگر بخواهند به هدف تعیین شده در اقتصاد دیجیتال برسیم، چه نیازمندی‌هایی باید برطرف شود؟صحبت در خصوص چالش‌های بازیگران اقتصاد دیجیتال، یک موضوع تکراری است. در طی چند سال اخیر، مصاحبه‌های مختلفی با صاحب‌نظران این حوزه صورت گرفته است و همه در وهله اول به موضوع رگولاتوری اشاره کرده‌اند. آنچه مشخص است، اقتصاد دیجیتال در ایران متولی مشخصی ندارد و هر ارگان و سازمانی نیز می‌خواهد ضمن ایجاد تولی‌گری این حوزه، در راستای رفع چالش‌های آن اقدام کند. این موضوع را در می‌تواند در ایجاد کمیسیون‌ها و کارگروه‌های مختلف اقتصاد دیجیتال در وزارت‌خانه‌های مختلف و نیز نشست‌هایی با بازیگران اقتصاد دیجیتال می‌توان مشاهده کرد. اما خروجی این نشست‌ها و کارگروه‌ها هنوز مشخص نیست. شاید یکی از چالش‌های موجود برای یک بخش خاص از این اکوسیستم را برطرف کرده باشند ولی در دراز مدت اقدام قابل توجه و مؤثری وجود ندارد. شاید یکی از دلایل این اقدامات مقطعی این نکته باشد که اقتصاد دیجیتال منحصر به یک حوزه خاص مثل فناوری اطلاعات و ارتباطات، اقتصاد و یا بهداشت و درمان نمی‌شود. این تفاوت دیدگاه‌ها باعث می‌شود که نتوان چالش‌های اقتصاد دیجیتال را ریشه‌ای برطرف کرد. به بیان دیگر، باید به اقتصاد دیجیتال از منظر چند وزارتی نگاه کرد که در برخی از زمینه‌ها، این وزارت‌خانه‌ها تضاد یا هم‌پوشانی دارند. هر وزارت‌خانه، در حوزه داده و پلتفرم، بخشی از اختیارات را برای خود می‌خواهد. برای همین نمی‌توان یک طرفه به موضوع چالش‌ها نگاه کرد.اما راه‌حل چیست؟ تجربه کشورهای جهان در خصوص رگولاتوری و رفع چالش‌های اقتصاد دیجیتال چگونه بوده است؟ در امارات متحده عربی، وزارتخانه‌ای با عنوان «هوش مصنوعی، اقتصاد دیجیتال و کاربردهای دورکاری» ایجاد شده است که مسئول سیاست‌گذاری اقتصاد دیجیتال است. از سویی دیگر در این کشور، نهاد رگولاتوری «ارتباطات و دولت هوشمند» مسئول مقررات گذاری و نظارت بر بخش ارتباطات و دولت دیجیتال است. در انگلستان، مانند ایران، نهادهای مختلفی در رگولاتوری اقتصاد دیجیتال دخیل هستند. در این کشور، رگولاتور حوزه ارتباطات، سازمان رقابت و بازار، مرجع راهبرد حوزه مالی و چند رگولاتور دیگر، نهادی را با عنوان «انجمن همکاری در تنظیم‌گری دیجیتال» تشکیل داده‌اند و هماهنگ‌سازی چشم‌انداز تنظیم‌گری از طریق اشتراک دانش، توسعه قابلیت‌های مشترک، افزایش بهره‌وری در نحوه فعالیت رگولاتورها و کاهش بارهای غیرضروری برای کسب‌وکارها، اتخاذ رویکردی منعطف و نوآورانه در حوزه تنظیم‌گری، تعامل و شفافیت و هماهنگی در آینده‌پژوهی را به عنوان اهداف خود اعلام کرده‌اند. در ترکیه اما شرایط به گونه‌ای دیگر است. در این کشور، دفتری با عنوان «تحول دیجیتال» زیر نظر ریاست‌جمهوری ترکیه مسئول سیاست‌گذاری تحول دیجیتال و دیجیتالی‌سازی دولت است.بررسی تجربه کشورهای جهان نشان می‌دهد که جهان نیز در حال یادگیری و یافتن مدل بهینه برای رگولاتوری اقتصاد دیجیتال است و هنوز یک ساختار مدون و مشخص برای رگولاتوری این حوزه مشخص نشده است. با این حال، همه تجربیات نشان می‌دهد که نهادها یا شوراهای تشکیل شده، به دنبال تسهیل‌گری در اقتصاد دیجیتال هستند. موضوعی که شاید در کشور کمتر به آن توجه شده است.راه حل مناسب برای ایران چیست؟ آیا لازم است تعداد نهادهای اقتصاد دیجیتال در کشور افزایش یابد یا باید رگولاتوری در حوزه تخصصی اقتصاد دیجیتال ایجاد شود؟ یا با تغییر عنوان یک وزارتخانه و اضافه کردن «اقتصاد دیجیتال» به آن، می‌توان چالش‌های اقتصاد دیجیتال را برطرف کرد و تا حدی در فعالیت بازیگران ان تسهیل‌گری کرد؟سپردن رگولاتوری اقتصاد دیجیتال به دولت در کنار منافع، چالش‌هایی را نیز به همراه دارد. در برخی از حوزه‌های اقتصاد دیجیتال، رگولاتور خود بازیگر آن حوزه است و تصمیماتش روی کسب‌وکارها تأثیر دارد. رگولاتوری اقتصاد دیجیتال در جهان معمولاً ترکیبی از نهادهای دولتی، نهادهای خصوصی و چارچوب‌های چند ذینفعی است که شاید بتوان از آن با عنوان رگولاتور مشارکتی نام برد. اما ورود دولت به این بخش، ضمن امکان تنظیم‌گری فرابخشی، ایجاد یکپارچگی در تصمیمات، ایجاد قدرت اجرایی در تصمیمات و حمایت از کسب‌وکارهای نوپا می‌تواند با چالش سیاسی شدن اقتصاد دیجیتال، خطر انحصار دولتی در سیاست‌گذاری و یا کندی در تصمیمات و سیاست‌گذاری همراه باشد. شاید بهتر باشد در این خصوص رگولاتوری اقتصاد دیجیتال، این وظیفه در قالب «خودتنظیم‌گری» به بازیگران سپرده شود. این روش، چابکی در تصمیم‌گیری و نزدیکی به واقعیت و اعتمادسازی در بازار را به همراه دارد ولی باید برای تضاد منافع آن فکری اندیشید.در نهایت، اقتصاد دیجیتال در ایران، سر در گم بین تصمیم‌گیرانی است که نظراتشان در تضاد با یکدیگر است. اقتصاد دیجیتال ایران نه یک رگولاتور واحد دارد، نه یک هماهنگ‌کننده و نه یک مدل تعامل پایدار که صدای بازیگران را بشوند و آنرا تبدیل به سیاست مناسب در راستای تسهیل فعالیت آنها کند. همین نکته باعث می‌شود فعالیت در این حوزه محدود‌کننده و گاهی سخت باشد. اقتصاد دیجیتال ایران بیش از هر چیز اسیر چندگانگی تصمیم‌گیری، تعارض مقررات و نبود یک معماری حکمرانی واحد است. این وضعیت نه تنها مسیر رشد شرکت‌های فناوری و استارتاپ‌ها را دشوار کرده، بلکه کشور را از فرصت‌های بزرگ تحول دیجیتال در حوزه‌هایی مانند فین‌تک، اقتصاد پلتفرمی، هوش مصنوعی، تجارت الکترونیک، داده‌محوری و اقتصاد خُرد دور کرده است.https://peivast.com/p/247993 Mohammad Peiravi Mohammad Peiravi Sun, 16 Nov 2025 12:21:10 +0330 https://virgool.io/@mohammad.peiravi/%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D9%87%D8%B3%D8%AA-%D8%A7%D9%85%D8%A7-%D8%AA%D8%AC%D8%B1%D8%A8%D9%87-%D9%86%DB%8C%D8%B3%D8%AA-p0yqtkjbsvbq صنعت بانکی کشور چند سالی است که در مسیر دیجیتالی شدن قدم برداشته است و در این مسیر، فناوری‌هایی مانند بلاکچین و نیز توسعه فناوری‌های تحول‌آفرینی مثل هوش مصنوعی باعث شده است که بانک‌ها به دنبال ایجاد زیرساخت‌های جدیدی برای ارائه خدمات باشند. در این میان، بروز اتفاقاتی مانند هک بانک‌های کشور، ایجاد راهکارهایی مبتنی بر فناوری‌های جدید را سرعت بخشیده است. اما با همه این تغییرات و تحولات این سؤال مطرح می‌شود که «آیا صنعت بانکی کشور در مسیر دیجیتالی شدن، اقدامات مناسبی داشته است؟». در پاسخ به این سؤال، با بررسی وضعیت موجود بانک‌های کشور به این جواب خواهیم رسید که صنعت بانکی در مسیر دیجیتالی شدن قرار دارد ولی این تحول به صورت کامل مشتری محور نشده است. به این معنی که از منظر بانک‌ها، اقدامات اولیه در تحول دیجیتال انجام شده است و حداقل کانال‌های دسترسی به خدمات و نیز ارائه خدمات پایه به صورت دیجیتالی ارائه می‌شود ولی از منظر مشتری، این خدمات مناسب‌سازی نشده است. مشتریان بانک‌ها، چه مشتریان حقیقی و چه مشتریان حقوقی، متقاضی دریافت خدمات تجربه‌محور، شخصی‌سازی‌شده و اکوسیستمی که مشتری را در مرکز قرار دهند، هستند که این خدمات به طور گسترده پیاده‌سازی و تجاری نشده‌اند. این نکته مهم است که از نگاه مشتری، چه خدماتی اگر از سوی بانک ارائه شود باعث می‌شود حس رضایت‌مندی را در مشتری ایجاد خواهد کرد. به همین خاطر در این مطلب، به بررسی برخی از خدماتی که بانک‌ها می‌توانند به مشتریان حقیقی و حقوقی ارائه دهند می‌پردازیم. خدمات مورد نیاز مشتریان حقیقیبا وجود توسعه اپلیکیشن‌های موبایلی و بانکداری اینترنتی، تجربه مشتریان خرد همچنان در سطح ارائه خدمات پایه باقی مانده است. بیشتر بانک‌ها صرفاً امکان مشاهده موجودی، انتقال وجه و پرداخت قبوض را فراهم کرده‌اند و برخی نیز با همکاری فین‌تک‌ها به سمت ارائه خدماتی مانند BNPL و خرید اقساطی حرکت کرده‌اند. موضوع وام‌دهی هم تقریباً در همه اپلیکیشن‌های بانکی وجود دارد ولی شخصی‌سازی شده نیست و همه مشتریان به یک روش دسترسی به این خدمات را دارند. این در حالی‌ است که مشتریان به‌دنبال خدمات مالی هوشمند، شخصی‌سازی‌شده و ساده هستند. مشتریان خرد انتظار دارند که بانک‌ها در کنار خدمات پایه، مدیریت مالی شخصی‌سازی شده، پیشنهادهای مالی و وفادارسازی هدفمند و مشاوره سرمایه‌گذاری و پس‌انداز هوشمند را دریافت نمایند.در خصوص مدیریت مالی شخصی‌سازی شده مشتریان انتظار دارند در قالب سامانه‌ای که بانک در اختیارشان قرار می‌دهد بتوانند هزینه‌های خود را تحلیل کرده و با تعریف بودجه ماهیانه و براساس الگوی خرج‌کرد که داده‌های آن سمت بانک و PSPها موجود است، مشاوره‌های مالی از بانک دریافت کنند. در حال حاضر، اغلب بانک‌های ایرانی صرفاً گزارش تراکنش ارائه می‌کنند و هیچ راهکار هوشمندی برای تحلیل رفتار مالی مشتری وجود ندارد. از سویی دیگر، با توجه به دسترسی بانک‌ به داده‌های مالی مشتریان، می‌توانند پیشنهاد مالی مانند سرمایه‌گذاری خرد یا دریافت تسهیلات ارائه نمایند. ارائه خدمات مشاوره خودکار با در نظر گرفتن اصول بانکداری اسلامی و ریسک‌پذیری مشتریان می‌تواند تجربه جدیدی در سرمایه‌گذاری دیجیتال ایجاد کند. در حال حاضر، این خدمت نیز توسط بانک‌ها یکپارچه نیست و ارائه آن می‌تواند به ایجاد وفاداری در مستریان کمک کند.خدمات موردنیاز کسب‌وکارهادر سال‌های اخیر، با گسترش فناوری‌های دیجیتال و تغییر رفتار مشتریان حقوقی، مفهوم بانکداری شرکتی دچار دگرگونی شده است. دیگر صرف ارائه حساب جاری و تسهیلات کافی نیست و شرکت‌ها به دنبال تجربه‌ای هوشمند، سریع، یکپارچه و داده‌محور هستند. تحول دیجیتال در این حوزه زمانی معنا پیدا می‌کند که بانک‌ها بتوانند از شناخت دقیق مشتریان شرکتی آغاز کرده و تا مرحله ارائه تسهیلات و خدمات مالی پیشرفته ادامه دهند.کسب‌وکارها، به‌ویژه شرکت‌های کوچک و متوسط، هنوز تجربه‌ای یکپارچه و دیجیتال از خدمات بانکی ندارند. بیشتر فرآیندهای مرتبط با تسهیلات، ضمانت‌نامه‌ها و مدیریت نقدینگی به‌صورت سنتی و کاغذی انجام می‌شود. از سویی دیگر، در بانکداری شرکتی به ویژه در خدماتی مثل پایا و ساتنا، با اینکه این خدمات از طریق بانکداری الکترونیکی و اپلیکیشن‌ها قابل ارائه است ولی در برخی موارد نیاز به تأییدیه شعب بانکی نیز دارند که در روند ارائه خدمات، وقفه ایجاد می‌کند. با این توضیح، کسب‌وکارها در کنار دریافت خدمات سریع و بلادرنگ، به خدماتی از قبیل احراز هویت شرکتی (KYB)، اعتبارسنجی و تسهیلات، اتصال هوشمند به نظام مالیاتی و حسابداری و نیز تأمین مالی زنجیره تأمین نیاز دارند.احراز هویت شرکتی یکی از پایه‌های اصلی بانکداری دیجیتال برای شرکت‌ها است. در مدل سنتی، افتتاح حساب حقوقی و ارائه خدمات به شرکت‌ها مستلزم ارائه اسناد متعدد، امضاهای دستی، گواهی‌های کاغذی و حضور فیزیکی مدیران شرکت بود. این فرایند نه‌تنها زمان‌بر و پرهزینه است، بلکه امکان خطا، جعل یا ارائه اطلاعات ناقص نیز در آن وجود دارد. با ظهور فناوری‌های دیجیتال، احراز هویت شرکتی به سمت احراز هویت شرکتی هوشمند حرکت کرده است؛ مفهومی که بر پایه ترکیب داده‌های رسمی، تحلیل الگوریتمی و اتصال به پایگاه‌های ملی طراحی می‌شود. در این مدل، اطلاعات ثبتی شرکت از طریق سامانه‌های متمرکز (مانند سامانه ثبت شرکت‌ها، مالیات، بیمه و قوه قضاییه) به‌صورت برخط دریافت می‌شود و الگوریتم‌های اعتبارسنجی صحت و به‌روز بودن اطلاعات را بررسی می‌کنند. به این ترتیب، بانک می‌تواند در چند دقیقه مالکیت، ساختار سهام‌داری، هیئت‌مدیره، مجوزها و وضعیت فعالیت شرکت را تأیید کند. احراز هویت دیجیتال شرکت‌ها، علاوه بر تسهیل افتتاح حساب و شروع همکاری، زیربنای مبارزه با پول‌شویی، فساد و فرار مالیاتی نیز محسوب می‌شود. وقتی بانک‌ها به‌طور خودکار بتوانند ارتباط میان شرکت‌ها، اشخاص حقیقی مرتبط و الگوی تراکنش‌های مالی را تحلیل کنند، امکان شناسایی فعالیت‌های مشکوک به‌مراتب افزایش می‌یابد.