نشریه آفتاب خاورمیانه

نجمه نوذر

کارشناس طراحی سامانه‌‌های بانکی

پژوهشگر بانکداری

در عصری که داده‌ها، دارایی حیاتی نظام‌‌های مالی هستند، بانکداری به هنر تبدیل داده‌ها به شناخت، پیش‌بینی و اقدام به‌موقع تبدیل شده است. بانکداری شناختی و عامل‌گرا از دل همین نیاز ظهور یافته‌اند و با اتکا بر هوش مصنوعی، یادگیری ماشین و پردازش زبان طبیعی، تجربه‌هایی انسانی، دقیق و پیش‌بینانه برای مشتری و سازمان خلق می‌‌کنند. در سال‌های اخیر، این دو رویکرد به نقطه تلاقی تحول دیجیتال و بازآفرینی مدل کسب‌وکار بانک‌ها تبدیل شده‌اند؛ نقطه‌ای که در آن تصمیم‌گیری هوشمند، اتوماسیون پیشرفته و تعامل شخصی‌سازی‌شده، چشم‌انداز تازه‌ای از بانکداری آینده ترسیم می‌کند. در این یادداشت، به این دو رویکرد و نقش آنها در حرکت بانک‌ها به‌سوی بانکداری داده‌محور، چابک و آینده‌نگر می‌پردازیم.

بانکداری شناختی

در بانکداری شناختی (Cognitive Banking) سیستم‌‌ها فقط اطلاعات را ارائه نمی‌دهند بلکه "معنا" را می‌‌فهمند، الگوها را پیش‌بینی می‌‌کنند و پیشنهاد‌های عملی ارائه می‌‌دهند. حدودا چهار سال پیش بود که شرکت IBM برای نخستین بار مفهوم شناختی (Cognitive) طرح کرده و بانک DBS سنگاپور با استفاده از راهکار‌های شناختی و هوشمند این کمپانی، توانسته بود رتبه اول بانک دیجیتال دنیا شود. از آن زمان تاکنون بانک‌‌های داخلی و شبه نئوبانک‌‌های داخلی اهمیت به‌کارگیری هوش مصنوعی را متوجه شدند اما تا بانکداری شناختی شدن، فاصله قابل توجهی دارند. بانکداری شناختی درواقع حرکت از بانکداری سنتی و دیجیتال به سمت بانکداری مبتنی‌بر‌فهم (Cognition) است؛ یعنی بانک همانند یک مشاور مالی آگاه عمل می‌‌کند.

بانکداری شناختی با جمع‌آوری حجم زیادی از داده‌ها و تحلیل پیشرفته آنها سعی در شناخت کامل‌تر مشتریان و دادن خدمات شخصی‌سازی‌شده به آنها دارد. کاهش ریسک‌‌ها، بهینه‌سازی فرآیند‌ها و ارائه مشاوره مالی شبیه به مشورت با یک مشاور خبره، بخشی از خدمات بانکداری شناختی هستند. درواقع، در این رویکرد معامله رویدادی ایستا نیست، بلکه تعاملی پویا و مبتنی‌بر‌درک زمینه‌ای (Contextual Understanding) است.

از کارکرد‌های بانکداری شناختی به موارد زیر می‌توان اشاره کرد:

•سیستم‌های پیشنهاددهنده (Recommender Systems)

•مشاور‌های هوشمند (Smart Advisors)

•دستیار‌های دیجیتال (Digital Assistants)

ویژگی‌‌های بانکداری شناختی

ویژگی‌های اصلی بانکداری شناختی عبارتند از فهم رفتار مشتری، خودکارسازی تصمیمات، تعامل هوشمند با مشتری و پیش‌بینی و تحلیل هوشمند مالی. سیستم‌های شناختی با الهام گرفتن از شبکه عصبی طراحی می‌شوند؛ این سیستم‌ها دقیقا مانند انسان عمل می‌کنند. در بانکداری شناختی ورود اطلاعات تنها با وارد کردن داده‌های کاربری نیست و سیستم در این حالت می‌تواند به‌صورت عمیق تحلیل کند و در لحظه تصمیم بگیرد و اجرا کند.

