سرمایه‌گذاری HSBC AM در پلتفرم هوش مصنوعی Model ML

HSBC AM (مدیریت دارایی اچ‌اس‌بی‌سی) در تاریخ ۲۲ مرداد ۱۴۰۵، از طریق صندوق سرمایه‌گذاری جسورانه پرچم‌دار خود، روی پلتفرم هوش مصنوعی مالی Model ML سرمایه‌گذاری کرد تا توسعه هوش مصنوعی عامل‌گرا (Agentic AI) را در نهادهای بزرگ مالی تسریع کند. این تزریق سرمایه که با هدف خودکارسازی فرآیندهای پیچیده تحقیقات، تحلیل و مدیریت سرمایه‌گذاری صورت گرفته، به Model ML اجازه می‌دهد تا سیستم‌عامل عامل‌گرای خود را در حوزه خدمات مالی مقیاس‌پذیری کند؛ اقدامی که سیگنال روشنی از تغییر استراتژی غول‌های مالی جهان به سمت اتوماسیون هوشمند و عامل‌گرا در صنعت مدیریت دارایی است.

جزئیات سرمایه‌گذاری و توسعه سیستم عامل عامل‌گرا

بر اساس گزارش‌های منتشر شده، میزان دقیق این سرمایه‌گذاری فاش نشده است، اما شرکت Model ML تأکید کرده است که سرمایه‌گذاری HSBC نشان‌دهنده تقاضای فزاینده برای پلتفرم‌های تخصصی هوش مصنوعی است که به‌طور خاص برای خدمات مالی طراحی شده‌اند. این شرکت که کمتر از دو سال از تأسیس آن می‌گذرد، تاکنون موفق به جذب بیش از ۱۰۰ میلیون دلار سرمایه شده است.

پلتفرم Model ML فرآیندهای پیچیده‌ای را در حوزه‌های تحقیقات بازار، راستی‌آزمایی (Due Diligence)، تحلیل‌های مالی و ایجاد اسناد آماده برای مشتریان خودکارسازی می‌کند. نکته حائز اهمیت در این پلتفرم، حفظ حاکمیت داده، دقت و یکپارچگی اطلاعات است که در صنعت مالی از اهمیت حیاتی برخوردار است. رویکرد «مدل‌نامحدود» (Model-agnostic) این شرکت، هر وظیفه را به بهترین مدل هوش مصنوعی مناسب برای آن کار ارجاع می‌دهد. این معماری به شرکت‌های مالی اجازه می‌دهد تا از پیشرفت‌های اکوسیستم هوش مصنوعی بهره‌مند شوند، بدون آنکه نیاز باشد روش‌های کاری تیم‌های خود را تغییر دهند.

استراتژی صندوق جسورانه HSBC Asset Management

استراتژی جسورانه پرچم‌دار HSBC Asset Management، یک برنامه صندوقِ صندوق‌های سرمایه‌گذاری خطرپذیر (VC FOF) است که در پلتفرم ۸۱ میلیارد دلاری سرمایه‌گذاری‌های جایگزین این نهاد مدیریت می‌شود. این صندوق علاوه بر سرمایه‌گذاری در صندوق‌های VC پیشرو، به‌طور انتخابی در شرکت‌های با رشد بالا و دارای پشتیبانی VC نیز هم‌سرمایه‌گذاری (Co-investment) می‌کند.

پاتریک سیکس‌میت، رئیس بخش سرمایه‌گذاری خطرپذیر در HSBC Asset Management، در این باره اظهار داشت: «هوش مصنوعی و نرم‌افزارهای نسل جدید، موج جدیدی از نوآوری را در سراسر اقتصاد ایجاد می‌کنند. این سرمایه‌گذاری همسو با استراتژی ما برای حمایت از شرکت‌هایی است که در حال بازتعریف گردش‌های کاری مالی از طریق هوش مصنوعی پیشرفته هستند.»

چرا این سرمایه‌گذاری در صنعت مدیریت دارایی اهمیت دارد؟

سرمایه‌گذاری نهادهای بزرگی مانند HSBC در استارتاپ‌های هوش مصنوعی عامل‌گرا، سیگنال روشنی از تغییر مسیر صنعت مالی از «هوش مصنوعی مولد ساده» به «عامل‌های هوشمند خودکار» است. در گذشته، بانک‌ها و شرکت‌های مدیریت دارایی از نوآوری‌های هوش مصنوعی در بانکداری بیشتر برای خدمات مشتری و چت‌بات‌ها استفاده می‌کردند، اما اکنون تمرکز بر پشت‌صحنه عملیات و تحلیل‌های عمیق است.

سیستم‌های عامل‌گرا (Agentic Systems) قادرند زنجیره‌ای از تصمیم‌گیری‌ها را بدون نیاز به دخالت مداوم انسان انجام دهند. برای مثال، در فرآیند راستی‌آزمایی یک شرکت برای سرمایه‌گذاری، این سیستم می‌تواند به‌طور خودکار صورت‌های مالی را استخراج، تحلیل اولیه را انجام، ریسک‌ها را شناسایی و پیش‌نویس گزارش نهایی را برای مدیران سرمایه‌گذاری آماده کند. این امر نه تنها سرعت تصمیم‌گیری را به شدت افزایش می‌دهد، بلکه خطای انسانی را در پردازش حجم عظیمی از داده‌های مالی کاهش می‌دهد.

