בינה מלאכותית בבנקאות השקעות: מכונות קוראות, בני אדם מחליטים - מי באמת מנצח?

בינה מלאכותית בבנקאות השקעות: אלו הן המשימות שבהן האלגוריתמים (עדיין) נכשלים כישלון חרוץ

מבני עסקאות יצירתיים, עסקאות של מיליוני דולרים ושיקול דעת חזוני - כך בנקי השקעות אוהבים לשווק את שירותיהם. אבל המציאות עבור אנליסטים זוטרים, הרחק מהמצגות המבריקות, נראית לעתים קרובות שונה לגמרי: לילות אינסופיים בחדרי נתונים וירטואליים, סינון ידני של מאות קבצי PDF של חוזים, והעברת נתונים קפדנית למודלים מורכבים של אקסל. דווקא בפער הזה בין מומחיות בתשלום יקר לבין איסוף מידע מייגע, הבינה המלאכותית (AI) מגלה כיום את הפוטנציאל הגדול ביותר שלה.

בעוד שענקיות וול סטריט כמו ג'יי.פי מורגן וגולדמן זאקס משקיעות זה מכבר עשרות מיליארדי דולרים במערכות בינה מלאכותית כדי לשחרר את האנליסטים שלהן ממשימות מייגעות גרידא, המציאות מציירת תמונה קשה: לא כל טכנולוגיה שזכתה לשבחים רבים יכולה לעמוד בקצב ובלחץ הבלתי פוסקים של עסקת מיזוג ורכישה אמיתית. יתר על כן, אוטומציה מעלה שאלות עמוקות: אם אלגוריתמים ישתלטו על המחקר בעתיד, כיצד ילמד הדור הבא של הבנקאים את מלאכתם? ובאיזו נקודה בכלל יבטח עורך עסקאות מנוסה בניתוח של מכונה? מאמר זה בוחן ללא היסוס אילו יישומי בינה מלאכותית באמת עובדים במגזר הפיננסי המפוקח מאוד, שבו יש לעצור במכוון את האוטומציה, ומדוע אמונה עיוורת בטכנולוגיה ללא ראיות מוצקות הופכת במהרה לסיכון אחריות עצום.

ראיות במקום שמועות: כאשר בנקאים בכירים באמת סומכים על תוצאות הבינה המלאכותית

בנקי השקעות מוכרים באופן רשמי שיקול דעת, קשרים ומבני עסקאות יצירתיים. עם זאת, מבט על עבודתם היומיומית של אנליסטים צעירים מגלה תמונה שונה לחלוטין: סינון חדרי נתונים, העברת נתונים מדוקדקת ממסמכי PDF למודלים של אקסל, וחיפוש אחר מצגות ישנות שהבנק יצר לפני שלוש שנים עבור לקוח דומה.

פער זה הוא בדיוק המקום שבו טמון ליבת הבעיה. בנקאות השקעות מוכרת שיקול דעת, אך מקדישה את רוב שעות הצוות הזוטר לאיסוף מידע בלבד. הפער הזה בין מה שלקוחות משלמים בפועל לבין מה שעות העבודה בפועל הן בדיוק המקום שבו השימוש בבינה מלאכותית בבנקאות השקעות הופך לכדאי מבחינה כלכלית.

על רקע זה, כדאי לבחון מקרוב כיצד מוסדות פיננסיים יכולים בפועל למנף בינה מלאכותית לטובת יתרונות עסקיים מוחשיים. התשובה הקצרה היא זו: הבנקים שמנצחים כאן אינם אלו עם הצגות האסטרטגיה הנועזות ביותר. הם אלו שפרסו באופן עקבי מכונות לקריאה וחיפוש מסמכים, תוך שהם משאירים את השיפוט בפועל בידי בני אדם ומפעילים את כל התהליך במסגרת גבולות המערכת המבוקרת שלהם.

המחיר הבלתי נראה של איסוף מידע בלבד

הסיבה שאף אחד לא מטפל בבעיה הזו היא שהיא לא מופיעה בשום מקום כסעיף הוצאות נפרד. משכורות כבר מתוקצבות, אנליסטים כבר גויסו והוקצו. קריאת וסקירת מסמכים היא בדיוק מה ששעות העבודה נרכשו במקור עבורו - לכן המאמץ נשאר בלתי נראה כמו שכר הדירה לאחר חתימת חוזה השכירות.

