‎ بانک ها و آمادگی هوش مصنوعی: یک نقشه راه

بانکداری در آستانه ی انقلابی ایستاده است که موتور پیش ران آن هوش مصنوعی (AI) است. پیشرفت های سریع در هوش مصنوعی و یادگیری ماشین، مدل کسب وکار بانک ها را در سطح جهان دگرگون می کند و مرزهای جدیدی برای کارآمدی، نوآوری و رشد می گشاید. در دوران کنونی، مشتریان بانک ها انتظاراتی بالاتر از هر زمان دیگر دارند: خدمات شخصی سازی شده، تراکنش های آنی، مشاوره های مالی هوشمند و تجربه ی دیجیتال بی نقص در تمامی کانال ها. فناوری هوش مصنوعی امکان ارائه ی چنین تجربیاتی را فراهم کرده و بانک های پیشرو به سرعت در حال بهره گیری از آن هستند. در مقابل، بانک های سنتی که دهه ها به شیوه های قدیمی فعالیت کرده اند، اکنون دریافته اند که برای باقی ماندن در رقابت و پاسخ گویی به نیازهای نسل جدید مشتریان، باید دست به دگرگونی دیجیتال بزنند. در قلب این دگرگونی، آمادگی برای بهره گیری مؤثر از هوش مصنوعی قرار دارد.

اما «آماده برای هوش مصنوعی» شدن به چه معناست؟ این مفهوم صرفاً به معنای خرید فناوری های جدید یا استخدام چند متخصص داده نیست. یک بانک آماده برای هوش مصنوعی، سازمانی است که در همه ی ابعاد خود – از استراتژی کلان گرفته تا فرهنگ سازمانی، از رهبری و نیروی انسانی تا زیرساخت های فناوری – زمینه ی لازم را برای به کارگیری گسترده ی هوش مصنوعی فراهم کرده باشد. چنین بانکی می تواند به کمک AI در مقیاس سازمانی تصمیم های بهتری بگیرد، خدمات شخصی تری به مشتریان ارائه دهد، فرآیندهای عملیاتی را خودکار و بهینه کند و در نهایت ارزش افزوده ی قابل توجهی برای سهامداران و مشتریان خلق کند.

اهمیت حرکت به سوی بانک آماده برای هوش مصنوعی اکنون بیش از هر زمان دیگری احساس می شود. چرا؟ نخست آن که چشم انداز صنعت خدمات مالی به سرعت در حال تغییر است. فین تک ها و شرکت های فناوری بزرگ (Big Tech) با استفاده از پلتفرم های دیجیتال و AI، در حال ورود به حوزه هایی بوده اند که زمانی در انحصار بانک های سنتی بود. برای نمونه، شرکت های فناوری با ارائه ی کیف پول های دیجیتال، پرداخت های موبایلی و حتی اعطای وام های خرد، بخشی از کارکرد بانک ها را تصاحب کرده اند. این تازه واردان چابک، تجربه هایی سریع تر و ارزان تر فراهم می کنند و مشتریان را به استانداردهای جدیدی عادت داده اند. بانک های سنتی اگر نتوانند خود را به سرعت وفق دهند، خطر واپس ماندگی و از دست دادن سهم بازار را در پیش دارند.

دوم آن که پتانسیل ارزش آفرینی هوش مصنوعی بسیار عظیم است و بانک هایی که زودتر آن را در آغوش بگیرند، مزیت رقابتی پایدار کسب خواهند کرد. برآوردهای بین المللی نشان می دهد ارزش سالانه ای که AI می تواند در صنعت بانکداری ایجاد کند به صدها میلیارد دلار می رسد. برای مثال، تنها در حوزه ی بانکداری خُرد، هوش مصنوعی می تواند با بهبود بازاریابی و فروش، ارتقای مدیریت ریسک، اتوماسیون عملیات پشتیبانی و سایر کاربردها، تحول مالی شگرفی رقم بزند. طبق مطالعات، در خوش بینانه ترین سناریو هوش مصنوعی می تواند حدود یک تریلیون دلار در سال به درآمد بانک های جهان بیفزاید – عددی چشمگیر که نمی توان آن را نادیده گرفت. این بدان معناست که AI دیگر یک فناوری تجملی یا آزمایشی نیست، بلکه موتور محرکه ی رشد و بهره وری در دهه ی آینده خواهد بود. بانک هایی که امروز برای آماده شدن سرمایه گذاری نکنند، فردا باید تاوان فرصت های از دست رفته را بپردازند.

سوم این که بحران ها و شرایط محیطی اخیر، نیاز به تحول دیجیتال و بهره گیری از AI را تسریع کرده است. همه گیری جهانی کووید-۱۹ نمونه ی روشنی بود که نشان داد بانک های دیجیتال محور چگونه توانستند در دوران تعطیلی شعب فیزیکی نیز به خوبی به مشتریان خدمات دهند. در دوران پساکرونا نیز الگوی رفتاری مشتریان دستخوش تغییر دائمی شده و استفاده از بانکداری آنلاین و موبایلی ۲۰ تا ۵۰ درصد افزایش یافته است. مشتریان کنونی عادت کرده اند بسیاری از نیازهای مالی خود را به صورت دیجیتال و آنی برطرف کنند؛ از افتتاح حساب گرفته تا دریافت تسهیلات یا مشاوره ی سرمایه گذاری. در چنین فضایی، تنها سازمان هایی می توانند انتظارات رو به رشد را برآورده سازند که فناوری های هوشمند را در تار و پود عملیات خود تنیده باشند. هوش مصنوعی این امکان را به بانک ها می دهد که خدماتی سریع تر، دقیق تر و شخصی تر ارائه دهند – مثلاً تایید وام را در چند ثانیه انجام دهند، کلاهبرداری های مالی را پیش از وقوع شناسایی کنند یا به هر مشتری با توجه به الگوی رفتاری اش پیشنهادهای مالی ویژه بدهند. این سطح از چابکی و چیره دستی در خدمت رسانی، دیگر یک امتیاز اضافه نیست بلکه در حال تبدیل شدن به استاندارد رقابتی بانکداری مدرن است.

چهارم، نباید از فشارهای کارآیی و سودآوری غافل شد. حاشیه ی سود بسیاری از بانک های سنتی طی سالیان اخیر تحت فشار بوده است؛ نرخ های بهره ی پایین، مقررات سخت گیرانه و هزینه های عملیاتی بالا باعث شده بازده حقوق صاحبان سهام در سه چهارم بانک های جهان حتی از هزینه ی سرمایه شان کمتر باشد. در چنین شرایطی، AI  روزنه ی امیدی برای افزایش بهره وری و کاهش هزینه هاست. بانک های پیشتاز دریافته اند که با خودکارسازی فرایندهای تکراری از طریق روبات های نرم افزاری، استفاده از الگوریتم های یادگیری ماشین برای بهبود مدیریت ریسک و تخصیص بهینه ی سرمایه، به کارگیری چت بات های هوشمند برای پشتیبانی مشتریان و ده ها کاربرد دیگر، می توانند ساختار هزینه را متحول کنند و بهره وری نیروی انسانی را به میزان چشمگیری افزایش دهند. به عنوان نمونه، جی پی مورگان چیس (یکی از بزرگ ترین بانک های جهان) گزارش داده که استفاده از ابزارهای برنامه نویسی مبتنی بر هوش مصنوعی بهره وری مهندسان نرم افزارش را تا ۱۰٪ الی ۲۰٪ افزایش داده است. این یعنی زمان متخصصان فناوری آزاد می شود تا به پروژه های خلاقانه تر و ارزش آفرین تری بپردازند. همچنین بانک آمریکا با به کارگیری دستیار مجازی هوشمند خود به نام «اریکا»، تا سال ۲۰۲۴ بیش از ۲ میلیارد تعامل با مشتریان را مدیریت کرده و به ۴۲ میلیون کاربر خدمات رسانی نموده است – آن هم در کسری از زمان و هزینه ی تعاملات انسانی. این دستاوردها نشان می دهد که AI می تواند به شکل معناداری هزینه ها را مهار و درآمدها را تقویت کند.

بر این اساس، پیام روشن است: بانک های سنتی باید هر چه سریع تر خود را برای عصر هوش مصنوعی آماده کنند. این مقاله ی جامع، نقشه ی راه و الهام بخشی برای رهبران بانکداری ارائه می دهد تا سازمان خود را به یک «بانک آماده برای هوش مصنوعی» تبدیل کنند. ابتدا خواهیم گفت که چنین بانکی چه ویژگی هایی دارد و چرا حیاتی است که اکنون به سمت آن حرکت کنیم. سپس شش ستون کلیدی آمادگی AI در بانکداری را تشریح می کنیم: استراتژی، حاکمیت، رهبری، نیروی کار، فرهنگ و زیرساخت فناوری. در هر بخش، مثال هایی واقعی از بانک های مطرح جهانی – از جی پی مورگان چیس در آمریکا گرفته تا DBS در سنگاپور – می آوریم که چگونه با تکیه بر آن مؤلفه ها متحول شده اند. در ادامه، توصیه های عملی برای بانک های سنتی ارائه می شود تا مسیر خود را به سوی آینده ای مبتنی بر AI هموار سازند. لحن مطلب انگیزشی و آینده نگر است، چرا که باور داریم آینده ی بانکداری از آنِ بانک های هوشمند و آماده برای AI خواهد بود.

بانک آماده برای هوش مصنوعی یعنی چه و چرا اکنون اهمیت دارد

بانک آماده برای هوش مصنوعی بانکی است که در تمامی ابعاد سازمانی خود، آمادگی پذیرش، پیاده سازی و بهره گیری از هوش مصنوعی را داراست و می تواند از این فناوری برای خلق ارزش در مقیاس وسیع استفاده کند. این آمادگی را می توان همچون یک پازل چند تکه تصور کرد که همه ی اجزاء باید کنار هم قرار گیرند تا تصویر کامل شکل بگیرد. اجزاء کلیدی این پازل عبارت اند از: یک استراتژی AI شفاف و همسو با اهداف کسب وکار، چارچوب های حاکمیتی که استفاده ی مسئولانه و امن از AI را تضمین کند، رهبری متعهد و آگاه که سکان این تحول را در دست گیرد، نیروی کار ماهر و آموزش دیده که توان کار با فناوری های نوین را داشته باشد، فرهنگ سازمانی مبتنی بر نوآوری و داده که پذیرای تغییر باشد و در نهایت زیرساخت فناوری و داده ی به روز که اجرای راهکارهای AI را ممکن و مقیاس پذیر کند. تنها با فراهم بودن تمامی این مولفه هاست که یک بانک می تواند خود را حقیقتاً “AI-Ready” بنامد.

اما چرا تبدیل شدن به یک بانک آماده برای هوش مصنوعی درست در حال حاضر چنین اولویتی یافته است؟ دلایل متعددی را می توان برشمرد:

تغییرات گسترده در اکوسیستم رقابتی: همان طور که در مقدمه اشاره شد، چشم انداز رقابت در خدمات مالی دیگر مانند گذشته نیست. رقبای چابک دیجیتال هر روز گوشه ای از بازار سنتی بانک ها را تصاحب می کنند. مشتریان امروزی اگر از خدمات بانک خود رضایت نگیرند، به راحتی می توانند به یک اپلیکیشن فین تکی یا حتی خدمات مالی شرکت های فناوری روی بیاورند که تجربه ی کاربری بهتری ارائه می کنند. برای نمونه، دیجیتال بانک ها و بانک های صرفاً آنلاین (بدون شعبه) طی چند سال اخیر میلیون ها مشتری را جذب کرده اند زیرا با اتکا به پلتفرم های داده محور و هوش مصنوعی، فرایندهایی مانند افتتاح حساب، اعطای وام یا مدیریت هزینه ها را ساده تر، سریع تر و ارزان تر کرده اند. اگر بانک های سنتی در برابر این موج تحول دیر واکنش نشان دهند، ریسک از دست دادن نسل جدید مشتریان و تضعیف جایگاه برند خود را خواهند داشت. اکنون زمان تصمیم گیری است: یا باید در مسیر AI سرمایه گذاری کرد و تحول یافت، یا خطر گوشه نشینی و فرسایش کسب وکار را پذیرفت.

فرصت های عظیم ارزش آفرینی: بانک آماده برای AI شدن نه فقط یک واکنش تدافعی به رقبا، بلکه یک استراتژی تهاجمی برای رشد و بهبود عملکرد است. هوش مصنوعی نقشی دوگانه دارد: هم می تواند با کاهش هزینه ها از طریق اتوماسیون و بهبود کارایی، حاشیه ی سود را افزایش دهد، و هم می تواند با افزایش درآمد از طریق بهبود فروش و ارائه ی محصولات و خدمات جدید، بالندگی کسب وکار را شتاب دهد. برای مثال، مدل های یادگیری ماشین اکنون قادرند با تحلیل انبوه داده های مشتریان، نیازهای مالی آن ها را پیش بینی کرده و پیشنهادهای شخصی سازی شده ای در لحظه ی مناسب ارائه دهند؛ این یعنی فرصت فروش متقاطع و فروش افزایشی برای بانک ها. همچنین AI می تواند با تحلیل الگوهای بازار، به معامله گران و مدیران سرمایه گذاری در تصمیم گیری های بهتر کمک کند و بازدهی پرتفوی ها را بالاتر ببرد. از منظر کاهش هزینه، بانک ها با استفاده از چت بات های هوشمند توانسته اند بخشی از تماس های مرکز پشتیبانی را پاسخ دهند و هزینه های خدمات مشتری را کم کنند (برای نمونه، بانک آمریکا گزارش داده که دستیار مجازی اش اریکا در بیش از ۹۸٪ موارد می تواند مسئله ی مشتری را در کمتر از یک دقیقه حل کند، بدون نیاز به مداخله ی کارمند انسانی). به علاوه، سیستم های هوش مصنوعی کشف تقلب در تراکنش ها، با دقت و سرعت بسیار بالا جلوی زیان های مالی را می گیرند. مجموعه ی این مزایا نشان می دهد که AI به معنای واقعی کلمه می تواند موتور خلق ارزش باشد. بانکی که الان سرمایه گذاری در این موتور را آغاز کند، در سال های آینده چندین گام جلوتر از رقبایی خواهد بود که تعلل کرده اند. با توجه به اینکه نهادهای مالی پیشرو جهان (از جی پی مورگان تا بانک های پیشرفته ی آسیایی) همین حالا صدها پروژه ی AI را در دست اقدام دارند، بانک های دیگر نیز باید هم قدم با موج تحول حرکت کنند تا از قافله عقب نمانند.

تسریع تحول دیجیتال پس از همه گیری: جهان در دو سال گذشته شاهد جهش در پذیرش خدمات دیجیتال بوده است. بانکداری نیز از این قاعده مستثنی نبود؛ در دوران قرنطینه ی کرونا، بانک هایی موفق ظاهر شدند که زیرساخت آنلاین قوی و فرایندهای خودکار داشتند. اکنون در دوران پسا کرونا، مشتریان حتی پس از بازگشایی شعب نیز همچنان ترجیح می دهند بسیاری از کارها را به صورت آنلاین انجام دهند. طبق نظرسنجی ها، ۱۵٪ تا ۴۵٪ مشتریان قصد دارند حتی پس از عادی شدن شرایط، مراجعات حضوری به شعب را کاهش دهند و به اتکا بر اپلیکیشن های موبایل و وب ادامه دهند. این تغییر رفتار یک زنگ هشدار برای بانک های کندتر است: دیجیتالی سازی و هوشمندسازی دیگر یک پروژه ی جانبی نیست، بلکه هسته ی اصلی استراتژی بانکداری مدرن است. هر ابتکار AI که امروز شروع می شود – مثلاً راه اندازی یک دستیار گفتگوگر برای پاسخ به سوالات مشتریان، یا بهره گیری از یادگیری ماشینی برای ارزیابی اعتباری سریع تر – نه تنها تجربه ی بهتری برای کاربر فراهم می کند، بلکه بانک را یک پله در مسیر بلوغ دیجیتال بالاتر می برد. در عوض، بانک هایی که هنوز به روش های سنتی پایبند مانده اند، با کاهش ترافیک شعب و افزایش انتظارات دیجیتال، به سرعت اعتبار خود را نزد نسل جدید از دست خواهند داد. بنابراین ضرورت دارد که همین حالا برنامه ی گذار به سوی AI را کلید بزنند تا در آینده نزدیک دچار بحران نشوند.