زیرساخت نگهداری و پردازش داده برای سیستم‌های شناختی، معمولا کلان‌داده و دریاچه‌داده است و بانک تنها به پایگاه‌داده خود برای شناخت رفتار مالی اکتفا نمی‌کند و مرتب در پی دسترسی به ‌داده‌های بیشتر جهت شناخت 360 درجه از مشتریان، بازار و رقباست.

سیستم‌های شناختی معمولا مجهز به مدل‌های زبانی بزرگ (LLM) هستند و مشاور‌های آنها می‌توانند با مشتریان صحبت کنند یا براساس سوال و حس نیاز آنها، پیام صوتی و تصویری دهند. ارتباط سیستم‌های شناختی با مشتریان پیش‌فعال (Proactive) است؛ یعنی نیاز را قبل از بیان مشتری شناسایی می‌کنند و خدمات متناسب با نیازها را پیشنهاد می‌دهند.

نمونه‌‌های بانکداری شناختی در بانک‌‌های مطرح جهان

• اریکا  در بانک آمریکا

یکی از نمونه‌‌های برجسته در حوزه دستیار‌های مالی،  اریکا (Erica) متعلق به بانک آمریکاست؛ دستیار مجازی شناختی این بانک از پردازش زبان طبیعی و مدل‌‌های یادگیری ماشین برای پاسخ به پرسش‌‌های مشتریان، ارائه بینش‌‌های مالی شخصی‌سازی‌شده، یادآوری‌ها و کمک در انجام تراکنش‌ها استفاده می‌‌کند. اریکا نمونه‌ای عملی است از اینکه چگونه یک سرویس شناختی می‌‌تواند تعامل روزمره مشتری با بانک را هوشمندتر کند.

• کوین در بانک جی‌پی‌مورگان

جی‌پی‌مورگان در سال‌‌های اخیر سامانه‌‌های شناختی متعددی پیاده‌سازی کرده است؛ برای نمونه کوین (COiN) برای تحلیل خودکار اسناد حقوقی و قراردادها (مانند قرارداد‌های اعتباری تجاری) طراحی شده و هزاران ساعت کار انسانی را کاهش داده و دقت و سرعت پردازش اسناد را به‌شدت افزایش داده است. این بانک‌های بین‌المللی قواعد و مقررات و مسائل حقوقی زیادی دارند که مطالعه و تحلیل و به‌کارگیری آنها توسط انسان پیچیده است. این سیستم‌های شناختی به‌صورت مکانیزه متن مقررات را می‌خوانند، یاد می‌گیرند و در مسائل قانونی نیز به کاربران کمک می‌کنند.

• بهبود تحلیل اعتباری در بانک HSBC

HSBC  و برخی دیگر از بانک‌‌های پیشرو  برای پشتیبانی مشتریان، گزارش‌‌های تحلیل اعتباری و تسریع فرآیند‌های تصمیم‌گیری از ابزار‌های هوشمند و مولد استفاده می‌‌کنند؛ این اقدامات نمونه‌‌هایی از به‌کارگیری رویکرد شناختی برای افزایش کیفیت تصمیم‌سازی و کارایی عملیاتی هستند.

بانکداری ‌عامل‌گرا

بانکداری شناختی بر پایه درک عمیق داده‌ها، یادگیری و تصمیم‌گیری هوشمند شکل گرفته است. در سال‌‌های اخیر ظهور عامل‌ها (Agents) و عامل‌های هوش مصنوعی (Agentic AI) این رویکرد را یک مرحله به جلو می‌‌برد؛ این ابزارهای هوشمند نه‌فقط تحلیل می‌کنند، بلکه به‌صورت خودمختار و هدف‌محور تصمیم می‌گیرند.