עם זאת, כאשר לוקחים בחשבון את העלות בפועל של מאמץ נסתר זה, הבעיה מתבררת במהירות. זה מוביל לבדיקות נקודתיות במקום סקירות מקיפות, מכיוון שקריאה יסודית של כל חוזה בחדר נתונים מעולם לא הייתה אפשרית מבחינה כלכלית בכל מקרה. זה גורם לפרופילי חברה מיושנים, מכיוון שעדכון קבוע של ארבעים פרופילים לרבעון מפסיד בתחרות מול עסקאות מתמשכות ודחופות. וזה מוביל לכך שעסקאות מבטיחות אפילו לא ננקטות, מכיוון שהצוות כבר עסוק לחלוטין בעסקאות שוטפות. כל אחת מההחלטות הללו מתקבלת למעשה על ידי אילוץ זמן, לא על ידי בנקאי באופן אישי.

היבט הנפח של בעיה זו הופך לחמור יותר ויותר. פעילות המונעת על ידי ספונסרים פיננסיים גדלה במקביל לצמיחת שוק ההון הפרטי, כאשר אנליסטים של Preqin צופים כי נכסים גלובליים בקטגוריות נכסים אלטרנטיביות יגיעו לכ-32 טריליון דולר עד 2030. משמעות הדבר היא יותר תהליכי עסקה, תהליכי הצעות מחיר תחרותיים יותר ובדיקת נאותות רבה יותר לכל בנקאי ממה שכל תוכנית גיוס יכולה להכיל באופן ריאלי. בנקים שימשיכו לקבל את ההוצאה הנסתרת הזו ימצאו את עצמם משלמים עליה ביתר שאת מדי שנה. לעומת זאת, אלו שיכולים להרחיב את הכיסוי שלהם מבלי להגדיל את בסיס העלויות שלהם הם אלו שהפסיקו לראות את סינון המסמכים המייגע כמעין טקס חניכה עבור אנליסטים זוטרים.

אילו יישומי בינה מלאכותית באמת עומדים בבדיקות מעשיות?

לא כל מקרי השימוש מוכנים באותה מידה לפריסה פרודוקטיבית, והסדר שבו הם מטופלים חשוב יותר מהבחירה הטכנית של התוכנה עצמה. שלושה קריטריוני סינון מסייעים בסיווג מהיר.

ראשית, חשוב לבחור כמות מסמכים. כדאי לבחור קבוצת מסמכים שמצטברת באופן קבוע ותמיד, ולא רק מדי פעם, מכיוון שתהליך עבודה שפועל רק פעמיים בשנה לעולם לא יצבור מספיק ניסיון כדי לבנות אמון אמיתי. שנית, חזרתיות: אותם שדות מידע, שתמיד נשאלים באותו אופן, על פני מסמכים שונים בניסוח אך בקושי במבנה. שלישית וחשובה ביותר, יכולת אימות. רוצים להשיג תוצאה שמישהו יכול להשוות אותה למקור תוך שניות, מכיוון שדווקא אימות זה הוא שבסופו של דבר משכנע ספקנים.

יישום שלושת המסננים הללו מביא לכך שכמעט לכל בנק יש את אותה רשימת עדיפויות קצרה. חדרי נתונים מקבלים את הציון הגבוה ביותר, ולכן ניתוח חכם של מסמכי בדיקת נאותות מיושם בדרך כלל ראשון. מסמכים פנימיים תקדימיים מגיעים למקום השני, שכן ההיסטוריה של הבנק עצמו היא עצומה, מייגעת ללא סוף לחיפוש, אך ניתנת לאימות טריוויאלי לאחר איתורם. הגשות רגולטוריות לצורך ניטור שוק מתמשך מגיעות למקום השלישי. כל דבר שתוצאתו מייצגת דעה או הערכה אוטומטית אחרונה - עוד על כך בהמשך.

מתי בנקאי מנוסה סומך על תוצאות המכונה?