محیط نظارتی و امنیتی در حال تحول: هرچند در نگاه اول شاید این گونه به نظر برسد که مقررات و ریسک ها مانعی بر سر راه استفاده از AI هستند، اما اتفاقاً یک بانک آماده برای هوش مصنوعی می تواند بهتر از گذشته الزامات نظارتی را رعایت کند و حتی از AI برای تقویت انطباق و مدیریت ریسک بهره ببرد. نهادهای ناظر در سراسر جهان متوجه شده اند که موج AI اجتناب ناپذیر است و به جای منع آن، باید چارچوب هایی برای استفاده ی مسئولانه و منصفانه تعریف کنند. به عنوان مثال، اتحادیه اروپا در حال تدوین “قانون هوش مصنوعی” جامعی است که استانداردهایی برای شفافیت الگوریتم ها، جلوگیری از تبعیض سیستمی و تضمین حقوق مصرف کنندگان تعیین خواهد کرد. بانک ها از جمله بازیگران اصلی ای هستند که باید خود را با این مقررات وفق دهند. یک بانک AI-Ready با ایجاد حاکمیت خوب بر مدل های هوش مصنوعی خود (از جمله ثبت و پایش خروجی مدل ها، ارزیابی سوگیری احتمالی و ایجاد روندهای کنترل کیفیت) می تواند هم از مزایای AI بهره ببرد و هم اطمینان یابد که مقررات را رعایت می کند. علاوه بر این، AI می تواند خود به ابزاری در خدمت بخش انطباق تبدیل شود: به طور مثال مدل های یادگیری ماشین در شناسایی الگوهای پول شویی یا تراکنش های مشکوک بسیار مؤثرتر از روش های سنتی عمل می کنند. بنابراین، بانک های آینده با بهره گیری از AI نه تنها بهره وری خود را افزایش می دهند، بلکه ریسک های عملیاتی و تطبیقی را نیز بهتر مدیریت خواهند کرد. معنای دیگر “آماده بودن” این است که بانک درک کرده باشد چگونه AI را در چهارچوب های اخلاقی و قانونی به کار گیرد – این خود یک مزیت رقابتی خواهد بود، چرا که اعتماد مشتریان و ناظران را به همراه دارد.

با توجه به این عوامل، تردیدی نیست که آماده سازی برای AI دیگر یک انتخاب نیست، بلکه یک ضرورت است. بانک های پیشگام جهانی همین حالا نشان داده اند که حرکت در این مسیر ممکن است. برای نمونه، بانک DBS سنگاپور در طول دهه ی گذشته با سرمایه گذاری سنگین روی تحول دیجیتال و AI، از بانکی که زمانی به تمسخر “Damn Bloody Slow” خوانده می شد به یکی از پیشرفته ترین بانک های جهان بدل شده است. این بانک با بکارگیری صدها مدل یادگیری ماشین در حوزه های مختلف (از تحلیل رفتار مشتری گرفته تا تشخیص تقلب) و با پرورش فرهنگ استارتاپی در بین ۲۲ هزار کارمند خود، موفق شده طی تنها چند سال بیش از ۷۰۰ میلیون دلار سنگاپور ارزش افزوده از پروژه های AI ایجاد کند. مثال دیگر، جی پی مورگان چیس است که مدیرعامل آن تصریح کرده “تکنولوژی و AI ستون استراتژی ما هستند” و این بانک سالانه ده ها میلیارد دلار در فناوری هزینه می کند. جی پی مورگان اکنون بالغ بر ۴۵۰ مورد استفاده ی AI شناسایی کرده که در حال پیاده سازی هستند و انتظار دارد این رقم سال آینده به ۱۰۰۰ مورد برسد. رهبران این بانک می گویند که پروژه های AI نه هزینه بلکه سرمایه گذاری با بازگشت بلندمدت هستند و پیش بینی کرده اند به کارگیری AI می تواند بین ۱ تا ۱.۵ میلیارد دلار در سال ارزش جدید برایشان خلق کند. چنین نمونه هایی بیانگر آن است که آن سوی پیچ تحولات، فرصت های درخشانی برای بانک های چابک و آینده نگر وجود دارد.

جمع بندی این بخش آن است که «بانک آماده برای هوش مصنوعی» شدن، یک سفر تحول گرایانه است که باید هر چه سریع تر آغاز شود. این سفر مستلزم تغییر نگرش، کسب مهارت های نوین، نوسازی زیرساخت ها و بازآفرینی روش های کاری است. در بخش بعد، عناصر اصلی این آمادگی را مرور می کنیم. این عناصر شش گانه مانند ستون هایی هستند که بنای بانک AI محور آینده بر آن ها استوار خواهد شد.

کلیدهای اصلی آمادگی هوش مصنوعی در بانکداری

برای تبدیل شدن به یک سازمان آماده برای هوش مصنوعی، بانک ها باید در شش حوزه ی مهم به بلوغ برسند. این حوزه ها عبارت اند از: استراتژی AI، حاکمیت AI، رهبری AI، نیروی کار AI محور، فرهنگ سازمانی AI گرا و زیرساخت فناوری AI . در ادامه، هر یک از این ستون های کلیدی را شرح می دهیم و تشریح می کنیم که چگونه بانک های پیشرو آنها را تقویت کرده اند.

استراتژی هوش مصنوعی

: چشم انداز روشن و نقشه ی راه مشخص

نخستین و شاید حیاتی ترین گام، تدوین یک استراتژی جامع برای هوش مصنوعی است. بانک باید به این پرسش پاسخ دهد که “هوش مصنوعی چگونه به تحقق ماموریت و اهداف کسب وکار ما کمک خواهد کرد؟” استراتژی AI در واقع زیرمجموعه ای از استراتژی کلان بانک است که خطوط راهنمای سرمایه گذاری ها و ابتکارات AI را تعیین می کند. بانک های موفق دریافته اند که AI اگر در خلأ و صرفاً به صورت پروژه های پراکنده دنبال شود، نتایج محدودی خواهد داشت؛ اما اگر بخشی از برنامه ی تحول سازمان و با رویکردی هدف گرا به کار رود، می تواند دستاوردهای چشمگیری ایجاد کند.

یک استراتژی هوش مصنوعی مؤثر چند ویژگی کلیدی دارد:
الف) هم راستایی با اولویت های کسب وکار: ابتدا باید حوزه هایی که AI بیشترین اثر را بر آن ها دارد شناسایی شوند. به جای آن که صرفاً از سر مد روز، پروژه ی آزمایشی راه بیندازیم (مثلاً یک چت بات ساده بدون هدف مشخص)، باید دید کدام دردهای اساسی کسب وکار را می توان با هوش مصنوعی درمان کرد. ممکن است برای یک بانک، بالاترین اولویت کاهش نرخ نکول و بهبود مدیریت ریسک اعتباری باشد؛ پس استراتژی AI باید روی توسعه ی مدل های پیش بینی نکول و بهبود امتیازدهی اعتباری متمرکز شود. یا برای بانک دیگری، مهم ترین مزیت رقابتی می تواند تجربه ی مشتری باشد؛ آنگاه سرمایه گذاری اصلی باید روی شخصی سازی خدمات، دستیارهای مجازی، و توصیه گرهای مالی معطوف گردد. بانک DBS  هنگامی که در مسیر AI گام گذاشت، از همان ابتدا استراتژی خود را حول «مشتری محوری با کمک AI» تعریف کرد؛ یعنی هر پروژه ی AI باید یا به بهبود تجربه ی مشتری بینجامد، یا به ایجاد محصولاتی که نیاز نهفته ی مشتریان را برطرف کند. این جهت گیری استراتژیک کمک کرد تا تمام واحدهای بانک (از خرده بانکداری گرفته تا بانکداری شرکتی) برنامه های AI خود را در راستای آن هدف کلان تنظیم کنند و از پراکنده کاری پرهیز شود.

ب) تعیین اهداف جسورانه و قابل سنجش: استراتژی AI باید با اهداف کمی و کیفی مشخص همراه باشد تا سازمان بداند در این مسیر به دنبال چه نتایجی است. برای نمونه، یک هدف می تواند این باشد که “طی سه سال، ۳۰٪ از فرآیندهای پشتیبانی را با AI خودکار کنیم و هزینه های عملیاتی را ۱۵٪ کاهش دهیم” یا “سهم محصولات توصیه شده ی مبتنی بر AI در سبد فروش سالانه را به ۲۵٪ برسانیم”. وجود چنین اهدافی چند مزیت دارد: اول اینکه حمایت هیئت مدیره و سهامداران را جلب می کند، چرا که می بینند سرمایه گذاری روی AI قرار است خروجی ملموسی داشته باشد. دوم، مدیران اجرایی بانک را مجبور می کند برنامه ی عملیاتی و نقشه ی راه ترسیم کنند؛ مشخص کنند چه پروژه هایی با چه منابعی و در چه زمانی باید انجام شود تا اهداف حاصل گردد. سوم، امکان پایش و کنترل پیشرفت را فراهم می آورد. بانک های پیشرو اغلب یک «شاخص آمادگی AI» و داشبوردهای مربوطه تعریف می کنند تا به طور منظم ارزیابی کنند در مسیر تحقق استراتژی کجا هستند. این شاخص ها می تواند شامل تعداد موارد استفاده ی AI پیاده سازی شده، درصد تصمیمات کسب وکار که به کمک الگوریتم ها گرفته می شود، میزان درآمد یا صرفه جویی حاصل از AI و نظایر آن باشد.

ج) حمایت و مشارکت همه ی بخش ها: استراتژی AI یک برنامه ی صرفاً فناوری اطلاعات نیست؛ بلکه باید راهبردی بانک گستر باشد. یعنی همه ی خطوط کسب وکار و واحدهای پشتیبان باید در شکل دهی آن مشارکت داشته باشند. تجربه نشان داده بانک هایی که تنها واحد فناوری یا یک تیم نوآوری را مسئول AI می کنند، اغلب با پروژه های آزمایشی متعدد اما پراکنده مواجه می شوند که تأثیر کلی بر سازمان ندارند. در مقابل، اگر هر واحد کسب وکاری مکلف شود در برنامه ریزی استراتژی AI نقش ایفا کند و فرصت های حوزه ی خود را تعیین نماید، آنگاه پذیرش و به کارگیری AI جنبه ی عملیاتی پیدا می کند. برای مثال، یک بانک پیشرو ممکن است کارگروه های مشترک بین مدیران کسب وکار و متخصصان دیتا تشکیل دهد تا با هم طوفان فکری کنند که AI چطور می تواند تجربه ی مشتریان آن واحد را بهبود بخشد یا درآمد را افزایش دهد. جی پی مورگان نمونه ای است که این کار را به خوبی انجام داده: این بانک هر سال در فرآیند برنامه ریزی استراتژیک خود، از تمامی بخش ها می خواهد موارد استفاده ی AI مرتبط با اهدافشان را پیشنهاد دهند. سپس در کمیته ی اجرایی، این ایده ها بررسی و اولویت بندی می شوند تا در بودجه لحاظ گردند. نتیجه آن شده که AI در جی پی مورگان یک موضوع متعلق به همه ی سازمان است، نه فقط تیم فناوری. این رویکرد فراگیر، ضامن آن است که پروژه های AI پس از توسعه، به سرعت در خطوط عملیاتی نفوذ کنند زیرا خود آن واحدها مالکشان بوده اند و نسبت به نتایج پاسخگو هستند.

د) تمرکز بر نوآوری و اجتناب از پراکندگی: رهبران صنعت تأکید می کنند که داشتن استراتژی به معنای تعریف اولویت ها است – یعنی انتخاب کنیم کدام حوزه ها برای تحول AI بسیار مهم اند و کدام ها اولویت پایین تری دارند. برخی بانک ها اشتباه “پخش کردن کره بادام زمینی” (Peanut Butter Approach) را مرتکب شده اند؛ یعنی سعی کرده اند در ده ها زمینه ی مختلف پروژه ی کوچک AI اجرا کنند به امید اینکه یکی نتیجه دهد. اما این منجر به هدررفت منابع و عدم النفع می شود. در مقابل، بانک های آماده برای AI  حوزه های کلیدی با بیشترین ارزش افزوده را شناسایی کرده و منابعشان را بر همان متمرکز می کنند. تحقیقاتی نشان داده یک بانک معمولی شاید ۲۰ تا ۳۰ زیرحوزه ی کسب وکاری داشته باشد (مانند مدیریت ثروت، اعتبارات خرد، بانکداری شرکتی، عملیات شعب، خزانه داری و غیره)، اما از این میان معمولاً کمتر از ۱۰ حوزه هستند که بیشترین منافع را از تحول AI می برند. وظیفه ی استراتژی این است که این حوزه های اولویت دار را تعیین کند. سپس باید آن حوزه ها را از ابتدا تا انتها بازطراحی کرد (Reimagine End-to-End)  و در طراحی جدید، هرجا که می تواند AI به کار گرفته شود. چنین بازآفرینی اساسی بسیار پربارتر از اجرای ده ها پروژه ی کوچک جدا از هم است، چون اثر تجمعی بزرگ تری بر عملکرد بانک می گذارد. برای مثال، اگر “فرآیند وام دهی خرد” به عنوان حوزه ی تحول انتخاب شود، آنگاه می توان مجموعه ای از قابلیت ها – از جمله یک مدل AI برای آنالیز اعتبار متقاضی، یک چت بات برای راهنمایی آنلاین مشتری، یک سیستم تشخیص خودکار اسناد و … – را یکپارچه در آن به کار گرفت و تجربه ی وام گیری را کاملاً متحول کرد. این سطح از اثرگذاری فقط وقتی حاصل می شود که دید استراتژیک کلان وجود داشته باشد و پروژه ها جزیره ای نباشند.

هـ) نقشه ی راه مرحله ای و مقیاس پذیر: نهایتاً، استراتژی AI باید دارای یک نقشه راه واقع بینانه باشد که مراحل پیاده سازی را مشخص کند. تبدیل یک بانک سنتی به سازمانی AI محور یک شبه اتفاق نمی افتد و نیازمند یک برنامه ی چند ساله است. بهترین رویکرد آن است که این سفر به فازهای قابل مدیریت تقسیم شود. مثلاً فاز اول می تواند ایجاد حداقل زیرساخت داده و محاسباتی لازم باشد، فاز دوم اجرای چند پروژه ی پایلوت برای اثبات مفهوم، فاز سوم تعمیم AI به واحدهای اصلی کسب وکار و فاز چهارم نهادینه سازی AI در فرهنگ و رویه های روزمره ی سازمان. چنین نقشه ی راهی باید منعطف باشد تا با آموخته های مسیر تنظیم شود. بانک DBS در پروژه ی تحول AI خود دقیقاً این گونه عمل کرد: آنها پس از یک شکست اولیه در سال ۲۰۱۴ (سرمایه گذاری نافرجام روی فناوری واتسون آی بی ام)، به جای رها کردن، یک گام به عقب برگشتند و نقشه ی راه مدون تدوین کردند. ابتدا شکاف های موجود در آمادگی سازمان – از جمله پراکندگی داده ها، کمبود مهارت های مدرن و نبود زیرساخت چابک – را شناسایی کردند. سپس طی سال های ۲۰۱۵ تا ۲۰۱۷ بر دیجیتالی سازی پایه ها متمرکز شدند: یک پلتفرم داده ی متمرکز به نام ADA  ساختند، شروع به بازآموزی نیروها کردند و فرهنگ آزمایش و یادگیری را جا انداختند. در گام های بعدی از حدود ۲۰۱۸ به بعد، به طور تهاجمی مدل های AI را در کاربردهای مختلف پیاده نمودند اما همچنان هر جا نیاز بود به عقب برگشته و زیرساخت را بهبود می دادند. نتیجه ی این راهبرد مرحله ای آن شد که ظرف چند سال، DBS  به مرحله ای رسید که می تواند ظرف ۲ تا ۳ ماه یک مدل AI جدید را توسعه و مستقر کند (زمانی که در گذشته ۱۲ تا ۱۵ ماه بود). این دستاورد تنها با یک استراتژی گام به گام اما پیوسته ممکن شد.

