ریسک‌های سیستمی هوش مصنوعی در بانکداری؛ دغدغه جدید رگولاتورها

توسعه روزافزون کاربردهای هوش مصنوعی در بانکداری، مدل‌های سنتی ارزیابی ریسک و خدمات مشتریان را در موسسات مالی بزرگ جهان دگرگون کرده و رقابتی تازه را میان بانک‌های پیشرو و نئوبانک‌ها برای تصاحب سهم بازار بیشتر رقم زده است. این فناوری نوظهور با تحلیل کلان‌داده‌های مالی در لحظه، نه تنها فرآیندهای کشف تقلب و اعتبارسنجی را بهینه‌تر می‌کند، بلکه به عنوان محرک اصلی تحول دیجیتال، مسیر تازه‌ای را پیش‌روی مدیران ارشد فناوری و فعالان فین‌تک برای طراحی خدمات شخصی‌سازی‌شده مالی قرار داده است.

برای سال‌ها به ما گفته شده است که هوش مصنوعی قرار است بانکداری را سریع‌تر، ارزان‌تر، ایمن‌تر و هوشمندانه‌تر کند. با این حال، در سال ۲۰۲۶ میلادی (۱۴۰۵ شمسی)، نهادهای ناظر بر سیستم‌های مالی جهان شروع به طرح یک پرسش متفاوت و نگران‌کننده کرده‌اند: چه می‌شود اگر فناوری هوش مصنوعی به بزرگ‌ترین ریسک سیستمی برای بازارهای مالی پس از بحران سال ۲۰۰۸ تبدیل شود؟

این هشدارها دیگر از سوی منتقدان فناوری یا افراد بدبین مطرح نمی‌شوند؛ بلکه مستقیماً در گزارش‌های اخیر بانک مرکزی انگلستان (Bank of England)، بانک مرکزی اروپا و سایر رگولاتورهای ارشد مالی جهان بازتاب یافته‌اند. دغدغه اصلی رگولاتورها از «امکان استفاده یا عدم استفاده از فناوری» به سمت «پیامدهای تمرکز شدید بر مدل‌های پایه یکسان» تغییر جهت داده است.

تمرکز بر مدل‌های یکسان و حذف تنوع

دهه‌هاست که رگولاتورهای مالی نگران رفتارهای هم‌راستا و توده‌ای بانک‌ها در خرید دارایی‌های مشابه، تصمیم‌گیری‌های اعتباری همسان یا اتکا به بازارهای تأمین مالی مشترک بوده‌اند. اکنون، این نگرانی به حوزه فناوری منتقل شده است. رگولاتورها هشدار می‌دهند که اگر تمامی موسسات مالی بزرگ برای تصمیم‌گیری‌های حساس خود به مدل‌های هوش مصنوعی پایه (Foundation Models) یکسان، ارائه‌دهندگان ابری مشترک و عوامل خودمختار (Autonomous Agents) مشابه متکی شوند، تنوع در تصمیم‌گیری‌های مالی از بین خواهد رفت.

وقتی تنوع در تحلیل داده‌ها و ارزیابی ریسک ناپدید شود، رفتار توده‌ای (Herd Behaviour) با سرعتی فراتر از تصور رخ می‌دهد. در این سناریو، بروز یک خطای کوچک در الگوریتم یک مدل مرجع، به سرعت به هزاران موسسه مالی سرایت کرده و می‌تواند به یک بحران نقدینگی یا اعتباری گسترده در سطح بین‌المللی منجر شود. برای درک بهتر این چالش‌ها، می‌توانید گزارش مربوط به درخواست بانکداران آمریکایی برای رگولاتوری هوش مصنوعی را مطالعه کنید.

چرا این موضوع برای صنعت مالی مهم است؟

استفاده گسترده از هوش مصنوعی در پرداخت و بانکداری اگرچه کارایی عملیاتی را به شدت افزایش می‌دهد، اما سه چالش عمده را برای پایداری مالی به همراه دارد:

• اهرم مالی و حباب سرمایه‌گذاری: بانک مرکزی انگلستان هشدار می‌دهد که سرمایه‌گذاران به شدت تحت تأثیر جذابیت‌های هوش مصنوعی قرار گرفته‌اند. این امر موجب سرازیر شدن اعتبارات خصوصی و ایجاد اهرم‌های مالی سنگین حول شرکت‌های توسعه‌دهنده هوش مصنوعی شده است که ریسک ترکیدن حباب‌های مالی را افزایش می‌دهد.

• جعبه سیاه و عدم شفافیت: مدل‌های یادگیری عمیق به سختی قابل توضیح هستند. در زمان بروز بحران، رگولاتورها و حتی خود مدیران بانک‌ها نمی‌توانند به سرعت متوجه شوند که چرا یک سیستم هوشمند تصمیم به قطع خطوط اعتباری یا فروش دارایی‌ها گرفته است.

• وابستگی به غول‌های فناوری: بانک‌ها به طور فزاینده‌ای به زیرساخت‌های ابری چند شرکت محدود (مانند مایکروسافت، گوگل و آمازون) وابسته می‌شوند که این امر تمرکز ریسک عملیاتی غیرقابل‌کنترلی را ایجاد می‌کند.