בעיקרו של דבר, הכל מסתכם במאפיין אחד מכריע: כל טענה חייבת להיות נתמכת במקור שלה, ואימות המקור הזה אסור שייקח יותר מעשר שניות. זה אולי נשמע כמו פרט שולי בעיצוב מוצר, אבל זוהי למעשה כל הבטחת המוצר.

ניתוח הטוען כי מגבלת האחריות בחוזה היא 12 אחוזים ממחיר הרכישה הוא בתחילה רק קביעה. ניתוח הקובע את אותו הדבר ומפנה ישירות לעמוד 84 של התיקון השלישי לחוזה, לעומת זאת, הוא הוכחה. הראשון דורש אמון עיוור, השני למעשה מזמין אימות - וזה בדיוק מה שסגן נשיא רוצה לעשות עם כל מידע הנוגע לעסקה מתמשכת.

ניתן לראות כיצד אמון מתפתח באופן טבעי למדי בתנאים אלה. סגן הנשיא סוקר את עשרים התוצאות הראשונות, וכל עשרים התוצאות עוברות את הבדיקה. בפעם הבאה, רק עשר מתוך חמישים תוצאות נבדקות. בעסקה השנייה שמעובדת, הוא בודק רק את התוצאות שמפתיעות אותו ומקבל את השאר ללא בדיקה נוספת. איש לא אישר רשמית את השינוי הזה בהתנהגות - הוא פשוט נבע מכך שהסקירות סיפקו באופן עקבי תוצאות נקיות, ושום נאום מכירות של ספק תוכנה לא היה יכול ליצור רמת אמון כזו.

למרבה הצער, ההפך הוא אמין באותה מידה. תשובה אחת, מנוסחת בביטחון, אך שגויה, ללא מקור שניתן לאמת, יכולה להחזיר פרויקט אחורה יותר מחודש שלם של השבתת מערכת, משום שסיפור השגיאה הזו מתפשט בכל רחבי הארגון. כל שרשרת העיבוד, מהמסמך ועד להחלטה, עומדת או נופלת על פי אופי המקורות שניתן לצטט, ומערכת המספקת תשובות ללא ראיות אלו אינה מייצרת בסופו של דבר דבר מלבד שמועות.

היכן אוטומציה חייבת להגיע במכוון לגבולותיה?

כל תוכנית בינה מלאכותית בעלת מוניטין זקוקה לרשימה מוגדרת בבירור של מה שלא צריך להיות אוטומטי - רצוי לקבוע אותה לפני פרויקט הפיילוט הראשון. מכונות מספקות ראיות, בני אדם מספקים עמדות והערכות. רשימת גבולות זו היא המקום שבו ההבחנה הזו נמתחת במפורש, במקום להתגלות בכאב באמצע תהליך מתמשך וקריטי.

ניתן לאמת ראיה אחת: שכל חוזה בחדר הנתונים מכיל סעיף שינוי שליטה, שחברה דומה מבוססת על כל מדד ביצועים מרכזי ונתמכת על ידי מקורות, או שהניסוח המדויק של סעיף בלעדיות, כולל תאריך התפוגה שלו, משוחזר במדויק. עמדה, לעומת זאת, היא הערכה המבוססת על הקשר שאף מסמך בודד אינו יכול ללכוד: האם סעיף שינוי שליטה מסוים מהווה מכשול בפועל או שהוא יותר נקודת משא ומתן, כמה חברה באמת שווה, או למי משני מציעים לקוח צריך בסופו של דבר להעניק את החוזה וכיצד להתמודד עם המציע המפסיד לאחר מכן.

תוכניות שנכשלות בסופו של דבר כמעט תמיד מתחילות בטיפול בבעיות פוזיציוניות, בדרך כלל מודלים של הערכה או המלצות ישירות לעסקה, המבוססות על ההיגיון שהעבודה בעלת הערך הרב ביותר ראויה לתשומת הלב המוקדמת ביותר. התוצאה, לעומת זאת, תמיד הייתה זהה: בנקאים מנוסים פשוט מסרבים להסתמך על מסקנות שהם לא יכולים לבחון בעצמם בצורה ביקורתית. וסירוב זה מוצדק מסיבה טובה. במקרים אלה, הבעיה לא הייתה הטכנולוגיה, אלא הבחירה השגויה של מקרה השימוש הראשוני.