پس از احراز هویت دقیق، گام بعدی در ارائه خدمات بانکی به شرکت‌ها، اعتبارسنجی و اعطای تسهیلات بر پایه داده‌های واقعی است. نظام‌های سنتی اعتبارسنجی عمدتاً بر مبنای ترازنامه‌های دستی و گزارش‌های مالی چند سال قبل طراحی شده‌اند، که هم به‌روزرسانی کندی دارند و هم از نظر تحلیلی ناقص‌اند. در مقابل، بانکداری دیجیتال امروز به سمت اعتبارسنجی پویا بر اساس داده‌های تراکنشی حرکت کرده است. به بیان ساده، رفتار مالی شرکت‌ها در تعامل با بانک، میزان گردش وجوه، تنوع مشتریان، پایداری درآمد، الگوی پرداخت مالیات و بیمه و حتی شاخص‌های غیرمالی مانند امتیاز رضایت مشتریان می‌تواند ورودی مدل‌های هوش مصنوعی برای اعتبارسنجی باشد. این تغییر رویکرد باعث می‌شود تسهیلات بانکی از حالت ایستا خارج شده و به سمت تصمیم‌گیری هوشمند و بلادرنگ برودعلاوه بر این، مدل‌های جدید تأمین مالی مانند «تسهیلات مبتنی بر جریان نقدی» یا «تأمین مالی فاکتوری» نیز در همین بستر امکان‌پذیر می‌شوند. در این حالت، بانک به‌جای تکیه بر وثایق سنگین، بر پایداری جریان نقد شرکت تمرکز می‌کند و به همین دلیل، کسب‌وکارهای کوچک و متوسط که دارایی فیزیکی زیادی ندارند، نیز می‌توانند به منابع مالی دسترسی پیدا کنند.یکی از چالش‌های اساسی شرکت‌ها در تعامل با بانک‌ها، عدم هم‌افزایی میان سیستم‌های بانکی و زیرساخت‌های مالیاتی و حسابداری است. شرکت‌ها معمولاً باید برای هر فعالیت مالی، از تسلیم اظهارنامه تا دریافت تسهیلات، چندین بار اطلاعات مشابه را در سامانه‌های مختلف ثبت کنند. این تکرار داده نه‌تنها زمان‌بر است، بلکه احتمال خطا و مغایرت را نیز افزایش می‌دهد. راه‌حل این مسئله، ایجاد اتصال هوشمند میان بانک، سازمان امور مالیاتی و نرم‌افزارهای حسابداری شرکت‌ها است. این نکته را هم در نظر داشته باشید که در حال حاضر با حضور شرکت‌های معتمد مالیاتی و سهامداری بانک‌ها در آنها، این راهکار قابل اجرا است.تجربه محوری در انتظار اشتراک‌گذاری داده در صنعت بانکی کشورصنعت بانکی ایران اگرچه در مسیر دیجیتالی شدن قرار دارد، اما برای رسیدن به «بانکداری دیجیتال واقعی» هنوز نیازمند یک تحول بنیادین در رویکرد خود است. بانک‌ها در سال‌های اخیر با توسعه ابزارها، اپلیکیشن‌ها و درگاه‌های نوین، توانسته‌اند بخشی از خدمات خود را به شکل آنلاین ارائه دهند، اما این اقدامات بیشتر در سطح دیجیتالی‌سازی فرآیندها باقی مانده و به خلق «تجربه مشتری» منسجم و هوشمند منتهی نشده است. ریشه این چالش در نبود جریان آزاد و امن داده میان نهادهای بانکی، مالی، بیمه‌ای و دولتی است. تا زمانی که داده‌ها در جزایر جداگانه نگهداری شوند و بانک‌ها از اشتراک‌گذاری اطلاعات با یکدیگر و با سایر بازیگران اکوسیستم مالی پرهیز کنند، طراحی تجربه‌های یکپارچه و شخصی‌سازی‌شده برای مشتری ممکن نخواهد بود. مشتریان خرد امروز به دنبال سادگی، شفافیت و راهکارهای هوشمند برای مدیریت زندگی مالی خود هستند؛ آن‌ها می‌خواهند تمام نیازهای مالی‌شان از پس‌انداز و سرمایه‌گذاری گرفته تا خرید قسطی یا اعتبار مصرفی، در یک بستر منسجم و متصل در دسترس باشد. از سوی دیگر، مشتریان حقوقی و کسب‌وکارها به کارآمدی، سرعت و ابزارهای داده‌محور برای مدیریت جریان نقد، مالیات، حسابداری و تأمین مالی زنجیره ارزش خود نیاز دارند. تحقق این نیازها بدون اتصال داده‌ها میان بانک‌ها، شرکت‌های پرداخت، پلتفرم‌های تجارت الکترونیک و نهادهای حاکمیتی ممکن نیست.در واقع، آینده بانکداری در گرو ایجاد زیرساخت‌های پلتفرمی و باز است؛ زیرساختی که در آن بانک‌ها نه صرفاً ارائه‌دهنده خدمات مالی، بلکه تسهیل‌گر جریان داده و خلق ارزش مبتنی بر داده باشند. زمانی که اشتراک‌گذاری داده با رعایت اصول امنیت، محرمانگی و رضایت مشتری نهادینه شود، بانک‌ها می‌توانند با استفاده از هوش مصنوعی و تحلیل داده، خدماتی شخصی‌سازی‌شده، توصیه‌محور و پیش‌نگر ارائه دهند. این تحول، تجربه مشتری را از تعامل با بانک به تجربه‌ای از همراهی هوشمند در تصمیم‌های مالی ارتقا می‌دهد.https://iranianfintech.ir/%d8%a8%d8%a7%d9%86%da%a9%d8%af%d8%a7%d8%b1%db%8c-%d8%af%db%8c%d8%ac%db%8c%d8%aa%d8%a7%d9%84%db%8c%d8%9b-%d9%81%d9%86%d8%a7%d9%88%d8%b1%db%8c-%d8%a7%d8%b3%d8%aa-%d8%a7%d9%85%d8%a7-%d8%aa%d8%ac%d8%b1/ Mohammad Peiravi Mohammad Peiravi Thu, 30 Oct 2025 09:08:15 +0330 https://virgool.io/@mohammad.peiravi/%DA%86%D8%B1%D8%A7-%D8%A7%D8%B3%D8%AA%D8%A7%D8%B1%D8%AA-%D8%A2%D9%BE-%D9%87%D8%A7-%D8%A8%D8%A7-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%84%D8%AA%DB%8C-%DA%A9%D8%A7%D8%B1-%D9%86%D9%85%DB%8C-%DA%A9%D9%86%D9%86%D8%AF-csmwfcfp6mo6 یکی از چالش‌های سازمان‌های دولتی، ایجاد زمینه‌های همکاری با استارت‌آپ‌ها و بازیگران اکوسیستم نوآوری است. سازمان‌های دولتی تا حدی به این نکته پی برده‌اند که جواب و راه‌حل مشکلاتشان همیشه در درون سازمان خودشان نیست و باید از ظرفیت اکوسیستم نوآوری در این خصوص استفاده کنند. اما با این وجود، تاکنون ارتباط مؤثری بین استارت‌آپ‌ها و شرکت‌های دولتی شکل نگرفته است. ژوبین علاقه‌بند در مصاحبه‌ای ویدیویی با پادکست «طبقه 16» به مقاومت‌های اولیه نهادهای سنتی در برابر استارتاپ‌ها اشاره کرده و نقل قولی از معاون حمل‌ونقل شهرداری را زمانی که ایشان مدیرعامل اسنپ بوده، بازگو کرد که به صراحت گفته بود: «من اگر می‌دانستم شما [اسنپ] قرار است چه کار کنید، از روز اول نمی‌گذاشتم اسنپ شروع به کار کند». از سویی دیگر، آقای حسام‌الدین آشنا در یکی از جلسات سخنرانی خود نیز گفته بود: «استارت‌آپ‌ها برای بخش خصوصی کار کردند ولی برای دولت کاری نکردند. دولت توان تعامل با استارت‌آپ‌ها را ندارد، حداکثر چیزی که دولت از استارت‌آپ می‌گیرد، خروجی‌ و محصولش است. این همه معاونت علمی دانش‌بنیان درست کرده، خروجی دانش‌بنیان برای دولت چه بوده؟». چه دلایلی باعث می‌شود که همکاری مناسبی بین استارت‌آپ‌ها و بخش دولتی شکل نگیرد؟ پاسخ به سؤالات اینچنینی تنها از یک منظر درست نیست. باید هم از سمت استارت‌آپ و هم از سمت دولت به موضوع نگاه کرد و عارضه‌یابی مسئله را از دیدگاه‌های مختلف انجام داد. اما حداقل پاسخ به این سؤال می‌تواند منتهی به راه‌کارهایی برای استفاده حداکثری از ظرفیت بازیگران نوآوری در بخش دولتی شود.بسیاری از استارت‌آپ‌ها در مسیر فعالیت خود، با تصمیم دشواری مواجه می‌شوند: آیا باید با بخش دولتی همکاری کنند یا خیر؟ تجربه‌ها و مشاهدات مختلف نشان می‌دهد که اغلب این همکاری‌ها یا هرگز آغاز نمی‌شوند یا اگر شروعی داشته باشند، به سرعت متوقف می‌شوند. دلایل این وضعیت پیچیده است و در هم‌تنیدگی عوامل ساختاری، فرهنگی و اقتصادی باعث شده تا شکاف میان این دو بخش روزبه‌روز عمیق‌تر شود.از منظر استارت‌آپ‌ها:بروکراسی سنگین و انعطاف‌ناپذیر: اگر از سمت بازیگران نوآوری و استارت‌آپ‌ها به این مسئله نگاه کنیم، یکی از مهم‌ترین موانع، بروکراسیسنگین و انعطاف‌ناپذیر بخش دولتی است. استارت‌آپ‌ها ذاتاً بازیگرانی سریع، خلاق و فرصت‌جو هستند که در محیط‌های پویا و کم‌اصطکاک رشد می‌کنند. اما در برخورد با ساختارهای دولتی، ناگهان با سلسله ‌مراتب طولانی، فرم‌های بی‌پایان، فرآیندهای وقت‌گیر و الزامات قانونی پیچیده روبه‌رو می‌شوند. این تضاد ذاتی میان سرعت و انعطاف‌پذیری استارت‌آپی و کندی و محافظه‌کاری دولتی، بسیاری از تیم‌ها را از همان ابتدا از ورود به چنین همکاری‌هایی منصرف می‌کند.بی‌اعتمادی: عامل دیگر، بی‌اعتمادی متقابل است. بسیاری از کارآفرینان جوان نگران‌اند که اگر ایده یا طرح خود را به یک نهاد دولتی معرفی کنند، همان ایده بدون اجازه یا مشارکت آنها توسط تیم‌های داخلی همان نهاد اجرا شود. این ترس، بی‌پایه هم نیست؛ نمونه‌های متعددی وجود دارد که استارت‌آپ‌ها پس از ارائه راهکار خود، مشاهده کرده‌اند که پروژه مشابهی توسط واحد داخلی یا پیمانکاران سنتی همان سازمان اجرا شده است. چنین تجربه‌هایی خاطره‌ای تلخ به‌جا می‌گذارد و باعث می‌شود سایر فعالان اکوسیستم نوآوری نیز با احتیاط و تردید به این مسیر نگاه کنند.کمبود دانش و تجربه: در سوی دیگر، کمبود دانش و تجربه در بخش دولتی برای تعامل مؤثر با استارت‌آپ‌ها نیز یک مانع مهم است. بسیاری از مدیران و کارشناسان دولتی با سازوکارهای کاری و مدل‌های کسب‌وکار استارت‌آپی آشنا نیستند. آن‌ها اغلب با معیارها و روش‌های ارزیابی سنتی به پروژه‌ها نگاه می‌کنند و از ریسک‌پذیری لازم برای حمایت از ایده‌های نو برخوردار نیستند. در نتیجه، حتی اگر علاقه‌مندی اولیه‌ای وجود داشته باشد، فرآیند تصمیم‌گیری و تخصیص منابع به نحوی پیش می‌رود که با ماهیت سریع و نیاز به زمان‌بندی فشرده در استارت‌آپ‌ها همخوانی ندارد.کمبود سرمایه و تمامیت‌خواهی در بخش دولتی: موضوع سرمایه نیز بی‌تأثیر نیست. بخش دولتی معمولاً با محدودیت‌های بودجه‌ای مواجه است و حتی در مواردی که سرمایه کافی دارد، تمایل دارد مالکیت کامل یک کسب‌وکار را در اختیار بگیرد. چنین رویکردی با ذات همکاری و شراکت که استارت‌آپ‌ها انتظار دارند، مغایر است. برای یک کارآفرین، از دست دادن کنترل کامل بر محصول یا ایده‌اش، به معنای از دست دادن هویت و مسیر رشد کسب‌وکار است. از این رو، این شرط ضمنی که سرمایه‌گذار دولتی می‌خواهد «صاحب» پروژه شود، در بسیاری از موارد همکاری را از اساس منتفی می‌کند.رگولاتوری: رگولاتوری و قوانین نیز در این میان نقش بازدارنده‌ای دارند. فضای نوآوری نیازمند چارچوب‌های حقوقی شفاف، پیش‌بینی‌پذیر و به‌روز است. اما در بسیاری از حوزه‌ها، قوانین قدیمی، مبهم یا متناقض باعث سردرگمی فعالان می‌شود. یک استارت‌آپ وقتی نمی‌داند محصولش از نظر قانونی در چه دسته‌بندی قرار می‌گیرد یا چه مجوزهایی باید بگیرد، به جای ورود به همکاری‌های بزرگ، ترجیح می‌دهد در حاشیه و در مقیاس کوچک‌تر فعالیت کند تا از ریسک‌های حقوقی و مالی در امان باشد.تجربه «تهران هوشمند» نمونه‌ای روشن از این چالش‌هاست. در این پروژه، سایتی با عنوان «با هم» راه‌اندازی شد که هدفش استفاده از ظرفیت استارت‌آپ‌ها برای حل مشکلات شهرداری تهران بود. در این سایت، چالش‌های فناورانه بخش‌های مختلف شهرداری معرفی می‌شد تا استارت‌آپ‌ها بتوانند راهکارهای خود را ارائه دهند. در نگاه اول، این ایده گامی مثبت برای پیوند زدن نوآوری به مدیریت شهری بود. اما در عمل، یکی از بزرگ‌ترین موانع، همان بی‌اعتمادی بود. بسیاری از استارت‌آپ‌ها تمایلی به ارائه ایده‌های خود نداشتند، چون می‌ترسیدند که همان ایده بدون مشارکت آنها توسط تیم‌های داخلی شهرداری یا پیمانکاران موجود اجرا شود. این ترس باعث شد بخش بزرگی از ظرفیت بالقوه پروژه هرگز بالفعل نشود. این مسئله تنها به نهادهای شهری محدود نمی‌شود و تجربه‌های شخصی بسیاری از کارآفرینان نیز آن را تأیید می‌کند. سال ۱۳۸۶، ایده‌ای نو به ذهنم رسید که آن را با یک شرکت خصوصی مطرح کردم. پاسخ صریح آنها این بود که چون بخش خصوصی هستند، تا زمانی که از سوی رگولاتور مجبور به اجرا نشویم، چنین پروژه‌ای را پیش نمی‌بریم و بهتر است به سراغ بخش دولتی بروید. با این توصیه، به یک شرکت دولتی مراجعه کردم، اما آن‌ها گفتند که در حال همکاری با یک تیم از دانشگاه صنعتی شریف هستند و بهتر است ایده را با آن تیم در میان بگذارم. وقتی به تیم دانشگاهی مراجعه کردم، پاسخ این بود که خودشان در حال کار روی ایده مشابه هستند. نتیجه روشن بود: ایده من جایی برای رشد پیدا نکرد و این چرخه بسته، همان چیزی است که بسیاری از نوآوران تجربه کرده‌اند.