مدیر یک کارگزاری هستید و هر صبح چند نفر از همکارانتان گزارشهای پراکنده را کنار هم میگذارند. تحلیلگر سبدگردانی شما شبها صورتهای مالی و اطلاعیههای کدال را ورق میزند. پشتیبانی هم هر روز به همان ده پرسش تکراری مشتریان پاسخ میدهد. این کارها لازماند، اما بخش بزرگی از وقت تیم شما را میگیرند.
هوش مصنوعی دقیقاً در همین نقطهها وارد میشود. اما «هوش مصنوعی» یک کلمه بزرگ است و مدیر مالی باید بداند کدام تکهاش به کار او میآید و کدام تکه هنوز زود است. این مقاله یک نقشه ساده به شما میدهد.
چرا اکنون زمان نگاه جدی به هوش مصنوعی است؟
در مهر ۱۴۰۵، در همایش روز کارگزار، رئیس سازمان بورس گفت که هوش مصنوعی در بازار مالی «صرفاً یک پروژه فناورانه نیست» و باید آن را تحول مدیریتی و حکمرانی دید. او الگوریتمها، تحلیلها، گزارشگری مالی و سامانه کدال را از جمله حوزههای کاربرد نام برد.
این حرف یک پیام روشن دارد: موضوع از اتاق فناوری به اتاق مدیریت آمده است. اگر مدیرعامل یا مدیر سرمایهگذاری هنوز آن را به «کار واحد IT» واگذار میکند، احتمالاً مسئله را کوچک میبیند.
در جهان هم تصویر مشابهی دیده میشود. نظرسنجی مرسر در سال ۲۰۲۶ از ۱۳۱ مدیر دارایی نشان میدهد که ۵۵ درصد آنها هوش مصنوعی را دستکم در یکی از فرایندهای سرمایهگذاری خود وارد کردهاند و ۲۷ درصد در مرحله آزمایشیاند. ۹۱ درصد هم میخواهند استفاده خود را در دوازده ماه آینده بیشتر کنند. این عددها مربوط به مدیران دارایی در دنیا هستند و تصویر بازار ایران نیستند، ولی جهت حرکت را نشان میدهند.
نقشه کاربردها؛ از کمریسک تا پرریسک
بهتر است کاربردها را بر اساس ریسک مرتب کنید. هرچه خروجی هوش مصنوعی مستقیمتر به تصمیم مالی یا به مشتری برسد، کنترل بیشتری لازم دارد.
۱. پژوهش و خواندن متنهای طولانی
مدلهای زبانی بزرگ (LLM) متن را خوب خلاصه میکنند. میتوانند گزارش هیئتمدیره، اطلاعیه ناشر یا صورت مالی را بخوانند و نکتههای اصلی را فهرست کنند. تحلیلگر شما بهجای ساعتها خواندن، با یک خلاصه شروع میکند و بعد خودش درباره آن قضاوت میکند.
در نظرسنجی مرسر هم ایدهپردازی و پژوهش و پردازش دادههای بدون ساختار از کاربردهایی بودهاند که مدیران در فرایند سرمایهگذاری وارد کردهاند. دلیلش ساده است: خروجی را یک انسان کارشناس بررسی میکند و خطا زود دیده میشود.
۲. عملیات داخلی و گزارشدهی
بسیاری از کارهای اداری شرکت شما شکل تکراری دارند: تطبیق فایلها، آمادهکردن گزارش دورهای، پر کردن فرمها، پیگیری مدارک. اتوماسیون با کمک هوش مصنوعی این کارها را سریعتر میکند. در همان نظرسنجی، ۷۴ درصد پاسخدهندگان گفتهاند هوش مصنوعی را برای خودکارسازی و افزایش کارایی به کار میبرند.
حاصل کار برای شما روشن است: همکاران کمتر وقت صرف کار تکراری میکنند و بیشتر وقت صرف بررسی و تصمیم.
۳. خدمات مشتری
دستیار هوشمند میتواند به پرسشهای رایج مشتریان پاسخ دهد، وضعیت درخواست را اعلام کند یا مشتری را به کارشناس درست راهنمایی کند. دبیر کانون کارگزاران نیز در روز کارگزار گفته است که فرایندهای سنتی، مثل احراز هویت با مدارک فیزیکی، با نیاز سرمایهگذاران امروز سازگار نیست.
اینجا باید مرزها را مشخص کنید. دستیار نباید سیگنال خرید و فروش بدهد یا بازده وعده کند. اگر مشتری پرسش تخصصی پرسید، باید پرونده به انسان برسد.
۴. ریسک، انطباق و نظارت داخلی
هوش مصنوعی میتواند الگوهای غیرعادی در سفارشها یا پیامها را برای بررسی کارشناس علامت بزند. این کاربرد ارزشمند است، اما به داده درست و ثبت دقیق نیاز دارد. درباره آن در مقالههای بعدی این مجموعه بیشتر مینویسیم.
