در کنفرانس سالانه موسسه The Clearing House، استفانی فریس (Stephanie Ferris)، مدیرعامل شرکت FIS، در گفتگو با کارن وبستر (Karen Webster)، مدیرعامل PYMNTS، ابعاد جدید چالش‌های هیئت‌مدیره بانک‌ها در مواجهه با فناوری هوش مصنوعی و خطرات سایبری را تشریح کرد. فریس که شرکت تحت مدیریتش پردازش نیمی از زیرساخت‌های مالی را بر عهده دارد و به گفته او ۱۴ درصد از اقتصاد جهان از مسیر سیستم‌های آن جریان دارد، تاکید کرد که با ورود عامل‌های هوش مصنوعی (AI agents) به خدمات بانکی، موضوع «اعتماد» به اصلی‌ترین چالش صنعت مالی تبدیل شده است.

این گفتگو در شرایطی انجام شد که اختلالات دیجیتال اخیر، آسیب‌پذیری‌های زیرساختی را دوباره به رخ کشیده است؛ رویدادهایی که زمین‌گیر شدن پروازها، ارسال نشدن ایمیل‌ها و جایگزینی تماس‌های تلفنی به جای جلسات آنلاین را به همراه داشت. وبستر با اشاره به این اختلالات متوالی اظهار داشت که عدم قطعیت در روزهای اخیر افزایش یافته است؛ موضوعی که اکوسیستم خدمات مالی نیز از آن مستثنی نیست.

چالش زیرساخت‌های قدیمی و تعادل میان نوآوری و امنیت

مدیرعامل FIS به سخت‌افزارها و نرم‌افزارهای قدیمی که بانک‌ها همچنان برای ادامه خدمات خود به آن‌ها متکی هستند اشاره کرد و آن را یک نقطه آسیب‌پذیری شناخته‌شده دانست. بانک‌ها از سویی با چالش تعویض تجهیزات فرسوده و متصل کردن برنامه‌های قدیمی به خدمات ابری (Cloud) مواجه هستند و از سوی دیگر، زمان مهندسی مورد نیاز برای این ارتقاها با زمان مورد نیاز برای توسعه محصولات جدید در رقابت است.

به گفته فریس، هیئت‌مدیره بانک‌ها اکنون دو سوال کلیدی مطرح می‌کنند: اول اینکه آیا سرعت آن‌ها در اتخاذ هوش مصنوعی برای رقابت با رقبایی که خدمات جدید را در مقیاس وسیع عرضه می‌کنند کافی است؟ و دوم اینکه یک بانک مبتنی بر هوش مصنوعی چه شکلی خواهد داشت و میزان ریسک سایبری فعلی آن‌ها چقدر است؟

فریس پاسخ داد که اولویت‌بندی سرمایه‌گذاری به مدل کسب‌وکار هر بانک بستگی دارد. برای مثال، فوریت دسترسی عامل‌های هوش مصنوعی به خدمات بانکداری آنلاین بسیار بیشتر از افزودن هوش مصنوعی به سیستم‌های هسته بانکی (Core Banking) است که حساب‌ها و دفاتر اصلی را نگهداری می‌کنند. بانکی که به دنبال رشد سپرده‌هاست، باید بررسی کند مشتریان هنگام استفاده از یک عامل هوش مصنوعی به جای اپلیکیشن اختصاصی بانک، چگونه محصولات آن را پیدا خواهند کرد.

نظارت انسانی و حدود اختیارات عامل‌های هوش مصنوعی

ورود عامل‌های هوش مصنوعی به نیابت از مشتریان، پرسش‌های حقوقی و امنیتی تازه‌ای را مطرح می‌کند. فریس با اشاره به مسئله مجوز مشتریان گفت: «آیا شما اجازه داده‌اید؟ آیا می‌خواهید این عامل بتواند تمام پول موجود در حساب شما را به صورت لحظه‌ای جابه‌جا کند؟» این‌ها پرسش‌های کلیدی هستند که بانک‌ها باید پیش از انتقال وجه پاسخ دهند.