از منظر بخش دولتی:اما از نگاه بخش دولتی، همکاری با استارت‌آپ‌ها و بازیگران نوآور با چالش‌هایی روبه‌روست که ماهیت آن با مشکلاتی که استارت‌آپ‌ها مطرح می‌کنند متفاوت است.قوانین و مقررات بالادستی در ایجاد زمینه‌های همکاری: یکی از مهم‌ترین این چالش‌ها به قوانین و مقررات بالادستی بازمی‌گردد. ساختار حقوقی و اداری حاکم بر بخش دولتی عمدتاً سنتی است و با مدل‌های نوین همکاری که در دنیای امروز رایج شده، تطابق چندانی ندارد. مدل‌هایی مانند اپراتوری، کارگزاری یا مشارکت‌های همکارانه مبتنی بر سرمایه‌گذاری مشترک، در بستر قوانین فعلی به‌سختی قابل اجرا هستند یا اصلاً تعریف مشخص و شفاف ندارند. همین مسئله باعث می‌شود هرگونه تلاش برای ایجاد یک ساختار مشارکتی میان بخش دولتی و استارت‌آپ‌ها با موانع قانونی و تفسیری متعدد مواجه شود.ارزش‌گذاری دارایی‌های استارت‌آپی: حتی در مواردی که بخش دولتی نگاه مثبتی به سرمایه‌گذاری خطرپذیر دارد و تمایل دارد در اکوسیستم نوآوری مشارکت کند، مسئله پیچیده‌تری پدیدار می‌شود: ارزش‌گذاری دارایی‌های استارت‌آپی. استارت‌آپ‌ها معمولاً بخش بزرگی از ارزش خود را در قالب دارایی‌های نامشهود مانند مالکیت فکری، الگوریتم‌های اختصاصی، برند، شبکه کاربران یا داده‌های خاص دارند. این نوع دارایی‌ها در نظام حسابداری و ارزش‌گذاری سنتی که بخش دولتی از آن استفاده می‌کند، جایگاه مشخص و قابل سنجشی ندارد. نتیجه این است که در فرآیند سرمایه‌گذاری، یا ارزش استارت‌آپ کمتر از واقع برآورد می‌شود یا به دلیل ابهام، اساساً تصمیم به سرمایه‌گذاری گرفته نمی‌شود. این فاصله مفهومی میان نظام مالی و سرمایه‌گذاری دولتی با ماهیت سرمایه‌های نوآورانه، یکی از گره‌های اصلی در توسعه همکاری‌ها به‌شمار می‌آید.اشتراک‌گذاری داده: چالش دیگر، موضوع به‌اشتراک‌گذاری داده‌ها است. بسیاری از پروژه‌ها و خدمات نوآورانه نیازمند دسترسی به داده‌های دقیق و گسترده‌ای هستند که تنها در اختیار نهادهای دولتی قرار دارد. این داده‌ها می‌توانند بستر خلق خدمات و محصولات نوآورانه شوند. اما برای تحقق چنین همکاری‌هایی، لازم است بخش دولتی چارچوب‌های حقوقی و امنیتی شفافی برای نحوه دسترسی، سطح اشتراک‌گذاری، حفظ محرمانگی و استفاده مسئولانه از داده‌ها تعریف کرده باشد. واقعیت این است که در حال حاضر، چنین چارچوبی در کشور یا وجود ندارد یا به اندازه کافی شفاف، اجرایی و مورد اعتماد طرفین نیست. در نبود این ساختار، بخش دولتی اغلب از اشتراک‌گذاری داده‌ها اجتناب می‌کند، زیرا نگرانی‌هایی درباره امنیت اطلاعات، حریم خصوصی شهروندان و حتی تبعات حقوقی و سیاسی احتمالی وجود دارد.راه‌حل چیست؟در مجموع، اگرچه از بیرون ممکن است تصور شود که بخش دولتی صرفاً با مقاومت یا بی‌میلی مانع همکاری با استارت‌آپ‌ها می‌شود، اما در عمل، بخشی از این مانع‌تراشی‌ها ریشه در همین چالش‌های ساختاری و قانونی دارد. تا زمانی که نظام حقوقی کشور مدل‌های نوین همکاری را به رسمیت نشناسد، ارزش‌گذاری دارایی‌های نامشهود در نظام مالی دولتی تعریف نشود و سازوکار شفاف و امنی برای اشتراک‌گذاری داده‌ها ایجاد نگردد، فاصله میان دو طرف پابرجا خواهد ماند. تنها با اصلاح این زیرساخت‌های حقوقی و فنی است که می‌توان انتظار داشت بخش دولتی و استارت‌آپ‌ها بتوانند در فضایی امن، شفاف و سودمند برای هر دو طرف با یکدیگر همکاری کنند.این زنجیره تجربه‌ها نشان می‌دهد که مشکل اصلی تنها یک عامل نیست، بلکه مجموعه‌ای از موانع ساختاری، فرهنگی و نهادی دست به دست هم داده‌اند تا فضای همکاری میان استارت‌آپ‌ها و بخش دولتی تنگ و محدود شود. از یک سو، کارآفرینان نیاز به اعتماد، سرعت، حمایت و سرمایه‌گذاری مشارکتی دارند. از سوی دیگر، نهادهای دولتی درگیر سازوکارهای پیچیده، نگاه مالکیت‌محور و قوانین محدودکننده هستند.اگر بخواهیم این وضعیت تغییر کند، باید از بازسازی این اعتماد آغاز کنیم. ایجاد سازوکارهای شفاف برای حفاظت از مالکیت فکری ایده‌ها، کوتاه کردن فرآیندهای تصمیم‌گیری، به‌روز کردن قوانین متناسب با تحولات فناوری، و تعریف مدل‌های سرمایه‌گذاری مشارکتی که مالکیت و کنترل را به‌طور متعادل تقسیم کند، می‌تواند گام‌های نخست باشد. علاوه بر این، آموزش مدیران و کارشناسان دولتی درباره ماهیت و نیازهای استارت‌آپ‌ها ضروری است. بدون درک متقابل، هر دو طرف همچنان در دایره‌ای از بدبینی و فرصت‌سوزی گرفتار خواهند ماند. در نهایت، تجربه‌های ناموفق گذشته نباید به عنوان دلیلی برای انصراف کامل از همکاری تلقی شود. بخش دولتی و استارت‌آپ‌ها هر دو در ساختن آینده کشور نقش دارند. فناوری‌های نو می‌توانند کیفیت خدمات عمومی را ارتقا دهند و از سوی دیگر، بخش دولتی می‌تواند با ایجاد بازارهای پایدار و حمایت هدفمند، موتور رشد نوآوری را تقویت کند. اما این تنها زمانی رخ می‌دهد که زبان مشترکی میان این دو شکل بگیرد؛ زبانی که در آن اعتماد، شفافیت و احترام به نقش و سهم هر طرف در مرکز قرار داشته باشد.https://iranianfintech.ir/%DA%86%D8%B1%D8%A7-%D8%A7%D8%B3%D8%AA%D8%A7%D8%B1%D8%AA%D8%A2%D9%BE%D9%87%D8%A7-%D8%A8%D8%A7-%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%84%D8%AA%DB%8C-%DA%A9%D8%A7%D8%B1-%D9%86%D9%85%DB%8C/ Mohammad Peiravi Mohammad Peiravi Wed, 27 Aug 2025 07:32:40 +0330 https://virgool.io/@mohammad.peiravi/%D9%86%D9%82%D8%B4%D9%87-%D8%B1%D8%A7%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%85%D9%88%D9%84%D8%AF-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%85%D8%A4%D8%B3%D8%B3%D8%A7%D8%AA-%D9%85%D8%A7%D9%84%DB%8C-omydrr6iz1lb 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 نقشه‌راهعناوین 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 مصنوعیمانند 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 آزمایشیارزیابی 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 فرآیندهاتجربیات 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 جزئیموفقیت‌های 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 مالیوظایف تحلیلی و پیش‌بینی‌کننده: این وظایف منطقی، مانند تعیین بهترین پیشنهاد برای ارائه به مشتری، مناسب هوش مصنوعی پیش‌بینی‌کننده هستند.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 طلاییاگرچه 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 فناوریپیشرفت‌های 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 سازمانیهوش 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 پلتفرمدر 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 مهارت‌هادر 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 مسیردستیابی 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:استراتژی: یک استراتژی جامع هوش مصنوعی که به ارزش‌های شرکت و همچنین استراتژی ریسک و اصول اخلاقی آن مرتبط باشد.حکمرانی: نظارت از سوی یک تیم رهبری هوش مصنوعی مسئولانه با مسیرهای شناسایی و کاهش ریسک مشخص.فرآیندها: فرآیندهای دقیق برای نظارت و بازبینی محصولات به منظور اطمینان از تطابق آن‌ها با معیارهای هوش مصنوعی مسئولانه.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.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 استمانند 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 Mohammad Peiravi Mohammad Peiravi Sun, 26 Jan 2025 14:39:41 +0330 https://virgool.io/@mohammad.peiravi/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B5%D9%86%D8%B9%D8%AA-%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-kf2ueaknpi7d 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 بانکداریبا 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:استفاده از هوش مصنوعی برای کمک به تصمیم‌گیری، به‌طور قابل‌توجهی بهره‌وری را از طریق ساخت معماری لازم برای تولید بینش‌های تحلیلی لحظه‌ای افزایش داده و آن‌ها را به پیام‌هایی که نیازهای دقیق مشتری را برطرف می‌کند، تبدیل می‌کند. بانک‌های پیشرو دیدگاه گسترده‌ای نسبت به نقش هوش مصنوعی دارند و این فناوری را نه تنها به‌عنوان ابزاری برای کاهش هزینه‌ها، بلکه به‌عنوان راهی برای افزایش درآمد و بهبود چشمگیر تجربه مشتری و کارکنان می‌بینند. هرچند این اقدامات ممکن است سریع راه‌اندازی شوند و ریسک پایینی داشته باشند، اما به‌تنهایی ارزش مالی قابل‌توجهی ایجاد نخواهند کرد.تیم‌های هوش مصنوعی همراه با یک مرکز کنترل مرکزی هوش مصنوعی که تصمیمات سازمانی را در بخش‌های مختلف هماهنگ می‌کند، حاکمیت و اتخاذ استانداردهای ریسک را تقویت کرده و قابلیت‌های هوش مصنوعی را قابل استفاده مجدد می‌سازد.نمونه‌هایی از مواردی که هوش مصنوعی می‌تواند بانکداری خرد را متحول کند. نمونه‌هایی از مواردی که هوش مصنوعی می‌تواند بانکداری خصوصی را متحول کندنمونه‌هایی از مواردی که هوش مصنوعی می‌تواند بانکداری شرکتی و تجاری را متحول کندنمونه‌هایی از مواردی که هوش مصنوعی می‌تواند بانکداری سرمایه‌گذاری را متحول کندسیستم‌های چندعاملیبانک‌هایی 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 کسب‌وکاریک 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.بانک‌ها می‌توانند ارزیابی مشتریان را با استفاده از ترکیبی از هوش مصنوعی نسل جدید، تحلیل‌های سنتی و ابزارها و پلتفرم‌های دیجیتال دوباره طراحی کنند. لایه تصمیم‌گیری، مغز سیستمبرای 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 مصنوعیدر 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. Mohammad Peiravi Mohammad Peiravi Sun, 19 Jan 2025 14:50:25 +0330 https://virgool.io/@mohammad.peiravi/%D8%B3%D8%A7%D8%AE%D8%AA-%DB%8C%DA%A9-%D8%A8%D8%A7%D9%86%DA%A9-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D8%A8%D9%87-%D8%B3%D8%B1%D8%B9%D8%AA-%D9%88-%D8%A8%D8%A7-%D8%AA%D8%A3%D8%AB%DB%8C%D8%B1%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D8%A8%D8%A7%D9%84%D8%A7-jkn01b7ajohv نئوبانک‌ها با اتخاذ رویکردی دیجیتال‌محور از همان ابتدای فعالیت خود، تجربه مشتری را در اولویت قرار می‌دهند و بر راحتی فوق‌العاده، کارمزدهای پایین و یکپارچگی بی‌نقص فناوری تمرکز دارند. آن‌ها به طور مداوم در حال بهبود فرایندها و خدمات هستند و با استفاده از فناوری، بازخورد مشتریان را به صورت مستقیم یا از طریق راهکارهای دیجیتال دیگر جمع‌آوری می‌کنند. سپس این اطلاعات را برای بهبود محصولات خود به کار می‌گیرند تا نیازهای در حال تغییر مشتریان را برآورده کنند.هر بانکی می‌خواهد یا نیاز دارد که یک بانک کاملاً دیجیتال داشته باشدنئوباک Nubank یک بانک دیجیتال که در سال ۲۰۱۳ تأسیس شده و دفتر مرکزی آن در سائوپائولو برزیل است، نمونه‌ای خوب از مزیت رقابتی نئوبانک‌ها ارائه می‌دهد. ده سال پیش، وقتی صحبت از بهره‌گیری از فناوری و دیجیتال به میان می‌آمد، بیشتر بانک‌های سنتی نوآور به ایجاد شتاب‌دهنده‌ها یا برنامه‌های انکوباتور داخلی فکر می‌کردند. رویکرد دیجیتال‌محور تفاوت چشم‌گیری با شیوه عملکرد بسیاری از بانک‌های سنتی دارد. این بانک‌ها اغلب بر سیستم‌های قدیمی پیچیده، با عملکردهای جزیره‌ای و بدون یکپارچگی بین کانال‌های دیجیتال و فیزیکی خود متکی هستند. در این شرایط، بسیاری از بانک‌های سنتی برای رقابت با نئوبانک‌ها تلاش می‌کنند و به دنبال بهبود خدمات دیجیتال خود هستند. ۲۵ درصد از بانک‌ها در حال ساخت یا فعالانه به دنبال ایجاد یک بانک دیجیتال یا فین‌تک جدید هستند.