در مجموع، استراتژی هوش مصنوعی به بانک مقصد و مسیر می دهد. این استراتژی مشخص می کند که چرا بانک می خواهد از AI استفاده کند (برای چه اهدافی)، در کجاها استفاده خواهد کرد (اولویت ها و حوزه ها)، چگونه این کار را انجام خواهد داد (نقشه ی راه و منابع)، و موفقیت چگونه سنجیده می شود (اهداف کمی). بدون چنین نقشه ی راهبری، حتی داشتن بهترین فناوری ها و استعدادها نیز ره به جایی نخواهد برد. همان طور که ضرب المثل معروف مدیریتی می گوید: “فرهنگ، صبحانه ی استراتژی را می خورد” – اما می توان افزود که در عصر جدید، «استراتژی نادرست هم می تواند تمام سرمایه گذاری های فناوری را به هدر دهد». بانک های آماده برای هوش مصنوعی با استراتژی درست، مسیر را برای موفقیت دیگر گام ها هموار می کنند.

حاکمیت هوش مصنوعی: استفاده ی مسئولانه، امن و قانون مدار

در حالی که هوش مصنوعی قدرت عظیمی به بانک ها می بخشد، همزمان چالش ها و خطراتی نیز به همراه دارد. الگوریتم های یادگیری ماشین می توانند کدر (غیرشفاف) باشند و تصمیماتی بگیرند که حتی طراحانشان به درستی دلیلش را ندانند. اگر این مدل ها در زمینه ی حساسی چون اعطای تسهیلات یا تشخیص تخلفات استفاده شوند، ریسک های اعتباری، قانونی و شهرتی به دنبال دارند. همچنین AI برای عملکرد خوب به حجم عظیمی از داده – از جمله داده های شخصی مشتریان – نیاز دارد که مدیریت و حفاظت صحیح از آن ها حیاتی است. به علاوه، نهادهای ناظر انتظار دارند بانک ها روی مدل های هوش مصنوعی کنترل داشته باشند و بتوانند نشان دهند که این مدل ها منصفانه، قابل توضیح و ایمن هستند. تمام این ها اهمیت حاکمیت (Governance) هوش مصنوعی را پررنگ می کند. یک بانک آماده برای هوش مصنوعی صرفاً در استفاده از AI ماهر نیست، بلکه روی نحوه ی استفاده و پیامدهای آن نیز حاکمیت و نظارت قوی اعمال می کند.

ابعاد مختلف حاکمیت AI در بانکداری را می توان این گونه برشمرد:

الف) چارچوب های اخلاقی و اصول راهنما: بسیاری از بانک های پیشرو برای هدایت توسعه و به کارگیری AI، مجموعه ای از اصول اخلاقی و حرفه ای تعریف کرده اند. به عنوان نمونه، بانک سنگاپوری DBS در سال ۲۰۱۸ چارچوبی به نام PURE  (مخفف چهار اصل Purposeful, Unsurprising, Respectful, Explainable) را پایه گذاری کرد. بر اساس این اصول، هر کاربرد داده و AI در بانک باید هدف مشخص و مشروعی داشته باشد (Purposeful)، نتایج آن برای مشتریان غافلگیرکننده یا تبعیض آمیز نباشد (Unsurprising)، حریم خصوصی و حقوق افراد محترم شمرده شود (Respectful) و تصمیمات مدل ها تا حد امکان قابل توضیح و شفاف باشند (Explainable). این چارچوب ساده اما قدرتمند اکنون در فرهنگ سازمانی DBS نهادینه شده است؛ به طوری که کارکنان هنگام طراحی یک مدل جدید از خود می پرسند “آیا این استفاده خالص (PURE) است؟”. در صورت مثبت بودن پاسخ، پروژه با سرعت بیشتری تأیید می شود. سایر بانک ها نیز رویکردهای مشابهی اتخاذ کرده اند: برخی منشور اخلاقی AI تدوین کرده اند، برخی دیگر به ابتکارهای صنعتی مانند اصول مسئولیت پذیری هوش مصنوعی پیوسته اند. مهم آن است که بانک تعریفی روشن از “استفاده ی درست” داشته باشد تا راهنمای کار توسعه دهندگان و تحلیل گران داده در سازمان باشد.

ب) ساختار حاکمیتی و نظارتی: بانک های  AIمحور معمولاً ساختار یا کمیته ی مشخصی را مأمور نظارت بر تمامی پروژه های AI می کنند. برای مثال، تشکیل یک «کمیته ی راهبری AI» متشکل از مدیران ارشد (از فناوری، ریسک، حقوقی و کسب وکار) می تواند تضمین کند که ابتکارات AI با استراتژی کلان همسو هستند، ریسک های بالقوه ارزیابی شده اند و منابع بهینه تخصیص می یابد. همچنین نقش های جدیدی مانند «مسئول ارشد داده و AI» در حال ظهور است که وظیفه ی پایش مداوم عملکرد مدل ها و تطابق آن ها با استانداردها را بر عهده دارند. این نقش ها مشابه مدیریت ریسک اعتباری و عملیاتی سنتی است، با این تفاوت که موضوع آن ها مدل ها و الگوریتم ها هستند. بانک های بزرگ اکنون حتی «واحدهای اعتبارسنجی مدل» مجزا دارند که تمام مدل های یادگیری ماشین قبل از استفاده باید توسط آن ها تأیید شوند. این فرایند که ریشه در مدیریت ریسک مدل (MRM)  دارد، مانع می شود که مدل های مخرب یا پرخطا وارد محیط عملیاتی شوند. در بانک  AI-Ready، حاکمیت مدل ها یک فرایند زنده است: یعنی نه تنها مدل در زمان راه اندازی تأیید می شود، بلکه در طول عمرش نیز دائما نظارت می گردد تا اگر عملکردش افت کرد یا الگوی سوگیری یافت شد، اصلاح یا بازنشسته شود.

ج) انطباق با مقررات و همکاری با ناظران: صنعت مالی از صنایع به شدت رگوله شده است و ورود هوش مصنوعی نیز زیر ذره بین نهادهای ناظر قرار گرفته. یک بانک آماده برای AI، تحولات مقرراتی را از نزدیک دنبال می کند و حتی سعی دارد در شکل گیری آن ها نقش ایفا کند. برای مثال، هنگامی که مرجع پولی سنگاپور (MAS) در سال ۲۰۱۸ اصول FEAT  (منصفانه، اخلاقی، پاسخگو و شفاف) را برای هوش مصنوعی در خدمات مالی معرفی کرد، بانک DBS یکی از مشارکت کنندگان فعال در تهیه و آزمون این اصول بود. چنین همکاری هایی هم به نفع ناظر است که بازخورد صنعت را می گیرد و هم به نفع بانک که پیش دستانه خود را وفق می دهد. به طور مشابه، در اروپا برخی بانک ها داوطلبانه در برنامه های پایلوت اجرای چارچوب AI Act شرکت کرده اند تا برای الزامات آینده آماده باشند. یک بعد دیگر انطباق، مستندسازی و شفافیت است. بانک های AI-Ready تلاش می کنند توضیح پذیری مدل هایشان را افزایش دهند تا در صورت درخواست نهاد ناظر، قادر باشند استدلال تصمیمات الگوریتمی (مثلاً چرا یک وام رد شد) را توضیح دهند. روش هایی مانند XAI (هوش مصنوعی توضیح پذیر) یا مدل های جایگزین ساده تر در این زمینه به کار می آیند. همچنین برخی بانک ها حتی گزارش هایی در مورد وضعیت AI خود منتشر می کنند، شبیه گزارش های سالانه، که نشان می دهد چه استفاده هایی از AI دارند و چه کنترل هایی روی آن اعمال می کنند. این سطح از شفافیت، اعتماد ذینفعان بیرونی را نیز جلب می کند.

د) مدیریت داده و امنیت: سنگ بنای حاکمیت AI، حاکمیت داده است. اگر داده ی ورودی مدل ها بی کیفیت یا دارای سوگیری باشد، خروجی AI هم مخدوش خواهد بود («زباله در ورودی، زباله در خروجی»). از این رو، بانک های پیشرو سرمایه گذاری زیادی روی بهبود کیفیت داده، یکپارچه سازی منابع اطلاعاتی و تعیین مالکیت داده کرده اند. وجود سیاست های مدیریت داده شفاف (شامل طبقه بندی داده ها، دسترسی مبتنی بر نقش، خط مشی های حفظ حریم خصوصی و غیره) به نوعی پیش نیاز اجرای AI  است. مثلاً اگر داده های تاریخی تراکنش ها به درستی برچسب گذاری نشده یا ناقص باشد، یک الگوریتم تشخیص تقلب نمی تواند به درستی آموزش ببیند. بنابراین، بانک AI-Ready ابتدا منابع داده ی خود را پاکسازی و منظم می کند. افزون بر کیفیت، امنیت داده و سایبری نیز یک بعد حاکمیت است. سامانه های AI ممکن است اهداف جذابی برای حملات سایبری باشند (مثل دستکاری داده های آموزشی یا سرقت مدل ها). یک بانک باید اطمینان حاصل کند که هم زیرساخت داده و هم الگوریتم هایش در برابر نفوذ مقاوم اند. استفاه از رمزنگاری، کنترل های سخت گیرانه ی دسترسی، تست های نفوذ منظم و پایش بلادرنگ، از جمله اقداماتی است که بانک های پیشرفته انجام می دهند. هدف نهایی این است که مشتریان و ناظران اطمینان خاطر داشته باشند که “اگرچه این بانک گسترده از AI بهره می گیرد، اما داده های ما امن است و AI به شکلی درست کنترل می شود.”

هـ) آماده بودن برای پیامدهای اجتماعی و انسانی: حاکمیت AI تنها درباره ی ریسک های مالی نیست، بلکه مسئولیت اجتماعی نیز مطرح است. بانک ها به عنوان نهادهای اقتصادی مهم، وظیفه دارند مطمئن شوند AI منجر به نابرابری یا آسیب اجتماعی نشود. برای مثال، اگر الگوریتم های اعطای وام به طور سیستماتیک یک گروه جمعیتی (مثلاً اقلیت های قومی یا جنسیتی) را کمتر تأیید کنند، این می تواند مصداق تبعیض غیرقانونی باشد حتی اگر نیت تبعیضی وجود نداشته است. حاکمیت خوب ایجاب می کند بانک ها ارزیابی تاثیرات منفی بالقوه را در دستور کار قرار دهند. برخی بانک های بین المللی اکنون «ارزیابی های اثر AI» انجام می دهند که مشابه ارزیابی اثرات زیست محیطی است با این تفاوت که تمرکز آن بر اثرات اجتماعی-اخلاقی الگوریتم هاست. همچنین بانک باید به بُعد نیروی کار نیز توجه کند: استفاده بیشتر از AI به معنای تغییر نقش کارکنان و احتمالاً حذف برخی مشاغل تکراری است. البته دیدگاه غالب در صنعت این نیست که AI جای انسان ها را کاملاً می گیرد، بلکه انسان و ماشین در کنار هم بهره ورتر خواهند بود. با این حال، حاکمیت ایجاب می کند بانک برای مدیریت تغییر نیروی انسانی برنامه داشته باشد – مثلاً اطمینان دهد که کارکنان دفتری که وظایفشان خودکار می شود، برای مشاغل جدید آموزش می بینند یا به بخش های دیگری منتقل می شوند. این کار هم از منظر اخلاقی درست است و هم برای حفظ روحیه و اعتماد کارکنان ضروریست. به علاوه، بانک های AI-Ready معمولاً کانال های گفت وگو با نمایندگان کارکنان و ذینفعان بیرونی دارند تا هرگونه نگرانی درباره ی AI را بشنوند و در سیاست های خود لحاظ کنند.

در مجموع، حاکمیت هوش مصنوعی نقش ستون فقرات اعتماد در بانکداری نوین را بازی می کند. بانک های آینده نگر می دانند که صرف به کارگیری AI کافی نیست؛ آن ها باید نشان دهند که این فناوری را به شکلی مسئولانه، امن، شفاف و مطابق با موازین به کار می گیرند. چنین حاکمیتی نه تنها ریسک ها را کاهش می دهد بلکه خود به یک مزیت تبدیل می شود: بانکی که اعتبارش در مدیریت AI تثبیت شود، اعتماد بیشتری از سوی مشتریان کسب خواهد کرد و حتی ممکن است مشتریان به خاطر همین اطمینان خاطر، او را به رقبا ترجیح دهند. همان طور که در دنیای مالی سنتی، حاکمیت شرکتی خوب ارزش سهام را بالا می برد، در دنیای AI هم حاکمیت AI قوی به ارتقای ارزش برند و پایداری کسب وکار کمک خواهد کرد.

رهبری هوش مصنوعی: تعهد از بالا، هدایت گری تحول

تحول یک بانک سنتی به بانک مبتنی بر هوش مصنوعی، یک تغییر صرفاً فنی یا عملیاتی نیست، بلکه تغییر در DNA سازمان است. چنین دگرگونی عمیقی بدون پشتیبانی و هدایت قوی از سوی رهبران ارشد بانک امکان پذیر نخواهد بود. از این رو، یکی از ارکان اساسی آمادگی برای AI، رهبری و مدیریت ارشد آینده نگر است که نه تنها اهمیت استراتژیک AI را درک کند، بلکه بتواند کل سازمان را در این مسیر همراه سازد.

نقش رهبری در حوزه ی AI را می توان در چند بُعد تشریح کرد:

الف) تعیین چشم انداز و فرهنگ سازمانی از بالا: رهبران ارشد – هیئت مدیره و مدیرعامل – باید AI را در کانون چشم انداز آینده ی بانک قرار دهند و این پیام را به صراحت به تمام سطوح سازمان مخابره کنند. وقتی مدیرعامل یک بانک، در سخنرانی های داخلی و خارجی خود مرتباً از تحول دیجیتال و هوش مصنوعی به عنوان اولویت های راهبردی یاد کند، مسیر برای اقدامات عملی هموار می شود. به عنوان نمونه، جیمی دایمون مدیرعامل جی پی مورگان، بارها تاکید کرده “تکنولوژی مثل AI قلب تپنده ی مدل کسب وکار ماست و سرمایه گذاری در آن پایانی ندارد.” این نوع تاکیدهای مکرر، کارمندان را متوجه می کند که سازمان به این مسیر متعهد است و در نتیجه آنها نیز آماده ی تغییر می شوند. علاوه بر گفتار، اقدامات عملی رهبران نیز مهم است: تخصیص بودجه ی چشمگیر به پروژه های AI، ایجاد واحدهای جدید، استخدام مدیران متخصص، و ایجاد انگیزه های مناسب. برای مثال، هیئت مدیره ی برخی بانک ها اکنون بخشی از پاداش سالانه مدیران را به پیشرفت در تحول دیجیتال و AI گره زده اند تا مطمئن شوند همه ی مدیران اجرایی به آن بها می دهند. خلاصه اینکه لحن و اقدامات رهبری، فرهنگ و نگرش سازمان را شکل می دهد. اگر رهبری ارشد خود مشتاق یادگیری AI باشد، در جلسات درباره ی فرصت های AI سوال کند و موفقیت های AI را تحسین نماید، به تدریج در بدنه ی سازمان نیز شور و انگیزه ی نوآوری پدید می آید.

