لماذا يُعد الذكاء الاصطناعي الهجين في القطاع المالي الحل الوحيد لمنع الكوارث التنظيمية

تلعب المؤسسات المالية التي تعتمد على النماذج اللغوية الكبيرة (LLMs) العامة لعبة خطيرة تهدد الامتثال التنظيمي وثقة العملاء. فبينما تتفوق أدوات مثل تطبيق ChatGPT في صياغة النصوص التسويقية، فإن طبيعتها الاحتمالية تجعلها كارثة حقيقية عند حساب أسعار الفائدة أو التحقق من العقود القانونية. ولتجاوز مرحلة التحول التقني دون التعرض لغرامات ضخمة، يجب على المؤسسات الانتقال إلى تقنية الذكاء الاصطناعي الهجين في القطاع المالي، وهو نظام يجمع بين قدرات الفهم اللغوي للشبكات العصبية والدقة المطلقة للمحركات الرياضية الحتمية.

تكمن المشكلة الأساسية في الذكاء الاصطناعي العام في بنيته التأسيسية. فهذه النماذج تعمل بناءً على الاحتمالات والتشابه بدلاً من المنطق الصارم، مما يعني أنها تقدّر المخرجات استناداً إلى بيانات التدريب بدلاً من حساب حقائق دقيقة. وعند تعديل "درجة الحرارة" في أوامر الذكاء الاصطناعي، يقرر المستخدمون فعلياً مقدار الإبداع، أو الهلوسة، الذي يمكنهم قبوله. وفي القطاع المالي، يمكن لرقم واحد مهلوس أو إفصاح مفقود في مستند قرض أن يؤدي إلى تفعيل معدلات غرامة تلقائية، مما يفتح الباب أمام تداعيات قانونية خطيرة.

لقد رأيت الذكاء الاصطناعي يقدم إجابات مختلفة لنفس الأوامر، حيث يحلل العقد ذاته مرتين، ليدّعي نسبة امتثال تبلغ 70% في يوم، و100% في اليوم التالي.

- سام سمان، الرئيس التنفيذي، شركة TheoSym

غالباً ما تتبخر مكاسب الإنتاجية التي يعد بها الذكاء الاصطناعي التوليدي (Generative AI) عند تطبيقه في بيئات تنظيمية صارمة. وتفقد الإدارات القانونية وإدارات الامتثال الكثير من الوقت في المراجعة المزدوجة لمخرجات الذكاء الاصطناعي، وهو نفس الوقت الذي وفرته أثناء عملية الصياغة الأولية. وهذا نفس النمط الذي رصدته شركة Microsoft في أبحاثها، حيث لاحظت أن الوقت الذي يوفره الذكاء الاصطناعي يُستهلك بالكامل في عمليات التحقق الدقيقة المطلوبة لتصحيح الأخطاء الصغيرة والحرجة.

لحل النزاع بين سرعة الذكاء الاصطناعي والدقة المالية، يتجه القطاع نحو الذكاء الاصطناعي العصبي الرمزي. يوزع هذا النهج الهجين المهام بناءً على نقاط القوة المحددة لبنى البرمجيات المختلفة. وتُستخدم الشبكات العصبية حصرياً لمعالجة اللغة والتعرف على الأنماط، مثل قراءة اتفاقية حساب جاري مكونة من 70 صفحة لتحديد البنود.

ومع ذلك، تُحال عمليات التحقق الفعلية، والحسابات الرياضية، والفحوصات التنظيمية إلى أدوات حتمية مجربة. ومن خلال تغليف الذكاء الاصطناعي بمكتبات خارجية مكتوبة بلغات برمجة دقيقة مثل لغة Python أو لغة C++، تقضي البنوك على العشوائية الغامضة للنماذج اللغوية القياسية. ويعمل الذكاء الاصطناعي هنا كمترجم ومنسق فقط، بينما تضمن المحركات الحتمية الحصول على الأرقام الصحيحة في كل مرة.

بالنسبة للقادة الماليين الذين يتطلعون إلى دمج هذه الأنظمة بأمان، تتطلب عملية النشر نهجاً منظماً قائماً على وكلاء الذكاء الاصطناعي (AI Agents) بدلاً من واجهة دردشة بسيطة. ويعتمد التنفيذ على ثلاث مراحل حاسمة:

• تفكيك النص: استخدام النموذج اللغوي لقراءة وهيكلة شروط العقد أو اتفاقية القرض، وتحديد ما يحتاج إلى التحقق بدقة.
• استدعاء أدوات متخصصة: برمجة وكيل الذكاء الاصطناعي لتوجيه البيانات المستخرجة تلقائياً إلى مكتبات حتمية خارجية لإجراء تحقق رسمي.
• تنفيذ حسابات دقيقة: الاعتماد كلياً على المحركات الرياضية التقليدية لحساب أسعار الفائدة وتحديد الإفصاحات المفقودة، متجاوزين بذلك التوليد الاحتمالي للذكاء الاصطناعي تماماً.

إن حقيقة فشل 95% من المشاريع التجريبية للذكاء الاصطناعي في الشركات الكبرى هي عرض مباشر لتعامل المديرين التنفيذيين مع الذكاء الاصطناعي كأداة سحرية تعرف كل شيء بدلاً من كونها أداة متخصصة. وفي مجال التكنولوجيا المالية، يُعد محاولة تقليل النفقات عبر شراء واجهة ذكاء اصطناعي رخيصة، والتي غالباً ما تُسوق كحل شامل، وصفة مؤكدة للفشل المنهجي. تفتقر هذه التطبيقات منخفضة التكلفة إلى حواجز الحماية الحتمية المطلوبة لمنع سيناريوهات إدخال بيانات خاطئة، مما يعرض البنوك لمسؤوليات قانونية ضخمة.

وبالنظر إلى المستقبل، فإن القيمة الحقيقية في التكنولوجيا المالية لن تأتي من استبدال جيوش المبرمجين بروبوتات دردشة عامة، بل من توظيف خبراء متخصصين قادرين على دمج الذكاء الاصطناعي بسلاسة في أنظمة الامتثال القديمة. ومع بدء الهيئات التنظيمية في التدقيق في القرارات المالية المدفوعة بالذكاء الاصطناعي، ستجد المؤسسات التي تفشل في تبني بنية هجينة نفسها بلا دفاع أمام عمليات التدقيق. ففي مجال إدارة أموال الناس، الاعتماد على ذكاء اصطناعي يقدم نتائج "قريبة من الدقة" هو طريق مضمون نحو الانهيار المؤسسي.