در پاسخ به پرسش وبستر مبنی بر اینکه آیا دنیایی بدون حضور انسان در چرخه تصمیم‌گیری (Human in the Loop) امکان‌پذیر است، فریس تصریح کرد که اگرچه نیازی نیست انسان‌ها تک‌تک مراحل و گام‌های عملیاتی را بررسی کنند، اما نظارت کلی بر نحوه تصمیم‌گیری عامل‌ها و انطباق آن‌ها با سیاست‌ها و قوانین نظارتی همچنان بر عهده انسان خواهد بود.

کاربرد در مبارزه با پول‌شویی و تجربه FIS

فرآیند مبارزه با پول‌شویی (AML) یکی از نمونه‌های ملموس استفاده از هوش مصنوعی است. کارمندان بانک وقت زیادی را صرف گردآوری مدارک برای تصمیم‌گیری درباره ارسال گزارش فعالیت‌های مشکوک (SAR) می‌کنند. عامل هوش مصنوعی FIS این اسناد را جمع‌آوری کرده و همراه با دلایل پیشنهادی، توصیه لازم برای ارسال یا عدم ارسال گزارش را ارائه می‌دهد.

«به باور من، اعتماد در بنیادی‌ترین سطح خود، همان چیزی است که کل صنعت خدمات مالی بر پایه آن شکل گرفته است.»
— استفانی فریس، مدیرعامل FIS

در آزمون‌های انجام‌شده در FIS، استفاده از عامل AML به کاهش ۹۰ درصدی استخراج دستی داده‌ها منجر شد. همچنین مشخص شد در برخی موارد دلایل عامل هوش مصنوعی با کارشناس انسانی متفاوت بوده است، چرا که استدلال کارشناس نشان‌دهنده سیاست‌های ریسک اختصاصی خود بانک است. خودکارسازی جمع‌آوری اسناد، زمان بیشتری به کارمندان می‌دهد تا پیشنهادها را ارزیابی و فرآیند گزارش‌دهی را تکمیل کنند. فریس همچنین به همکاری شرکت Anthropic با موسسات مالی بزرگ اشاره کرد که پس از خودکارسازی فرآیندهایی نظیر گزارش فعالیت‌های مشکوک، با این پرسش بانک‌ها مواجه شدند که چگونه از رعایت الزامات قانونی کار انجام‌شده اطمینان حاصل کنند.

روش‌های جدید پرداخت و اولویت‌های استراتژیک

در حوزه روش‌های پرداخت جدید، فریس اشاره کرد که بانک‌ها تقاضای محدودی برای استیبل‌کوین‌ها (Stablecoins) گزارش می‌دهند، اما می‌خواهند این قابلیت را آماده داشته باشند تا در صورت درخواست مشتریان تجاری در مناقصه‌ها (RFP) ارائه دهند. در مقابل، علاقه بیشتری به استفاده از سپرده‌های توکنیزه‌شده (Tokenized Deposits) برای کاهش هزینه‌های تراکنش‌های داخلی خود بانک‌ها وجود دارد و ایجاد شبکه‌های متصل به مشتری می‌تواند مرحله بعدی باشد.

وبستر به آمارهایی اشاره کرد که نشان می‌دهد ۱۷۳ میلیون مصرف‌کننده از هوش مصنوعی برای امور شخصی یا کاری استفاده کرده‌اند. از میان این افراد، ۴۶ درصد گفته‌اند که دیگر به روش‌های قدیمی خود بازنخواهند گشت و ۶۴ درصد از نیروی کارِ کاربری هوش مصنوعی اعلام کرده‌اند که بدون آن در انجام وظایف شغلی خود دچار مشکل می‌شوند.

در پایان، فریس چارچوب تصمیم‌گیری بانک‌ها را در سه محور «اداره بانک»، «رشد بانک» و «حفاظت از بانک» خلاصه کرد. او اعلام کرد FIS بخش اعظم منابع خود را صرف تاب‌آوری زیرساخت‌ها و امنیت سایبری می‌کند و از هوش مصنوعی برای کمک به مهندسان جهت شناسایی آسیب‌پذیری‌های نرم‌افزاری هم‌زمان با توسعه محصولات جدید بهره می‌گیرد.