کجا باید احتیاط کرد؟
نظرسنجی مرسر یک نکته مهم دارد: فقط ۶ درصد پاسخدهندگان هوش مصنوعی را برای خود تصمیمگیری به کار میبرند. ۶۹ درصد آن را «همکار کمکی» برای بینش و تحلیل میدانند. به گفته گزارش، هوش مصنوعی در ساخت سبد و اجرای معامله بسیار کمتر از پژوهش و تحلیل وارد شده است.
پس اگر کسی به شما گفت یک مدل میتواند سبد را بینیاز از انسان اداره کند، با تردید نگاه کنید. هیچ منبعی که ما دیدیم بازده تضمینشده برای این کار نشان نمیدهد. در همان نظرسنجی هم فقط ۸ درصد پاسخدهندگان بهبود بازده را از مزایای دیدهشده نام بردهاند، در حالی که ۶۹ درصد کارایی عملیاتی را نام بردهاند.
این مقاله توصیه سرمایهگذاری نیست و به هیچ بازدهی وعده نمیدهد. نتیجه کار هر نهاد به داده، فرایند و کنترلهای خودش بستگی دارد.
سه مانع واقعی پیش از شروع
داده
۶۹ درصد پاسخدهندگان مرسر کیفیت یا دسترسی به داده را مانع مهم گسترش هوش مصنوعی دانستهاند. اگر داده شما در چند فایل اکسل و چند سامانه جدا پخش است، اول باید آن را مرتب کنید.
امنیت و مقررات
سازمان بورس و مرکز نظارت بر امنیت اطلاعات بازار سرمایه (مکنا) برای سامانهها الزام دارند. هر پروژه باید از اول با آنها هماهنگ باشد. در دو مقاله بعدی همین مجموعه به این موضوع میپردازیم.
ادغام با نرمافزار موجود
مدل هوشمند وقتی ارزش دارد که به نرمافزار کارگزاری یا سبدگردانی شما وصل شود. یک چتبات جدا از سامانه، فقط یک ابزار تازه برای باز کردن است. اگر بخواهید پایه فنی این ارتباط را بشناسید، مقاله چرا کسبوکار به اپلیکیشن نیاز دارد؟ میتواند کمک کند.
چگونه شروع کنیم؟
یک مسیر عملی و کمخطر چنین است:
- یک فرایند تکراری و کمریسک را انتخاب کنید، مثل خلاصهسازی گزارشها.
- معیار موفقیت را پیش از شروع بنویسید، مثلاً زمان صرفشده برای هر گزارش.
- نتیجه را مدتی کنار روش قبلی اجرا کنید و خروجیها را مقایسه کنید.
- هر خروجی مهم را یک کارشناس تأیید کند.
- پس از نتیجه خوب، به سراغ فرایند بعدی بروید.
اگر تیم فنی داخلی ندارید، شریک فنی میتواند طراحی و اتصال را بر عهده بگیرد. تیم SNRTech مدلها و عاملهای هوشمند را بخشی اصلی محصولات خود میداند و با شما درباره فرایند مناسب شروع صحبت میکند.
سؤالات متداول
آیا هوش مصنوعی جای تحلیلگر را میگیرد؟
شواهدی که دیدیم چنین چیزی نشان نمیدهد. بیشتر مدیران دارایی در نظرسنجی مرسر هوش مصنوعی را ابزار کمکی میدانند. تحلیلگر بررسی و مسئولیت را نگه میدارد.
از کدام فرایند شروع کنیم؟
از فرایندی که تکراری است، داده روشن دارد و خطایش زود دیده میشود. خلاصهسازی متن و تهیه گزارش نمونههای خوبی هستند.
آیا میتوانیم داده مشتریان را به یک سرویس خارجی بدهیم؟
این تصمیم باید با مقررات و الزامات امنیتی شما بررسی شود. ما در مقالههای بعدی درباره مدل لوکال و معماری ترکیبی مینویسیم.
آیا ساخت سریع با «وایب کدینگ» برای این پروژهها کافی است؟
برای نمونه اولیه شاید، ولی برای سامانه مالی کافی نیست. درباره خطرهای آن در وایب کدینگ چیست؟ فرصت و خطر برای کسبوکار شما نوشتهایم.
چقدر طول میکشد تا نتیجه ببینیم؟
زمان دقیق به فرایند و داده شما بستگی دارد و بدون بررسی نمیتوان عدد داد. معمولاً یک آزمایش کوچک شروع بهتری از یک پروژه بزرگ است.
گام بعدی
نقشه این مقاله را روی شرکت خودتان بگذارید: سه فرایند تکراری را فهرست کنید و ریسک هر کدام را بسنجید. اگر میخواهید درباره یکی از آنها با یک تیم فنی حرف بزنید، با ما تماس بگیرید.




دیدگاه خود را بنویسید