در حالی که خرید نئوبانک‌ها می‌تواند فناوری، نوآوری و استعدادهای جدیدی را به بانک بیاورد، هماهنگ‌سازی این قابلیت‌ها با عملیات، فرهنگ و اهداف استراتژیک بانک چالشی جدی محسوب می‌شود. برای راه‌اندازی یک نئوبانک، مدیران عامل باید به ده‌ها سؤال استراتژیک پاسخ دهند تا مشخص شود چرا و چگونه باید چنین پروژه‌ای را آغاز کنند.با وجود اینکه Shine به‌طور کامل تعطیل نشده است، بانک Société Generale در حال ادغام این پلتفرم با خدمات بانکی دیجیتال موجود خود است. این اقدام ممکن است باعث کم‌رنگ شدن هویت برند اصلیShine و کاهش جذابیت مستقل آن شود. از سوی دیگر، بانک Banque! که بر مشتریان جوان‌تر تمرکز داشت و امکاناتی مانند پرداخت‌های شخص به شخص و تجربه‌ای مبتنی بر موبایل ارائه می‌کرد، نتوانست در بازاری که رقبای باسابقه‌ای مانند N26 و Revolut بر آن تسلط داشتند، کاربران قابل‌توجهی جذب کند و در نهایت، در سال ۲۰۲۰ به طور آرام تعطیل شد.نئوبانک Bó، یکی دیگر از این نئوبانک‌هایی است که با مشکلات فنی و نظارت‌های نظارتی دست‌وپنجه نرم می‌کرد و در مقایسه با رقبا، ویژگی‌های کمتری ارائه می‌داد. علاوه بر این، توسعه کند این محصول باعث شد که تا زمان عرضه، اپلیکیشن از پیش قدیمی و ناکارآمد باشد.در سال ۲۰۱۳، بانک BNP Paribas، Hello bank! را به‌عنوان یک بانک دیجیتال مخصوص اروپایی‌ها راه‌اندازی کرد تا تجربه‌ای کاملاً دیجیتال و چابک ارائه دهد. اما فرآیند توسعه این پروژه چندین سال به طول انجامید و اگرچه Hello bank! همچنان فعال است، رشد آن محدود بوده و نتوانسته به یک بازیگر بزرگ در دنیای نئوبانک‌ها تبدیل شود. این بانک در رقابت با فین‌تک‌های سریع‌تر دچار چالش شد و عرضه کند خدمات در کشورهای مختلف موفقیت آن را محدود کرد. چرخه‌های طولانی توسعه، همراه با تغییرات سریع در چشم‌انداز فین‌تک، باعث می‌شود این پروژه‌ها تا زمان عرضه قدیمی شده یا توان رقابت با رقبای سریع‌تر و نوآورتر را نداشته باشند.بانکا (Banca): پروژه‌ای با جدول زمانی بسیار فشرده و اهدافی بلندپروازانهدر زمینه بانکداری دیجیتال، تلاش‌های مشابهی توسط بانک‌های دیگر انجام شده بود، اما در مقیاسی که بتواند پاسخگوی رقابت با نئوبانک‌ها باشد، موفقیتی حاصل نشده بود. در مرحله اول، تمرکز بانکا(Banca) بر کمک به مشتریان خود برای تعریف دقیق بازار نئوبانک و بازنگری در پیشنهاد ارزش بود. در این فرآیند، بانک تصمیم گرفت به‌دنبال ایجاد یک «بانک دیجیتال کامل، مقیاس‌پذیر و مقاوم، مبتنی بر فناوری ابری، با سیستم‌های پشتیبانی کاملاً خودکار و تجربه‌ای کاملاً موبایل‌محور» باشد.بانکا(Banca) با همکاری تیم بانک Salt کمک کرد تا یک پیشنهاد ارزش هدفمند ایجاد شود که دلایل موفقیت و نقاط تمایز این بانک را در بازار خرده‌فروشی برجسته کند. این رویکرد به بانک امکان داد تا در حوزه‌ای که تاکنون رقابت مؤثری با فین‌تک‌ها و نئوبانک‌ها نداشته، وارد میدان شود.یکی از چالش‌برانگیزترین بخش‌های این مرحله، مدیریت زیاده‌خواهی و حفظ تمرکز بر اولویت‌ها بود. لازم بود تمایز بین اهداف مهم و غیرمهم مشخص شود. همچنین شناسایی تأمین‌کنندگان فناوری، هزینه‌های مربوطه و جدول زمانی تحویل خدمات نقش حیاتی داشت. اغلب دیده شده است که بانک‌ها با فهرستی از خواسته‌ها وارد چنین پروژه‌هایی می‌شوند که نه‌تنها توسعه را طولانی می‌کند، بلکه در نهایت به محصولی منجر می‌شود که یا تناسب مناسبی با نیاز بازار ندارد یا با فناوری‌های ازکارافتاده ارائه می‌شود.برقراری تعادل میان تعریف دقیق محصول و داشتن توجیه اقتصادی مناسب، از اهمیت بالایی برخوردار است. در نخستین ماه همکاری، بانکا(Banca) توجیه اقتصادی پروژه را تدوین کرد که به‌وضوح نشان می‌داد چرا ایجاد یک بانک دیجیتال جدید، هم امکان‌پذیر و هم ضروری است. در همین حین، قابلیت‌ها و شرایط مالی تأمین‌کنندگان فناوری منتخب برای اجزای کلیدی مانند سیستم بانکداری مرکزی و پردازش کارت‌ها بررسی شد.این رویکرد به سرعت مشکلات مربوط به بودجه و توجیه اقتصادی را روشن کرد و البته با گذشت زمان تنظیمات بیشتری بر روی آن انجام شد. بانکا(Banca) با ذهنی باز وارد این مسیر شد تا هم دیدگاه بانک Salt و هم بهترین راهکارهای موجود برای ایجاد یک بانک دیجیتال را درک کند. هدف بانکا(Banca) این بود که بانک جدید بتواند تجربه دیجیتال باکیفیتی را ارائه دهد که مشتریان آگاه از فناوری انتظار دارند.مدیرعامل بانک Saltدر خصوص این تجربه همکاری عنوان کرده است که « می‌خواستیم محصولی به مشتریان ارائه دهیم که دوستش داشته باشند و با آن ارتباط برقرار کنند».انتخاب فناوری و شرکای مناسبانتخاب فناوری‌های مناسب و شناسایی شرکای ایده‌آل برای پروژه نیز دشوار است. در طی فرآیند ارزیابی دقیق که حدود سه ماه به طول انجامید، ارائه‌دهندگان جدیدی با مدل‌های معماری متنوع معرفی شدند تا گزینه‌های فناوری موجود برای بانک Salt به‌طور جامع بررسی شوند. در این فرآیند، شرکت Kearney چارچوب‌های دقیقی برای ارزیابی فناوری‌های بانکی ارائه داد که به شناسایی و بررسی اجزای کلیدی معماری فناوری اطلاعات بانک کمک کرد. این رویکرد به بانک Salt امکان داد تا فرآیند ارزیابی را به صورت ساختاریافته و هدفمند پیش ببرد. هم‌زمان با ارزیابی ارائه‌دهندگان توسط هیئت‌مدیره بانک، تیم اطمینان حاصل کرد که توسعه پروژه به‌محض انتخاب ارائه‌دهنده فناوری، آماده آغاز باشد.ابعاد کلیدی تصمیم‌گیرییکی از جنبه‌های اساسی در تصمیم‌گیری، بررسی هزینه کل مالکیت (TCO) در بازه زمانی یک تا پنج سال برای کل مجموعه فناوری اطلاعات در صورت انتخاب هر ارائه‌دهنده بود. بانک Salt در حالی که توانایی‌های داخلی و تیم فنی خود را گسترش می‌داد، برای توسعه‌های اساسی و یکپارچه‌سازی سیستم‌های مختلف، شرکت پیشرو در تحول دیجیتال GFT را انتخاب کرد. این شرکت که در زمینه مهندسی فناوری و ارائه راهکارهای پلتفرمی تخصص دارد، بر بانک‌های دیجیتال جدید، مدرن‌سازی سیستم‌های هسته‌ای، داده‌ها و هوش مصنوعی متمرکز است. GFT با سابقه‌ای درخشان در راه‌اندازی بانک‌های دیجیتال در بازه‌های زمانی کوتاه، گزینه‌ای کاملاً مناسب برای اهداف بانک Salt بود. علاوه بر این، همکاری موجود میان شرکت Engine و GFT ارزش بیشتری به این رابطه افزود.نتیجه همکاریبا هم‌افزایی تیم داخلی بانک Salt و تخصص شرکت‌های Engine و GFT، اپلیکیشن موبایل بانک و یکپارچه‌سازی‌های لازم برای تضمین عملکرد هماهنگ همه سیستم‌ها به‌طور مؤثر تحویل داده شد. ترکیب فناوری پیشرفته Engine و مهارت GFT در یکپارچه‌سازی سیستم‌ها، باعث تسریع قابل‌توجه فرآیند توسعه و اجرای پروژه شد.افتتاح بانک Saltاولین بانک کاملاً دیجیتال‌محور در رومانی، با رویکردی نوآورانه توانست از همان مراحل ابتدایی فعالیت خود، توجه گسترده‌ای را جلب کند. تیم بازاریابی بانک با اجرای یک کمپین پیش‌ثبت‌نام موفق شد پیش از آغاز به کار رسمی، ۸۰ هزار مشتری «بنیان‌گذار» جذب کند. این مشتریان در صورت عمومی شدن بانک، می‌توانند به سهامداران بالقوه تبدیل شوند. راه‌اندازی بانکSalt تنها در مدت ۱۲ ماه انجام شد.در مراحل پایانی پروژه، بانکا (Banca) مسئول هماهنگی برای ساخت این نئوبانک بود و بر ایجاد یک برنامه حاکمیتی جامع نظارت داشت که شامل جریان‌های داخلی و خارجی متعددی از جمله پذیرش مشتری، صدور کارت، انجام پرداخت‌ها، ارائه وام، سرمایه‌گذاری، برندینگ و دیگر بخش‌ها بود. یکی از مدیران پروژه، اظهار داشت: «این کار شبیه کنار هم قرار دادن قطعات یک پازل بزرگ بود؛ هر قطعه باید دقیقاً در جای خود قرار می‌گرفت تا تصویر کلی به درستی شکل بگیرد».علاوه بر نظارت بر توسعه محصول، تیم Kearney از مدیرعامل و تیم مدیریت در تصمیم‌گیری‌های کلیدی و جریان‌های مختلف تجاری، از جنبه‌های عملیاتی تا نظارتی، حمایت کرد. این همکاری تضمین کرد که کل پروژه در زمان مقرر تکمیل و عملیاتی شود.بانک Salt با ارائه تجربه‌ای کاملاً دیجیتال‌محور، توجه مصرف‌کنندگان را به خود جلب کرده و فرصتی فراهم آورده تا مشتریان از تمامی مزایای بانکداری دیجیتال بهره‌مند شوند. این نئوبانک، نمونه‌ای برجسته از ساخت سریع و موفق یک بانک دیجیتال در سطح جهانی است. Mohammad Peiravi Mohammad Peiravi Sun, 05 Jan 2025 11:54:25 +0330 https://virgool.io/@mohammad.peiravi/%D8%AC%D9%84%D9%88%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A7%D8%B2-%DA%A9%D8%A7%D9%87%D8%B4-%D8%A7%D8%B1%D8%B2%D8%B4-%D8%AF%D8%B1-%D8%AA%D8%AD%D9%88%D9%84-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-zrt7qbfehb20 پروژه‌های تحول دیجیتال که برای مأموریت‌های اصلی و حیاتی طراحی می‌شوند، اغلب به جای یک پایان پرشور و موفق‌آمیز، با نتیجه‌ای ضعیف خاتمه می‌یابند. تخمین زده می‌شود که سه‌چهارم تلاش‌های تحول سازمانی نتوانند بازده مورد انتظار سرمایه‌گذاری خود را تحقق بخشند. با توجه به تغییرات سریع در فضای فناوری، شرکت‌ها معمولاً برای دستیابی به نتایج کوتاه‌مدت، در عین حال که سازمان را به‌روز و کسب‌وکار روزانه را حفظ می‌کنند، دچار چالش می‌شوند.پس از اجرای پروژه، برخی شرکت‌ها حتی قادر نیستند وظایف ابتدایی مانند پردازش سفارش‌ها یا بستن سریع حساب‌ها در پایان یک فصل مالی را به‌درستی انجام دهند. مشکل اینجاست که رهبران معمولاً نمی‌توانند چگونگی پایدارسازی ایجاد ارزش در طول زمان را هنگام گسترش پروژه‌ها از فاز آزمایشی به اجرای گسترده در نظر بگیرند.تیم هرتزیگ، مدیر بخش فناوری شرکتDeloitte و مالک راهکار تحول دیجیتالAscend می‌گوید: «اغلب پیاده‌سازی‌ها به‌عنوان پروژه‌های فناوری اطلاعات دیده می‌شوند. این پروژه‌ها به دلیل عدم در نظر گرفتن مدیریت تغییرات برای تضمین پذیرش و عدم توجه به شیوه‌های برتر صنعتی، از دستیابی به ارزش اولیه خود بازمی‌مانند».کریستی کاپلان، مدیر شرکتDeloitte و حامی اجرایی پلتفرمAscend در ایالات متحده، تأکید می‌کند که فناوری به‌تنهایی، به ندرت ارزش ایجاد می‌کند. او می‌گوید: «در واقع نحوه پیاده‌سازی و پذیرش فناوری در یک سازمان است که ارزش واقعی را خلق می‌کند». برای دستیابی به نتایج تجاری که روند رشد را حفظ کنند و به مرور زمان کمرنگ نشوند، نیاز به یک برنامه تحول بلندمدت است.بر اساس تحلیل‌های Deloitte، ترکیب درست اقدامات تحول دیجیتال می‌تواند تا 1.25 تریلیون دلار ارزش افزوده را برای شرکت‌های حاضر در لیست Fortune 500 ایجاد کند. از سوی دیگر، اجرای تغییرات دیجیتال بدون داشتن استراتژی و سرمایه‌گذاری‌های همسو با فناوری - چیزی که می‌توان آن را «اقدامات پراکنده دیجیتال» نامید - ممکن است هزینه‌ای معادل 1.5 تریلیون دلار برای شرکت‌ها در پی داشته باشد.بهترین شیوه‌ها برای اجرای تحول دیجیتالبرای آزادسازی این ارزش بالقوه، Deloitte به این نتیجه رسیده که شرکت‌های پیشرو از شیوه‌های برتری برای طراحی و اجرای موفقیت‌آمیز تحولات دیجیتال استفاده می‌کنند. سه مورد زیر از جمله شیوه‌ها برجسته‌ هستند:· اطمینان از حاکمیت جامع و مشارکتیحاکمیت پروژه باید شامل ذی‌نفعان حوزه‌های کسب‌وکار، منابع انسانی، امور مالی و فناوری اطلاعات باشد تا شفافیت در گزارش‌دهی و تصمیم‌گیری ایجاد شود و حرکت رو به جلو پروژه حفظ گردد. پروژه‌های موفق به‌طور مشترک مدیریت می‌شوند؛ تمامی مدیران اجرایی باید از موقعیت خود در چرخه عمر پروژه و تصمیماتی که برای پیشرفت آن لازم است، آگاه باشند.در جایی که شفافیت وجود ندارد یا تمامی ذی‌نفعان در تصمیم‌گیری حضور ندارند و احساس مالکیت نسبت به برنامه‌ها نمی‌کنند، ممکن است سازمان فناوری اطلاعات به جای یک تحول کسب‌وکاری، هدایت امور را بر عهده گیرد. کاپلان می‌گوید: «وقتی رهبران کسب‌وکار مسئولیت‌هایی مانند مدیریت تغییر، پذیرش فناوری و آموزش مجدد سازمانی را نمی‌پذیرند، ریسک‌ها به شدت افزایش می‌یابد».