اثر احتمالی بر بازیگران بازار فین‌تک و بانکداری

رگولاتورها به دنبال تدوین چارچوب‌های سخت‌گیرانه‌تری برای کنترل این ریسک‌ها هستند. به عنوان مثال، اتحادیه اروپا با برنامه‌هایی نظیر طرح امنیت سایبری و هوش مصنوعی در بخش مالی تلاش می‌کند تا تاب‌آوری عملیاتی موسسات را در برابر این تهدیدات ارتقا دهد. برای استارتاپ‌های فین‌تک، این قوانین سخت‌گیرانه به معنای افزایش هزینه‌های تطبیق (Compliance) و نیاز به توسعه مدل‌های اختصاصی و متنوع‌تر به جای اتکای صرف به APIهای آماده غول‌های فناوری است.

نسبت این موضوع با اکوسیستم مالی ایران

اگرچه شبکه بانکی ایران به دلیل محدودیت‌های بین‌المللی به طور مستقیم به زیرساخت‌های ابری جهانی یا مدل‌های پیشرفته غول‌های فناوری متصل نیست، اما روند بومی‌سازی و استفاده از هوش مصنوعی در بانکداری ایران نیز با شتاب در حال حرکت است. ریسک‌های ناشی از رفتارهای توده‌ای و استفاده از موتورهای اعتبارسنجی یا سیستم‌های کشف تقلب یکسان در میان بانک‌های ایرانی نیز کاملاً متصور است.

اگر هاب‌های فناوری بزرگ در ایران اقدام به ارائه سرویس‌های هوش مصنوعی مشترک به چندین بانک کنند، بروز خطا در این سامانه‌ها می‌تواند به طور هم‌زمان فرآیند خدمات‌رسانی چندین موسسه مالی بزرگ کشور را مختل کند. از این رو، رگولاتورهای داخلی مانند بانک مرکزی ایران باید از هم‌اکنون چارچوب‌های نظارتی منعطفی را برای ارزیابی تاب‌آوری مدل‌های هوش مصنوعی بومی طراحی کنند.

جمع‌بندی

هوش مصنوعی بدون شک ابزاری قدرتمند برای بهینه‌سازی فرآیندهای مالی است، اما تمرکز بیش از حد بر مدل‌های یکسان، پایداری سیستم‌های مالی را به شدت تهدید می‌کند. تعادل میان نوآوری و ثبات مالی، بزرگ‌ترین چالش رگولاتورها در سال ۲۰۲۶ است. بانک‌ها و فین‌تک‌ها باید علاوه بر تمرکز بر کاهش هزینه‌ها، به تنوع‌بخشی به زیرساخت‌های فناورانه خود نیز به عنوان یک ضرورت استراتژیک نگاه کنند.

سوالات متداول (FAQ)

۱. چرا رگولاتورها هوش مصنوعی را یک ریسک سیستمی برای بانک‌ها می‌دانند؟

زیرا اتکای هم‌زمان اکثر بانک‌ها به مدل‌های هوش مصنوعی و ارائه‌دهندگان ابری یکسان، تنوع تصمیم‌گیری را از بین برده و احتمال بروز خطاهای زنجیره‌ای و هم‌زمان را افزایش می‌دهد.

۲. رفتار توده‌ای (Herd Behaviour) ناشی از هوش مصنوعی چیست؟

وقتی الگوریتم‌های تصمیم‌گیری در چندین بانک بر اساس داده‌ها و مدل‌های مشابه آموزش دیده باشند، در مواجهه با شرایط بازار رفتارهای مشابهی (مانند قطع هم‌زمان اعتبارات) نشان می‌دهند که بحران را تشدید می‌کند.

۳. تمرکز بر شرکت‌های ابری چه خطری برای فین‌تک‌ها دارد؟

وابستگی شدید به تعداد محدودی از ارائه‌دهندگان خدمات ابری بزرگ، ریسک قطع خدمات یا حملات سایبری متمرکز را افزایش می‌دهد و کل زنجیره ارزش فین‌تک را تهدید می‌کند.

۴. رگولاتورهای جهانی چه اقداماتی برای کنترل این ریسک انجام می‌دهند؟

تدوین قوانین سخت‌گیرانه برای ارزیابی تاب‌آوری عملیاتی دیجیتال (مانند قانون DORA در اروپا) و الزام بانک‌ها به شفاف‌سازی فرآیندهای تصمیم‌گیری هوش مصنوعی از جمله این اقدامات است.

۵. آیا این ریسک‌ها متوجه شبکه بانکی ایران نیز می‌شود؟

بله؛ در صورت توسعه و استفاده از سامانه‌های اعتبارسنجی و تصمیم‌گیری هوش مصنوعی مشترک و بومی بدون رعایت اصول تنوع‌بخشی، ریسک خطاهای سیستمی در شبکه بانکی ایران نیز وجود دارد.

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

با افزایش نفوذ ابزارهای پیشرفته در لایه‌های عملیاتی موسسات مالی، تحلیلگران در مقالات تخصصی فین‌تک به بررسی ابعاد جدید این فناوری پرداخته‌اند؛ موضوعی که در گزارش اخیر وب‌سایت The Finanser نیز منعکس شده و نشان می‌دهد دغدغه اصلی نهادهای ناظر، پایداری کل شبکه در مواجهه با خطاهای احتمالی الگوریتم‌هاست.