ب) توانمندسازی سازمان و رفع موانع: رهبران نقش «تسهیل گر تحول» را بر عهده دارند. مسیر پیاده سازی AI مملو از موانعی است – از مقاومت کارکنان گرفته تا پیچیدگی های سازمانی و اولویت های متضاد. مدیران ارشد باید با قدرت نفوذ خود این موانع را بردارند. برای نمونه، یکی از مشکلات رایج در سازمان های بزرگ، سیلوسازی و رقابت های درون سازمانی است که مانع به اشتراک گذاری داده ها و همکاری تیم ها می شود. رهبری باید با بازطراحی ساختار سازمانی و ایجاد تیم های بین بخشی، این سد را بشکند. بانک های پیشرو، ساختار سنتی محصول-محور یا وظیفه ای خود را کنار گذاشته و به مدل پلتفرمی یا چابک روی آورده اند که در آن تیم های چند تخصصی حول مأموریت های مشخص شکل گرفته اند. رهبران سطح بالا حامی چنین تغییراتی هستند، حتی اگر در کوتاه مدت با مقاومت برخی مدیران میانی مواجه شود. مثال بارز، ساختار «گروه ها و جوخه ها» در بانک ING هلند بود که با پشتیبانی تمام قد مدیرعامل اجرا شد و راه را برای چابکی دیجیتال هموار کرد. همچنین رهبران می توانند با تخصیص منابع (بودجه، نیروی انسانی، تجهیزات) به واحدهای اولویت دار، اطمینان حاصل کنند پروژه های AI حیاتی با کمبود مواجه نشوند. اگر لازم باشد، گاهی تصمیمات دشواری نیز باید گرفته شود – مثل توقف پروژه های قدیمی برای آزادسازی بودجه به نفع پروژه های AI. این قبیل تصمیمات فقط در حیطه ی اختیارات رهبران ارشد است و نشان دهنده ی جدیت آنها در پیشبرد تحول است.

ج) تجمیع تخصص های متنوع و ایفای نقش مربی: رهبری AI تنها فنی نیست، بلکه چندوجهی است. رهبرانی موفق اند که بتوانند تخصص های متنوع را گرد هم آورند و زبان مشترک بین آنها ایجاد کنند. پیاده سازی موفق یک پروژه ی AI مستلزم همکاری متخصصان داده، مهندسان نرم افزار، کارشناسان ریسک، مدیران کسب وکار و حتی متخصصان حقوقی است. هر یک از این حوزه ها زاویه ی دید و دغدغه های متفاوتی دارند. رهبر AI محور کسی است که به قدر کافی از همۀ این حوزه ها شناخت دارد و می تواند گفتگو و هم افزایی بین آنها را تسهیل کند. در بسیاری از بانک های بزرگ، مدیران ارشدی با عناوینی مثل “مدیر ارشد تحول دیجیتال” یا “مسئول نوآوری” منصوب شده اند که وظیفه شان پل زدن بین واحد فناوری و کسب وکار است. این افراد باید به زبان هر دو دنیا مسلط باشند – هم درک فنی از داده و الگوریتم داشته باشند، هم اهداف و زبان کسب وکار را بفهمند. علاوه بر این، رهبران باید نقش مربی و تغییرمدیریت را ایفا کنند: بسیاری از کارکنان ممکن است از AI هراس داشته باشند یا نسبت به آن بدبین باشند؛ رهبری با ارتباطات شفاف باید ترس ها را کاهش دهد. برای مثال، توضیح دهد که “هدف از به کارگیری AI کمک به شماست تا تصمیمات بهتری بگیرید، نه جایگزینی شما.” یا موفقیت های کوچک را بزرگنمایی کند تا بقیه نیز دلگرم شوند. آمیتاب چودری مدیرعامل Axis Bank (یکی از بانک های بزرگ هند) در مقاله ای نوشته که ما حتی شهردار شهرها را هم در برنامه های مهارت آموزی مشارکت دادیم تا استخدام نیروهای  AI محور را در جوامع محلی تسهیل کنیم – این نشان می دهد رهبران ممکن است حتی پا را فراتر از سازمان بگذارند تا اکوسیستم لازم را فراهم کنند. به طور خلاصه، رهبران اثربخش در عصر  AI، ترکیبی اند از یک استراتژیست، تسهیل گر، مربی و ارتباط گر.

د) تصمیم گیری های جسورانه مبتنی بر داده: در سازمانی که می خواهد مبتنی بر AI باشد، خود رهبران نیز باید الگوی تصمیم گیری داده محور باشند. دوره ی تصمیمات صرفاً شهودی در بالای سازمان گذشته است. البته تجربه و شهود مدیریتی هنوز هم ارزشمند است، اما در کنار آن رهبران باید نشان دهند که برای تصمیمات کلان، به شواهد و تحلیل های داده ای تکیه می کنند. این رفتار به سایر بخش ها نیز سرایت می کند. برای مثال، اگر مدیرعامل در جلسه ای پیرامون استراتژی بیان کند “بر اساس مدل سازی AI تیم تحلیل، پیش بینی می کنیم این محصول جدید ۲۰٪ رشد درآمد داشته باشد و لذا تصمیم به سرمایه گذاری گرفته ایم”، این سیگنال قدرتمندی به مدیران میانی است که انتظار می رود تصمیمات خود را با داده و تحلیل پشتیبانی کنند. رهبران AI-Ready همچنین باید کنجکاوی فناورانه داشته باشند – لازم نیست که خودشان برنامه نویسی کنند، اما باید حداقل تا حدی در جریان جدیدترین قابلیت های AI باشند تا بتوانند فرصت های نوظهور را تشخیص دهند. به عنوان نمونه، طی یکی دو سال اخیر که هوش مصنوعی مولد (Generative AI) ظهور کرده، برخی بانک ها سریعاً تیم هایی تشکیل داده اند تا کاربردهای آن را در کسب وکار بررسی کنند. این قبیل چابکی معمولاً از بالا نشأت می گیرد؛ رهبرانی که در مورد فناوری های نوین مطالعه می کنند و از کارشناسان می خواهند طرح های آزمایشی پیشنهاد دهند.

هـ) مدیریت ذینفعان بیرونی و برند: رهبری هوش مصنوعی تنها درون سازمانی نیست، بلکه وجه بیرونی نیز دارد. بانک ها ذینفعان بسیاری دارند: سهامداران، نهادهای ناظر، مشتریان عمده، رسانه ها و … . رهبران ارشد بانک باید بتوانند به این ذینفعان تفهیم کنند که حرکت به سوی AI چرا برای سازمان مفید است و آنان را نیز منتفع خواهد کرد. برای مثال، باید به سهامداران استدلال کنند که افزایش هزینه های فناوری یک سرمایه گذاری ضروری است که در بلندمدت ثمر می دهد؛ یا ناظران را قانع کنند که هوش مصنوعی بانک را قوی تر و امن تر کرده است. همچنین رهبران با حضور در کنفرانس ها و مجامع صنعت مالی، می توانند جایگاه برند بانک را به عنوان یک سازمان نوآور و پیشرو تثبیت کنند. این امر جذب استعدادهای برتر را هم آسان تر می کند؛ بسیاری از مهندسان و دانشمندان داده ترجیح می دهند در سازمانی کار کنند که مدیریت آن به فناوری اهمیت می دهد و روی پروژه های مدرن کار خواهند کرد. در دنیای امروز، اعتبار دیجیتال بانک بخشی از اعتبار کلی آن است و رهبری ارشد بهترین سفیر این پیام به بیرون است.

در نهایت، بدون تعهد و راهبری فعال مدیران ارشد، حتی بهترین استراتژی ها نیز اجرا نخواهند شد. رهبری است که به سازمان شجاعت تغییر می دهد، منابع را تجهیز می کند، موانع را برمی دارد و افراد را در مسیر نگه می دارد. خبر خوب این است که بسیاری از رهبران بانکی اکنون این ضرورت را احساس کرده اند. در نظرسنجی ای مشخص شد ۹۹٪ مدیران بانک ها فناوری را بزرگ ترین اهرم تحول سازمان خود می دانند و بخش عمده ای اشاره کرده اند که در دوره ی ۲۰۲۰ تا ۲۰۲۴ هزینه های نوآوری و دیجیتال را افزایش داده اند. این نشان می دهد اراده ی تغییر در سطوح بالا در حال شکل گیری است. اگر این اراده با دانش و مدیریت صحیح همراه شود، بانک مربوطه به سرعت در مسیر AI پیش خواهد افتاد.

نیروی کار آماده ی هوش مصنوعی: سرمایه گذاری بر روی انسان در عصر ماشین

در عصر دیجیتال، سرمایه ی انسانی همچنان مهم ترین دارایی یک سازمان است – حتی در مواجهه با پیشرفت خیره کننده ی هوش مصنوعی. بانک آماده برای AI، بانکی است که کارکنان آن نه تنها از ورود فناوری های هوشمند دچار ترس و سردرگمی نمی شوند، بلکه مهارت ها و ذهنیت لازم را برای همکاری موثر با این فناوری ها کسب کرده اند. آمادگی نیروی کار شامل استخدام استعدادهای جدید، بازآموزی (Reskilling)  و ارتقای مهارت (Upskilling) نیروهای موجود، و نهادینه کردن سواد AI در تمام سطوح سازمان است.

چند محور کلیدی در این زمینه عبارت اند از:

الف) جذب استعدادهای AI و داده: رقابت برای در اختیار گرفتن متخصصان برتر AI در سطح جهان بسیار داغ است. شرکت های فناوری بزرگ، استارتاپ های جذاب و حتی صنایع غیرمالی، همگی به دنبال استخدام دانشمندان داده، مهندسان یادگیری ماشین، معماران داده و دیگر تخصص های مرتبط هستند. بانک های سنتی اگر می خواهند در AI موفق شوند، باید خود را به عنوان محیطی جذاب برای این استعدادها معرفی کنند. این ممکن است نیازمند تغییراتی در فرهنگ کاری و رویه های منابع انسانی بانک باشد. محیط های خشک و سلسله مراتبی، انعطاف ناپذیر و کند، برای جوانان متخصص فناوری جذاب نیستند. بانک های پیشرو تلاش کرده اند فضای کاری شبیه استارتاپ ایجاد کنند: دفاتر کار باز و مدرن، ساعات کاری منعطف، امکان دورکاری، مسیرهای ارتقای سریع تر بر اساس مهارت نه فقط سابقه، و فرهنگ آزمایش و یادگیری. همچنین پکیج های جبران خدمت رقابتی – شامل حقوق، پاداش و مزایای جانبی مثل بودجه ی آموزش – برای جذب این افراد ضروری است. برخی بانک ها حتی مراکز نوآوری یا لابراتوارهای فناوری در شهرهای مطرح (مثل سان فرانسیسکو، لندن یا سنگاپور) راه اندازی کرده اند تا در نزدیکی اکوسیستم فناوری باشند و بهتر بتوانند افراد بااستعداد را جذب نمایند. نکته ی مهم دیگر، تنوع در استخدام ها است: تیم های AI موفق معمولاً ترکیبی اند از تخصص های فنی و متخصصان دارای دانش عمیق کسب وکار بانکی. یک بانک باید هم دانشمند داده ی متخصص در شبکه های عصبی استخدام کند و هم یک تحلیلگر کسب وکار که سال ها تجربه ی وام دهی دارد – تا این دو در کنار هم یک مدل اعطای وام هوشمند بسازند. بنابراین هنگام جذب نیرو، تیم سازی مکمل باید مدنظر باشد نه صرفاً جمع کردن تعداد زیادی برنامه نویس. بانک های AI-Ready معمولاً نقشه ی راهی برای نیازهای آینده ی نیروی انسانی ترسیم می کنند و بر اساس آن از دانشگاه ها و بازار کار بهترین افراد را شکار می کنند.

ب) ارتقای مهارت های کارکنان موجود: استخدام متخصص بیرونی به تنهایی کافی نیست، چرا که بخش عمده ی کارکنان فعلی بانک نیز باید در این سفر تحول همراه شوند. بسیاری از نقش های سنتی بانکداری با ورود AI در حال تغییر ماهیت اند. به عنوان مثال، کارمند واحد اعتبار ممکن است پیش تر عمده ی زمانش صرف بررسی دستی صورت های مالی مشتریان و چک کردن موارد بود؛ با حضور الگوریتم های تحلیل خودکار، این کار او سبک تر می شود اما در عوض باید مهارت تفسیر خروجی مدل ها و تعامل با سیستم های AI را یاد بگیرد. یا یک متصدی امور شعبه لازم است با چت بات های داخلی کار کند تا پاسخ های دقیق به مشتری بدهد. بنابراین بانک باید یک برنامه ی جامع آموزش و بازآموزی برای کارکنان خود داشته باشد. این آموزش ها در چند لایه هستند: برای همه ی کارکنان، باید سواد دیجیتال و AI پایه را ارتقا داد – مفاهیم کلی AI، کاربردهایش در بانک، و نحوه ی تعامل ایمن با آن. برای کارکنان متخصص تر، آموزش های فنی عمیق تر مثل دوره های تحلیل داده، کار با ابزارهای هوش تجاری، یا حتی کدنویسی در حد نیاز می تواند ارائه شود. برخی بانک ها به ایجاد دانشگاه سازمانی یا همکاری با دانشگاه ها و مؤسسات آموزشی بیرونی روی آورده اند. مثال قابل توجه، Axis Bank در هند است که در سال مالی اخیر بیش از ۶.۵ میلیون ساعت آموزش برای کارمندانش برگزار کرد و دوره هایی در زمینه های API، رایانش ابری، امنیت سایبری، داده کاوی و غیره ارائه نمود. همچنین DBS یک «برنامه مسیر یادگیری داده» برای کارکنان طراحی کرد که طی آن تا پایان ۲۰۲۳ بیش از ۹۰۰۰ نفر از کارکنان مهارت های مرتبط با داده و AI کسب کردند. نکته ی کلیدی آن است که بانک بفهمد شکاف مهارتی فعلی کجاست و آینده چه مهارت هایی نیاز خواهد بود، سپس سرمایه گذاری مستمر روی آموزش انجام دهد. این کار علاوه بر بهبود توانمندی سازمان، پیام مثبتی هم به کارکنان می دهد که “ما شما را در این تحول همراه خود می بینیم و روی پیشرفت شما سرمایه گذاری می کنیم” – در نتیجه مقاومت آنها در برابر تغییر کاهش می یابد و احساس ارزشمندی می کنند.