· طراحی برای بازگشت سرمایه مداومتلاش‌ها، از برنامه‌ریزی اجرایی تا پیاده‌سازی و خدمات مدیریت‌شده، باید به طور مستمر نتایج مختلفی از بازگشت سرمایه(ROI) را نشان دهند و اطمینان حاصل کنند که کاربران از فناوری‌های استقرار یافته بهره‌مند می‌شوند. مدیران نیاز به یک نمای یکپارچه از ROI دارند تا تمامی ذی‌نفعان اطلاعات لازم برای تصمیم‌گیری آگاهانه را در اختیار داشته باشند. همه از جمله مدیران در سطح هیئت‌مدیره باید بتوانند ثابت کنند که برنامه کسب‌وکار به نتیجه رسیده است.بسیاری از افراد برنامه کسب‌وکار پشت برنامه‌های تحول را به‌عنوان یک رویداد یک‌باره برای کسب تأییدیه مدیران می‌دانند، اما «تحول کسب‌وکار یک فرآیند تک‌مرحله‌ای نیست». کاپلان می‌گوید: «اگر تحول دیجیتال به درستی اجرا شود، سازمان‌ها به یک حالت پایدار برای نگهداری و نوآوری مستمر منتقل می‌شوند. در این حالت، برنامه‌های کسب‌وکار به بخشی از حاکمیت برنامه تبدیل شده و بازگشت سرمایه در طول مسیر از اجرا تا خدمات مدیریت‌شده دنبال می‌شود».· انطباق با نیازهای خاص صنایعهمزمان، راه‌حل‌ها باید با الزامات خاص صنعتی – به‌ویژه در صنایع تحت قوانین سختگیرانه که نیازمند مستندات گسترده، ردیابی کامل و شیوه‌های حاکمیت دقیق هستند – سفارشی‌سازی شوند.بسیاری از راه‌حل‌های نرم‌افزار به‌عنوان سرویس (SaaS) به مرور زمان، ویژگی‌ها و قابلیت‌های جدیدی ارائه می‌دهند. مدیران باید اطمینان حاصل کنند که راه‌حل‌ها به‌طور مداوم به‌روزرسانی، نگهداری و بهبود می‌یابند تا با نیازهای صنعت همگام باشند. فرآیندهای پس از اجرا باید این نوآوری را به‌عنوان منبعی برای بهبود مستمر مدیریت کنند و حاکمیت مناسب همراه با تکامل فناوری‌ها برقرار باشد.برنامه‌ریزی برای تحول دیجیتال بلندمدتبرای اطمینان از پایداری تحول دیجیتال در طول زمان و موفقیت این پروژه‌های حیاتی، سه استراتژی کلیدی به شرح زیر توصیه می‌شود:تصویرسازی از امکانات ممکن:برای تغییر اساسی بازی، شرکت‌ها باید از شیوه‌ها و راه‌حل‌های پیشرو در صنعت آگاهی داشته باشند و ذهنیتی باز برای نوآوری مستمر، تحول و رشد داشته باشند. در سطح جهانی، تنها نیمی از رهبرانی که در نظرسنجی دیلویت شرکت کردند، گفتند که سرمایه‌گذاری‌های دیجیتال آن‌ها بر استفاده یا یکپارچه‌سازی فناوری‌های دیجیتال برای ایجاد تغییرات بنیادی متمرکز است. بقیه صرفاً راهبردهای دیجیتال را برای ایجاد محصولات یا خدمات جدید، ورود به بازارهای جدید یا دیجیتالی‌کردن داده‌ها و پلتفرم‌ها دنبال کرده‌اند.کریستی راث، مدیر ارشد عملیات و فناوری شرکت تامسون رویترز، می‌گوید: «به‌طور کلی، ما به‌صورت آگاهانه طرز فکر خود درباره نوآوری را تغییر دادیم تا به جای ارائه‌های بزرگ و گسترده در هر فصل یا سال، روی تعداد بیشتری از انتشارهای کوچک و تدریجی تمرکز کنیم». راث توضیح می‌دهد که این شرکت بیش از 30 سال است که از هوش مصنوعی استفاده می‌کند، اما اخیراً در مدیریت محتوای پیشرفته و جستجوی بهینه، سرمایه‌گذاری کرده است تا تجربیات تولید محتوا با استفاده از هوش مصنوعی مولد را برای بیش از 4000 نفر از افرادی که محتوای تحریریه‌ای برای تامسون رویترز تولید می‌کنند، ممکن سازد.ایجاد یک هسته دیجیتال قوی:پایه اصلی برای خلق ارزش سازمانی شامل استفاده از فناوری‌هایی مانند اتوماسیون هوشمند، زیرساخت‌های مبتنی بر ابر و پلتفرم‌های مدرن برای بهبود جریان داده در سراسر سازمان است. سرمایه‌گذاری‌ها باید تعادلی بین رسیدگی به بدهی‌های فنی و تقویت نوآوری ایجاد کنند و در عین حال استانداردهای داده‌ای را برای تضمین اعتماد، استفاده اخلاقی و حفاظت از مالکیت معنوی برقرار سازند. این عناصر بستری برای نوآوری و رشد فراهم می‌کنند که می‌تواند تا سه برابر تأثیر بیشتری بر ارزش بازار نسبت به استراتژی‌های سنتی داشته باشد.یک سیستم یکپارچه سلامت دانشگاهی فرآیند تحول دیجیتال را آغاز کرد تا شبکه گسترده سیستم‌های مالی، زنجیره تأمین و منابع انسانی خود را در یک پلتفرم واحد ادغام کند. این اقدام به منظور کاهش پیچیدگی، افزایش بهره‌وری و کاهش هزینه‌های عملیاتی در سازمانی با بیش از 24,000 کارمند انجام شد. این سیستم بسیاری از فرآیندهای روزمره را ساده‌سازی و خودکار کرد تا ورود داده‌های دستی را حذف کند، جریان‌های کاری را استاندارد و در زمان صرفه‌جویی کند. همچنین یک منبع واحد برای داده‌های سازمانی ایجاد کرد. دو سازمان مجزا نیز با هم ترکیب شدند. با استفاده از یک کتابچه راهنمای تغییر مدیریت قوی، این سیستم بهداشتی توانست قابلیت‌هایی را که توسعه داده بود، حتی فراتر از اجرای پروژه، حفظ کند.گسترش نوآوری‌های نسل بعدی:فراتر از هسته دیجیتال، عناصر دیگری که برای نوآوری لازم هستند شامل هوش مصنوعی مولد، یادگیری ماشینی، بلاکچین، محاسبات لبه و کوانتومی، میکروسرویس‌ها و APIها و اینترنت اشیا می‌شوند. به عنوان مثال، بسیاری از اصول پروژه‌های هوش مصنوعی مولد ممکن است شبیه به فعالیت‌های تحول دیجیتال به نظر برسند، اما نیاز به تمرکز بیشتری بر روی تضمین حاکمیت قوی، شفافیت برای ایجاد اعتماد، تحول استعدادها و مدیریت چرخه حیات داده‌های پیشرفته دارند.با توانایی هوش مصنوعی مولد در نوآوری در حوزه‌هایی مانند دوقلوهای دیجیتال، داده‌های مصنوعی، شخصی‌سازی پیشرفته و مقاومت در برابر حملات سایبری، استراتژی سازمان‌ها به سمت گسترش پتانسیل انسانی و تقویت سازمان‌های خودکار تغییر کرده است، به‌طوری که انسان‌ها و هوش مصنوعی با یکدیگر همکاری کنند.بر اساس گزارش «وضعیت هوش مصنوعی مولد در سازمان‌ها» ازDeloitte در آگوست 2024، سازمان‌ها شروع به تمرکز بیشتر بر ابزارهای هوش مصنوعی مولد سفارشی کرده‌اند و از مدل‌های زبانی بزرگ(LLMs) به مدل‌های زبانی کوچک‌تر برای نیازهای هدفمندتر پیش می‌روند. آن‌ها همچنین در حال بررسی این هستند که چگونه ظهور عوامل هوش مصنوعی می‌تواند تعاملات در محیط‌های دیجیتال آن‌ها را بازتعریف کرده و مسیرهای جدیدی برای خودکارسازی و شخصی‌سازی فراهم کند.هرتزیگ می‌گوید: «قابلیت‌های هوش مصنوعی مولد به شرکت‌ها اجازه می‌دهد کارایی بیشتری با هزینه کمتر، کمترین اختلال در کسب‌وکار و نتایج با کیفیت بالاتر به دست آورند. وقتی مدیران، بهترین شیوه‌های صنعتی را هم‌زمان با هوش مصنوعی مولد به کار می‌گیرند، محصول نهایی بهتری تولید کرده و ارزش بیشتری را سریع‌تر ایجاد می‌کنند».بهبود توانمندی‌های داده‌ایدر نظرسنجی وضعیت هوش مصنوعی تولیدی در سازمان‌ها که توسطDeloitte در آگوست 2024 انجام شد، مدیران اجرایی گزارش دادند که ارزش نوآوری‌ها و ابتکارات هوش مصنوعی تولیدی به طور فزاینده‌ای از ساخت مزیت رقابتی با استفاده‌های جدید از داده‌های متمایز و اغلب اختصاصی سازمان‌ها نشأت می‌گیرد. این شامل اطلاعاتی برای تنظیم دقیق مدل‌های زبانی بزرگ (LLM)، ساخت یک مدلLLM از صفر یا بهره‌برداری کامل از راه‌حل‌های سازمانی است. اما بیشتر مدیران اجرایی گفتند که برای استفاده از هوش مصنوعی تولیدی با زیرساخت‌های فناوری موجود، مدیریت داده‌ها، استراتژی، استعدادها و ریسک و حاکمیت خود آمادگی کافی ندارند. عدم آمادگی باعث شده است که سازمان‌ها نتوانند ابتکارات هوش مصنوعی تولیدی خود را به‌طور موفقیت‌آمیزی گسترش دهند. در واقع، مشکلات مرتبط با داده‌ها باعث شده است که 55٪ از سازمان‌های مورد بررسی از استفاده‌های خاص هوش مصنوعی تولیدی اجتناب کنند. یکی از مدیران داده و هوش برای یک شرکت رسانه‌ای و سرگرمی گفت: «بزرگ‌ترین چالش در مقیاس‌گذاری، میزان داده‌هایی بود که به آن‌ها دسترسی داشتیم و عدم بلوغ مناسب در مدیریت داده‌ها. هیچ‌گونه فراداده یا برچسب‌گذاری داده‌ها در سراسر سازمان وجود نداشت. ما می‌توانستیم فقط به سرعتی که می‌توانستیم داده‌ها را برچسب‌گذاری کنیم پیش برویم». اقداماتی که سازمان‌ها برای بهبود توانمندی‌های مربوط به داده‌ها انجام می‌دهند، شامل تقویت امنیت داده‌ها، بهبود شیوه‌های کیفیت داده‌ها و به‌روزرسانی چارچوب‌های حاکمیت داده‌ها یا توسعه سیاست‌های جدید داده است. بسیاری از سازمان‌ها در حال همکاری با ارائه‌دهندگان خدمات ابری یا یکپارچه‌سازان فناوری اطلاعات برای بهبود توانمندی‌ها، ارتقاء زیرساخت‌های فناوری اطلاعات یا انتقال به معماری داده‌ای منعطف‌تر و بازتر هستند. Mohammad Peiravi Mohammad Peiravi Wed, 25 Dec 2024 12:58:30 +0330 https://virgool.io/@mohammad.peiravi/%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-%D8%A8%D9%87-%D8%B9%D9%86%D9%88%D8%A7%D9%86-%D8%B3%D8%B1%D9%88%DB%8C%D8%B3-%D8%A7%D8%B2-%D9%BE%DB%8C%D8%B4%D9%86%D9%87%D8%A7%D8%AF-%D8%AA%D8%A7-%D8%A7%D8%AC%D8%A8%D8%A7%D8%B1-kf5yessghpr0 خدمات بانکی به‌عنوان سرویس (Banking-as-a-Service) در حال تحول‌آفرینی در صنعت خدمات مالی است و شیوه ارائه محصولات و خدمات مالی توسط بانک‌ها به مشتریان و کسب‌وکارها را تغییر می‌دهد. در مدل کسب‌وکار BaaS، بانک‌ها می‌توانند با نهادهای غیربانکی همکاری کرده و قابلیت‌های بانکی را در اختیار آن‌ها قرار دهند. این امر به نهادهای غیربانکی امکان می‌دهد تا بدون نیاز به اخذ مجوز بانکی یا ایجاد زیرساخت‌های بانکی خود، خدمات مالی به مشتریانشان ارائه کنند. با ادامه تحول در صنعت خدمات مالی، پیش‌بینی می‌شود BaaS با رشدی سریع و چشمگیر روبه‌رو شود؛ رشدی که ناشی از تقاضای روزافزون برای بانکداری دیجیتال و امور مالی یکپارچه و تعبیه شده است. با ادامه تکامل صنعت خدمات مالی، انتظار می‌رود که BaaS به‌صورت نمایی رشد کند. در چشم‌انداز در حال تغییر سریع بانکداری مدرن، این بخش دگرگونی‌های چشمگیری را تجربه کرده که منجر به ظهور مدل‌های نوآورانه بانکی شده است. مدل‌هایی که برای پاسخگویی به نیازها و خواسته‌های مشتریان دیجیتال‌محور طراحی شده‌اند.بانک‌هایی که از طریق رابط‌های باز در اکوسیستم‌های مبتنی بر مشارکت، خدمات مالی ارائه می‌کنند، امکان مقیاس‌پذیری و شخصی‌سازی را با سرعت فراهم می‌سازند. پذیرش این مدل می‌تواند منجر به ایجاد جریان‌های درآمدی جدید، فرصت‌های بازار نوین و جذب مشتریان جدید در مدت زمانی کوتاه‌تر و با هزینه‌ای کمتر شود. این امر به شکل‌گیری چشم‌انداز مالی فراگیرتر، کارآمدتر و به هم پیوسته‌تر کمک می‌کند و آینده صنعت را با سرعتی بی‌سابقه رقم می‌زند.بانکداری به عنوان سرویس چیست؟ بانکداری به عنوان سرویس یا BaaS (Banking as a Service) مدلی کسب‌وکار است که در آن بانک‌ها محصولات و خدمات بانکی خود را از طریق رابط‌های کاربری باز (API) به شرکت‌های غیر بانکی ارائه می‌دهند. این مدل در حال تحول صنعت مالی است و نقش‌های سنتی بانک‌ها را در عصر دیجیتال بازتعریف می‌کند. BaaS به بانک‌ها این امکان را می‌دهد تا محصولات و خدمات بانکی خود را به‌صورت ایمن و از طریق همکاری با بازیگران اکوسیستم مانند ارائه‌دهندگان کیف پول الکترونیکی، پلتفرم‌های تجارت الکترونیک و فین‌تک‌ها توزیع کنند.در بازارهایی که چارچوب‌های بانکداری باز (Open Banking) وجود دارد، بانکداری باز نقش کلیدی در پیشبرد BaaS ایفا می‌کند و کانالی امن برای به‌اشتراک‌گذاری اطلاعات مالی حیاتی فراهم می‌نماید. اگرچه قابلیت‌های بانکداری باز ممکن است بسته به مقررات بازار متفاوت باشد، اما این چارچوب پایه‌ای چندمنظوره برای پلتفرم‌های BaaS فراهم می‌کند تا راه‌حل‌های مالی نوآورانه و یکپارچه‌ای را به مشتریان ارائه دهند.چگونه BaaS خدمات مالی تعبیه شده را ایجاد می‌کندبانکداری به‌عنوان سرویس با فراهم کردن امکان ادغام مؤسسات مالی با پلتفرم‌ها و برنامه‌های غیر بانکی، دامنه سنتی خدمات خود را گسترش داده و جریان‌های درآمدی جدید و نقاط تماس بیشتری را ایجاد می‌کند. با وجود پیشرفت‌های قابل‌توجه، شمول مالی همچنان چالشی جدی برای صنعت بانکداری جهانی باقی مانده است. این عدم دسترسی ناشی از عواملی همچون دوری جغرافیایی، محدودیت در دسترسی به مدارک هویتی رسمی و کمبود سواد مالی است. رویکرد بانکداری به عنوان سرویس امکان ادغام ساده و بدون پالش خدمات مالی مانند محصولات اعتباری گردشی در اکوسیستم کیف پول‌های الکترونیکی را فراهم می‌کند.