الذكاء الاصطناعي في مجال الخدمات المصرفية الاستثمارية: الآلات تقرأ، والبشر يقررون – من الرابح حقاً؟

الذكاء الاصطناعي في الخدمات المصرفية الاستثمارية: هذه هي المهام التي تفشل فيها الخوارزميات (حتى الآن) فشلاً ذريعاً

تُسوّق البنوك الاستثمارية خدماتها عادةً من خلال هياكل صفقات مبتكرة، وصفقات بملايين الدولارات، ورؤية ثاقبة. لكن الواقع بالنسبة للمحللين المبتدئين، بعيدًا عن العروض التقديمية البراقة، غالبًا ما يكون مختلفًا تمامًا: ليالٍ طويلة في غرف البيانات الافتراضية، وفرز يدوي لمئات ملفات PDF للعقود، ونقل دقيق للأرقام إلى نماذج إكسل معقدة. في هذا التناقض تحديدًا بين الخبرة المدفوعة الأجر الباهظة وجمع المعلومات الشاق، يكمن أعظم إمكانات الذكاء الاصطناعي حاليًا.

بينما تستثمر شركات وول ستريت العملاقة، مثل جي بي مورغان وغولدمان ساكس، منذ فترة طويلة عشرات المليارات من الدولارات في أنظمة الذكاء الاصطناعي لتحرير محلليها من المهام الروتينية المملة، إلا أن الواقع يرسم صورة قاتمة: فليس كل ما يُشاد به من تقنيات قادرًا على الصمود أمام وتيرة وضغوط صفقات الاندماج والاستحواذ الحقيقية. علاوة على ذلك، يثير التشغيل الآلي تساؤلات جوهرية: إذا سيطرت الخوارزميات على البحث في المستقبل، فكيف سيتعلم الجيل القادم من المصرفيين مهنتهم؟ ومتى سيثق صانع الصفقات الخبير بتحليل الآلة؟ تتناول هذه المقالة بموضوعية تطبيقات الذكاء الاصطناعي الفعالة في القطاع المالي شديد التنظيم، والحالات التي يجب فيها إيقاف التشغيل الآلي عمدًا، ولماذا يتحول الإيمان الأعمى بالتكنولوجيا دون أدلة قوية إلى خطر جسيم.

الأدلة بدلاً من الشائعات: عندما يثق كبار المصرفيين حقاً بنتائج الذكاء الاصطناعي

تبيع البنوك الاستثمارية رسمياً الخبرة والعلاقات وهياكل الصفقات الإبداعية. ومع ذلك، فإن نظرة على العمل اليومي الفعلي للمحللين الشباب تكشف صورة مختلفة تماماً: فهم ينقبون في غرف البيانات، وينقلون الأرقام بدقة من ملفات PDF إلى نماذج Excel، ويبحثون عن عروض تقديمية قديمة أعدها البنك قبل ثلاث سنوات لعميل مماثل.

يكمن جوهر المشكلة في هذا التناقض تحديداً. فخدمات الاستثمار المصرفي تبيع الخبرة، ومع ذلك يقضي معظم وقت الموظفين المبتدئين في جمع المعلومات فحسب. هذه الفجوة بين ما يدفعه العملاء فعلياً وساعات العمل الفعلية هي تحديداً ما يجعل استخدام الذكاء الاصطناعي في الاستثمار المصرفي مجدياً اقتصادياً.

في هذا السياق، يجدر بنا إلقاء نظرة فاحصة على كيفية استفادة المؤسسات المالية من الذكاء الاصطناعي لتحقيق فوائد تجارية ملموسة. باختصار، البنوك الفائزة ليست تلك التي تقدم استراتيجيات جريئة، بل تلك التي وظفت الآلات باستمرار لقراءة المستندات والبحث فيها، مع ترك القرار النهائي للبشر وإدارة العملية برمتها ضمن حدود أنظمتها الخاضعة لسيطرتها.

الثمن الخفي لمجرد جمع المعلومات

السبب في عدم معالجة هذه المشكلة هو أنها لا تظهر كبند تكلفة منفصل. فالرواتب مدرجة في الميزانية، والمحللون معينون ومكلفون بالفعل. وقراءة ومراجعة الوثائق هي تحديداً الغرض الأصلي من ساعات العمل - وبالتالي يبقى هذا الجهد غير مرئي تماماً كالإيجار بعد توقيع عقد الإيجار.