גבול זה אכן משתנה עם הזמן, והוא משתנה בדיוק ככל שמתפתח אמון: צעד אחר צעד, תוצאה מאומתת אחת אחרי השנייה. לכן, רשימת גבולות כזו צריכה להיבחן ולהתאים מדי שנה, ולא להישאר חקוקה באבן. מה שהיא למעשה מגינה מפניו הוא הכישלון התכוף הרבה יותר שנגרם על ידי קביעה גרידא - כאשר הגבול פשוט מוזז במצגת, מול אנשים שבמקרה של ספק, פשוט מחליטים בשקט לא לציית לו.

פלטפורמת בינה מלאכותית מנוהלת - תמונה: Xpert.Digital

כאן תלמדו כיצד החברה שלכם יכולה ליישם פתרונות בינה מלאכותית מותאמים אישית במהירות, בצורה מאובטחת וללא חסמי כניסה גבוהים.

פלטפורמת בינה מלאכותית מנוהלת היא הפתרון השלם והחסר דאגות שלכם לבינה מלאכותית. במקום להתמודד עם טכנולוגיה מורכבת, תשתית יקרה ותהליכי פיתוח ארוכים, אתם מקבלים פתרון מוכן מראש המותאם לצרכים שלכם משותף מתמחה - לעתים קרובות תוך מספר ימים בלבד.

היתרונות המרכזיים במבט חטוף:

⚡ יישום מהיר: מרעיון ליישום מוכן לשימוש תוך ימים, לא חודשים. אנו מספקים פתרונות מעשיים היוצרים ערך מוסף מיידי.

🔒 אבטחת מידע מקסימלית: המידע הרגיש שלך נשאר אצלך. אנו מבטיחים עיבוד מאובטח ותואם ללא שיתוף מידע עם צדדים שלישיים.

💸 אין סיכון פיננסי: אתם משלמים רק על תוצאות. השקעות גבוהות מראש בחומרה, תוכנה או כוח אדם מבוטלות לחלוטין.

🎯 התמקדו בעסק הליבה שלכם: התרכזו במה שאתם עושים הכי טוב. אנחנו דואגים לכל תהליך היישום הטכני, התפעול והתחזוקה של פתרון הבינה המלאכותית שלכם.

📈 עמיד לעתיד וניתן להרחבה: הבינה המלאכותית שלכם גדלה איתכם. אנו מבטיחים אופטימיזציה וגמישות מתמשכת, ומתאימים את המודלים לדרישות חדשות בצורה גמישה.

מידע נוסף כאן:

• פלטפורמת בינה מלאכותית מנוהלת

מה קורה כאשר מגיעות מספר עסקאות בו זמנית?

תפוקה עקבית בימים שקטים היא בסופו של דבר מדד חסר משמעות. צוותי עסקאות לעולם לא קורסים במהלך שבועות רגילים - הם קורסים כאשר לקוח שלישי מתקשר עם מצב דחוף וחי, ובמקביל, מנהל מנוסה נמצא על מטוס ולא זמין.

דווקא בנקודה זו גודל המדגם מצטמצם, שאלות בדיקת נאותות משנית נותרות ללא מענה, והסיכון להתעלם מממצא קריטי הוא הגבוה ביותר משום שתשומת הלב מדוללת ביותר. כל כלי ששווה לקנות חייב להוכיח את עצמו תחת לחץ זה בדיוק.

לכן, זה בדיוק מה שאתם צריכים לבדוק. שטף פתאומי של חמישים חוזים תחת לחץ זמן מגלה יותר על איכות המערכת מאשר חודש שלם של שימוש נוח בפעולה רגילה. שלושה דברים חשובים לבחון: האם הדיוק יורד עם העלייה בנפח; האם התור מספק תוצאות חלקיות שמישות או פשוט מאלץ את כל הצוות להמתין; והאם המערכת מציגה בגלוי את מה שהיא עצמה לא יכלה לקבוע בוודאות.

תחת לחץ כזה, מערכת הגיונית לסימון אי-ודאויות חשובה אף יותר משיעור תוצאות טהור. מערכת המספקת 400 תוצאות חד-משמעיות ו-30 מקרים המסומנים במפורש כלא ודאיים מספקת לצוות רשימת עבודה ברורה. לעומת זאת, מערכת המספקת 430 תוצאות לכאורה חד-משמעיות, ש-30 מהן למעשה שגויות, מציבה בפני הצוות סיכון אחריות ממשי. בתנאים מלחיצים, לאף אחד אין פשוט את הזמן לקבוע בדיעבד איזו משתי הגישות הוא אימץ בפועל.