ج) تعریف نقش های جدید و مسیر شغلی: با ورود AI، برخی نقش های بانکی تکامل می یابند یا حتی کاملاً جدید خلق می شوند. بانک های AI-Ready از منظر مدیریت منابع انسانی باید جلوتر را ببینند و ساختار سازمانی آینده را طرح ریزی کنند. برای مثال، احتمالاً نیاز به تحلیل گران داده در تقریباً تمامی واحدهای کسب وکار افزایش می یابد – کسی که پل بین تیم فنی داده و مدیران آن کسب وکار باشد. همچنین ممکن است نقش هایی مانند “استراتژیست AI” (برای کشف فرصت های جدید AI) یا «متخصص تجربه ی کاربری AI» (برای طراحی تعاملات مشتری با سیستم های هوشمند) تعریف شود. بانک باید این نقش ها را تعریف و مسیر ارتقای آنان را تعیین کند. برنامه های جانشین پروری و ارتقای درون سازمانی نیز باید به روز شوند تا افراد با استعداد بتوانند به این موقعیت های نوظهور برسند. برخی کارکنان که قبلاً در نقش های سنتی مثل عملیات یا حسابداری کار می کردند، ممکن است با آموزش مناسب بتوانند به تیم های تحول دیجیتال و AI بپیوندند – این هم برای بانک مفید است که از تجربه ی کسب وکاری آنها بهره می گیرد و هم برای افراد که مسیر شغلی جدیدی می یابند. به طور کلی، بانک آماده برای هوش مصنوعی محیطی ایجاد می کند که یادگیری مداوم و تغییر نقش را تشویق می کند. در چنین محیطی، ترس از حذف شدن جای خود را به انگیزه برای رشد می دهد. به عنوان نمونه، بانک ها با معرفی مفاهیمی مانند «شهروند داده کاو» (Citizen Data Scientist) تلاش می کنند کارکنان غیر IT را نیز وارد دنیای تحلیل داده کنند. ابزارهای سادگی مثل داشبوردهای سلف سرویس یا آموزش نرم افزارهای تحلیلی به کارمندان بخش های اعتباری و مالی، از این جنس اقدامات است.

د) فرهنگ یادگیری، همکاری و نوآوری در میان کارکنان: سرمایه گذاری بر مهارت ها زمانی به ثمر می نشیند که فرهنگ سازمانی مناسب نیز وجود داشته باشد (که در بخش بعد به تفصیل می آید). از دید نیروی کار، فرهنگی موثر است که کارکنان احساس کنند ایده های جدیدشان شنیده می شود، می توانند آزمایش و خطا کنند و برای نوشدن حمایت می شوند. یکی از شیوه های موفق بانک های پیشرو، ایجاد چالش ها و رویدادهای نوآوری داخلی است؛ مانند هکاتون های سالانه که در آن کارکنان از بخش های مختلف تیم تشکیل داده و برای حل یک مسئله ی واقعی بانک با کمک داده و AI رقابت می کنند. این قبیل برنامه ها چند اثر مثبت دارد: مهارت های کارکنان در عمل سنجیده و تقویت می شود، روحیه ی کار تیمی میان واحدهای مختلف بالا می رود و گاه راه حل های خلاقانه ای کشف می شود که مدیریت ارشد می تواند سرمایه گذاری کند. به عنوان مثال، یکی از بانک های بزرگ آمریکایی گزارش کرده که از دل هکاتون های داخلی اش تاکنون چندین ایده ی موفق بیرون آمده که به محصولات جدید منجر شده است. همچنین ایجاد شبکه های دانشی داخلی (Community of Practice)  در زمینه های AI و دیتا می تواند به اشتراک گذاری تجربه بین کارکنان کمک کند. کارکنان باید تشویق شوند که دوره های آموزشی خود را با دیگران به اشتراک بگذارند، به همکاران شان مربی گری کنند و یکدیگر را بالا بکشند. در بانک Axis، مدیرعامل اشاره کرده که مدیران میانی نقشی کلیدی در ایجاد محیط حمایتی برای یادگیری داشته اند – آنها خود پیش قدم شده اند در دوره ها شرکت کنند و سپس برای تیم هایشان کارگاه هایی برگزار کنند. این نوع رفتارها را مدیریت ارشد می تواند با پاداش دادن و تقدیر تقویت کند.

هـ) همکاری با نهادهای آموزشی و عمومی: مساله ی کمبود استعداد AI فقط مختص یک بانک نیست، بلکه یک چالش سیستماتیک است. لذا بانک های بزرگ با دید مسئولیت اجتماعی و هم افزایی، به دنبال همکاری با دانشگاه ها، مؤسسات آموزشی و حتی دولت ها هستند تا خروجی نیروی متخصص را افزایش دهند. برای مثال، مشارکت در طراحی دروس دانشگاهی مرتبط با فین تک و  AI، اعطای بورس تحصیلی یا کارآموزی به دانشجویان، یا حمایت از رویدادهای آموزشی، همگی سرمایه گذاری هایی هستند که در بلندمدت به سود بانک است زیرا مخزن استعداد را پرورش می دهد. در برخی کشورها، دولت و صنعت مالی دست به دست هم داده اند تا آموزش مهارت های دیجیتال را در سطح مدارس و دانشگاه ها گسترش دهند. برای نمونه، بانک ها در سنگاپور با دولت همکاری کرده اند تا برنامه های ملی مهارت آموزی دیجیتال راه بیفتد و نیروی کار آینده آماده تر باشد. این اقدامات شاید تأثیر فوری نداشته باشد اما دیدگاه بانک AI-Ready بلندمدت است: پرورش نسل آینده مهندسان و تحلیل گران داده که بعدها می توانند به خدمت بانک درآیند یا در اکوسیستم مالی نقش آفرینی کنند.

در نهایت، یک واقعیت اساسی وجود دارد: فناوری پیشرفته بدون انسان های ماهر و مشتاق، به تنهایی ارزشی خلق نمی کند. ترکیب نیروی انسانی توانمند و هوش مصنوعی قدرتمند است که معجزه می آفریند. به قول مدیر یکی از بانک های بین المللی: “آینده ی بانکداری نه صرفاً بانک دیجیتال، بلکه بانک یادگیرنده است – یادگیرنده هم از تجربیات انسانی و هم از داده های ماشینی.” بنابراین بانک های سنتی باید همان میزان توجهی را که صرف ارتقای سیستم های فناوری می کنند، به ارتقای نیروی انسانی خود نیز معطوف نمایند. این یک سرمایه گذاری دو سر برد است: هم سازمان را آماده ی چالش های آینده می کند و هم اعتماد و وفاداری کارکنان را افزایش می دهد، چرا که می بینند در عصر تغییر، بانک پشتیبان رشد و پیشرفت آن هاست.

فرهنگ هوش مصنوعی: نهادینه کردن نوآوری، چابکی و تصمیم گیری داده محور

فناوری هر چقدر هم که پیشرفته باشد، اگر با فرهنگ سازمانی مناسب همراه نشود به نتیجه ی دلخواه نخواهد رسید. جمله ی مشهور “فرهنگ، استراتژی را برای صبحانه می خورد” در زمینه ی هوش مصنوعی نیز مصداق دارد: بسیاری از ابتکارات AI نه به خاطر ضعف فناوری، بلکه به دلیل مقاومت ها و موانع فرهنگی شکست می خورند. از این رو، ساختن یک فرهنگ سازمانی  AI گرا از ارکان اساسی بانک آماده برای هوش مصنوعی است. فرهنگی که در آن نوآوری تشویق می شود، تصمیمات مبتنی بر داده محترم شمرده می شوند، همکاری بین واحدها جای رقابت های زیان بار را می گیرد و تغییر و یادگیری همواره استمرار دارد.

ملزومات ایجاد چنین فرهنگی را می توان به شرح زیر بیان کرد:

الف) داده محوری و عقلانیت در تصمیم گیری: فرهنگی را در نظر بگیرید که طی سال ها، مدیران و کارمندان به گرفتن تصمیم بر اساس تجربه ی شخصی و حدس و گمان عادت کرده اند؛ تغییر این رویه به تصمیم گیری مبتنی بر شواهد و تحلیل آسان نیست. باید قدم به قدم در سازمان جا انداخت که داده ها و مدل ها دارایی ارزشمند ما هستند و بهبود عملکرد از دل تحلیل دقیق آن ها بیرون می آید. بانک های پیشتاز برای ترویج این نگرش، چند کار کرده اند: اول، آموزش سواد داده برای همه ی کارکنان (که در بخش نیروی کار اشاره شد) تا ترس از اعداد و تحلیل کم شود و افراد درک کنند چطور می توانند از داده ها در کار روزانه استفاده کنند. دوم، تشویق استفاده از ابزارهای داده کاوی و BI در همه ی سطوح: مثلاً ارائه ی داشبوردهای ساده به مدیران شعب تا عملکردشان را روزانه رصد کنند، یا دادن دسترسی به ابزارهای پرس وجوی داده به تحلیلگران کسب وکار. سوم، تغییر رویه های گزارش دهی: به جای گزارشات صرفاً توصیفی، فرهنگ ارائه ی بینش (Insight) از دل داده ترویج شود. یک مدیر منطقه ای بانک که در گزارش ماهانه ی خود با ذکر تحلیل علل کاهش یا افزایش فروش و پشتیبانی پیشنهادهایی ارائه می دهد، یک الگوی خوب است. رهبری می تواند چنین افرادی را برجسته کند تا دیگران نیز الگو بگیرند. به تدریج، زبان مشترک سازمان زبان داده خواهد شد. تصمیماتی مانند تخصیص بودجه، طراحی محصول جدید یا بهینه سازی فرآیندها، همه با ارائه ی پشتوانه ی داده و تحلیل به بحث گذاشته می شوند. این روند، هم عملکرد را بهبود می بخشد و هم پذیرش AI را تسهیل می کند؛ زیرا کارکنانی که عادت به استفاده از داده دارند، در استفاده از خروجی مدل های هوش مصنوعی نیز راحت تر هستند.

ب) پذیرش تغییر و شکست های سازنده: نوآوری بدون ریسک و احتمال شکست میسر نیست. اما در بسیاری از فرهنگ های سنتی بانکی، خطا کردن تابو است و افراد ترجیح می دهند کار جدیدی نکنند تا مبادا اشتباهی رخ دهد. چنین ذهنیتی شاید در دنیای باثبات گذشته کارساز بود، اما در عصر AI که نیاز به آزمون و یادگیری سریع داریم، مانع بزرگی محسوب می شود. بنابراین، بانک های AI-Ready به کارکنان پیام می دهند که شکست در راه نوآوری پذیرفتنی است، به شرط آنکه از آن درس گرفته شود. یک مثال عالی، داستان بانک DBS است: وقتی سرمایه گذاری اولیه ی آنان روی AI (پروژه ی واتسون) نتیجه نداد، مدیرعامل به جای سرزنش تیم، آن را تبدیل به یک تجربه ی یادگیری کرد و گفت ما فهمیدیم که اول باید زیرساخت و آمادگی مان را تقویت کنیم. این رویکرد باعث شد کارکنان جرات پیدا کنند دوباره سعی کنند و این بار موفق شدند. برخی بانک ها سیاست هایی نظیر “Fail Fast, Learn Faster”  (سریع شکست بخور، سریع تر یاد بگیر) را رسماً اعلام کرده اند. یعنی پروژه های آزمایشی کوچک اجازه ی شکست دارند، ولی باید سریع نتایجش بررسی و در صورت عدم موفقیت، مسیر اصلاح یا پروژه متوقف شود. جشن گرفتن نوآوری حتی اگر کوچک باشد، بخش دیگری از فرهنگ سازی است. مثلاً وقتی یک تیم داخلی موفق می شود یک مدل هوش مصنوعی را که دقت تشخیص تقلب را ۵٪ بهتر کرده توسعه دهد، باید این موفقیت در خبرنامه داخلی برجسته شود و تقدیر شوند. این پیام را به بقیه منتقل می کند که “نوآوری ارزشمند است”. همچنین، حمایت مدیریت از ایده های جدید بسیار مهم است. اگر کارمندی در خط مقدم با مشتریان، ایده ای برای بهبود فرآیند با کمک AI دارد، ساختارهایی باید باشد که این ایده به گوش مدیران ارشد برسد و اگر ارزشمند بود، بودجه ای برای پایلوت آن اختصاص یابد. بانک های پیشرو مثلاً “صندوق نوآوری داخلی” تشکیل داده اند که هر سال به چند پروژه ی آزمایشی منتخب از میان ایده های کارکنان بودجه می دهد. مجموع این اقدامات به ایجاد محیطی منجر می شود که کارکنان حس می کنند «می توانیم چیزهای جدید را امتحان کنیم بدون ترس از تنبیه». این همان فرهنگی است که سیلیکون ولی را موفق کرده و حال در بانکداری هم نیاز است.

ج) همکاری بین بخشی و شکستن سیلوها: نوآوری در AI اغلب در مرز بین تخصص ها اتفاق می افتد. یک راهکار AI موفق ممکن است نیازمند همکاری واحد بازاریابی، فناوری اطلاعات، ریسک و حقوقی به طور همزمان باشد. در فرهنگ سنتی، این واحدها هر کدام قلمروی خود را داشتند و تعاملات محدود و رسمی بود. بانک AI-Ready تلاش می کند دیوار بین واحدها را کوتاه کند و فرهنگ همکاری را جا بیندازد. برخی اقدامات موثر: تشکیل تیم های پروژه ای مشترک برای طرح های AI (مثلاً پروژه ی راه اندازی چت بات شامل نمایندگان چند واحد باشد)، طراحی فضاهای کاری مشترک (دیجیتال یا فیزیکی) که کارکنان داده و کسب وکار بتوانند آسان با هم تبادل نظر کنند، و چرخش شغلی بین واحدها برای درک متقابل. همچنین اهداف و مشوق ها باید هم راستا شوند: اگر واحدها اهداف متضادی داشته باشند، همکاری سخت می شود. مثلاً اگر بخش ریسک تنها هدفش کاهش ریسک به هر قیمت باشد، ممکن است جلوی پروژه های نوآورانه را بگیرد؛ اما اگر هدف مشترکی مثل «بهبود تجربه ی مشتری در عین کنترل ریسک» تعریف شود، آنها هم در راه حل یابی با تیم های دیگر همراه می شوند. بانک هایآماده برای هوش مصنوعی حتی ساختار سازمانی را با مدل پلتفرمی و محصول محور جایگزین کرده اند، به گونه ای که تیم های بین رشته ای مالک یک محصول یا یک سفر مشتری هستند و همه برای موفقیت آن تلاش می کنند. نتیجه این است که سیلوهای قدیمی از بین می رود و سازمان به شکل یک کل واحد عمل می کند که AI را در تار و پود خود جاری می سازد.

د) مشتری مداری و همدلی به کمک AI: بخش مهمی از فرهنگ AI گرا، توجه دائمی به نیازها و بازخوردهای مشتریان است. هوش مصنوعی ابزار قدرتمندی برای شناخت عمیق تر مشتریان و شخصی سازی خدمات است، اما اگر فرهنگ سازمان هنوز از بالا به پایین و محصول محور باشد، بهره ی لازم از آن گرفته نخواهد شد. بانک های پیشرو، هر موفقیت AI را به ارزش قابل لمس برای مشتری گره می زنند. این طرز فکر باید در تمامی پرسنل (نه فقط تیم های بازاریابی) نهادینه شود که نوآوری دیجیتال برای حل مسائل مشتری و ایجاد ارزش برای او است. در نتیجه، هنگام طراحی هر مدل یا فرآیند AI جدید، این سوال پرسیده می شود که “چگونه زندگی مشتری یا همکار ما را بهتر می کند؟”. این همسو شدن با منافع گیرندگان خدمت، باعث می شود پیاده سازی ها با اقبال بیشتری روبه رو شوند و سازمان در مسیر درست بماند. یک مثال، اریکا دستیار مجازی بانک آمریکا است. در توسعه ی اریکا، فرهنگ سازمانی بانک بر این محور بود که “اریکا باید مثل یک همکار برای مشتری باشد و مشکلش را حل کند”. بنابراین هر فیچر یا به روزرسانی که تیم فنی پیشنهاد می داد، با معیار راحتی و ارزش برای مشتری سنجیده می شد. چنین فرهنگ مشتری محوری کمک کرد که اریکا امروز موفقیت آمیز باشد و میلیون ها مشتری فعال از آن استفاده کنند.

