اثر هوش مصنوعی بر صنعت بانکداری

دنیای‌اقتصاد : براساس گزارشی در سال‌های اخیر، استفاده از فناوری‌‌‌های پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد (GenAI) در صنعت بانکداری، تغییرات شگرفی را به‌‌‌همراه داشته است. این فناوری‌‌‌ها در بخش‌‌‌های مختلف بانکداری، از تجربه مشتری گرفته تا کشف تقلب، بهبود عملیات داخلی، نوآوری محصول و فرآیندهای وام‌‌‌دهی، نقش موثری ایفا کرده‌‌‌اند. در ادامه، به تحلیل و بررسی برخی از کاربردها و چالش‌‌‌های هوش مصنوعی در این حوزه می‌‌‌پردازیم.

تجربه مشتری
گوپتا، یکی از اقتصاددانان برجسته، به اهمیت استفاده از فناوری‌‌‌های پردازش زبان طبیعی در بانکداری اشاره می‌کند. این فناوری‌‌‌ها به بانک‌ها اجازه می‌دهند تا حجم زیادی از اسناد را با دقت و کارآمدی پردازش و تحلیل کنند. با ظهور GenAI، قابلیت‌‌‌های NLP گسترش یافته و امکان تولید محتوای جدید را فراهم کرده است. در این راستا، شرکت EY با بانک‌ها همکاری می‌کند تا مدل‌‌‌های GenAI را به‌‌‌کار بگیرند که قادر به استخراج و خلاصه‌‌‌سازی شکایات مشتریان از مکالمات ضبط‌‌‌شده هستند.

همچنین، فناوری‌‌‌های GenAI به بانک‌ها کمک می‌کنند تا خدمات بهتری به مشتریان ارائه دهند و از طریق ابزارهای پیشرفته، تجربه کارمندان خط مقدم را بهبود بخشند. به‌‌‌عنوان مثال، بانک آمریکا دستیار مجازی «اریکا» را معرفی کرده که از زمان راه‌‌‌اندازی در سال ۲۰۱۸، با بیش از دو میلیارد تعامل، به ۴۲ میلیون مشتری کمک کرده است. این دستیارهای هوشمند با ارائه پاسخ‌‌‌های سریع و دقیق به سوالات مشتریان، به بهبود تجربه خدمات مشتری کمک می‌کنند.

کشف تقلب و رعایت مقررات
یکی دیگر از حوزه‌‌‌هایی که GenAI تاثیر چشمگیری بر آن دارد، کشف تقلب و انطباق با مقررات است. با استفاده از یادگیری ماشینی، بانک‌ها قادرند داده‌‌‌ها را در زمان واقعی تحلیل کرده و الگوهای غیرعادی را شناسایی کنند. این امر به شناسایی تهدیدهای نوظهور و جلوگیری از کلاهبرداری‌‌‌ها کمک می‌کند. طبق گزارش مرکز خدمات مالی Deloitte، GenAI تا سال ۲۰۲۷ می‌تواند زیان ناشی از تقلب در ایالات متحده را به ۴۰ میلیارد دلار افزایش دهد. از سوی دیگر، همان‌طور که هوش مصنوعی به‌‌‌طور فزاینده‌‌‌ای در حال توسعه است، مجرمان نیز از این فناوری‌‌‌ها برای کلاهبرداری بهره‌‌‌برداری می‌کنند. بنابراین، نیاز به ایجاد سیستم‌های ضد‌کلاهبرداری پیشرفته‌‌‌تر و کارآمدتر از همیشه احساس می‌شود.

عملیات تجاری داخلی
یکی از مزایای مهم GenAI در بانکداری، خودکارسازی عملیات تجاری داخلی است. این فناوری می‌تواند به‌‌‌عنوان ابزاری قدرتمند در استخراج داده‌‌‌ها، حل‌‌‌وفصل حوادث، تولید اسناد و خلاصه‌‌‌سازی سریع سیاست‌‌‌ها و رویه‌‌‌های داخلی عمل کند. این امر نه‌‌‌تنها به کاهش حجم کارهای دستی منجر می‌شود، بلکه به کارکنان این امکان را می‌دهد تا بر فعالیت‌‌‌های استراتژیک‌‌‌تر تمرکز کنند. با توجه به این مزایا، بانک‌ها و موسسات مالی بیشتر بر استفاده از موارد داخلی نسبت به موارد مرتبط با مشتری تمرکز دارند و تلاش می‌کنند تا خطرات و هزینه‌‌‌های مرتبط با سیستم‌های هوش مصنوعی را مدیریت کنند.

