هشدار بانک مرکزی انگلستان درباره ریسک‌های هوش مصنوعی برای ثبات مالی

هشدار بانک مرکزی انگلستان درباره ریسک سیستماتیک هوش مصنوعی در بانکداری

بانک مرکزی انگلستان در تازه‌ترین گزارش ثبات مالی خود، ارزیابی جامعی از خطرات نوظهور ناشی از نفوذ گسترده الگوریتم‌های هوشمند در لایه‌های تصمیم‌گیری شبکه بانکی ارائه کرده است. بر اساس اعلام کمیسیون سیاست مالی (FPC) این نهاد، اتکای هم‌زمان و روزافزون مؤسسات مالی به مدل‌های هوش مصنوعی مشابه و زیرساخت‌های متمرکز پردازشی، در صورت بروز اختلالات فنی یا خطاهای پیش‌بینی‌نشده محاسباتی، می‌تواند به ریسک سیستماتیک و بی‌ثباتی در کل ساختار بازارهای مالی منجر شود.

این هشدار نشان‌دهنده یک نقطه عطف در سیاست‌گذاری مالی است؛ فرآیندی که طی آن دیدگاه ناظران ارشد پولی جهان از «هوش مصنوعی به عنوان ابزار ارتقای بهره‌وری» به «هوش مصنوعی به عنوان منبع جدید ریسک ساختاری» تغییر یافته است. اگرچه فناوری‌های مبتنی بر یادگیری ماشین و مدل‌های یادگیری عمیق توانسته‌اند سرعت ارزیابی ریسک اعتباری، کشف تقلب و اتوماسیون فرایندها را به‌طور چشمگیری افزایش دهند، اما وابستگی متقابل مدل‌ها و تمرکز بر تأمین‌کنندگان محدود فناوری، صورت‌مسئله جدیدی برای نهادهای نظارتی ایجاد کرده است. در همین راستا، بررسی خطرات پنهان اتوماسیون مالی نشان می‌دهد که چگونه ابزارهای خودکار بدون نظارت کافی می‌توانند در سطوح کلان، پایداری عملیاتی را با چالش مواجه سازند.

در سال‌های اخیر، هم‌زمان با تعمیق نفوذ هوش مصنوعی مولد در سیستم‌های پیش‌بینی بازار و تخصیص اعتبارات، دغدغه رگولاتورها از الزامات خرد کاربری به حوزه ثبات کلان پولی تغییر ابعاد داده است. گزارش‌های منتشرشده در رسانه‌های تخصصی از جمله فین‌تک تایمز نیز حاکی از آن است که اگر رفتارهای الگوریتمی به‌طور هم‌زمان دچار انحراف یا سوگیری شوند، مکانیزم‌های دفاعی سنتی سیستم‌های بانکی توان مهار پیامدهای ناگهانی و زنجیره‌ای آن را نخواهند داشت.

ریشه‌های نگران‌کننده؛ مدل‌های مشابه و ریسک‌های همبسته

نگرانی اصلی نهادهای نظارتی از ساختار همپوشانی‌دار و یکنواخت سیستم‌های جدید نشأت می‌گیرد. هنگامی که چندین بانک و مؤسسه مالی بزرگ برای پیش‌بینی وضعیت بازار، تصمیم‌گیری اعتباری، مدیریت نقدینگی یا اجرای استراتژی‌های معاملات خودکار از مدل‌های هوش مصنوعی پایه (Foundation Models) یا داده‌های آموزشی یکسان استفاده می‌کنند، احتمال وقوع خطاهای هم‌زمان و «رفتار گله‌ای» (Herd Behavior) به‌شدت افزایش می‌یابد.

در چنین شرایطی، بروز یک شوک ناگهانی در بازار یا وجود خطا در یک داده زیرساختی می‌تواند واکنش زنجیره‌ای و یکسانی را در سراسر سیستم مالی ایجاد کند. الگوریتم‌هایی که بر اساس منطق‌ها و مجموعه‌داده‌های تاریخی یکسان آموزش دیده‌اند، در مواجهه با شرایط بحرانی پیش‌بینی‌نشده، ممکن است رفتارهای هیجانی نظیر خروج هم‌زمان از برخی دارایی‌ها یا قطع ناگهانی خطوط اعتباری را رقم بزنند. این رخداد به جای جذب و تعدیل نوسانات، شوک‌های مالی را تشدید می‌کند و می‌تواند نقدینگی بازار را در چند ثانیه خشک سازد.

علاوه بر این، اتکای شدید مدل‌های پیش‌بینی به داده‌های گذشته باعث می‌شود که در مواجهه با شرایط بی‌سابقه اقتصادی، تغییرات ناگهانی نرخ بهره یا تنش‌های ژئوپلیتیک، الگوریتم‌ها نتوانند متغیرهای جدید را به‌درستی تحلیل کنند. نتیجه این اختلال، اتخاذ تصمیمات اعتباری و سرمایه‌گذاری نادرستی است که ابعاد آن به سرعت به تمام بازیگران متصل به آن الگوریتم‌ها سرایت خواهد کرد.