כיצד ניתן לשמור מסמכים רגישים בתוך כותלי הבנק?

שאלה זו מביאה את רוב תוכניות הבינה המלאכותית לעצירה בפועל - ובדרך כלל רק בשלב מאוחר של התהליך. צוות מוצא כלי שמנתח חוזים היטב ובודק אותו בתחילה על הודעות חברה זמינות לציבור, בהן אין סיכון ממשי. התוצאות משכנעות, ולכן מישהו מציע ליישם את המערכת על חדר נתונים אמיתי וחי. זה מפעיל מיד ביקורת אבטחה.

ספק התוכנה מציע הבטחות חוזיות: אין צורך באימון המודל עם נתוני החברה עצמה, מחיקה לאחר שלושים יום, וחוזה תאגידי מותאם אישית זמין גם כן. עם זאת, מחלקת הציות שואלת את השאלה הפשוטה והחשובה הרבה יותר: לאן המסמכים מועברים פיזית בפועל, ולמי עוד יש גישה אליהם? התשובה הכנה היא בדרך כלל: לשרת משותף מחוץ לבנק - ובצדק, שם השיחה מסתיימת.

מידע פנימי רגיש למחיר, נתוני לקוחות חסויים, מסמכים הכפופים להסכמי סודיות ומחסומי המידע בין מחלקות, הנבדקים בקפידה על ידי רשויות רגולטוריות, הופכים את הסוף הזה לבלתי נמנע. הטעות האמיתית לא הייתה טמונה בפרויקט הפיילוט עצמו או בזהירות המוצדקת של מחלקת הציות, אלא בבחירת מודל פריסה שלא היה יכול להתגבר על המשוכה הזו מלכתחילה.

המודל שבסופו של דבר גובר שומר על כל הערכה וכל מסקנה באופן עקבי בתוך גבולות המערכת של הבנק עצמו. עם בידוד כל עסקה בנפרד, הוא משקף במדויק את מחסומי המידע שנקבעו, אוכף בקרות גישה ישירות עם כל שאילתה, ומתחזק יומן מלא של כל אינטראקציה. באופן זה, מחלקת הציות עצמה הופכת לסנגור של הפרויקט ולא למכשול, מכיוון שרמת הבקרה עונה על שאלות קו ההגנה השני עוד לפני שצריך לשאול אותן. קבלת החלטה מהותית זו לפני פרויקט הפיילוט הראשון חוסכת בסופו של דבר כשישה חודשים.

מה באמת מוציאים ומשקיעים הבתים הגדולים

הדיון המופשט סביב ניהול אחזור נתונים ובניית אמון הופך למוחשי כאשר בוחנים את סכומי ההשקעה בפועל והפריסות של המוסדות הגדולים ביותר. ג'יי.פי. מורגן מפעילה כעת את חבילת ה-LLM שלה עבור יותר מ-200,000 עובדים, ומממנת למעלה מ-400 מקרי שימוש מתועדים בבינה מלאכותית עם תקציב טכנולוגי של כ-18 מיליארד דולר לשנת 2026. גולדמן זאקס, לאחר שלב פיילוט עם כ-10,000 עובדים, פריסה את GS AI Assistant שלה, המבוסס על מודלים של OpenAI, גוגל ואנתרופיק מאחורי שכבת האבטחה שלה, לכ-46,000 עובדים ברחבי החברה ומדווחת על עלייה בפריון של למעלה מ-20 אחוזים בפיתוח תוכנה. מורגן סטנלי, לעומת זאת, כבר השיגה שיעור שימוש של למעלה מ-98 אחוזים מכלל צוותי הייעוץ עם עוזר הבינה המלאכותית שלה ליועצים פיננסיים ובודקת עוזרים דיגיטליים מאז קיץ 2026 שיכולים לתקשר עם לקוחות מסביב לשעון, כאשר סמכות קבלת ההחלטות לגבי החלטות תיק בפועל נותרת במפורש בידי בני אדם.