فرصت‌های ایجاد شده توسط بانکداری به عنوان سرویسبا بهره‌گیری از فرآیندهای لحظه‌ای، ارائه‌دهندگان می‌توانند محصولات ارزش‌محوری ایجاد کنند که با فعالیت‌های روزمره مشتریان ادغام شود.کاهش هزینه‌های جذب مشتریبانک‌های دیجیتال در این اکوسیستم می‌توانند هزینه‌های جذب مشتری را تا 10٪ نسبت به بانک‌های سنتی کاهش دهند.کاهش هزینه‌های عملیاتیبانک‌ها می‌توانند با رویکرد دیجیتال‌محور، به رشد 20٪ در کسب‌وکار دست یافته و ساعات کار انسانی و هزینه‌های فناوری اطلاعات خود را بیش از 40٪ کاهش دهند.استفاده از بازارهای موجودبا فراهم کردن زیرساخت مالی لازم و پشتیبانی‌های قانونی، بانک‌ها به شرکای خود این امکان را می‌دهند که خدمات بانکی و مالی را به جمعیت‌هایی که قبلاً دسترسی نداشتند، ارائه کنند. به‌عنوان نمونه، بانک استاندارد چارتر اندونزی با اتخاذ یک استراتژی BaaS به‌عنوان رویکردی جدید، به گسترش بخش مشتریان خود پرداخت و با همکاری‌های استراتژیک به جمعیت آشنا به فناوری‌های دیجیتال اما کم‌برخوردار اندونزی دسترسی یافت.نمونه‌ای از بانکداری به عنوان سرویس : BukaTabungan بانک BukaTabungan خدمات حساب جاری و حساب پس‌انداز را معرفی کرد و به یکی از اولین بانک‌های دیجیتالی تبدیل شد که فرآیند احراز هویت (KYC) کاملاً دیجیتال را در کمتر از دو دقیقه ارائه می‌دهد. این رویکرد، دسترسی به بخش‌های جدیدی از مشتریان را گسترش می‌دهد و نیازمند چارچوب‌های خاص ریسک و تطبیق، به‌ویژه برای گسترش دیجیتال در بازارهای گسترده با قوانین سفارشی‌سازی شده ارزیابی ریسک است. ساخت یک زیرساخت جامع و مدرن بانکی پروژه‌ای پیچیده است. چالش‌هایی که باید به آنها پرداخته شود شامل تطبیق، امنیت، مقیاس‌پذیری، یکپارچه‌سازی، مدل‌های جدید حاکمیتی، فرآیندهای کسب‌وکار و الگوهای عملیاتی است.پلتفرم Migration Audax یک راهکار جامع بانکی ارائه می‌دهد که مستقل از فضای ابری خاصی عمل می‌کند و دارای یک پلتفرم دیجیتال ماژولار است که می‌تواند به‌صورت مؤثر میلیون‌ها داده مشتری هم‌زمان را مدیریت کند. Audax همچنین امکان یکپارچه‌سازی مبتنی بر API با شرکا و بانک‌ها را فراهم می‌کند و اتصال به پلتفرم خود را تسهیل می‌نماید. مقیاس‌پذیری افقی و عمودی آن، سازگاری با نیازهای در حال تغییر در فضای خدمات مالی را تضمین می‌کند.یکپارچه‌سازی با Vault Core از شرکت Thought Machine که یک پلتفرم بانکی ابری بومی است، انعطاف‌پذیری نامحدود در تعریف محصولات مالی، مقیاس‌پذیری و مقاومت را برای بانک‌ها به ارمغان می‌آورد. این قابلیت به بانک‌ها امکان می‌دهد رفتار، فرمول‌های محاسباتی، قوانین کسب‌وکار و پارامترهای محصولات مالی ارائه شده به مشتریان نهایی را تعریف و تغییر دهند. Mohammad Peiravi Mohammad Peiravi Mon, 23 Dec 2024 09:48:26 +0330 https://virgool.io/@mohammad.peiravi/%D8%AF%DA%AF%D8%B1%D8%AF%DB%8C%D8%B3%DB%8C-%DB%8C%DA%A9-%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87-%D9%85%D8%AD%D9%88%D8%B1-doyvf8qebwao امروزه سازمان‌ها در مسیری تحولی قرار دارند تا به طور کامل داده‌محور شوند. این روند یک شتاب ناگهانی نیست، بلکه یک پیشرفت تدریجی و هدفمند است که مانند آموزش "نشستن، ایستادن، راه رفتن، دویدن و در نهایت پرواز" پیش می‌رود. Mohammad Peiravi Mohammad Peiravi Sun, 15 Dec 2024 19:54:28 +0330 https://virgool.io/@mohammad.peiravi/%D9%86%D9%82%D8%B4%D9%87-%D8%B1%D8%A7%D9%87-%D9%81%D9%86%D8%A7%D9%88%D8%B1%DB%8C-%D8%A7%D8%B7%D9%84%D8%A7%D8%B9%D8%A7%D8%AA-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AA%D8%AD%D9%88%D9%84-%DA%A9%D8%B3%D8%A8-%D9%88%DA%A9%D8%A7%D8%B1-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-wuvuti9grubp در صنایع مختلف، سازمان‌ها در حال شتاب بخشیدن به تحول دیجیتال کسب‌وکار برای رشد و سودآوری بلندمدت هستند.از دیدگاه گارتنر، «سفر تحول برای شرکت‌های بزرگ، حداقل دو برابر زمانی که انتظار داشتند طول می‌کشد و هزینه‌ای دو برابر آنچه پیش‌بینی‌شده است را به همراه دارد». بخش عمده‌ای از این چالش ناشی از آمادگی فرهنگی است و براساس داده‌ها «۵۳٪ از سازمان‌های مورد بررسی در مواجهه با چالش‌های دیجیتال آزمایش نشده‌اند و بنابراین آمادگی آنها برای تحول دیجیتال نامشخص است». بنابراین این سؤال مطرح است که بهترین راه برای تعیین محدوده، مقیاس‌دهی و رهبری تحول دیجیتال کسب‌وکار و دستیابی به نتایج مالی چیست؟در ارائه نقشه‌راه تحول دیجیتال، پرسش‌هایی قابل طرح است که پاسخ به آنها در تهیه نقشه‌راه مفید است. برخی از مهم‌ترین پرسش‌های مربوط به ابتکار تحول دیجیتال عبارتند از:1. آیا هدف دیجیتال شما، بهینه‌سازی است یا تغییر؟2. مراحل و فعالیت‌های کلیدی در کسب‌وکار شما کدام هستند؟3. کدام بخش‌ها و تیم‌ها باید در این فرآیند درگیر شوند؟گارتنر نقشه‌راهی ارائه داده است که از آن می‌توان برای پیاده‌سازی تحول دیجیتال در هر کسب‌وکاری بهره برد. این نقشه توالی اهداف و نتایج مطلوب را نشان می‌دهد و برای هم‌راستا کردن تمامی ذینفعان مفید است. Ref: Gartner - The IT Roadmap for Digital Business Transformation - 2023 #Digital_Transformation #Digital_Business #Roadmap Mohammad Peiravi Mohammad Peiravi Sat, 14 Dec 2024 06:01:21 +0330 https://virgool.io/@mohammad.peiravi/%D9%85%D9%82%D8%B1%D8%B1%D8%A7%D8%AA-%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-%D9%88-%D9%86%D9%88%D8%A2%D9%88%D8%B1%DB%8C-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-zaoo5kicwfdv این مقاله به بررسی تحول دیجیتال بانک‌های اروپایی در چارچوب پژوهش‌های علمی گسترده در زمینه نوآوری‌های مالی و مؤسسات غیر بانکی می‌پردازد. نظریه «ماهیت دوگانه نوآوری مالی» بر این باور است که چرخه‌های رونق ناشی از نوآوری‌های مالی، با چرخه‌های بحران دنبال می‌شوند. ویژگی جدید در فناوری‌های دیجیتال این است که هر مشکلی که ممکن است یک بانک با آن مواجه شود، می‌تواند به‌سرعت از طریق شبکه‌های اجتماعی منتشر شده و تأثیر آن را در سطح جهانی تقویت کند.اتحادیه اروپا با تصویب یک چارچوب نوآورانه، از روندهای دیجیتالی حمایت می‌کند. اگرچه اتحادیه اروپا پیشگام ایجاد یک چارچوب نظارتی برای روندهای دیجیتال بوده است، اما بسته بانکی تهیه ‌شده در کنار چارچوب نظارتی، به‌جز در چند تعریف محدود، عمدتاً بی‌طرف باقی مانده است.راهبرد مالی دیجیتال اتحادیه اروپا و قطب‌نمای دیجیتال ۲۰۳۰کمیسیون اتحادیه اروپا ابراز امیدواری کرده است که تا سال ۲۰۳۰، ۷۵٪ از شرکت‌های اروپایی از خدمات رایانش ابری، کلان داده‌ها و هوش مصنوعی استفاده کنند. بانک‌ها نیز با بهره‌گیری از فناوری‌های دیجیتال تلاش می‌کنند تجربه مشتریان را بهینه کنند و بهره‌وری بیشتری به دست آورند. این رویکرد در طول تاریخ به پیشبرد انواع نوآوری‌های مالی کمک کرده است. با این حال، شکست‌های گذشته در این حوزه به دلیل نفوذ نظارتی و اتکای بیش از حد به وعده‌های نوآوری نباید نادیده گرفته شود.تحلیل بحران مالی سال ۲۰۰۸ نشان داد که افزایش تقاضا برای وثیقه در بانکداری، بدون نظارت و نوآوری مالی در قالب اوراق بهادار مبتنی بر وام‌های مسکن کم‌اعتبار، چگونه به این بحران منجر شد. رشد بانکداری سایه‌ای (shadow banking) و رقابت آن با بانکداری تجاری و بدون نظارت و مقررات مناسب، یکی از عوامل اصلی این بحران بود. این موضوع نشان می‌دهد که حداقل الزامات سرمایه‌ای برای جلوگیری از ورشکستگی فنی بانک‌ها ضروری است.بنابراین، تدابیر سرمایه‌ای به‌تنهایی نمی‌توانند پاسخگوی همه خطرات، از جمله خطرات ناشی از روندهای دیجیتال باشند. با توجه به ماهیت دوگانه نوآوری مالی، آزمایش‌های نظارتی در این حوزه ابزاری برای شناسایی بهترین راهبردها است. نوآوری در مقررات و نظارت باید همراه با نوآوری‌های مالی پیش برود.اتحادیه اروپا با تدوین چارچوب‌های نوآورانه، روندهای دیجیتال را رو به جلو هدایت کرده و آنها را حمایت می‌کند. اگرچه اتحادیه اروپا در تدوین چارچوب‌های نظارتی برای روندهای دیجیتال پیشگام بوده است، اما بسته بانکی که به طور موازی توسعه یافته است، عمدتاً موضع بی‌طرفانه‌ای دارد.زمانی که در سال 2019 مشخص شد بخش خدمات در اتحادیه اروپا از روندهای دیجیتال عقب مانده است، کمیسیون اروپا استراتژی مالی دیجیتال 2020 را تعریف کرد و قوانینی در زمینه‌های مختلف از جمله هوش مصنوعی، دارایی‌های رمزنگاری‌شده و خدمات رایانش ابری وضع کرد که در سطح جهان بی‌نظیر بود. در نتیجه، قانون هوش مصنوعی (AI Act) شرایطی برابر برای بانک‌ها و مؤسسات غیربانکی که از سیستم‌های هوش مصنوعی استفاده می‌کنند یا آنها را ارائه می‌دهند، ایجاد کرد. یکی از کاربردهای گسترده هوش مصنوعی در بخش مالی مربوط به ارزیابی اعتبار است، که نمونه‌ای از آن Upstart است.نمونه: ماده 6 - اتحادیه اروپا استفاده از محیط‌های آزمایشی نظارتی (Regulatory sandboxes) را برای فناوری‌های مالی و هوش مصنوعی توصیه می‌کند تا بدین وسیله نوآوری را تقویت کند. همچنین، از مقامات ملی ذی‌صلاح می‌خواهد تا این محیط‌ها را ایجاد و مدیریت کنند تا توسعه، آزمایش و اعتبارسنجی ایمن سیستم‌های نوآورانه هوش مصنوعی، برای مدت زمان محدودی و طبق برنامه‌ای خاص تحت نظارت قانونی، تسهیل شود.اتحادیه اروپا، دفتر هوش مصنوعی (ماده 3) را با هدف اجرای قانون هوش مصنوعی و توسعه قابلیت‌ها و کاربردهای آن در اتحادیه اروپا، ایجاد نمود.محیط‌های آزمایشی نظارتیناظران بانکی باید استفاده از محیط‌های آزمایشی نظارتی (regulatory sandboxes) را برای به‌روز ماندن از نظر فناوری مدنظر قرار دهند. با توجه به علاقه‌مندی به ابزارهای هوش مصنوعی در خدمات بانکی، ناظران بانکی اروپایی باید به راه‌اندازی محیط‌های آزمایشی نظارتی توجه کنند تا از لحاظ فناوری درک بهتری از ریسک‌ها و فرصت‌های مرتبط با استفاده بانک‌های تحت نظارت از روندهای دیجیتال داشته باشند. چندین بانک در زمینه دارایی‌های رمزنگاری‌شده و توکنیزه شده سرمایه‌گذاری کرده‌اند، اما چالش‌های رخ داده در خصوص استیبل‌کوین الگوریتمی در ماه می ۲۰۲۲ باعث شده است این سرمایه‌گذاری‌ها تحت تأثیر قرار بگیرند. مقررات MiCa قوانین احتیاطی، مبتنی بر رفتار بازار و پیشگیری از سوءاستفاده بازار را برای ارائه‌دهندگان دارایی‌های رمزنگاری‌شده و توکن‌های مبتنی بر دارایی معرفی کرده است. این چارچوب نظارتی اختصاصی، الگویی جهانی ارائه می‌دهد که از شفافیت حقوقی در مورد انتشار و معامله دارایی‌های رمزنگاری‌شده محافظت می‌کند.در مقابل، نفوذ و قدرت کمیسیون بورس و اوراق بهادار آمریکا (SEC) بر توکن‌های دیجیتال اخیراً در دادگاهی به چالش کشیده شده و پرونده‌ای که بررسی می‌کند آیا دارایی‌های دیجیتال تحت قوانین فدرال ایالات متحده به عنوان اوراق بهادار طبقه‌بندی می‌شوند یا خیر، ایجاد شده است. قانون MiCa، پس از آنکه کمیته نظارت بانکی (BCBS) چارچوب نظارتی را برای مواجهه با دارایی‌های رمزنگاری شده توسعه داد و در حالی که توصیه‌هایی برای بازارهای رمزنگاری و دارایی‌های دیجیتال در حال نهایی شدن بود، تصویب شد.