هـ) چرخه ی مثبت فرهنگ و AI: جالب است که تحقیقاتی توسط MIT و BCG نشان داده اند رابطه ای دوسویه بین فرهنگ و AI وجود دارد: از یک سو فرهنگ قوی باعث موفقیت پروژه های AI می شود، و از سوی دیگر، اجرای موفق AI خود می تواند فرهنگ را به سمت استفاده ی بیشتر از داده ها و همکاری سوق دهد. در بانک هایی که خوب عمل کرده اند، یک حلقه ی بازخورد مثبت شکل گرفته است: هر پروژه ی AI که بهره وری یا درآمد را بهبود می دهد، کارکنان را نسبت به مفید بودن داده و تکنولوژی خوش بین تر می کند؛ آنها اعتماد بیشتری به مدل ها پیدا می کنند و در تصمیمات بعدی بیشتر به داده رجوع می کنند. این منجر به عملکرد بهتر می شود و در نتیجه سازمان آماده تر می شود برای پذیرش فناوری های پیشرفته تر. به این ترتیب، نوعی چرخه ی موفقیت برقرار می شود که در آن فرهنگ و تکنولوژی همدیگر را تقویت می کنند. در مقابل، اگر پروژه های AI بدون توجه به عوامل انسانی انجام شوند و شکست بخورند، ممکن است چرخه ی منفی ایجاد شود: کارکنان بدبین می شوند و مقاومتشان افزایش می یابد. بنابراین، بانک های هوشمند به مدیریت تغییر فرهنگی به موازات مدیریت پروژه ی فنی توجه ویژه ای دارند. آنها شاید برای هر پروژه ی مهم AI، یک برنامه ی تغییر شامل آموزش کاربران، دریافت بازخورد مستمر، اصلاح فرآیندهای مرتبط و پیگیری رضایت کاربر تعریف کنند. همزمان موفقیت ها را سریع و گسترده اطلاع رسانی می کنند تا انگیزه ایجاد شود.

خلاصه ی این بخش آن است که فرهنگ سازمانی یا همان نگرش ها و ارزش های مشترک کارکنان، عاملی تعیین کننده در موفقیت تحول AI است. بانکی که فرهنگی انعطاف پذیر، یادگیرنده، نوآور و داده محور داشته باشد، هم در پیاده سازی فناوری های جدید چابک تر خواهد بود و هم از مزایای آنها بهره ی بیشتری خواهد برد. البته تغییر فرهنگ دشوار و زمان بر است – اما با گام های پیوسته از سوی رهبری (الگوسازی)، HR (سیستم های انگیزشی) و ارتباطات (نشر داستان های موفقیت)، این مهم تحقق پذیر است. در نهایت، هوش مصنوعی باید به بخشی طبیعی از نحوه ی فکر کردن و عمل کردن افراد سازمان تبدیل شود. آن گاه است که می توان گفت بانک حقیقتاً آماده و شایسته ی عصر AI شده است.

زیرساخت فناوری هوش مصنوعی: بنیان دیجیتال مقیاس پذیر و چابک

به کارگیری موفق هوش مصنوعی در بانکداری، نیازمند پایه های فناوری قدرتمندی است. مدل های یادگیری ماشین تشنه ی داده های عظیم و باکیفیت هستند و برای پردازش این داده ها نیاز به توان محاسباتی مقیاس پذیر دارند. همچنین خروجی این مدل ها باید در سیستم های عملیاتی و کانال های مختلف بانک ادغام شود تا ارزش واقعی ایجاد کند. اگر بانک از منظر فناوری زیرساخت کافی نداشته باشد – مثلاً داده هایش در مخازن جداگانه زندانی باشد یا سیستم های قدیمی آن نتوانند پاسخگوی پردازش آنی باشند – حتی بهترین تیم AI هم کاری از پیش نخواهد برد. بنابراین، ششمین ستون آمادگی AI، زیرساخت تکنولوژی مدرن و یکپارچه است که به عنوان ستون فقرات (Backbone) بانک عمل می کند.

مولفه های کلیدی زیرساخت فناوری AI را می توان چنین برشمرد:

الف) یکپارچه سازی و مدیریت داده (Data Infrastructure): داده حکم سوخت برای موتور AI را دارد. بانک ها به طور سنتی داده های بسیار زیادی تولید و ذخیره می کنند – از اطلاعات تراکنش ها و حساب ها گرفته تا سوابق اعتباری، تعاملات مشتریان در کانال ها، داده های بازار و … – اما چالش اینجاست که این داده ها اغلب پراکنده و ناهمگون هستند. بانک AI-Ready باید بتواند یک منبع حقیقت واحد (Single Source of Truth)  ایجاد کند که تمام داده های مهم در آن گرد آمده، تمیز شده و قابل دسترسی برای مدل های AI باشد. این امر معمولاً نیازمند ایجاد یک دریاچه ی داده (Data Lake) یا انبار داده ی سازمانی جدید است که بتواند حجم انبوه داده های ساختاریافته و غیرساختاریافته را در خود جای دهد. تجربه ی DBS در این زمینه آموزنده است: آنها دریافتند وجود ۱۲ انبارداده ی جداگانه در بخش های مختلف، مانع از پروژه های AI در مقیاس سازمانی می شود. لذا پروژه ی ADA را به عنوان پلتفرم داده ی متمرکز آغاز کردند؛ طی آن داده های کلیدی از سیستم های پراکنده استخراج و در سه لایه ی یکپارچه ذخیره شدند: یک لایه شامل داده های خام تمیزشده، لایه ی میانی شامل داده های موضوعی (مثلاً حول محور مشتری یا محصول)، و لایه ی سوم شامل مجموعه داده های آماده برای موارد استفاده ی خاص که هر واحد می تواند به آنها دسترسی داشته باشد. نتیجه ی این کار، افزایش فوق العاده ی چابکی در توسعه ی مدل ها بود. مدل سازان دیگر نیاز نداشتند ماه ها وقت صرف جمع آوری داده از واحدهای مختلف کنند؛ بلکه به دیتا مارتی که ADA فراهم کرده بود مراجعه کرده و ظرف روزها داده ی لازم را تهیه می کردند. هر بانکی ممکن است ساختار متفاوتی اختیار کند، اما اصل قضیه این است: داده باید به شکل قابل مصرف و قابل اعتماد در دسترس AI باشد. علاوه بر ذخیره سازی، حاکمیت داده (Data Governance)  و کیفیت داده اهمیت حیاتی دارد. بانک باید ابزارها و فرآیندهایی برای پروفایل کردن داده، رفع مغایرت ها و پرکردن جاهای خالی داشته باشد. همچنین Catalogue داده که نشان دهد چه داده هایی کجا وجود دارد و چه کسی مالک آن است، ضروری است. بدون این موارد، مدل های AI بر پایه ی اطلاعات نادرست بنا می شوند و خروجی غلط می دهند.

ب) قدرت محاسباتی و زیرساخت ابری: مدل های پیچیده ی AI مثل شبکه های عصبی عمیق یا الگوریتم های پردازش زبان طبیعی نیازمند محاسبات سنگین هستند – به ویژه در مراحل آموزش (Training). زیرساخت سنتی IT بانک ها (که عمدتاً متکی بر مین فریم ها یا سرورهای قدیمی بود) برای این حجم کار طراحی نشده است. به همین خاطر، اکثر بانک های بزرگ به سمت رایانش ابری (Cloud) حرکت کرده اند. استفاده از ابر این مزیت را دارد که می توان بر حسب نیاز منابع محاسباتی را بالا یا پایین برد  و نگران ظرفیت ثابت سخت افزار نبود. طبق گزارش ها، در بانک های پیشرو اکنون بین ۵۰٪ تا ۸۰٪ از بار کاری IT به ابرهای خصوصی یا عمومی منتقل شده است. به عنوان نمونه، جی پی مورگان اعلام کرده حدود ۶۵٪ از اپلیکیشن هایش بر بستر ابری (ترکیبی از خصوصی و عمومی) اجرا می شوند و در حال تعطیل کردن مراکز داده ی سنتی خود است. ابر خصوصی برای داده های حساس و هسته های بانکی حفظ می شود و ابر عمومی برای کارهای مقیاس پذیر نظیر آموزش مدل ها یا میزبانی سرویس های وب مورد استفاده قرار می گیرد. البته حرکت به سمت Cloud چالش های خودش را دارد – از جمله نیاز به بازطراحی برخی برنامه ها به صورت Cloud-native و اطمینان از امنیت. اما بدون این گام، مقیاس پذیری AI محدود خواهد بود. افزون بر این، بانک ها سرمایه گذاری در سخت افزارهای تخصصی AI مثل GPU ها و شتاب دهنده های یادگیری ماشین را نیز مدنظر قرار داده اند. برخی بانک های بزرگ برای کارهای سنگین ML (مثلاً مدل های پردازش زبان در مقیاس بزرگ)، مراکز داده ی مجهز به واحدهای پردازش گرافیکی ایجاد کرده اند یا به سرویس های ابری ویژه ی AI (مثل Google TPU) متکی شده اند. نکته ی دیگر، شبکه و ارتباطات پرسرعت بین سامانه هاست تا انتقال حجم عظیم داده بدون وقفه انجام شود. در کل، بانک AI-Ready باید زیرساخت IT خود را مانند یک موجود زنده مقیاس پذیر و منعطف در آورد که بتواند اوج های ناگهانی بار (مثلاً در رویدادهای مالی خاص یا دوره های آموزشی مدل های بزرگ) را مدیریت کند.

ج) معماری منعطف و API محور: در معماری های قدیمی بانکداری، سیستم ها غالباً جزیره های منفصل بودند؛ هر کدام با زبان و پایگاه داده و پلتفرم مخصوص، که ارتباط بینشان دشوار بود. برای آن که هوش مصنوعی در سراسر سازمان نفوذ کند، لازم است معماری نرم افزاری باز و ارتباط پذیر فراهم باشد. یکی از اصول کلیدی این معماری مدرن، استفاده ی گسترده از API ها (رابط های برنامه نویسی کاربردی) و معماری میکروسرویس است. به بیان ساده، API ها به سیستم های مختلف اجازه می دهند با هم صحبت کنند و داده/خدمت رد و بدل کنند بدون آن که کاملاً یکپارچه شوند. بانک AI-Ready بیشتر قابلیت هایش را از طریق API در دسترس قرار می دهد: مثلاً یک API برای گرفتن امتیاز اعتباری مبتنی بر AI، که هر واحدی (خرده بانکداری، بانکداری آنلاین، اپ موبایل) می تواند فراخوانی کند. یا API های تحلیلی که نتایج مدل ها (مثل احتمال خرید یک محصول توسط مشتری) را به سایر سیستم های عملیاتی می فرستند تا اقدامات مناسب انجام شود. این لایه بندی و جداسازی سرویس ها انعطاف پذیری بالایی می دهد؛ چون می توان هر جزء را مستقل به روزرسانی یا جایگزین کرد بی آن که کل سیستم مختل شود. علاوه بر این، یکپارچگی مبتنی بر API به بانک اجازه می دهد به راحتی با شرکای بیرونی نیز تبادل داده کند. در عصر بانکداری باز، ممکن است بانک بخواهد یک مدل AI از شرکت ثالث را در سیستم خود ادغام کند یا داده ای به یک فین تک بدهد – API ها این کار را تسهیل می کنند. بنابراین، معماری API-first  یک الزام مهم است. همچنین بلادرنگ بودن (Real-time) سیستم ها مهم است: مدل های AI  اغلب نیاز دارند تقریباً به صورت آنی عمل کنند (مثلاً مدل کشف تقلب باید بلافاصله پس از وقوع تراکنش آن را بررسی کند). اگر زیرساخت پردازش بلادرنگ نباشد و داده ها با تأخیر یک روزه از سیستم های منبع بیایند، ارزش AI کاهش می یابد. لذا بانک های پیشرو از معماری های جریانی (Stream Processing) و زیرساخت های پیام رسانی پیشرفته (مانند کافکا) استفاده می کنند تا داده ها را به محض تولید به مخازن مرکزی و مدل ها برسانند.

د) سکوهای توسعه و عملیات مدل (MLOps): ساخت یک مدل AI تا عملیاتی کردن آن دو مقوله ی متفاوت است. بسیاری از سازمان ها مدل های آزمایشگاهی خوبی ساخته اند اما هرگز در محیط واقعی مستقر نکرده اند زیرا فرآیند استقرار و یکپارچه سازی را نداشتند. برای حل این موضوع، بانک AI-Ready باید پلتفرم های جامع علم داده و رویه های MLOps داشته باشد. MLOps مخفف عملیات یادگیری ماشین است و به مجموعه ای از ابزارها و فرآیندها اطلاق می شود که توسعه، تست، استقرار، پایش و نگهداری مدل های ML را خودکار و منظم می کند (مشابه DevOps در نرم افزار). برای مثال، بانک ممکن است یک پلتفرم داخلی فراهم کند که دانشمندان داده بتوانند در آن مدل بسازند و با زدن یک دکمه، مدل به شکل یک سرویس API روی محیط ابری بانک Deploy شود. این پلتفرم مسئول می شود که نسخه های مدل را ثبت کند، اگر مدل آپدیت شد جایگزینی بدون وقفه انجام شود، و عملکرد مدل در عمل (از نظر دقت یا کارایی) دائما پایش شود. سیستم های پایش مدل خصوصاً مهم اند: یک مدل خوب امروز ممکن است شش ماه بعد ضعیف عمل کند چون توزیع داده ها یا رفتار مشتریان تغییر کرده (“فرسایش مدل” رخ داده است). بنابراین، نیاز است که متریک هایی مثل نرخ خطای مدل، نرخ پذیرش/رد و غیره تحت نظر باشد و هشدار داده شود اگر خارج از محدوده ی قابل قبول شد. همه ی این ها در یک چارچوب MLOps تعریف می شود. بانک هایی که هنوز چنین سکوهایی ندارند، می بینند که هر مدل جدید نیاز به تلاش دستی زیادی برای استقرار دارد و تیم های فناوری اطلاعات سنتی هم با آن ناآشنا هستند؛ لذا پیشرفت کند می شود. اما با سکوهای استاندارد، فرآیند از توسعه تا استقرار می تواند در حد چند روز یا هفته انجام گیرد. علاوه بر این، مدیریت چرخه ی عمر مدل کمک می کند بانک همزمان صدها مدل عملیاتی داشته باشد بدون سردرگمی. برای مثال، جی پی مورگان اشاره کرده که بیش از ۳۰۰ مدل یادگیری ماشین عملیاتی دارد و برای مدیریت این تعداد، ابزارها و تیم های ویژه ای تدارک دیده است.

هـ) امنیت و پایداری زیرساخت: هرچند ممکن است بدیهی به نظر برسد، ولی تاکید بر امنیت زیرساخت فناوری بسیار حیاتی است چرا که با دیجیتالی تر شدن بانک، سطح حمله ی سایبری نیز گسترده تر می شود. بانک AI-Ready باید امنیت را در طراحی تمام سیستم ها لحاظ کند (Security by Design). هر API که باز می کند، باید محافظت شده باشد. دسترسی به دریاچه ی داده باید کاملاً کنترل شده و قابل audit باشد. حملات احتمالی به مدل های AI (مثل تزریق داده های جعلی برای گمراه کردن مدل) نیز باید شناسایی و دفع شود. همچنین زیرساخت باید انعطاف پذیر (Resilient) باشد تا خرابی یک جزء، کل سیستم AI را زمین گیر نکند. استفاده از معماری توزیع شده در ابر، داشتن توان بازیابی سریع (Disaster Recovery)  و سناریوهای جایگزین برای قطعی سرویس های حساس، از ملزومات است. چون اگر مثلاً سرویس تطبیق هوشمند تراکنش ها برای چند ساعت از دسترس خارج شود، عملیات بانک مختل می شود. بانک ها با انجام تست های منظم تداوم کسب وکار، نقاط ضعف را شناسایی و رفع می کنند.