لكن عند النظر إلى التكلفة الفعلية لهذا الجهد الخفي، تتضح المشكلة سريعًا. فهي تؤدي إلى عمليات تدقيق عشوائية بدلًا من مراجعات شاملة، لأن قراءة كل عقد في غرفة البيانات بدقة لم تكن مجدية اقتصاديًا على أي حال. كما ينتج عنها ملفات تعريف قديمة للشركات، لأن تحديث أربعين ملفًا كل ثلاثة أشهر يتراجع باستمرار أمام المعاملات الجارية والعاجلة. وتؤدي أيضًا إلى عدم متابعة صفقات واعدة، لأن الفريق منشغل تمامًا بالمعاملات الحالية. كل هذه القرارات تُتخذ فعليًا بسبب ضيق الوقت، وليس بقرار شخصي من المصرفي.

يتفاقم الجانب المتعلق بحجم هذه المشكلة بشكل متزايد. يتزايد النشاط المدفوع من قبل الجهات الراعية المالية بالتوازي مع نمو سوق رأس المال الخاص، حيث يتوقع محللو شركة بريكين أن تصل الأصول العالمية في فئات الأصول البديلة إلى حوالي 32 تريليون دولار بحلول عام 2030. وهذا يعني المزيد من عمليات المعاملات، والمزيد من عمليات تقديم العطاءات التنافسية، والمزيد من عمليات التدقيق اللازمة لكل مصرفي، وهو ما يفوق قدرة أي خطة توظيف على استيعابه بشكل واقعي. ستجد البنوك التي تستمر في قبول هذه النفقات الخفية نفسها تدفع ثمنًا باهظًا لها كل عام. في المقابل، فإن البنوك القادرة على توسيع نطاق تغطيتها دون زيادة قاعدة تكاليفها هي تلك التي توقفت عن اعتبار التدقيق الممل في الوثائق بمثابة طقس من طقوس الترقية للمحللين المبتدئين.

ما هي تطبيقات الذكاء الاصطناعي التي تصمد أمام الاختبارات العملية؟

ليست جميع حالات الاستخدام جاهزة بنفس القدر للتطبيق الإنتاجي، وترتيب معالجتها أهم من الاختيار التقني للبرنامج نفسه. تساعد ثلاثة معايير تصفية في التصنيف السريع.

أولاً وقبل كل شيء، الحجم. ينبغي اختيار مجموعة من المستندات تتراكم باستمرار وبشكل منتظم، بدلاً من تجميعها بشكل متقطع، لأن سير العمل الذي يُنفذ مرتين فقط في السنة لن يكتسب الخبرة الكافية لبناء ثقة حقيقية. ثانياً، قابلية التكرار: استخدام نفس حقول المعلومات، والاستعلام عنها بنفس الطريقة دائماً، عبر مستندات تختلف في الصياغة ولكنها لا تختلف كثيراً في البنية. ثالثاً، والأهم، قابلية التحقق. يجب الحصول على نتيجة يمكن لأي شخص مقارنتها بالمصدر في غضون ثوانٍ، لأن هذا التحقق تحديداً هو ما يُقنع المتشككين في نهاية المطاف.

يؤدي تطبيق هذه المعايير الثلاثة إلى حصول جميع البنوك تقريبًا على قائمة أولويات مختصرة متشابهة. تحظى غرف البيانات بأعلى الدرجات، ولذلك يُطبّق التحليل الذكي لوثائق العناية الواجبة عادةً أولًا. تليها وثائق السوابق الداخلية، نظرًا لضخامة تاريخ البنك، وصعوبة البحث فيه، ولكن سهولة التحقق منه بمجرد العثور عليه. تأتي الإفصاحات التنظيمية الخاصة بمراقبة السوق المستمرة في المرتبة الثالثة. أما أي شيء تُمثّل نتيجته رأيًا أو تقييمًا، فيتم أتمتته أخيرًا - وسنتناول هذا الموضوع لاحقًا.

متى يثق المصرفي الخبير بنتائج الآلة؟

باختصار، الأمر كله يرتكز على سمة أساسية واحدة: يجب أن يكون كل ادعاء مدعومًا بمصدره، ويجب ألا يستغرق التحقق من هذا المصدر أكثر من عشر ثوانٍ. قد يبدو هذا تفصيلًا بسيطًا في تصميم المنتج، ولكنه في الواقع جوهر وعد المنتج.