چالش شفافیت و تفسیرپذیری الگوریتم‌ها

بانک مرکزی بریتانیا و کارشناسان ارشد مدیریت ریسک به سه شکاف اصلی در حاکمیت و نظارت بر الگوریتم‌های مالی اشاره می‌کنند که مانع ارزیابی دقیق ابعاد ریسک می‌شود:

• جعبه سیاه بودن مدل‌ها (Model Opacity): بسیاری از مدل‌های هوش مصنوعی پیچیده، به‌ویژه شبکه‌های عصبی عمیق، عملکردی غیرشفاف دارند. این وضعیت سبب می‌شود مدیران ارشد مالی و حتی توسعه‌دهندگان سیستم، بدون درک دقیق منطق استخراج نتیجه، بر اساس خروجی‌های خودکار تصمیم‌گیری کنند.

• تمایز نیافتن چارچوب‌های کنترلی: نبود ابزارهای نظارتی اختصاصی و استانداردهای جامع برای پایش مداوم، لحظه‌ای و رفتارشناسی مدل‌های یادگیری عمیق در حین اجرای واقعی در شرایط پرنوسان بازار.

• تمرکز شدید بر نهادهای ارائه‌دهنده زیرساخت: وابستگی بیش از حد صنعت مالی به چند شرکت محدود فناوری (Big Tech) برای تأمین مدل‌های پایه و زیرساخت‌های پردازش ابری، خطرات تمرکز زیرساختی را به‌شدت افزایش داده است.

ارزیابی ناظران بریتانیایی نشان می‌دهد در صورتی که یکی از ارائه‌دهندگان اصلی خدمات ابری یا توسعه‌دهندگان بزرگ مدل‌های هوش مصنوعی دچار اختلال سیستمی، حمله سایبری یا خطای نرم‌افزاری شود، شریان حیاتی ده‌ها نهاد مالی به صورت هم‌زمان مختل خواهد شد. این مسئله، «ریسک پیمانکاران ثالث» (Third-Party Risk) را به یکی از محورهای اصلی بازرسی‌های نظارتی در حوزه بانکداری بدل کرده است.

تأثیر بر نهادهای مالی و بازیگران صنعت فین‌تک

افزایش فشارهای نظارتی روی هوش مصنوعی، خط‌مشی بانک‌ها و شرکت‌های فین‌تک را به طور بنیادی تغییر خواهد داد. نهادهای مالی دیگر نمی‌توانند هوش مصنوعی را صرفاً به عنوان یک ابزار پشتیبان فنی یا راهکاری برای کاهش هزینه‌ها ببینند؛ بلکه مجبور خواهند بود چارچوب‌های سخت‌گیرانه‌تری برای ارزیابی و «مدیریت ریسک مدل» (Model Risk Management) تدوین کنند.

برای شرکت‌های نوپای فین‌تک، این تحولات دارای ابعاد دوگانه‌ای از چالش و فرصت است. چالش اصلی در افزایش هزینه‌های انطباق مقرراتی (Compliance Costs) نهفته است. الزام به ارائه مستندات شفاف از عملکرد الگوریتم‌ها، تست‌های فشار (Stress Testing) دوره‌ای و تست سناریوهای بحران، نیازمند سرمایه‌گذاری مالی و انسانی قابل‌توجهی است که می‌تواند سرعت رشد فین‌تک‌های نوپا را کاهش دهد.

با این حال، حفظ شفافیت و اعتمادسازی در بانکداری دیجیتال برای جذب سرمایه‌گذاران و جلب اعتماد نهادهای ناظر، به یک مزیت رقابتی کلیدی تبدیل می‌شود. ظهور حوزه «هوش مصنوعی قابل تفسیر» (Explainable AI - XAI) و ابزارهای فناوری تنظیم‌گری (RegTech) فرصت‌های جدیدی را برای توسعه‌دهندگانی ایجاد می‌کند که قادرند ابزارهای پایش و شفاف‌سازی الگوریتم‌ها را به بانک‌ها ارائه دهند. علاقمندان می‌توانند برای بررسی ابعاد فنی و اقتصادی این موضوع، جدیدترین مقالات تخصصی پی‌کار را در حوزه هوش مصنوعی و بانکداری نوین دنبال کنند.

نسبت این رویداد با اکوسیستم مالی و فین‌تک ایران

اگرچه سطح یکپارچگی مستقیم سیستم بانکی ایران با بازارهای مالی جهانی به دلیل محدودیت‌های بین‌المللی پایین است، اما اتخاذ هوش مصنوعی در بانک‌ها، مؤسسات اعتباری و شرکت‌های فین‌تک ایران نیز با سرعت در حال گسترش است. نفوذ روزافزون هوش مصنوعی در سیستم‌های اعتبارسنجی مشتریان، سامانه‌های تصدیق هویت دیجیتال، الگوریتم‌های کشف تقلب و اتوماسیون تخصیص تسهیلات خرد، چالش‌های مشابهی را در بوم‌شناسی مالی کشور پدید آورده است.