نوآوری محصول
استفاده از GenAI همچنین بانک‌ها را قادر می‌‌‌سازد تا محصولات و خدمات جدیدی را ارائه دهند و منابع درآمدی جدیدی ایجاد کنند. برای مثال، بانک Erste در اتریش ابزار «Prototype‌Financial Health» را معرفی کرده که به مشتریان امکان می‌دهد سوالاتی درباره وضعیت مالی خود مطرح کنند و پیشنهادهایی برای مدیریت بدهی یا برنامه‌‌‌ریزی تعطیلات دریافت کنند. این راهکارها به دموکراتیزه‌‌‌سازی خدمات بانکی کمک کرده و دسترسی به مشاوره مالی را برای همه فراهم می‌کنند.

وام‌‌‌دهی
GenAI همچنین در فرآیندهای وام‌‌‌دهی تاثیرگذار بوده است. به‌‌‌عنوان مثال، بانک BanCol در ایالات متحده از دستیار هوش مصنوعی مکالمه‌‌‌ای برای پاسخ‌‌‌گویی به سوالات وام‌‌‌گیرندگان و ارائه اطلاعات دقیق در مورد محصولات وام استفاده می‌کند. این سیستم‌ها با بهبود شفافیت و ارائه مشاوره‌‌‌های دقیق، کیفیت سرنخ‌‌‌های فروش را افزایش داده و روند درخواست وام را تسهیل می‌کنند.

چالش‌‌‌ها و خطرات استفاده از هوش مصنوعی در بانکداری
استفاده از هوش مصنوعی در بانکداری با چالش‌‌‌ها و خطرات زیادی همراه است که باید به‌‌‌درستی مدیریت شوند.

حریم خصوصی داده‌‌‌ها: یکی از چالش‌‌‌های اصلی، حفظ حریم خصوصی اطلاعات مشتریان است.

فناوری‌‌‌های هوش مصنوعی می‌توانند اطلاعات شخصی را بدون اطلاع کاربران جمع‌‌‌آوری کنند که این مساله می‌تواند منجر به سوءاستفاده از داده‌‌‌های حساس شود.

رفتار ناعادلانه در هوش مصنوعی: نگرانی‌هایی درباره تعصب و انصاف در الگوریتم‌‌‌های هوش مصنوعی وجود دارد.

مدل‌‌‌های هوش مصنوعی ممکن است براساس داده‌‌‌های آموزشی متعصبانه عمل کنند که می‌تواند منجر به رفتار ناعادلانه در تاییدیه‌‌‌های وام یا امتیازدهی اعتبار شود.

شفافیت و توضیح‌‌‌پذیری: عدم‌شفافیت در عملکرد مدل‌‌‌های هوش مصنوعی می‌تواند انطباق با مقررات را دشوار کرده و اعتماد مشتریان را تضعیف کند.

روندها و پیش‌بینی‌‌‌های آینده
گوپتا معتقد است که هوش مصنوعی آماده است تا صنعت بانکداری را از طریق خدمات شخصی‌‌‌تر و محصولات مالی نوآورانه دگرگون کند. Deloitte پیش‌بینی می‌کند که بانک‌های بزرگ سرمایه‌گذاری جهانی می‌توانند با استفاده از GenAI بهره‌‌‌وری خود را بین ۲۷ تا ۳۵‌درصد افزایش دهند که این امر منجر به درآمد اضافی ۳.۵ میلیون دلار به ازای هر کارمند اصلی تا سال ۲۰۲۶ خواهد شد. در مجموع، فناوری‌‌‌های هوش مصنوعی و GenAI پتانسیل عظیمی برای تحول در صنعت بانکداری دارند. با این حال، برای استفاده بهینه و موثر از این فناوری‌‌‌ها، بانک‌ها باید بر چالش‌‌‌های مرتبط با حفظ حریم خصوصی، شفافیت، تعصب و انصاف فائق آیند و چارچوب‌‌‌های حاکمیتی قوی را برای نظارت و مدیریت این فناوری‌‌‌ها ایجاد کنند.