إن التحليل الذي يدّعي أن حد المسؤولية في العقد هو 12% من سعر الشراء هو في البداية مجرد ادعاء. أما التحليل الذي ينص على الأمر نفسه ويشير مباشرةً إلى الصفحة 84 من التعديل الثالث للعقد، فهو دليل. يتطلب الأول ثقة مطلقة، بينما يدعو الثاني عمليًا إلى التحقق - وهذا تحديدًا ما يرغب نائب الرئيس في فعله بأي معلومات تتعلق بمعاملة جارية.

يمكن للمرء أن يلاحظ كيف تنشأ الثقة بشكل طبيعي في ظل هذه الظروف. يراجع نائب الرئيس أول عشرين نتيجة، وتجتاز جميعها التدقيق. في المرة التالية، يتم فحص عشر نتائج فقط من أصل خمسين. وفي الصفقة الثانية التي تتم معالجتها، يفحص فقط النتائج التي تثير دهشته ويقبل الباقي دون مزيد من المراجعة. لم يُقرّ أحد رسميًا هذا التغيير في السلوك، بل نشأ ببساطة لأن المراجعات كانت تُقدّم باستمرار نتائج سليمة، ولم يكن بإمكان أي عرض ترويجي من بائع برامج أن يُولّد هذا المستوى من الثقة.

لسوء الحظ، فإن العكس صحيح أيضاً. فإجابة واحدة، وإن كانت بثقة، إلا أنها خاطئة دون مصدر موثوق، قد تُؤخر المشروع لأكثر من شهر كامل من توقف النظام، لأن قصة هذا الخطأ تنتشر في أرجاء المؤسسة. فسلسلة المعالجة بأكملها، من الوثيقة إلى القرار، تعتمد كلياً على مدى موثوقية المصادر، والنظام الذي يُقدم إجابات دون هذا الدليل لا يُنتج في النهاية إلا الشائعات.

أين يجب أن تصل الأتمتة إلى حدودها عن قصد؟

يحتاج كل برنامج ذكاء اصطناعي موثوق إلى قائمة محددة بوضوح لما لا ينبغي أتمتته، ويُفضل أن تُحدد هذه القائمة قبل المشروع التجريبي الأول. تُقدم الآلات الأدلة، بينما يُقدم البشر المواقف والتقييمات. تُحدد هذه القائمة الحدودية هذا التمييز بشكل صريح، بدلاً من اكتشافه بشكل مؤلم في خضم عملية مستمرة وحاسمة.

يمكن التحقق من دليل واحد: أن كل عقد في غرفة البيانات يتضمن بندًا خاصًا بتغيير السيطرة، وأن شركة مماثلة مدعومة بجميع مؤشرات الأداء الرئيسية وموثقة بمصادر، أو أن الصياغة الدقيقة لبند الحصرية، بما في ذلك تاريخ انتهائه، مُعاد إنتاجها بدقة. أما الموقف، فهو تقييم قائم على سياق لا يمكن لأي وثيقة منفردة أن تُغطيه: ما إذا كان بند تغيير السيطرة يُمثل عائقًا فعليًا أم أنه مجرد نقطة تفاوض، وما هي القيمة الحقيقية للشركة، أو أيًّا من مُقدّمي العطاءات يجب على العميل منحه العقد في نهاية المطاف، وكيفية التعامل مع مُقدّم العطاء الخاسر لاحقًا.

تبدأ البرامج التي تفشل في نهاية المطاف عادةً بمعالجة المشكلات المتعلقة بالوضع، كوضع نماذج التقييم أو توصيات المعاملات المباشرة، انطلاقًا من منطق أن العمل الأكثر قيمة يستحق الاهتمام المبكر. إلا أن النتيجة كانت دائمًا واحدة: يرفض المصرفيون ذوو الخبرة الاعتماد على استنتاجات لا يستطيعون فحصها نقديًا بأنفسهم. وهذا الرفض مبررٌ لسبب وجيه. ففي هذه الحالات، لم تكن المشكلة في التكنولوجيا، بل في اختيار حالة الاستخدام الأولية الخاطئة.

يتغير هذا الحد بمرور الوقت، تمامًا كما تتطور الثقة: خطوة بخطوة، نتيجةً مُثبتة تلو الأخرى. لذا، ينبغي مراجعة قائمة الحدود هذه وتعديلها سنويًا، لا أن تبقى ثابتة لا تتغير. ما تحمي منه في الواقع هو الفشل الأكثر شيوعًا الناجم عن مجرد التأكيد - عندما يتم تغيير الحد ببساطة في عرض تقديمي، أمام أشخاص، في حال الشك، يقررون بهدوء عدم الالتزام به.