انتشار و معاملات دارایی‌های رمزنگاری‌شدهناشران دارایی‌های رمزنگاری‌شده که مجاز به معامله هستند، تحت یک نظارت سبک‌تر که عمدتاً شامل انتشار یک وایت‌پیپر است، قرار دارند. در مقابل، ناشران توکن‌های مرتبط با دارایی باید از مراجع ذی‌صلاح مجوزهای سخت‌گیرانه‌تری دریافت کنند. این مجوزها شامل الزامات احتیاطی مرتبط با حاکمیت، سرمایه شخصی، الزامات ذخیره و مجوزهای مربوط به نگهداری‌های واجد شرایط، است. همچنین، ارائه‌دهندگان خدمات مهم در حوزه دارایی‌های رمزنگاری‌شده تحت نظارت مراجع ذی‌صلاح ملی قرار می‌گیرند. براساس MiCa، دارایی دیجیتال مدلی از یک ارزش است که می‌تواند به صورت الکترونیکی از طریق فناوری دفترکل توزیع‌شده یا فناوری مشابه منتقل و ذخیره شود.با توجه به ماهیت جهانی فعالیت‌های مربوط به دارایی‌های رمزنگاری‌شده، هماهنگی بین سازمان بانکداری اروپا (EBA)، مراجع ذی‌صلاح ملی و ناظران احتیاطی ضروری است. این هماهنگی باید الزامات نظارتی بانکی را با قوانین MiCa تطبیق و ارتباط دهد. با این حال، دو حوزه مهم از دامنه MiCa خارج شده‌اند: 1- اصولUNIDROIT درباره دارایی‌های دیجیتال و 2- حقوق خصوصی، که الگویی برای تعیین قانون قابل اعمال در رابطه با حقوق مالکیتی، نگهداری، ورشکستگی نگهدارنده یا ناشر و حقوق تضمینی در دارایی‌های دیجیتال ارائه می‌دهد. این اصل به ناشر دارایی دیجیتال آزادی و انگیزه می‌دهد که قانون دلخواه خود را برای تنظیم حقوق مالکیتی دارایی دیجیتال انتخاب کند.نظارت سازمان‌های اروپایینظارت سازمان‌های اروپایی (ESA) از طریق هزینه‌هایی که توسط ارائه‌دهندگان خدمات فناوری اطلاعات و ارتباطات (ICT) شخص ثالث پرداخت می‌شود، تأمین مالی می‌گردد. بانک مرکزی اروپا (ECB) به‌عنوان ناظر در مجمع نظارتسازمان‌های اروپایی حاضر می‌شود که ارزیابی سالانه‌ای از فعالیت‌های نظارتی مرتبط با ارائه‌دهندگان خدمات شخص ثالث ICT انجام داده و بر اساس تقاضا، مشاوره فنی به ناظر اصلی ارائه می‌دهد. همچنین کمیسیون در رابطه با فعالیت‌های نظارتی آن‌ها پیشنهاداتی را ارائه می‌کند. ناظران مقرراتی می‌توانند ورودی‌های ارزشمندی برای ارزیابی ریسک تمرکز ارائه دهند.تقویت نظارت بر ارائه‌دهندگان خدمات رایانش ابریاستفاده از خدمات رایانش ابری در کشورهای عضو اتحادیه اروپا متفاوت است و نگرانی‌هایی در مورد ابهام محل نگهداری داده‌ها، تنش‌های ژئوپلیتیکی و وابستگی به ارائه‌دهندگان اصلی خدمات ICT برای پیاده‌سازی خدمات حیاتی مطرح شده است. قانون DORA این نگرانی‌ها را با تنظیم محتوای قراردادهای مربوط به ارائه‌دهندگان خدمات ICT شخص ثالث برطرف می‌کند. شرکت‌های آمریکایی که داده‌ها را خارج از ایالات متحده نگهداری می‌کنند، باید به مقامات آمریکایی گزارش دهند. براساس ماده ۳ این قانون، خدمات فناوری اطلاعات و ارتباطات (ICT) به‌عنوان «خدمات دیجیتال و داده‌ای که از طریق سیستم‌های فناوری اطلاعات و ارتباطات به یک یا چند کاربر داخلی یا خارجی به‌صورت مستمر ارائه می‌شود، از جمله خدمات سخت‌افزاری به‌عنوان سرویس و خدماتی که شامل ارائه پشتیبانی فنی از طریق به‌روزرسانی نرم‌افزار توسط ارائه‌دهنده سخت‌افزار است» تعریف می‌شود.تسهیل نوآوری دیجیتال در بخش بانکیاگر اتحادیه اروپا بخواهد هدف خود را برای تسهیل نوآوری دیجیتال در بخش بانکی محقق کند، ضروری است که مقررات بانکی با چارچوب نظارتی برای استفاده ایمن از روندهای دیجیتال ارتباط یابد. گسترش محدوده نظارت یکپارچه برای شامل شدن شرکت‌های فین‌تک، هوش مصنوعی، ارائه‌دهندگان خدمات محاسبات ابری و شرکت‌های مادر یا وابسته به بیگ‌تک یکی از راه‌های تضمین نظارت است. با این حال، این راه‌حل همه‌جانبه نیست، زیرا شرکت‌های وابسته غیرفین‌تکی به تخصص نظارتی فنی نیاز دارند. حتی اگر چنین شرکت‌هایی در نظارت یکپارچه گنجانده شوند، بسیاری از ابزارها مانند اقدامات مداخله زودهنگام و ابزارهای حل و فصل تنها برای بانک‌ها در دسترس است و نه برای غیر بانک‌ها و شرکت‌های فین‌تک. همچنین، چارچوب نظارتی برای تجمیع‌کننده‌های مالی بعید است که شامل گروه‌های بزرگ مالی (MAGs) شود، زیرا این گروه‌ها بیشتر با خدمات غیرمالی در ارتباط هستند.همکاری و اشتراک‌گذاری اطلاعاتمقررات MiCa، DORAو قانون هوش مصنوعی برای جلوگیری از پیش‌داوری نظارتی ضروری خواهند بود. دسترسی به اطلاعات به موقع هنگام پاسخ به حملات سایبری یا صدور مجوز برای ارائه‌دهندگان دارایی‌های کریپتو اهمیت زیادی دارد. برای ارائه‌دهندگان غیربانکی، این امر مستلزم همکاری بین ناظران و بازیگران است که ممکن است خارج از دایره معمول نظارت بانکی و ثبات مالی قرار داشته باشند. همکاری بین‌المللی برای تبادل تجربیات اهمیت زیادی دارد. مراکز اشتراک‌گذاری و تحلیل اطلاعات، نمونه‌ای عملی از همکاری بین‌المللی غیررسمی هستند. نوآوری دیجیتال مرزها میان بانک‌ها، نهادهای تحت نظارت و دیگر شرکت‌های تجاری که خدمات آنها برای نهادهای تحت نظارت ضروری است، را به چالش می‌کشد. Mohammad Peiravi Mohammad Peiravi Sun, 08 Dec 2024 08:13:40 +0330 https://virgool.io/@mohammad.peiravi/%D9%85%D8%A7%D8%AA%D8%B1%DB%8C%D8%B3-%D8%A8%D9%84%D9%88%D8%BA-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-jv8k4ujpcbij رشد بلندمدت و گسترده هوش مصنوعی، آن را به یک اولویت اقتصادی در تمام جهان تبدیل کرده است. مدیران کسب‌وکار انتظار دارند که در بازه زمانی ۳ تا ۱۰ سال آینده، هوش مصنوعی تأثیرات قابل ‌توجهی بر عملیات و خلق ارزش آنها داشته باشد و از سویی انتظار می‌رود هزینه‌های جهانی در این حوزه تا سال ۲۰۲۸ بیش از دو برابر شده و به ۶۳۲ میلیارد دلار برسد.ماتریس جدید بلوغ هوش مصنوعی شرکت BCG، ۷۳ اقتصاد جهانی را برای پاسخ به برخی از این پرسش‌های کلیدی ارزیابی می‌کند. هدف این ارزیابی کسب مزیت اقتصادی است، اما در عین حال این کشورها در حال شکل دادن به چگونگی تعامل بشر با این فناوری به شدت تحول‌آفرین هستند. در این ارزیابی، «میزان مواجهه» به معنای پتانسیل تأثیر مثبت یا منفی هوش مصنوعی بر یک بخش اقتصادی تعریف شده است. سپس میزان آمادگی هر اقتصاد برای بهره‌گیری از پتانسیل رشد هوش مصنوعی و کاهش خطرات احتمالی بررسی می‌شود. این ماتریس، عوامل مختلف را ترکیب کرده و شش الگوی توسعه اقتصادی و پتانسیل هوش مصنوعی را معرفی می‌کند.براساس این گزارش، کشورهایی که به سطح بالایی از آمادگی رسیده‌اند، با ترکیب عناصری مانند سرمایه‌گذاری و زیرساخت، تحول‌آفرینی بر مبنای هوش مصنوعی را به یک مزیت رقابتی تبدیل کرده‌اند. آینده هوش مصنوعی با انتظارات بالا تعریف می‌شود، اما پذیرش آن در حال حاضر نیز بازدهی‌هایی همچون افزایش بهره‌وری و بازگشت سرمایه را به همراه داشته است.ابعاد مواجهه با هوش مصنوعیمواجهه با هوش مصنوعی در سطوح مختلفی ظاهر می‌شود که عبارتند از:بهره‌وری: بسیاری از اقتصادها در این مطالعه با تغییرات احتمالی مواجه هستند. در عین حال، هوش مصنوعی ممکن است گردش کار سنتی در بخش‌هایی که به فرآیندهای دستی متکی هستند، مانند تولید، را با چالش همراه کند.کسب‌وکارهای کوچک: ممکن است برای رقابت با شرکت‌های بهینه‌سازی شده دچار مشکل شوند و عملکرد کلی بخش خود را تحت تأثیر قرار دهند.رشد بخش‌های جانبی: هوش مصنوعی می‌تواند باعث رشد بخش‌های جانبی شود. به عنوان مثال، فناوری‌های کشاورزی مبتنی بر هوش مصنوعی می‌توانند با استفاده از داده‌های مرتبط با بازده محصولات، شرایط جوی و روندهای بازار، زنجیره تأمین را بهینه‌سازی کنند. همچنین بخش حمل‌ونقل کشور می‌تواند کارآمدتر و مدرن‌تر شود.در دنیای امروز، مواجهه با تغییراتی که هوش مصنوعی به ارمغان می‌آورد، اجتناب‌ناپذیر است، حتی اگر این تغییرات به صورت محدود باشد. بنابراین هر اقتصادی تا حدی با این فناوری درگیر خواهند شد.آمادگی در سطوح مختلفارزیابی آمادگی به یک اقتصاد کمک می‌کند تا نقاط قوت و ضعف خود را در مدیریت ریسک فناوری و بهره‌برداری بهینه از هوش مصنوعی بشناسد. آمادگی برای هوش مصنوعی به توانایی یک اقتصاد برای اجرای مؤثر و یکپارچه‌سازی هوش مصنوعی اشاره دارد. این ارزیابی همچنین عدم توازن‌هایی را که در برخی اقتصادها وجود دارد (اینکه در چه بخش‌هایی پیشرفته و در چه بخش‌هایی ضعیف هستند) نشان می‌دهد. در این مدل، داشتن یک استراتژی مشخص در حوزه هوش مصنوعی و وجود نهادی دولتی برای نظارت بر آن را بررسی شده و به موضوع مهارت‌های متخصصان هوش مصنوعی می‌پردازد. چارچوب ASPIRE برای ارزیابی طیف کاملی از اقتصادهای پیشرفته، نوظهور و در حال توسعه مفید است، که برخی از آن‌ها برای پذیرش هوش مصنوعی آماده هستند.این مدل با ترکیب تحلیل میزان مواجهه با هوش مصنوعی و آمادگی، شش گروه متمایز از پذیرش این فناوری را شناسایی کرده است. این گروه‌ها پیشتازان در پذیرش هوش مصنوعی هستند که بر زیرساخت‌های مناسب تکیه کرده و از این فناوری در بخش‌های مختلف استفاده می‌کنند.این تحلیل همچنین نابرابری‌هایی را که معمولاً زمانی رخ می‌دهند که یک اقتصاد در برخی از این شش حوزه بسیار پیشرفته است اما در حوزه‌های دیگر دچار ضعف است، نشان می‌دهد. بیشتر اقتصادها باید تلاش بیشتری برای آماده‌سازی خود در برابر تغییرات ناشی از هوش مصنوعی انجام دهند. پیشگامان در زمینه مهارت‌ها، تحقیق و توسعه، اکوسیستم‌ها و سرمایه‌گذاری‌ها پیشرو هستند. در حوزه مهارت‌ها، ایالات متحده و سنگاپور به‌واسطه وجود نیروهای متخصص در زمینه هوش مصنوعی که برای پیشبرد نوآوری ضروری هستند، پیشرو هستند.هوش مصنوعی و تولید ناخالص داخلیهوش مصنوعی(AI) طی سال‌های آینده سهم بیشتری از تولید ناخالص داخلی کشورهای پیشرو را به خود اختصاص خواهد داد، چرا که این کشورها فناوری‌ها، خدمات، مهارت‌ها و سرمایه‌گذاری‌های بیشتری در حوزه هوش مصنوعی به جهان عرضه می‌کنند. حضور این کشورها در زنجیره تأمین فناوری جهانی به آن‌ها این امکان را می‌دهد که استانداردهای این حوزه را تعیین کرده و بر چشم‌انداز کلی هوش مصنوعی تأثیر بگذارند.کشورهای مدعی در حوزه هوش مصنوعی نیز سطح آمادگی بالایی در این زمینه دارند. این گروه عمدتاً شامل اقتصادهای پردرآمد اروپایی مانند آلمان است که به دلیل بخش‌های بزرگ فناوری اطلاعات و ارتباطات (ICT) و تولیدات پیشرفته، از هوش مصنوعی به میزان بالایی بهره می‌برند. تمرکز دولت مالزی بر هوش مصنوعی نیز در نقشه راه ملی هوش مصنوعی، مراکز فناوری و دانشگاه‌هایی که آموزش هوش مصنوعی ارائه می‌دهند، مشهود است. این امر نشان می‌دهد که رهبری بخش دولتی می‌تواند به یک اقتصاد نوظهور کمک کند تا به بلوغ و رقابت‌پذیری در سطح اقتصادهای پردرآمد دست یابد.در کشورهای در حال پیشرفت، مواجهه با هوش مصنوعی عمدتاً به دلیل ترکیب صنعت یا منابع‌محور بخش‌های اقتصادی است. با این حال، دولت‌ها در این زیرگروه همانند کشورهای پیشرو ثابت، تعهد قوی‌ای به پذیرش هوش مصنوعی نشان می‌دهند. مورد جالب در این میان، هند است که به دلیل سطح بالای آمادگی، در کنار چند اقتصاد پردرآمد دسته‌بندی شده است. دولت هند چندین طرح متمرکز بر هوش مصنوعی راه‌اندازی کرده است، از جمله استراتژی ملی هوش مصنوعی و ایجاد مراکز تعالی در این حوزه، که هدف آن‌ها ادغام هوش مصنوعی در بخش‌های کلیدی مانند کشاورزی و آموزش است.عربستان سعودی به‌عنوان یک مرکز جهانی برتر در زمینه‌های اولویت ملی مانند هوش مصنوعی مرتبط با زبان عربی، صنعت و انرژی و همچنین مراقبت‌های بهداشتی و آموزش در حال فعالیت است. اندونزی نیز از طریق استراتژی ملی هوش مصنوعی خود بر آموزش تأکید دارد تا نیازهای جمعیت در حال رشد خود را برآورده کرده و رشد اقتصادی بلندمدت را تقویت کند. این استراتژی از سال 2019 آغاز شده و نسخه به‌روزشده آن در سال 2023، بر ادغام هوش مصنوعی در بخش‌های مختلف متمرکز است.