چالش حاکمیت داده و معماری مدل‌نامحدود

یکی از بزرگترین چالش‌های نهاد مالی در استفاده از هوش مصنوعی، توهم مدل (Hallucination) و عدم قطعیت در خروجی‌هاست. معماری مدل‌نامحدود Model ML تلاش می‌کند با مسیریابی هوشمند وظایف به مدل‌های مختلف (مثلاً استفاده از یک مدل برای تحلیل عددی و مدلی دیگر برای تولید متن حقوقی) این ریسک را کاهش دهد. با این حال، نهادهای نظارتی همچنان بر نیاز به آینده هوش مصنوعی قابل توضیح در مالی تأکید دارند تا مشخص شود یک تصمیم سرمایه‌گذاری یا تحلیل ریسک، دقیقاً بر اساس کدام داده‌ها و توسط کدام مدل گرفته شده است.

نسبت این موضوع با اکوسیستم مالی و فین‌تک ایران

در اکوسیستم مالی ایران، شرکت‌های مدیریت دارایی، کارگزاری‌ها و بانک‌ها با حجم عظیمی از داده‌های بازار سرمایه، گزارش‌های کدال و صورت‌های مالی روبرو هستند. تحلیلگران مالی در ایران بخش بزرگی از زمان خود را صرف جمع‌آوری داده، پاکسازی و تحلیل‌های اولیه می‌کنند. ورود فناوری‌های مشابه Model ML می‌تواند بهره‌وری را در نهادهای مالی ایران به شدت افزایش دهد.

با این حال، پیاده‌سازی چنین پلتفرم‌هایی در ایران با چالش‌های ساختاری روبروست. نخست، زیرساخت‌های پردازشی و دسترسی به مدل‌های زبانی بزرگ (LLM) به دلیل تحریم‌ها و محدودیت‌های بین‌المللی محدود است. دوم، کیفیت و ساختاریافته بودن داده‌های مالی در بازار ایران هنوز به سطحی نرسیده که بتوان به‌طور کامل به سیستم‌های عامل‌گرا برای خودکارسازی کامل فرآیندها اعتماد کرد. نهادهای مالی ایرانی برای بهره‌مندی از این موج، نیازمند توسعه مدل‌های بومی و تطبیق‌یافته با زبان فارسی و استانداردهای حسابداری ایران هستند. تحولات اخیر در تحولات زیرساختی در بانکداری جهانی نشان می‌دهد که نهادهای سنتی در حال ادغام این فناوری‌ها در هسته مرکزی خود هستند و بازار ایران نیز در درازمدت ناچار به تطبیق با این استانداردها خواهد بود.

جمع‌بندی و چشم‌انداز آینده

سرمایه‌گذاری HSBC AM در Model ML، تأییدی بر این واقعیت است که هوش مصنوعی در خدمات مالی از مرحله آزمایش و اثبات مفهوم (PoC) فراتر رفته و در حال تبدیل شدن به یک زیرساخت عملیاتی ضروری است. شرکت‌هایی که بتوانند تعادل میان «خودکارسازی عامل‌گرا» و «حاکمیت دقیق داده‌ها» را حفظ کنند، در رقابت آینده مدیریت دارایی پیروز خواهند شد. برای استارتاپ‌های فین‌تک، این رویداد نشان‌دهنده یک فرصت بزرگ در حوزه RegTech و ابزارهای تحلیل خودکار است، مشروط بر آنکه امنیت و انطباق با مقررات را در اولویت قرار دهند. همانطور که در مباحث مدل‌های هوش مصنوعی و امنیت سایبری نیز مطرح می‌شود، هرچه اتوماسیون در سیستم‌های مالی بیشتر شود، نیاز به لایه‌های امنیتی و نظارتی پیشرفته‌تر نیز احساس خواهد شد.

سؤالات متداول

• سرمایه‌گذاری HSBC AM در Model ML چقدر بود؟
  میزان دقیق این سرمایه‌گذاری فاش نشده است، اما Model ML تاکنون بیش از ۱۰۰ میلیون دلار از منابع مختلف جذب کرده است.
• پلتفرم Model ML چه کاربردی در خدمات مالی دارد؟
  این پلتفرم یک سیستم عامل عامل‌گرا است که فرآیندهایی مانند تحقیقات بازار، راستی‌آزمایی، تحلیل مالی و تولید اسناد مشتریان را خودکارسازی می‌کند.
• منظور از رویکرد مدل‌نامحدود (Model-agnostic) چیست؟
  یعنی این پلتفرم به یک مدل هوش مصنوعی خاص محدود نیست و هر وظیفه را به بهترین مدل موجود برای آن کار خاص ارجاع می‌دهد.
• چرا این سرمایه‌گذاری برای صنعت مدیریت دارایی مهم است؟
  زیرا نشان‌دهنده گذار از هوش مصنوعی مولد ساده به عامل‌های خودکار است که می‌توانند گردش‌های کاری پیچیده سرمایه‌گذاری را بدون دخالت مداوم انسان انجام دهند.
• آیا امکان استفاده از چنین فناوری‌هایی در بازار مالی ایران وجود دارد؟
  از نظر تئوری بله، اما چالش‌هایی مانند کیفیت داده‌ها، نیاز به مدل‌های زبانی بومی فارسی و محدودیت‌های زیرساختی و تحریمی، پیاده‌سازی کامل آن را در کوتاه‌مدت دشوار می‌کند.

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

سرمایه‌گذاری HSBC Asset Management در پلتفرم هوش مصنوعی Model ML، سیگنال روشنی از شتاب‌گیری ادغام فناوری‌های نوین در مدیریت دارایی و تحلیل‌های کمی است. برای پیگیری تحلیل‌های بیشتر از این دست تحولات فین‌تک، به بخش مقالات پی‌کار سر بزنید و جزئیات این رویداد را از گزارش اصلی FSTech بخوانید.