منصة الذكاء الاصطناعي المُدارة - الصورة: Xpert.Digital

ستتعلم هنا كيف يمكن لشركتك تطبيق حلول الذكاء الاصطناعي المخصصة بسرعة وأمان ودون عوائق دخول عالية.

تُعدّ منصة الذكاء الاصطناعي المُدارة حلاً شاملاً ومريحاً لمشاكل الذكاء الاصطناعي. فبدلاً من التعامل مع التكنولوجيا المعقدة والبنية التحتية المكلفة وعمليات التطوير المطولة، ستحصل على حل جاهز مصمم خصيصاً لتلبية احتياجاتك من شريك متخصص، غالباً في غضون أيام قليلة فقط.

المزايا الرئيسية باختصار:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق الجاهز للاستخدام في أيام، وليس شهورًا. نقدم حلولًا عملية تُحقق قيمة مضافة فورية.

🔒 أقصى درجات أمان البيانات: بياناتك الحساسة تبقى معك. نضمن معالجة آمنة ومتوافقة مع الأنظمة دون مشاركة البيانات مع أي جهات خارجية.

💸 لا مخاطر مالية: أنت تدفع فقط مقابل النتائج. يتم التخلص تماماً من الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على جوهر عملك: انصبّ اهتمامك على ما تُجيده. نحن نتولّى جميع جوانب التنفيذ التقني والتشغيل والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 حلول مستقبلية وقابلة للتطوير: يتطور نظام الذكاء الاصطناعي الخاص بك معك. نضمن التحسين المستمر وقابلية التوسع، ونقوم بتكييف النماذج بمرونة مع المتطلبات الجديدة.

للمزيد من المعلومات، انقر هنا:

• منصة الذكاء الاصطناعي المُدارة

ماذا يحدث عندما تصل صفقات متعددة في وقت واحد؟

إنّ معدل إنجاز المعاملات الثابت في الأيام الهادئة ليس مقياساً ذا معنى في نهاية المطاف. ففرق العمل لا تنهار أبداً خلال الأسابيع العادية، إنما تنهار عندما يتصل عميل ثالث بحالة طارئة وعاجلة، وفي الوقت نفسه يكون أحد المديرين التنفيذيين المخضرمين على متن طائرة وغير متاح.

عند هذه النقطة تحديداً، يتقلص حجم العينة، وتبقى أسئلة التدقيق الثانوي دون إجابة، ويزداد خطر إغفال نتائج حاسمة لأن التركيز يكون في أدنى مستوياته. يجب على كل أداة جديرة بالاقتناء أن تثبت جدارتها تحت هذا الضغط تحديداً.

لذا، هذا تحديدًا ما يجب اختباره. إن تدفقًا مفاجئًا لخمسين عقدًا تحت ضغط الوقت يكشف عن جودة النظام أكثر مما يكشفه شهر كامل من الاستخدام المريح في الظروف التشغيلية العادية. هناك ثلاثة أمور بالغة الأهمية يجب مراقبتها: هل تنخفض الدقة مع ازدياد حجم العمل؟ هل يقدم نظام الانتظار نتائج جزئية قابلة للاستخدام أم أنه يُجبر الفريق بأكمله على الانتظار؟ وهل يعرض النظام بوضوح ما لم يتمكن من تحديده بدقة؟.

في ظل هذا الضغط، يصبح وجود نظام منطقي لتحديد حالات عدم اليقين أكثر أهمية من مجرد نسبة النجاح. فالنظام الذي يُقدّم 400 نتيجة واضحة، مع تحديد 30 حالة على أنها غير مؤكدة، يُزوّد ​​الفريق بقائمة عمل واضحة. في المقابل، يُعرّض النظام الذي يُقدّم 430 نتيجة تبدو واضحة، 30 منها خاطئة في الواقع، الفريق لمخاطر قانونية حقيقية. في ظل هذه الظروف الضاغطة، لا يملك أحد الوقت الكافي لتحديد أيًّا من النهجين قد اعتمده فعليًا.