מאפיין בולט של שלושת המקרים הוא דפוס ארכיטקטוני משותף: זמינות וסמכות קבלת החלטות מופרדות במכוון. המכונה רשאית לנתח, לסכם ולהציע בכל עת, אך הסמכות לפעול בפועל נותרת נשללת מבחינה חוזית וטכנית. הפרדה זו מתיישבת בדיוק עם הגבול שתואר קודם לכן בין עובדות ניתנות לאימות לבין שיקול דעת יזמי אמיתי ומאשרת אמפירית כי המוסדות עם הצלחת הפריסה הגדולה ביותר דבקים בדיוק בעיקרון זה.

מנקודת מבט מקרו-כלכלית, זו כבר לא תופעה נישה. גולדמן זאקס מעריך כי סך ההשקעות הקשורות לבינה מלאכותית בארצות הברית יתקרב לכמעט 600 מיליארד דולר בשנת 2026, שווה ערך לכ-2% מהתמ"ג של ארה"ב, בעוד שהשקעות הבינה המלאכותית העולמיות צפויות לעלות על טריליון דולר בפעם הראשונה. במקביל, אותו ניתוח מזהיר כי כשני שלישים מהוצאות אלו ימומנו על ידי הקצאות מחדש בתוך תקציבי התאגידים הקיימים, דבר המצביע על אפקט דחיקה אמיתי, אם כי עדיין מתון, על השקעות אחרות. עבור בנקי השקעות, משמעות הדבר היא שלחץ תחרותי להשקיע בבינה מלאכותית בעצמם גובר, לא רק מסיבות של יעילות, אלא גם משום שבסיס הלקוחות שלהם, ובמיוחד חברות טכנולוגיה והנפקות האג"ח שלהן, כבר מעלה את הנושא בכל ייעוץ לשוקי ההון.

דרישות רגולטוריות המגדירות את המסגרת

במקביל לפריחה של ההשקעות, גם הנוף הרגולטורי להפעלת מערכות אלו משתנה. חוק הבינה המלאכותית האירופי קבע במקור כי יישומים בסיכון גבוה במגזר הפיננסי, כגון הערכות אשראי של אנשים פרטיים, חייבים לעבור בדיקות תאימות מלאות, לתעד אותן ולקבל פיקוח אנושי חובה עד ה-2 באוגוסט 2026. עם זאת, מה שנקרא "האומניבוס הדיגיטלי בנושא בינה מלאכותית" דחה מועד זה בשישה עשר חודשים ל-2 בדצמבר 2027, בקיץ 2026, מכיוון שתקני הבדיקה הטכניים הנדרשים פשוט לא היו זמינים בזמן. עבור פעילויות ליבה של בנקאות השקעות - ייעוץ מיזוגים ורכישות, הנפקות שוק ההון ובדיקת נאותות - סיווג זה בסיכון גבוה אינו רלוונטי במידה רבה, שכן אלה מתמקדות בעיקר בהלוואות, תמחור ביטוח ויישומים ביומטריים. עם זאת, חובת שקיפות בסיסית קיימת מאז אוגוסט 2026: תקשורת לקוחות הנתמכת או נוצרת על ידי מערכות בינה מלאכותית חייבת להיות ניתנת לזיהוי ככזו, דבר הרלוונטי גם לניתוחים שנוצרו אוטומטית ולהתכתבויות עם לקוחות מבנקים.

בארצות הברית, רשות ניירות הערך האמריקאית (SEC) נוקטת בגישת ביקורת ניטרלית מבחינה טכנולוגית, אך מחמירה משמעותית. סדרי העדיפויות של הביקורת לשנת 2026 מזהים במפורש מערכות בינה מלאכותית בייעוץ השקעות, תהליכי ציות ותקשורת עם לקוחות כתחום מיקוד מרכזי. על המוסדות להדגים את מטרת האופטימיזציה שאליה שואפת כל מערכת בינה מלאכותית שנפרסה, והאם הדבר עלול ליצור ניגודי עניינים בין הבנק ללקוח. סקירות חוזים עם ספקי בינה מלאכותית חיצוניים זוכות גם הן לתשומת לב רבה יותר, במיוחד בנוגע לשאלה האם נתוני לקוחות משמשים להכשרת מודלים של צד שלישי. זה תואם בדיוק את מכשול הציות המתואר במאמר הנוגע לפתרונות חדרי נתונים המאוחסנים חיצונית. שני משטרי הרגולציה נעים אפוא באותו כיוון: לא איסור על בינה מלאכותית, אלא תיעוד חובה של בקרה, מקור נתונים ואחריות אנושית סופית.