در نهایت، زیرساخت فناوری را می توان مثل سیستم ایمنی و اسکلتی بانک دیجیتال تصور کرد. اگر قوی و سالم باشد، بانک می تواند روی آن نوآوری کند و رشد یابد؛ اگر ضعیف یا ناکارا باشد، فشار نوآوری را تاب نمی آورد و خواهد شکست. به قولی، “نمی توان ساختمان آسمان خراش هوش مصنوعی را بر فونداسیون سست فناوری بنا کرد.” خوشبختانه بسیاری از بانک ها این نیاز را درک کرده اند. بررسی ها نشان می دهد ۷۳٪ مدیران بانکداری در سال های اخیر بودجه های نوآوری فناوری را افزایش داده اند و اولویت اول اکثریت قریب به اتفاق آنها به روزرسانی زیرساخت های تکنولوژیک بوده است. البته این یک سرمایه گذاری بزرگ است – مثلاً یک بانک اروپایی گزارش داد بیش از ۱۰۰ میلیون یورو صرف انتقال پلتفرم های خود به معماری ابری کرده – اما خروجی آن آماده شدن برای یک دهه رقابت آتی است. بانکی که امروز در زیرساخت خود سرمایه گذاری کند، فردا قادر خواهد بود با سرعت و چابکی، AI  را در هر گوشه ی کسب وکارش جاری کند و در مقابل تغییرات سریع محیط، واکنش مناسب دهد. در بخش بعد، توصیه های عملی برای بانک هایی ارائه خواهیم کرد که می خواهند این سفر را آغاز کنند یا شتاب بخشند.

توصیه هایی برای بانک های سنتی جهت تبدیل شدن به بانک آماده برای هوش مصنوعی

تبدیل شدن از یک بانک سنتی به یک سازمان  AI-Ready، حرکتی پیچیده و چندبُعدی است. این تحول مستلزم تغییر راهبرد، فرایندها، نیروی انسانی و فناوری به طور همزمان است. بر اساس تجربیات موفق جهانی که در بخش های قبل مرور شد، در این قسمت چند گام و توصیه ی عملی را برای مدیران و رهبران بانک های سنتی ارائه می دهیم. این توصیه ها می تواند به عنوان یک نقشه ی راه ابتدایی برای شروع یا تسریع سفر هوش مصنوعی به کار گرفته شود:

 تدوین یک چشم انداز و استراتژی AI شفاف و فراگیر: تحول خود را با یک سوال اساسی آغاز کنید: “در ۵ سال آینده، بانک ما با کمک هوش مصنوعی چگونه ارزشی متمایز برای مشتریان خلق خواهد کرد؟” بر مبنای پاسخ به این سوال، یک چشم انداز انگیزاننده برای AI تعریف کنید که جهت حرکت کل سازمان را مشخص کند. سپس این چشم انداز را به یک استراتژی مکتوب تبدیل کنید که حوزه های اولویت دار، اهداف ملموس (شاخص های کلیدی عملکرد) و نقشه ی راه زمانی را در بر داشته باشد. اطمینان حاصل کنید این استراتژی توسط هیئت مدیره تصویب و از سوی مدیرعامل به تمامی کارکنان ابلاغ و تاکید شده است. استراتژی AI باید همسو با استراتژی کلان بانک باشد؛ یعنی روشن کند که AI چگونه به تحقق اهداف مالی، رشد کسب وکار، بهبود تجربه ی مشتری و مدیریت ریسک بانک کمک خواهد کرد. یک کمیته راهبری AI یا نقش «رئیس استراتژیAI» می تواند مسئولیت به روز نگه داشتن و نظارت بر اجرای این استراتژی را بر عهده گیرد.

از کوچک شروع کنید ولی بزرگ بیندیشید (پایلوت‎های هوشمند، سپس مقیاس سازی): اگر در ابتدای مسیر هستید، چند پروژه ی پایلوت با ریسک و پیچیدگی کنترل شده تعریف کنید تا سازمان با فرآیند و ارزش AI آشنا شود. این پروژه ها را ترجیحاً در حوزه هایی انتخاب کنید که هم داده ی کافی و مناسب در دسترس است، هم در کوتاه مدت اثرات سودمندی احساس خواهد شد. برای مثال، استقرار یک چت بات پاسخ گوی ۲۴/۷ برای مرکز تماس یا یک مدل ML ساده برای بهبود کشف تقلب در تراکنش ها می تواند شروع خوبی باشد. در اجرای این پایلوت ها، از متدولوژی های چابک استفاده کنید تا سریع تر به نتیجه برسید و بازخوردها را در نظر بگیرید. موفقیت این پروژه های اولیه را اندازه گیری و اعلام کنید (مثلاً کاهش X درصدی زمان پاسخ گویی یا صرفه جویی Y میلیون تومان در هزینه ها). سپس آماده ی گسترش به مقیاس بزرگ تر شوید: آنچه از پایلوت ها آموختید – چه فنی، چه سازمانی – به کار گیرید تا پروژه های گسترده تر در واحدهای اصلی را آغاز کنید. مراقب باشید در دام اجرای پایلوت های متعدد بدون برنامه برای مقیاس سازی نیفتید؛ هم زمان با پروژه های کوچک، زیرساخت ها و توانمندی های مقیاس پذیر (مثل پلتفرم داده، معماری API، آموزش نیروی انسانی) را نیز بسازید تا وقتی آماده شدید، بتوانید سریع توسعه را به سراسر سازمان تعمیم دهید.

بر روی داده سرمایه گذاری کنید (کیفیت، یکپارچگی و حاکمیت): ارزیابی کنید که وضعیت فعلی داده های بانک شما چگونه است. آیا داده های مهم کسب وکار (اطلاعات مشتریان، حساب ها، تراکنش ها، سوابق اعتباری، لاگ های دیجیتال و …) به صورت یکپارچه و قابل تحلیل در دسترس هستند؟ چقدر از وقت تحلیل گران شما صرف تمیزسازی و تلفیق داده ها می شود؟ اگر پاسخ ها رضایت بخش نیست، باید طرحی برای بهبود زیرساخت داده تدوین کنید. این طرح ممکن است شامل ایجاد یک مخزن داده سازمانی یا دریاچه ی داده، پیاده سازی ابزارهای کیفیت سنجی داده، برقراری مکانیزم های ورود سیستمی داده های جدید (Data Ingestion Pipelines) و تعیین مسئولیت های مالکیت داده باشد. همچنین ایجاد کاتالوگ داده و فرهنگ داده را فراموش نکنید: همه در سازمان باید بدانند چه داده هایی موجود است و چطور می توان به آن دسترسی داشت. در کنار این، یک چارچوب حاکمیت داده وضع کنید که سیاست های دسترسی، حریم خصوصی و امنیت داده را روشن کند. به کارمندان تفهیم کنید که داده ی مشتریان یک امانت است و هرگونه استفاده از آن باید طبق خط مشی ها باشد. در بسیاری از موارد، پیش از اجرای پروژه های AI لازم است زمانی صرف آماده سازی داده ها شود – این را به عنوان یک سرمایه گذاری بنیادی ببینید نه اتلاف وقت. بدون داده ی تمیز و غنی، بهترین الگوریتم ها هم خروجی ضعیفی خواهند داشت.

معماری فناوری خود را مدرن و چابک کنید: اگر سیستم های اصلی شما قدیمی (Legacy) هستند، از هم اکنون چاره اندیشی برای مدرن سازی معماری نمایید. این به معنای حرکت تدریجی به سوی معماری میکروسرویس، استفاده ی گسترده از  APIها برای ارتباط سامانه ها، و استقرار در فضای ابری یا ترکیبی از ابر و مراکز داده ی انعطاف پذیر است. لازم نیست تمام سیستم های قدیمی را یکباره تعویض کنید – می توانید با ایجاد لایه ی API روی سامانه های فعلی شروع کنید تا حداقل تبادل داده آسان تر شود. اما در درازمدت، جایگزینی یا بازنویسی نرم افزارهای کلیدی (مثل سیستم بانکداری مرکزی یا سامانه های کارت) روی پلتفرم های مدرن را در نظر داشته باشید؛ زیرا این سیستم ها باید بتوانند در زمان واقعی داده ارائه کنند و بار زیاد را پاسخ دهند. در حوزه ی سخت افزار، بودجه برای افزایش ظرفیت پردازش و ذخیره سازی تخصیص دهید – چه از طریق خرید تجهیزات بهتر، چه از طریق استفاده از خدمات Cloud. همچنین ابزارهای MLOps را بررسی و تهیه کنید. شاید در مقیاس کوچک، کارهای توسعه ی مدل را دستی پیش ببرید، ولی وقتی تعداد مدل ها زیاد شود بدون MLOps دچار هرج ومرج خواهید شد. بنابراین از همین ابتدا به فکر یک راهکار مدیریت چرخه ی عمر مدل باشید (ابزارهای متن باز یا تجاری مثل  MLflow، Kubeflow، Dataiku  و … موجودند). خلاصه آنکه، زیرساخت IT را به یک توانمندساز AI  تبدیل کنید نه یک مانع. اگر در این مسیر نیاز به کمک دارید، مشاروه گرفتن از شرکت های متخصص فناوری یا حتی شراکت با شرکت های بزرگ تر می تواند مفید باشد – اما استراتژی و نقشه ی راه باید در دست خودتان باشد.

حاکمیت و چارچوب اخلاقی AI را از روز اول بنا کنید: حتی اگر هنوز در ابتدای راه AI هستید، بهتر است قواعد بازی را از همین ابتدا مشخص نمایید. یک سیاست کلی استفاده از AI در سازمان تدوین کنید که ارزش ها و الزامات را تعیین کند. برای مثال، می توانید اصولی نظیر “عدم تبعیض، شفافیت، حفظ حریم خصوصی، امنیت و پاسخگویی انسانی” را به عنوان ارزش های محوری اعلام کنید. سپس مشخص کنید چه سازوکارهایی برای اطمینان از رعایت این اصول به کار خواهید گرفت (مثلاً تأسیس یک کمیته اخلاق داده، یا الزام ارزیابی ریسک اخلاقی قبل از لانچ هر مدل حساس). همچنین الان زمان آن است که زیرساخت نظارتی داخلی را تشکیل دهید: نقش هایی مثل “مدیر ارشد داده (CDO)” یا “مسئول ارشد هوش مصنوعی” را در نمودار سازمانی بگنجانید، یا حداقل یک تیم در واحد ریسک تشکیل دهید که بر مدل ها نظارت کند. این تیم باید با واحد فناوری و کسب وکار در تعامل باشد و گزارش های منظم به مدیریت ارشد ارائه کند. اگر پروژه های پایلوت AI دارید، از همان ها شروع کنید و فرآیندهای حاکمیتی را آزمایش کنید: مثلاً مدل چت بات را در کمیته ای مطرح کنید تا ریسک های آن (مثل احتمال ارائه اطلاعات نادرست به مشتری) بررسی و کنترل های لازم مصوب شود. بدین ترتیب فرهنگ مسئولیت پذیری پیرامون AI شکل می گیرد. وقتی بعدها پروژه های AI بزرگ تر و فراگیرتر شوند، شما زیرساخت حاکمیتی آماده ای دارید و غافلگیر نخواهید شد. یک قدم مهم دیگر، گفتگو با نهاد ناظر است: هرچه زودتر آنها را در جریان نقشه ی AI خود بگذارید، از دغدغه هایشان مطلع شوید و حتی درخواست راهنمایی کنید. این شفافیت، اعتمادساز است و از سوء تفاهم های آینده جلوگیری می کند. تنظیم مستنداتی برای مدل های پرریسک (مثل مدل های اعتباری یا ضدپول شویی) را جزو برنامه قرار دهید تا هر زمان ناظر خواست بتوانید توضیح دهید مدل چگونه کار می کند و چه کنترل هایی دارد.

توانمندسازی و آموزش نیروی انسانی را در اولویت بگذارید: همزمان با حرکتی که در تکنولوژی می کنید، باید نیروهای سازمان را نیز همراه کنید. ارزیابی کنید که تیم فعلی شما چقدر با مفاهیم AI و داده آشنا هستند. احتمالاً نیاز به آموزش در سطوح مختلف وجود دارد: از آشنایی عمومی با AI برای همه ی کارکنان، تا کارگاه های تخصصی برای تحلیل گران کسب وکار یا برنامه نویسان IT. یک برنامه ی جامع آموزش و توسعه طراحی کنید. شاید منطقی باشد که ابتدا با بخش هایی شروع کنید که زودتر با AI درگیر می شوند (مثلاً تیم ریسک، بازاریابی یا خدمات مشتری). دوره های آنلاین، رویدادهای داخلی، و آوردن مربیان خبره همگی می تواند مفید باشد. همچنین اگر قصد دارید تیم علم داده داخلی بسازید، ببینید آیا کسی از کارکنان فعلی توان و علاقه ی پیوستن به آن را دارد – گاهی یک کارشناس ارشد فناوری اطلاعات یا یک تحلیلگر مالی با کمی آموزش می تواند نقش دانشمند داده را به خوبی ایفا کند چون سال ها دانش صنعت را نیز به همراه دارد. این مسیرهای جابجایی شغلی را تشویق کنید. در عین حال، برای برخی تخصص های جدید حتماً نیاز به استخدام از بیرون خواهید داشت: از هم اکنون فرآیند جذب استعداد AI را آغاز کنید. می توانید با یکی دو متخصص ارشد شروع کنید تا به شما در فنی سازی پروژه های پایلوت کمک کنند. سپس به تدریج تیم را بزرگ کنید. فراموش نکنید که برای جذب این افراد، باید بانک را به عنوان محیطی نوآور معرفی کنید – در این راستا، حضور پررنگ در رویدادهای فین تک، انتشار مقالات یا مطالب درباره ی کارهای جالبی که انجام می دهید، و ایجاد شبکه با دانشگاه ها یاری رسان است. مهم تر از همه، ترس کارکنان را نسبت به AI کاهش دهید: با ارتباطات شفاف توضیح دهید که هدف جایگزینی آنها نیست بلکه آسان تر کردن کارشان و ارتقای نقش شان است. نمونه هایی نشان دهید که در آن AI به کارمندان کمک کرده بهتر خدمت کنند (مثلاً یک سیستم توصیه گر که کار متصدی مرکز تماس را در یافتن بهترین راه حل سریع تر کرده است). اینگونه کارکنان به جای مقاومت، به سفیران AI تبدیل خواهند شد.