پیشرفت در یادگیری ماشین، هوش مصنوعی مولد (Generative AI) و مدل‌‌های زبانی بزرگ، امکان ساخت عامل‌هایی را فراهم کرده که نه‌فقط "پاسخ‌دهنده" بلکه "تصمیم‌گیر" و "اجرا‌کننده" هستند. در این رویکرد، عامل‌ها می‌‌توانند وظایف پیچیده را از ابتدا تا انتها مدیریت کنند. در این چارچوب، عامل‌ها قادرند مجموعه‌ای از وظایف کلیدی در نظام بانکی را به‌شکل مستقل و هماهنگ برعهده بگیرند، مانند:

 • پایش لحظه‌ای تراکنش‌ها

 • تشخیص تقلب و اقدام فوری

 • تنظیم خودکار توصیه‌های اعتباری

 • مدیریت سفر مشتری و شخصی‌سازی تعاملات

 • هماهنگی بین سامانه‌های مختلف بانک بدون دخالت انسان

نتایج بانکداری عامل‌گرا

بانکداری ‌عامل‌گرا با افزودن قابلیت‌هایی مانند برنامه‌ریزی، استدلال، تجزیه وظایف و تصمیم‌گیری چندمرحله‌ای، بانکداری شناختی را از یک سیستم "پاسخگو" به یک سیستم "پیش‌برنده" تبدیل می‌‌کند.

نتیجه این هم‌افزایی، شکل‌گیری بانک‌های خودکار، هوشمند و پیش‌بین است؛ بانک‌هایی که نه‌تنها وضعیت مشتری و ریسک را می‌‌فهمند، بلکه برای حل مسائل، جلوگیری از خطا و خلق تجربه شخصی‌شده به‌صورت مستقل و پیوسته اقدام می‌‌کنند.

به‌عنوان مثال، مزایای عامل‌گرایی در موسسات مالی در اقتصادهایی که با تورم مزمن روبه‌رو هستند و افراد به‌طور روزمره نگران افت ارزش سرمایه خود هستند، بهتر دیده می‌شود. در چنین شرایطی، عامل‌های هوشمند می‌توانند با تحلیل لحظه‌ای بازار، سنجش ریسک و پایش کانال‌های مختلف سرمایه‌گذاری، سناریوهای امن‌تر را پیشنهاد دهند و با اجازه قبلی مشتری، اجرای آن را نیز به‌صورت خودکار بر عهده بگیرند؛ از تعدیل سبد دارایی گرفته تا جابه‌جایی به ابزارهای کم‌ریسک‌تر.

اما اجرای چنین مدلی بدون چالش نیست. مهم‌ترین نگرانی، اطمینان از صحت عملکرد عامل‌ها و جلوگیری از تصمیم‌های اشتباه، جانبدارانه یا غیرقابل‌توضیح است. به همین دلیل، وجود یک چارچوب "حکمرانی هوش مصنوعی" (AI Governance) ضروری است؛ چارچوبی که شامل شفافیت الگوریتم‌ها، ثبت ردپای تصمیم‌گیری (Audit Trail)، نظارت انسانی در نقاط حساس، مدیریت ریسک مدل‌ها و سازوکار توقف اضطراری است. چنین نظمی تضمین می‌کند که عامل‌ها نه‌تنها کارآمد عمل کنند، بلکه در مرزهای قابل‌قبول ریسک و مطابق منافع مشتری و مقررات بانکی رفتار کنند.

نمونه‌های بانکداری ‌عامل‌گرا

• بانک‌عامل تک‌مغز

طبق گزارشی از GL Insight، برخی بانک‌های پیشرو در اسپانیا عامل‌های مبتنی‌بر چت‌جی‌پی‌تی ساخته‌اند که می‌‌توانند پیشنهاد اعتبار تهیه کنند، ریسک را خلاصه‌سازی و متن بازاریابی چندزبانه تولید کنند. آنها حتی در حال پایلوت عامل "مدیر-دستیار" هستند که فرصت‌های فروش متقاطع در پورتفوی مشتریان کسب‌وکارهای کوچک و متوسط را پیدا می‌‌کنند.

• دربان در بانک BBVA

بانک BBVA یک "دربان" با مدل‌های زبانی بزرگ توسعه داده است که بسیاری از سوالات مشتریان کسب‌وکارهای کوچک و متوسط را به‌صورت کامل (از ابتدا تا انتها) پاسخ می‌‌دهد و فقط در موارد پیچیده کار را به انسان ارجاع می‌‌دهد.