برنامه کارآموزی هوش مصنوعی کشور سنگاپور، کارگران فنی این کشور را در پروژه‌های واقعی هوش مصنوعی آموزش می‌دهد. چارچوب مدل حاکمیت هوش مصنوعی، شرکت‌ها را در استفاده اخلاقی از هوش مصنوعی راهنمایی می‌کند و شفافیت و پاسخگویی را در این شرکت‌ها تضمین می‌کند. Mohammad Peiravi Mohammad Peiravi Sat, 30 Nov 2024 16:45:07 +0330 https://virgool.io/@mohammad.peiravi/%D9%85%D8%AF%D9%84-%D8%A8%D9%84%D9%88%D8%BA-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D8%A8%D8%A7%D9%86%DA%A9%D8%AF%D8%A7%D8%B1%DB%8C-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-mlzcj9lwmryj مدل‌های سنتی بانکداری، با چالش‌های بی‌سابقه‌ای از سوی رقبا در حوزه فین‌تک و انتظارات در حال تحول مشتریان مواجه شده‌اند. بلوغ دیجیتال در بانکداری شخصی و تجاری، به جای یک مزیت رقابتی، به یک عامل حیاتی برای بقا تبدیل شده است. در اوایل سال 2024، گروه پژوهشی Emerald و Digital Banking Report به نمایندگی از Alkami، تفاوت قابل‌توجهی در بلوغ دیجیتال بین مؤسسات مالی در بخش بانکداری شخصی کشف کردند. گزارش مدل بلوغ خدمات دیجیتال در بانکداری شخصی، از تحلیل‌های پیشرفته برای دسته‌بندی پاسخ‌دهندگان به چهار بخش استفاده کرد و برای هر سطح بلوغ، پروفایل‌هایی ایجاد کرد که مسیرهایی برای بهبود سریع و گسترده بلوغ دیجیتال برای بانک‌ها و مؤسسات اعتباری ارائه می‌کرد. با استقبالی که از گزارش درباره بلوغ دیجیتال در بخش شخصی انجام گرفت، تحلیل مشابهی برای بلوغ دیجیتال در بانکداری تجاری انجام شد. یافته‌های این مطالعه به مؤسسات مالی در تمامی اندازه‌ها کمک خواهد کرد تا نوآوری‌های تحول دیجیتال خود را برای حفظ جایگاه و سهم بازار در بخش رقابتی بانکداری تجاری تسریع کنند.روش تحقیق:برای این پژوهش، از 150 بازیگران از مؤسسات مالی با دارایی حداقل 200 میلیون دلار و فعال در حوزه بانکداری تجاری نظرسنجی شد. شرکت‌کنندگان شامل مدیران ارشد در حوزه‌های مدیریت محصول، مالی، فناوری اطلاعات، بازاریابی و عملیات بودند که استراتژی‌های بانکداری دیجیتال سازمان خود را شکل می‌دهند. این پاسخ‌دهندگان از نظر جغرافیایی در سراسر ایالات متحده پراکنده بودند و نمونه‌ای متنوع از نظر اندازه، نوع و بلوغ دیجیتال بانک ارائه کردند. این گروه شامل مؤسسات اعتباری (32%)، بانک‌ها (65%) و نئوبانک‌ها (3%) بود.چهار سطح بلوغ دیجیتال:پژوهشگران با استفاده از تکنیک‌های پیشرفته تحلیل اطلاعات، پاسخ‌دهندگان را به چهار دسته تقسیم کردند:نوسازی محتاطانه(28 درصد)این گروه بیشتر شامل بانک‌های کوچک است که با مؤسسات محلی رقابت می‌کنند. آن‌ها ادعا می‌کنند که فناوری را در اولویت قرار می‌دهند، اما در عمل درصد کمتری از بودجه را به فناوری اختصاص می‌دهند. این مؤسسات کمتر احتمال دارد خدماتی مانند افتتاح حساب دیجیتال و ابزارهای مدیریت حساب ارائه دهند و در استفاده از نرم‌افزارهای حسابداری و ERP محدود هستند. تصمیم‌گیری‌ها بیشتر بر تجربه شخصی استوار است تا داده‌ها.بازیگران خوش‌بین (17 درصد)این مؤسسات، اغلب مؤسسات اعتباری هستند که با سازمان‌های محلی و منطقه‌ای رقابت می‌کنند. کمتر از نیمی از آن‌ها افتتاح حساب دیجیتال ارائه می‌دهند و در روش‌های پرداخت مانند پرداخت‌های آنی، ابزارهای صدور صورتحساب و پرداخت‌های بین‌المللی عقب‌تر از سایر مؤسسات بالغ هستند. استفاده آنها از برنامه‌های ERP نیز ساده است. این مؤسسات، سرمایه‌گذاری بیشتری در دیجیتالی شدن کرده‌اند و معتقدند که پلتفرم آن‌ها بالاتر از حد متوسط است، اما نیاز دارند معیارهای موفقیت خود را بالاتر ببرند.پیشروهای نوظهور (36 درصد)این گروه بیشتر شامل بانک‌هایی است که نسبت به مؤسسات کمتر بالغ، بزرگ‌تر هستند. این بانک‌ها بیشتر از هر بخش دیگری روی فروش دیجیتال تمرکز دارند، اما هنوز فرآیند ایجاد حساب را کاملاً خودکار نکرده‌اند. این مؤسسات روش‌های پیشرفته پرداخت و ابزارهای قوی برای ادغام با ERP ارائه می‌دهند، اما در تجربه مدیریت کاربران عقب هستند. آن‌ها ارزش داده‌ها را درک می‌کنند، اما در مراحل اولیه ساخت فناوری‌های مدرن داده محور هستند.غول‌های فناوری (19 درصد)این گروه شامل سازمان‌های بزرگ‌تر و بالغ‌ترین از دیدگاه دیجیتال است. این بانک‌ها بین کانال‌های دیجیتال و شعبه‌های فیزیکی تعادل برقرار کرده‌اند، اما تخصص دیجیتال آن‌ها از سایر بخش‌ها پیشی گرفته است. آن‌ها به طور مستمر خدماتی مانند افتتاح حساب و وام آنلاین، ادغام API با چندین ERP، مدیریت کاربران و قابلیت‌های پیشرفته پرداخت ارائه می‌دهند. این مؤسسات معمولاً داده‌محور هستند و فناوری‌های مدرن داده محور را مستقر کرده‌اند. همچنین بر بهره‌وری و تجربه کارکنان تمرکز دارند.سه ستون اصلی بلوغ دیجیتال در بانکداری تجاریتحقیقات نشان داد که مسیر رسیدن به بلوغ دیجیتال در بانکداری تجاری بر سه ستون اصلی استوار است. این ستون‌ها مشابه مواردی هستند که در بخش بانکداری خرد مشاهده شده است، اما اجزای این ستون‌ها از نظر تمرکز و اولویت متفاوت هستند. با این حال، هر ستون نقشی اساسی و مرتبط در تعیین پیچیدگی دیجیتال یک مؤسسه، آمادگی برای آینده و اثربخشی در بازار فعلی ایفا می‌کند.ستون اول: تجربه کاربریتجربه کاربری پایه‌ای‌ترین عنصر برای هر پلتفرم رقابتی بانکداری دیجیتال است. همان‌طور که در بخش بانکداری خرد نیز مشاهده شد، موفقیت در جذب و نگه‌داشت مشتریان تجاری نیازمند ارائه تجربه‌ای ساده و بی‌وقفه در استفاده از خدمات دیجیتال است. این امر نیازمند بازنگری کامل فرآیندها به منظور تطبیق با رویکرد «اولویت اول دیجیتال» است. از دیدگاه مشتری، بلوغ دیجیتال بانکداری تجاری در قابلیت‌هایی مانند افتتاح حساب دیجیتال ساده و بی‌وقفه، مدیریت پیشرفته کاربران، یکپارچه‌سازی روان با سیستم‌های حسابداری وERP و ابزارهای جامع مدیریت مالی منعکس می‌شود. همانند آنچه که در بلوغ دیجیتال بانکداری خرد گفته شد، آنچه پیشروان بازار را متمایز می‌کند تنها فناوری‌های مدرن و ویژگی‌های آن نیست، بلکه نحوه پیاده‌سازی این راه‌حل‌هاست. این تجربه‌ها باید سریع‌تر، شهودی‌تر و به شکل فزاینده‌ای شخصی‌سازی شوند. این امر نیازمند استفاده از داده‌ها، هوش مصنوعی (AI) و ارائه بینش‌های قابل‌فهم برای ایجاد تعامل دیجیتالی و انسانی است.ستون دوم: بهره‌وری کارکنانبهره‌وری کارکنان نشان‌دهنده تغییری مهم در تمرکز بانک‌ها و مؤسسات اعتباری است که به سمت بلوغ دیجیتال حرکت می‌کنند. سازمان‌های پیشرو دریافته‌اند که تحول دیجیتال تنها محدود به راه‌حل‌های مشتری‌محور نیست، بلکه شامل توانمندسازی نیروی کار نیز می‌شود. تمرکز این ستون بر دو استراتژی است: 1- استفاده از داده‌ها، هوش مصنوعی و اتوماسیون برای کاهش بار کاری و 2- ارتقای مهارت کارکنان جدید و فعلی به منظور بهبود امنیت و جذابیت شغلی. این رویکرد متوازن تأکید دارد که تجربیات مثبت کارکنان، کلید ارائه خدمات بهتر به مشتریان و حفظ مزیت رقابتی است.ستون سوم: ذهنیتذهنیت به جنبه‌های رهبری و فرهنگی بلوغ دیجیتال بانکداری اشاره دارد. اگرچه سرمایه‌گذاری در فناوری، تجربه‌های کاربری پیشرفته و نیروی کار با استعداد ضروری است، اما این ذهنیت سازمانی است که تعیین می‌کند آیا یک سازمان می‌تواند این قابلیت‌ها را به‌طور مؤثر پیاده‌سازی کند یا خیر. این امر نیازمند رهبری است که پذیرای تغییر از وضعیت موجود و آماده پذیرش ریسک‌های حساب‌شده در مسیر نوآوری باشد.نتیجه این رویکرد، آمادگی سازمانی است که فراتر از وضعیت فعلی کسب‌وکار عمل کرده و برای سناریوهای مختلف آینده آماده می‌شود. آنچه این ستون‌ها را قدرتمند می‌کند، وابستگی متقابل آن‌هاست. تجربه کاربری قوی به کارکنان راضی برای پشتیبانی از آن و ذهنیت نوآورانه برای بهبود مداوم نیاز دارد. ذهنیت تحول‌آفرین تضمین می‌کند که هم تجربه مشتری و هم تجربه کارکنان مورد توجه بوده و سرمایه‌گذاری لازم را دریافت کنند. مؤسساتی که در هر سه ستون پیشرو باشند، نه تنها قادر به پاسخگویی به تقاضاهای بازار فعلی خواهند بود، بلکه توانایی انطباق با تغییرات آینده را نیز خواهند داشت.اندازه به تنهایی تعیین‌کننده بلوغ دیجیتال بانکداری تجاری نیستتحقیقات انجام شده نشان‌دهنده تناقضی است که در مطالعات مربوط به بلوغ بانکداری شخصی نیز مشاهده شده و توسط گزارش‌های دیجیتال بانکداری و مصاحبه‌های متعدد با مدیران مؤسسات مالی تأیید شده است: اندازه یک مؤسسه لزوماً با بلوغ دیجیتال آن همبستگی ندارد.در برخی موارد، شاهد مؤسساتی هستیم که علی‌رغم کوچکی، در بلوغ دیجیتال «فراتر از انتظار» عمل می‌کنند. به طور خاص، مؤسسات مالی با دارایی کمتر از 1 میلیارد دلار، یک پنجم پیشرفته‌ترین مؤسسات از نظر دیجیتال را در این مطالعه تشکیل می‌دهند. موفقیت این سازمان‌های پیشرو را می‌توان به چند عامل نسبت داد:تمایل به همکاری با ارائه‌دهندگان راهکارهای ثانویه؛حضور تیم‌های رهبری که پذیرای تغییر و مایل به پذیرش ریسک‌های اصلاح‌شده هستند؛گرایش به بهره‌گیری از فناوری‌های پیشرفته و ویژگی‌های نوآورانه؛در مقابل، 22 درصد از مؤسساتی که از نظر دیجیتال کمترین بلوغ را دارند، دارایی‌های بالای 10 میلیارد دلار دارند. این سازمان‌ها اغلب به دلیل سیستم‌های قدیمی که هنوز جایگزین یا بازطراحی نشده‌اند، دچار مشکل هستند. این مؤسسات بیشتر به تجربه خود متکی‌اند تا داده‌ها و در برابر تغییر مقاومت می‌کنند و به همین خاطر، در قابلیت‌های دیجیتال از رقبای خود عقب‌تر هستند.این تضاد نشان می‌دهد که موفقیت در تحول دیجیتال بیشتر به عواملی مانند فرهنگ سازمانی، چشم‌انداز رهبری و توانایی اجرا وابسته است تا صرفاً توانایی مالی. با گسترش ارائه‌دهندگان خدمات بانکداری به‌عنوان سرویس (BaaS)، مشارکت‌های فین‌تک و راهکارهای مبتنی بر ابر، سازمان‌های کوچک‌تر در موقعیت بهتری برای رقابت مؤثرتر با مؤسسات بزرگ‌تر قرار دارند.تقسیم‌بندی بلوغ به‌راحتی با نوع یا اندازه سازمان مشخص نمی‌شودهمان‌طور که در مدل بلوغ دیجیتال فروش و خدمات که قبلاً منتشر شده بود بررسی شد، رابطه بین بلوغ دیجیتال و عملکرد کسب‌وکار به‌عنوان شاخص مهمی از موفقیت سازمانی نمایان شده است. در این پژوهش درباره بانکداری تجاری، بانک‌ها و مؤسسات اعتباری با سطح بالاتر بلوغ دیجیتال، رشد درآمد بیشتری را نشان داده‌اند، به‌طوری‌که شرکت‌های پیشرو در فناوری (Tech Titans) به‌طور میانگین رشد درآمدی 16.3 درصدی داشتند، در حالی که این میزان برای کسب‌وکارهای دسته «نوسازی محتاطانه» تنها 1.7 درصد بوده است.بلوغ دیجیتال بالاتر در بانکداری تجاری، منجر به رشد بیشتر درآمد می‌شوداین تحقیقات نشان می‌دهد که سازمان‌هایی با سطح بلوغ دیجیتال بالاتر در تمامی صنایع، حدود سه برابر بیشتر از همتایان با بلوغ پایین‌تر، رشد سالانه درآمد خالص و حاشیه سود خالصی فراتر از میانگین صنعت خود گزارش می‌کنند. به عبارت دیگر، تأثیر بلوغ دیجیتال بر عملکرد مالی، محدود به یک بخش خاص نیست.تحقیقات دیلویت همچنین نشان می‌دهد که تفاوت در رشد درآمد تنها بخشی از داستان تأثیر بلوغ دیجیتال بر عملکرد کلی کسب‌وکار را روایت می‌کند. برای مثال، علاوه بر مزایای مالی مستقیم، سازمان‌های دارای بلوغ دیجیتال بالا ویژگی‌های زیر را نشان می‌دهند:کارایی عملیاتی برتر؛تصمیم‌گیری بهبود یافته؛تجربیات مشتری بهتر؛ظرفیت بالاتر برای نوآوری؛رضایت بیشتر کارکنان؛پایداری محیط زیستی بیشتر؛مدیریت بهتر ریسک و انعطاف‌پذیری؛رویکردی جامع به تحول دیجیتال؛چالش این است که تحول دیجیتال در بانکداری، مقصدی مشخص نیست، بلکه یک مسیر پیوسته از بهبود و انطباق است. هرچند سرمایه‌گذاری لازم برای ارتقا و حفظ بلوغ دیجیتال در بانکداری چشمگیر است، اما مزایای گسترده آن، از رشد درآمد و کارایی عملیاتی گرفته تا پایداری محیط زیستی، دلیل محکمی برای بانک‌ها و مؤسسات اعتباری است تا این مسیر بلوغ دیجیتال را در اولویت خود قرار دهند. Mohammad Peiravi Mohammad Peiravi Sat, 23 Nov 2024 10:28:22 +0330