كيف يمكن حفظ الوثائق الحساسة داخل جدران البنك؟

يُؤدي هذا السؤال إلى توقف معظم برامج الذكاء الاصطناعي عمليًا، وعادةً ما يحدث ذلك في مراحل متأخرة من العملية. يعثر فريق على أداة تُحلل العقود بكفاءة، ويختبرها مبدئيًا على إعلانات الشركة المتاحة للجمهور حيث لا يوجد خطر حقيقي. النتائج مُقنعة، فيقترح أحدهم تطبيق النظام على غرفة بيانات حقيقية. وهذا يُؤدي فورًا إلى تدقيق أمني.

يُقدّم مُزوّد ​​البرمجيات ضمانات تعاقدية: عدم تدريب النموذج ببيانات الشركة، وحذف البيانات بعد ثلاثين يومًا، بالإضافة إلى إمكانية الحصول على عقد مُخصّص للشركات. مع ذلك، يطرح قسم الامتثال سؤالًا أبسط وأكثر أهمية: إلى أين تُنقل المستندات فعليًا، ومن لديه حق الوصول إليها؟ الإجابة الصريحة عادةً هي: إلى خادم مُشترك خارج البنك – وهذا هو الصواب، إذ ينتهي النقاش عند هذا الحد.

إن المعلومات الداخلية الحساسة للأسعار، وبيانات العملاء السرية، والوثائق الخاضعة لاتفاقيات السرية، والحواجز المعلوماتية بين الإدارات، والتي تخضع لتدقيق الهيئات التنظيمية، تجعل هذه النهاية حتمية. لم يكمن الخطأ الحقيقي في المشروع التجريبي نفسه أو في الحذر المبرر لإدارة الامتثال، بل في اختيار نموذج نشر لم يكن ليتمكن من تجاوز هذه العقبة منذ البداية.

يضمن النموذج الذي سيُعتمد في نهاية المطاف بقاء جميع التقييمات والاستنتاجات ضمن حدود نظام البنك. وبفضل عزله لكل معاملة على حدة، يعكس هذا النموذج بدقة حواجز المعلومات المحددة، ويفرض ضوابط الوصول مباشرةً مع كل استعلام، ويحتفظ بسجل كامل لكل تفاعل. وبهذا المنظور، يصبح قسم الامتثال داعمًا للمشروع لا عائقًا أمامه، لأن مستوى الرقابة يجيب على أسئلة خط الدفاع الثاني حتى قبل طرحها. ويؤدي اتخاذ هذا القرار الجوهري قبل بدء المشروع التجريبي الأول إلى توفير حوالي ستة أشهر.

ما تنفقه وتستثمره الشركات الكبرى فعلياً

يتحول النقاش النظري حول إدارة عمليات الاسترجاع وبناء الثقة إلى واقع ملموس عند النظر إلى مبالغ الاستثمار الفعلية وعمليات إطلاق هذه التقنيات في أكبر المؤسسات. فشركة جيه بي مورغان تُشغّل حاليًا مجموعة برامجها الخاصة بإدارة التعلم الآلي (LLM Suite) لأكثر من 200 ألف موظف، وتُموّل أكثر من 400 حالة استخدام موثقة للذكاء الاصطناعي بميزانية تقنية تبلغ حوالي 18 مليار دولار أمريكي لعام 2026. أما شركة غولدمان ساكس، فبعد مرحلة تجريبية شملت حوالي 10 آلاف موظف، أطلقت مساعدها الذكي GS AI Assistant، المُستند إلى نماذج من OpenAI وGoogle وAnthropic، والمحمي بطبقة أمان خاصة بها، لحوالي 46 ألف موظف على مستوى الشركة، وتُشير التقارير إلى تحقيق مكاسب في الإنتاجية تتجاوز 20% في تطوير البرمجيات. من جهة أخرى، حققت شركة مورغان ستانلي بالفعل معدل استخدام يتجاوز 98% من جميع فرق الاستشارات لمساعدها الذكي الذكي للمستشارين الماليين، وهي تختبر منذ صيف 2026 مساعدين رقميين قادرين على التفاعل مع العملاء على مدار الساعة، مع احتفاظ البشر صراحةً بسلطة اتخاذ القرارات المتعلقة بالمحافظ الاستثمارية.