در ایران، تمرکز بخش عمده‌ای از شبکه بانکی بر چند شرکت محدود ارائه‌دهنده راهکارهای بانکداری متمرکز (Core Banking) و زیرساخت‌های فناوری اطلاعات، ریسک تمرکز الگوریتمی را دوچندان می‌کند. اگر الگوریتم اعتبارسنجی یا ارزیابی ریسک مورد استفاده در این پلتفرم‌های پایه دچار خطای محاسباتی یا سوگیری (Bias) در داده‌های آموزشی باشد، پیامدهای منفی آن مانند افزایش مطالبات غیرجاری یا محرومیت بخشی از جامعه از خدمات مالی، به صورت یکپارچه کل شبکه بانکی را درگیر خواهد کرد.

از سوی دیگر، غفلت از تدوین چارچوب‌های حاکمیت داده و ارزیابی الگوریتم در سندبکس‌های نظارتی بانک مرکزی ایران، می‌تواند پایداری عملیاتی مؤسسات مالی را در برابر شوک‌های اقتصادی تضعیف کند. ضروری است که نهادهای ناظر پولی در ایران، هم‌گام با روندهای جهانی، الزامات شفافی برای حسابرسی الگوریتمی و مدیریت ریسک مدل در نهادهای مالی مستقر سازند.

جمع‌بندی

هشدار بانک مرکزی انگلستان نشان‌دهنده ورود جهان به فاز نوینی از تنظیم‌گری هوش مصنوعی در حوزه مالی است؛ فازی که در آن بهره‌وری عملیاتی بدون کنترل ریسک‌های ساختاری، فاقد ارزش تلقی می‌شود. افق آینده صنعت فین‌تک و بانکداری نه تنها به توانایی مدل‌های هوش مصنوعی در پردازش داده‌ها و کاهش هزینه‌ها، بلکه به قابلیت نهادهای مالی در مهار ریسک‌های ناپیدای الگوریتم‌ها و ایجاد شفافیت ساختاری بستگی خواهد داشت.

تعادل میان نوآوری و ثبات مالی، بزرگ‌ترین آزمون رگولاتورها و رهبران فناوری در سال‌های پیش‌رو است. موفقیت در این مسیر مستلزم توسعه ابزارهای نوآورانه نظارتی، ارتقای حاکمیت الگوریتم‌ها و استانداردسازی تست‌های فشار در تمامی سطوح تصمیم‌گیری مالی خواهد بود.

پرسش‌های متداول (FAQ)

۱. چرا بانک مرکزی انگلستان درباره هوش مصنوعی هشدار داده است؟

بانک مرکزی بریتانیا هشدار داده که اتکای هم‌زمان بانک‌ها به مدل‌ها و داده‌های آموزشی مشابه می‌تواند هنگام بروز خطا یا شوک‌های مالی، به رفتار زنجیره‌ای و بی‌ثباتی سیستماتیک در کل بازار منجر شود.

۲. اصلی‌ترین چالش‌های فنی هوش مصنوعی در سیستم‌های مالی چیست؟

عدم شفافیت در نحوه تصمیم‌گیری مدل‌ها (پدیده جعبه سیاه)، وابستگی شدید به تامین‌کنندگان محدود زیرساخت ابری و نبود ابزارهای کافی برای پایش لحظه‌ای عملکرد الگوریتم‌ها از چالش‌های اصلی هستند.

۳. آیا این هشدار به معنای توقف استفاده از هوش مصنوعی در بانک‌هاست؟

خیر، هدف ناظران مالی توقف توسعه فناوری نیست، بلکه الزام نهادهای مالی به ایجاد چارچوب‌های حاکمیت الگوریتم، انجام تست‌های فشار دوره‌ای و استقرار مدیریت ریسک مدل (Model Risk Management) است.

۴. این تحولات چه تاثیری بر شرکت‌های فین‌تک خواهد داشت؟

فین‌تک‌ها مجبور خواهند بود هزینه‌های انطباق مقرراتی (RegTech) و شفافیت الگوریتم‌های خود (Explainable AI) را افزایش دهند تا بتوانند تأییدیه‌های نظارتی و اعتماد سرمایه‌گذاران را جلب کنند.

۵. چرا این موضوع برای شبکه بانکی و فین‌تک ایران اهمیت دارد؟

توسعه اعتبارسنجی هوشمند و اتوماسیون مالی در ایران نیز به دلیل تمرکز بر زیرساخت‌های نرم‌افزاری محدود، در صورت عدم وجود قوانین حاکمیت داده و حسابرسی الگوریتمی، می‌تواند منجر به سوگیری اعتباری و خطرات سیستمی شود.

برای دنبال کردن تحلیل‌های بیشتر درباره فین‌تک، بانکداری دیجیتال و اقتصاد نوآوری، گزارش‌های تخصصی پی‌کار را در بخش فین‌تک و اقتصاد دیجیتال بخوانید.