החיסרון הלא נוח: צמצומי כוח אדם וספקנות

הנרטיב של בינה מלאכותית כמטרה גרידא של יעילות מתעלם ממציאות לא נוחה, אשר נדונה בפתיחות גוברת. לדברי דביש פטנאיק, שותף במקינזי, בנקים כבר מקצצים את תוכניות האנליסטים התחלתיות שלהם בעד שני שלישים, ובמקביל, כ-62 אחוזים ממומחי הבינה המלאכותית הנדרשים מגויסים בדיוק מאותן דרגות זוטרות. עובדה זו מעלה שאלה מבנית שהמאמר המקורי משמיט במכוון: אם ההכשרה המסורתית של בנקאים צעירים הסתמכה על עבודת קריאה מייגעת מאוד שעוברת כעת אוטומציה, מהיכן יגיעו הדורות הבאים של מקבלי החלטות מנוסים אם יישללו מהם קרקע ההכשרה של איסוף מידע? שאלה זו נותרה ברובה ללא מענה בדיון הנוכחי, וסביר להניח שתתגלה כאחד הסיכונים האמיתיים של אוטומציה בשנים הקרובות, המשתרעים הרבה מעבר לפרטיות נתונים או חששות דיוק.

יתר על כן, ישנה זהירות מתודולוגית, שגולדמן זאקס עצמו מכיר בה: התרומה המקרו-כלכלית של גל ההשקעות בבינה מלאכותית לתוצר המקומי הגולמי והשפעות העקירה הנלוות על השקעות אחרות הן, בסך הכל, קטנות יותר ממה שמקובל להניח בוויכוח הציבורי. עבור בנקים בודדים, משמעות הדבר היא: אלו שמסתמכים אך ורק על מגמות עכשוויות ומפרסמים הכרזות גורפות בנושא בינה מלאכותית מבלי לדבוק במשמעת המתוארת במאמר בנוגע למגבלות אוטומציה, אימות מקורות וריבונות נתונים, מסתכנים בסופו של דבר בדיוק באובדן האמון שתוצאה אחת שגויה ולא מבוססת עלולה לגרום.

מדוע תשואות ריאליות בבנקאות השקעות אינן מגיעות מהשפעות של בינה מלאכותית

היתרונות הכלכליים של בינה מלאכותית בבנקאות השקעות אינם נובעים מהכרזות מרהיבות או מהבטחה לעיבוד עסקאות אוטונומי לחלוטין. הם מתעוררים כאשר לבנקים יש את האומץ להבחין בכנות בין עובדות ניתנות לאימות לבין שיקול דעת עסקי אמיתי, ולתרגם באופן עקבי את ההבחנה הזו למערכות, תהליכים וכללי גישה. הנתונים בפועל של JPMorgan, Goldman Sachs ו-Murgan Stanley מראים כי אותם מוסדות שמשיגים את הפריסה הפרודוקטיבית הגדולה ביותר הם דווקא אלה שמפרידים בקפדנות בין זמינות לסמכות קבלת החלטות ומבינים את דרישות התיעוד הרגולטורי ככלי ולא כמכשול. המוסדות שילכו בדרך זו לא יצליחו יותר משום שהטכנולוגיה שלהם נראית מרשימה יותר, אלא משום שהם משחררים את יצירת הערך בפועל של הבנקאים שלהם ממלכודת הזמן של איסוף מידע גרידא ומפנים אותה חזרה למה שהלקוחות באמת מוכנים לשלם עבורו: שיקול דעת תקין, שקוף ובסופו של דבר אנושי.

Konrad Wolfenstein

אשמח לשמש כיועץ האישי שלך.

ניתן ליצור איתי קשר בכתובת wolfenstein∂xpert.digital או

פשוט התקשרו אליי למספר +49 7348 4088 965 .

לינקדאין