من السمات البارزة في الحالات الثلاث نمط معماري مشترك: الفصل المتعمد بين إمكانية الوصول وسلطة اتخاذ القرار. يُسمح للجهاز بالتحليل والتلخيص والاقتراح في أي وقت، لكن سلطة التنفيذ الفعلي تبقى مستبعدة تعاقديًا وتقنيًا. يتوافق هذا الفصل تمامًا مع الحد الفاصل الموصوف سابقًا بين الحقائق القابلة للتحقق والحكم الريادي الحقيقي، ويؤكد تجريبيًا أن المؤسسات الأكثر نجاحًا في تطبيق هذا المبدأ تلتزم به تحديدًا.

من منظور الاقتصاد الكلي، لم يعد هذا الأمر ظاهرةً محدودة. تُقدّر غولدمان ساكس أن إجمالي الاستثمارات المتعلقة بالذكاء الاصطناعي في الولايات المتحدة سيقارب 600 مليار دولار أمريكي في عام 2026، أي ما يعادل 2% تقريبًا من الناتج المحلي الإجمالي الأمريكي، بينما من المتوقع أن تتجاوز الاستثمارات العالمية في الذكاء الاصطناعي تريليون دولار أمريكي لأول مرة. في الوقت نفسه، يُحذّر التحليل نفسه من أن حوالي ثلثي هذه النفقات سيتم تمويلها من خلال إعادة تخصيصات ضمن ميزانيات الشركات الحالية، مما يُشير إلى تأثير حقيقي، وإن كان لا يزال معتدلاً، على إزاحة الاستثمارات الأخرى. بالنسبة للبنوك الاستثمارية، يعني هذا أن الضغط التنافسي للاستثمار في الذكاء الاصطناعي يتزايد، ليس فقط لأسباب تتعلق بالكفاءة، بل أيضًا لأن قاعدة عملائها، ولا سيما شركات التكنولوجيا وإصدارات سنداتها، تُدرج هذا الموضوع بالفعل في كل استشارات أسواق رأس المال.

المتطلبات التنظيمية التي تحدد الإطار

بالتوازي مع طفرة الاستثمار، يشهد الإطار التنظيمي لتشغيل هذه الأنظمة تحولاً ملحوظاً. فقد نص قانون الذكاء الاصطناعي الأوروبي في الأصل على ضرورة خضوع التطبيقات عالية المخاطر في القطاع المالي، مثل تقييمات الجدارة الائتمانية للأفراد، لاختبارات امتثال كاملة وتوثيقها وإخضاعها لإشراف بشري إلزامي بحلول 2 أغسطس/آب 2026. إلا أن ما يُعرف بـ"المشروع الرقمي الشامل للذكاء الاصطناعي" أجّل هذا الموعد النهائي ستة عشر شهراً إلى 2 ديسمبر/كانون الأول 2027، أي في صيف 2026، نظراً لعدم توفر معايير الاختبار التقني اللازمة في الوقت المناسب. أما بالنسبة للأنشطة المصرفية الاستثمارية الأساسية - كتقديم الاستشارات في عمليات الاندماج والاستحواذ، وإصدارات أسواق رأس المال، وإجراءات التدقيق النافي للجهالة - فإن تصنيف المخاطر العالية هذا غير ذي صلة إلى حد كبير، إذ تركز هذه الأنشطة بشكل أساسي على الإقراض وتسعير التأمين والتطبيقات البيومترية. ومع ذلك، فقد فُرض التزام أساسي بالشفافية منذ أغسطس/آب 2026: إذ يجب أن تكون اتصالات العملاء المدعومة أو المُنشأة بواسطة أنظمة الذكاء الاصطناعي قابلة للتمييز على هذا النحو، وهو أمر ينطبق أيضاً على التحليلات المُنشأة تلقائياً ومراسلات العملاء من البنوك.

في الولايات المتحدة، تتبنى هيئة الأوراق المالية والبورصات الأمريكية (SEC) نهجًا تدقيقيًا محايدًا تكنولوجيًا، ولكنه أكثر صرامة. وتُحدد أولويات التدقيق لعام 2026 أنظمة الذكاء الاصطناعي في مجال الاستشارات الاستثمارية، وعمليات الامتثال، والتواصل مع العملاء، باعتبارها مجالًا رئيسيًا للتركيز. ويتعين على المؤسسات إثبات هدف التحسين الذي يسعى إليه كل نظام ذكاء اصطناعي مُستخدم، وما إذا كان ذلك قد يُؤدي إلى تضارب في المصالح بين البنك والعميل. كما تحظى مراجعات العقود مع مزودي الذكاء الاصطناعي الخارجيين باهتمام متزايد، لا سيما فيما يتعلق باستخدام بيانات العملاء لتدريب نماذج خارجية. ويتوافق هذا تمامًا مع عقبة الامتثال المذكورة في المقال المتعلق بحلول غرف البيانات المستضافة خارجيًا. وبالتالي، يتجه كلا النظامين الرقابيين في الاتجاه نفسه: ليس حظر الذكاء الاصطناعي، بل التوثيق الإلزامي للتحكم، ومصدر البيانات، والمسؤولية البشرية النهائية.