تغییر فرهنگ سازمانی را فعالانه مدیریت کنید: همان طور که مفصلاً در بخش قبل گفتیم، فرهنگ عنصر نرم اما بسیار اثرگذار است. برای نهادینه کردن فرهنگ داده محور و نوآور، اقداماتی انجام دهید. برخی بردهای سریع فرهنگی عبارتند از: ایجاد تیم های بین بخشی برای پروژه های AI (تا افراد کار با هم را بیاموزند)، برگزاری چالش های نوآوری و اعطای جوایز، تعریف شاخص های داده محوری در ارزیابی عملکرد مدیران (مثلاً درصد تصمیماتی که با تحلیل پشتیبانی شده)، و اصلاح سیاست های تشویقی به نحوی که همکاری و اشتراک دانش را پاداش دهد نه صرفاً نتایج فردی را. داستان های موفقیت داخلی را منتشر کنید: اگر تیمی با استفاده از AI به بهبود مهمی رسید، با اجازه ی خودشان در خبرنامه داخلی شرح دهید که چه کردند و چه آموختند. این به دیگران انگیزه می دهد. همچنین از تیم رهبری بخواهید رفتارهای الگو نشان دهند: مثلاً مدیران ارشد در جلسات تصمیم گیری از تحلیلگران داده بخواهند نظرشان را بگویند یا خود به داشبوردهای BI مراجعه کنند. این سیگنال ها از بالا بسیار مهم است. نهایتاً، صبر و تداوم داشته باشید: تغییر فرهنگ یک شبه رخ نمی دهد ولی با پیگیری مستمر (همراه با اقدامات ملموس تشویقی)، طی چند سال سازمان چهره ی متفاوتی خواهد یافت.

همکاری های بیرونی را به عنوان کاتالیزور به کار گیرید: لازم نیست همه چیز را از ابتدا خودتان بسازید. بخشی از آمادگی AI، دانستن این است که کجا باید همکار انتخاب کنید. می توانید از شرکت های فین تک یا استارتاپ های AI کمک بگیرید که در یک حوزه ی خاص تبحر دارند – مثلاً تشخیص تقلب یا احراز هویت بیومتریک. بسیاری از بانک های بزرگ با سرمایه گذاری یا مشارکت در استارتاپ ها، راه میان بری برای دریافت فناوری های نو گرفته اند. البته مشارکت را طوری تنظیم کنید که درون بانک هم دانش منتقل شود و وابستگی کامل ایجاد نشود. علاوه بر فین تک ها، شرکت های مشاوره مدیریت و فناوری اطلاعات که تجربه ی جهانی دارند می توانند در تدوین استراتژی یا اجرای پروژه های بزرگ یاری کنند. همچنین شرکت های ارائه دهنده ی فناوری ابری (مثل AWS، مایکروسافت Azure، گوگل) هم غالباً تیم های تخصصی برای صنعت مالی دارند که حاضرند در طراحی راهکارها کمک کنند (چون در نهایت از سرویس آنها استفاده خواهید کرد).  اکوسیستم دانشگاهی را نیز فراموش نکنید: پروژه های تحقیقاتی مشترک با دانشگاه های برتر یا حمایت از پایان نامه های مرتبط با AI مالی، علاوه بر حل برخی مسائل، شما را در معرض استعدادهای جوان قرار می دهد که می توانید بعدها استخدام کنید. البته در همه ی این همکاری ها، دقت کنید که حریم داده ها و ملاحظات محرمانگی رعایت شود و دانش حیاتی برایتان باقی بماند. به بیان دیگر، برون سپاری صرف چاره ی کار نیست اما مشارکت هوشمندانه می تواند کاتالیزور سرعت و نوآوری باشد. به ویژه اگر بانک شما کوچک یا منابع محدودی دارد، اتکا به پلتفرم های آماده یا محصولات موجود در بازار (مثلاً موتورهای AI آماده برای ارزیابی اعتباری یا چت بات های از پیش آموزش دیده) می تواند راه اندازی AI را بسیار سریع تر کند.

موفقیت ها را بسنجید و ارتباطات مستمر داشته باشید: در طول مسیر تحول، نقاط عطف را تعریف کنید و میزان تحقق را اندازه بگیرید. داشتن یک “برج مراقبت AI” یا همان AI Control Tower که در بخش استراتژی اشاره شد می تواند مفید باشد. این واحد یا داشبورد متمرکز رصد می کند که مثلاً: چه تعداد پروژه ی AI در جریان است، هر کدام در چه مرحله ای هستند، چه ارزش مالی تاکنون ایجاد شده (صرفه جویی یا افزایش درآمد)، چه درصدی از مشتریان تحت پوشش یک قابلیت AI قرار گرفته اند. این معیارها را به طور دوره ای به هیئت مدیره و مدیران گزارش کنید. شفافیت در نتایج باعث می شود حمایت مدیریت ارشد حفظ شود و اگر جایی انحراف هست زودتر دیده شود. از سوی دیگر، با کل سازمان ارتباط گیری کنید: تحول AI نباید یک پروژه ی مخفی در گوشه ای از بانک تلقی شود بلکه باید تمامی کارکنان حس کنند بخشی از این سفرند. می توانید یک خبرنامه ی داخلی AI راه بیندازید که در آن آخرین پروژه ها، افراد درگیر و نتایج را معرفی کنید. یا در گردهمایی های دوره ای کارکنان (مثلاً هر فصل)، مدیرعامل درباره ی پیشرفت های دیجیتال بانک صحبت کند. این اقدامات اشتیاق ایجاد می کند و همگان را در جریان می گذارد. همچنین بازخوردگیری از کارکنان (و مشتریان) فراموش نشود؛ مثلاٌ پس از استقرار یک ابزار AI برای کارمندان، نظرشان را بپرسید چه چیزی خوب است چه چیزی نیست و سریعا برای بهبود اقدام کنید. این نشان می دهد سازمان در حال یادگیری و اصلاح مداوم است که خود فرهنگ درست را تقویت می کند.

کوچک نشمرید اما عجله هم نکنید (روشمند و مصمم باشید): آخرین توصیه ناظر بر رویکرد ذهنی شماست. تبدیل شدن به بانک AI محور یک ماراتن است نه دوی سرعت. باید انتظار موانع و حتی شکست های مقطعی را داشته باشید، اما با پشتکار و یادگیری مداوم مسیر را ادامه دهید. اگر پروژه ای نتیجه نداد، دلایل را بیابید (آیا داده ی کافی نبود؟ آیا کاربر نهایی دخیل نشد؟ آیا انتخاب فناوری اشتباه بود؟) و اصلاح کنید. از سوی دیگر، هر موفقیت کوچک را جشن بگیرید تا سوخت حرکت شود. با نگاه بلندمدت، برای ۳ تا ۵ سال آینده برنامه ریزی کنید اما اقدام های عملی را در دوره های ۳ تا ۶ ماهه تقسیم کنید تا قابل اجرا و ارزیابی باشد. پیوسته خود و تیمتان را با دانش روز به روز کنید؛ حوزه ی AI به سرعت در حال تحول است (برای مثال ظهور ناگهانی چت جی پی تی در سال ۲۰۲۲ خیلی معادلات را عوض کرد)، لذا چابکی فکری و رصد روندها اهمیت دارد. در عین حال اسیر هر مد زودگذری هم نشوید – ارزش کسب وکاری و منافع مشتری را قطب نمای خود قرار دهید. اگر چیزی این دو را تامین نمی کند، شاید ارزش دنبال کردن ندارد. خلاصه آن که، با گام های حساب شده اما پیوسته جلو بروید. همین استمرار، سازمان شما را عضلانی و آماده خواهد کرد.

نتیجه گیری

بانکداری در آستانه ی عصر تازه ای است – عصری که در آن هوش مصنوعی به شالوده ی خلق ارزش و مزیت رقابتی بدل خواهد شد. در این نوشتار دیدیم که تبدیل شدن به “بانک آماده برای هوش مصنوعی” مستلزم دگرگونی در ابعاد گوناگون است: باید استراتژی روشنی داشت که AI را در خدمت اهداف کلان قرار دهد؛ حاکمیت و مسئولیت پذیری را فراموش نکرد تا اعتماد و پایداری تضمین شود؛ رهبری تحول گرا نیاز است که جرات تغییر دهد و سازمان را یکپارچه بسیج کند؛ نیروی انسانی توانمند و آموزش دیده که دوشادوش فناوری حرکت کند؛ فرهنگ سازمانی پویا و داده محور که بستر نوآوری مستمر باشد؛ و نهایتاً زیرساخت تکنولوژیک به روز که این همه را ممکن سازد.

خبر خوش آن است که اگرچه این تحول چالش برانگیز است، اما شدنی است – و نمونه های موفق در جهان، الهام بخش همه ی بانک ها می توانند باشند. بانک DBS نشان داد که حتی یک بانک سنتی در یک کشور کوچک، با عزم راسخ می تواند ظرف یک دهه خود را به پیشتاز دیجیتال دنیا بدل کند. جی پی مورگان چیس ثابت کرد که اندازه و قدمت مانع نوآوری نیست و یک غول مالی ۱۵۰ ساله هم می تواند به سرعت ابتکارات AI را در کل سازمان نهادینه سازد (تا جایی که اکنون بیش از یک پنجم کل کارکنانش در حوزه ی فناوری مشغول اند). بانک هایی مانند بانک آمریکا، بارکلیز، BBVA، ING، و حتی بانک های منطقه ای کوچک تر هر یک به شیوه ای سفر AI را آغاز کرده و نتایج ملموس گرفته اند – از بهبود رضایت مشتری گرفته تا صرفه جویی صدها میلیون دلاری در هزینه ها.

وجه مشترک همه ی این پیشگامان، نگاه آینده نگر مدیریت، جسارت در اجرا و سرمایه گذاری مستمر در قابلیت ها بوده است. آنها به جای انفعال در برابر موج فناوری، سکان آن را به دست گرفته و مسیر سازمان خود را بازطراحی کرده اند. البته رقابت همچنان ادامه دارد و مرزهای AI هر روز جابه جا می شود؛ امروز بحث هوش مصنوعی مولد و بانکداری مکالمه محور داغ است و فردا احتمالا نوآوری های دیگری. بنابراین حتی رهبران فعلی نیز نمی توانند متوقف شوند. اما آن ها یک مزیت کلیدی دارند: سازمان شان چابک و آماده شده است؛ هر فناوری جدیدی بیاید، به سرعت می آموزند و جذب می کنند.

برای بانک هایی که هنوز در ابتدای راهند، شاید این مسیر در ابتدا دشوار و پرهزینه به نظر برسد. اما باید توجه داشت که هزینه ی نکردن در این حوزه به مراتب بیشتر و جبران ناپذیرتر است. جهان منتظر ما نمی ماند؛ انتظارات مشتریان سال به سال افزایش می یابد، رقبای فن آور سهم بازار می گیرند و بهره وری پایین تر بانک های سنتی مانند برفی است که آرام آب می شود. اقدام نکردن، به تدریج موجودیت بانک را تهدید می کند. در مقابل، هر گام هرچند کوچک در مسیر AI می تواند میوه های خود را به سرعت نشان دهد و جریان تازه ای از ارزش ایجاد کند.

سخن پایانی این که، به سوی بانک آماده برای هوش مصنوعی حرکت کردن در واقع به سوی آینده ی بانکداری حرکت کردن است. آینده ای که در آن بانک ها نه صرفاً مؤسسات مالی، بلکه شرکت های فناوری – مالی چابکی هستند که عمیقاً مشتری شناس اند، دائماً در حال نوآوری اند، عملیاتشان کارآمد و خودکار است، و توان همراهی با تغییرات سریع محیط را دارند. چنین بانک هایی قادرند بهترین تجربه ها را به مشتریان ارائه دهند، اعتماد و وفاداری آنان را کسب کنند و در عین حال برای سهامداران نیز ارزش بیشتری خلق نمایند. این آینده برای بانک های سنتی دور از دسترس نیست، به شرط آن که از همین امروز عزم خود را جزم کنند. هر سازمانی با هر اندازه می تواند سفر تحول خود را آغاز کند – مهم اراده و دید بلندمدت است.

با بهره گیری از نکات و توصیه های ارائه شده در این مقاله، امیدواریم رهبران و مدیران بانک ها نقشه ی راه روشنی برای پیش بردن ابتکارات هوش مصنوعی در سازمان خود پیدا کرده باشند. اکنون زمان عمل فرا رسیده است. بانک آماده برای هوش مصنوعی شدن یک مقصد نیست، بلکه یک مسیر یادگیری و بهبود مداوم است. با قدم گذاشتن در این مسیر، نه تنها بانک شما به استقبال آینده می رود، بلکه نقش خود را در شکل دادن آینده ی صنعت مالی نیز ایفا خواهد کرد. به قول یک ضرب المثل قدیمی، بهترین زمان برای کاشتن یک درخت ۲۰ سال پیش بود – اما دومین زمان عالی امروز است. امروز اقدام کنید تا سازمان شما در سال های آتی در زمره ی پیشتازان و الهام بخش دیگران باشد. آینده از آنِ بانک های هوشمند و آماده است.

منابع:

• Accenture. (۲۰۲۴, November ۲۹). Reinventing with the Digital Core in Banking. Accenture Research Report.
• Ataccama. (۲۰۲۴, July ۹). What is AI readiness? [Blog post]. Ataccama.
• Bank of America. (۲۰۲۴, April ۸). BofA’s Erica Surpasses ۲ Billion Interactions, Helping ۴۲ Million Clients Since Launch [Press release]. Bank of America Newsroom.
• Byambaa, O., Yondon, C., Rentsen, E., Darkhijav, B., & Rahman, M. (۲۰۲۵). An empirical examination of the adoption of artificial intelligence in banking services: the case of Mongolia. Future Business Journal, ۱۱(۱), Article ۷۶.
• Camacho, J. (۲۰۲۵, June ۱۸). From Theory to Practice: DBS Bank’s AI Strategy Foundations in Action [LinkedIn article].
• Chaudhry, A. (۲۰۲۵, January ۱۰). Investing in people: The power of human capital in banking’s AI era. World Economic Forum.
• Chlouverakis, K., & Rawal, A. (۲۰۲۴, April ۲۶). How artificial intelligence is reshaping the financial services industry. EY.
• Deloitte. (۲۰۲۴). Artificial intelligence: Transforming the future of banking [Perspective and PDF report]. Deloitte Insights.
• Giovine, C., Lerner, L., Thomas, R., Singh, S., Kakulavarapu, S., & Chung, V. (۲۰۲۴, December ۹). Extracting value from AI in banking: Rewiring the enterprise. McKinsey & Company.
• Holmström, J. (۲۰۲۲). From AI to digital transformation: The AI readiness framework. Business Horizons, ۶۵(۳), ۳۲۹–۳۳۹٫
• InvestGlass. (۲۰۲۴, November ۳۰). How to Get Your Bank AI Ready: A Practical Guide [Blog post]. InvestGlass.
• Marous, J. (۲۰۲۴). State of AI in Banking. Digital Banking Report.
• McKinsey & Company – Global Banking Practice. (۲۰۲۱, May). Building the AI bank of the future. McKinsey Report.
• McLeod, A., & Long, J. (۲۰۲۵, February ۱۸). Culture eats code for breakfast: Rethinking AI strategy for banks. ABA Banking Journal.
• Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., & Kiron, D. (۲۰۲۱). The Cultural Benefits of Artificial Intelligence in the Enterprise. MIT Sloan Management Review and BCG (۵th Annual AI Global Study).
• Reuters. (۲۰۲۵, March ۱۴). JPMorgan engineers’ efficiency jumps as much as ۲۰% from using coding assistant. Reuters Technology News.
• World Economic Forum & Cambridge Centre for Alternative Finance. (۲۰۲۰). Transforming Paradigms: A Global AI in Financial Services Survey. WEF Report.

مقالات مرتبط:

چگونه بانکی آماده برای هوش مصنوعی بسازیم؟

هوش مصنوعی در صنعت بانکداری

کلان داده (بیگ‌دیتا) در صنعت بانکداری

فرهنگ هوش مصنوعی؛ چیستی و چگونگی

رهبری هوش مصنوعی؛ چیستی و چگونگی

حکمرانی هوش مصنوعی؛ چیستی و چرایی

زیرساخت فنی هوش مصنوعی؛ چیستی و چرایی