الجانب السلبي غير المريح: تقليص عدد الموظفين والتشكيك

إنّ تصوير الذكاء الاصطناعي على أنه مكسبٌ محضٌ للكفاءة يتجاهل حقيقةً مزعجةً تُناقش بانفتاحٍ متزايد. فبحسب ديباسيش باتنايك، الشريك في شركة ماكينزي، تُقلّص البنوك بالفعل برامجها التدريبية للمحللين المبتدئين بنسبة تصل إلى الثلثين، بينما يتم في الوقت نفسه توظيف نحو 62% من المتخصصين المطلوبين في مجال الذكاء الاصطناعي من هذه الرتب المبتدئة نفسها. وهذا يثير تساؤلاً هيكلياً أغفلته المقالة الأصلية عمداً: إذا كان التدريب التقليدي للمصرفيين الشباب يعتمد على أعمال القراءة الشاقة التي تُؤتمت الآن، فمن أين ستأتي الأجيال القادمة من صُنّاع القرار ذوي الخبرة إذا حُرموا من التدريب العملي على جمع المعلومات؟ يبقى هذا السؤال دون إجابةٍ شافيةٍ في النقاش الدائر حالياً، ومن المرجّح أن يُثبت أنه أحد المخاطر الحقيقية للأتمتة في السنوات القادمة، متجاوزاً بكثير مجرد مخاوف خصوصية البيانات أو دقتها.

علاوة على ذلك، ثمة تحذير منهجي، تقر به غولدمان ساكس نفسها: إن مساهمة موجة الاستثمار في الذكاء الاصطناعي في الناتج المحلي الإجمالي، وما يصاحبها من آثار على الاستثمارات الأخرى، هي في المجمل أقل مما يُفترض عادةً في النقاش العام. بالنسبة للبنوك الفردية، يعني هذا أن تلك التي تعتمد فقط على الاتجاهات الحالية وتُطلق تصريحات شاملة بشأن الذكاء الاصطناعي دون الالتزام بالمعايير المذكورة في المقال فيما يتعلق بحدود الأتمتة، والتحقق من المصدر، وسيادة البيانات، تُخاطر في نهاية المطاف بفقدان الثقة الذي قد تُسببه نتيجة واحدة خاطئة وغير مُثبتة.

لماذا لا تأتي العوائد الحقيقية في مجال الخدمات المصرفية الاستثمارية من عروض الذكاء الاصطناعي؟

لا تنبع الفوائد الاقتصادية للذكاء الاصطناعي في مجال الخدمات المصرفية الاستثمارية من إعلانات مبهرة أو وعود بمعالجة المعاملات بشكل آلي بالكامل، بل من شجاعة البنوك في التمييز بصدق بين الحقائق القابلة للتحقق والتقدير التجاري الحقيقي، وترجمة هذا التمييز باستمرار إلى أنظمة وعمليات وقواعد وصول. تُظهر الأرقام الفعلية من بنوك جي بي مورغان، وغولدمان ساكس، ومورغان ستانلي أن المؤسسات التي تحقق أعلى إنتاجية في تطبيق الذكاء الاصطناعي هي تلك التي تفصل بدقة بين إمكانية الوصول وسلطة اتخاذ القرار، وتعتبر متطلبات التوثيق التنظيمي أداةً لا عائقًا. لن تكون المؤسسات التي تسلك هذا المسار أكثر نجاحًا لأن تقنيتها تبدو أكثر إبهارًا، بل لأنها تُحرر موظفيها من إضاعة الوقت في جمع المعلومات فحسب، وتُعيد توجيه جهودهم نحو ما يرغب العملاء حقًا في دفعه: التقدير السليم والشفاف، وفي نهاية المطاف، التقدير البشري.

Konrad Wolfenstein

يسعدني أن أكون مستشارك الشخصي.

يمكنكم التواصل معي عبر البريد الإلكتروني wolfenstein∂xpert.digital أو

اتصل بي على الرقم +49 7348 4088 965 .

لينكد إن