هوش مصنوعی در بانکداری

نویسنده: مهرک شکاری

به گزارش امید اقتصاد آنلاین ، این گزارش به ۱۰ روند برتر که در سال ۲۰۲۴ چشم‌انداز بانکداری را شکل می‌دهند، اشاره می‌کند که همگی تحت تأثیر پیشرفت‌های هوش مصنوعی هستند. این روندها شامل ظهور هوش مصنوعی مولد، بهره‌برداری از سود دیجیتال، رویکردهای جدید به مدیریت ریسک، و حرکت به سمت استراتژی‌های اولویت‌بندی فضای ابری است

به‌ویژه انتظار می‌رود که هوش مصنوعی مولد تا ۳۰ درصد بهره‌وری را افزایش داده و شخصی‌سازی برای مشتریان را بهبود بخشد و در نتیجه رشد درآمد برای بانک‌ها را به همراه داشته باشد. علاوه بر این، با عمیق‌تر شدن ادغام هوش مصنوعی در عملیات بانکی، چارچوب‌های نظارتی نیز باید برای مدیریت خطرات نامریی تطبیق پیدا کنند. سایر روندهای قابل توجه بر بهبود بهره‌وری عملیاتی فراتر از روش‌های سنتی مانند Six Sigma و تحول در مدل‌های نیروی کار برای همگام شدن با پیشرفت‌های تکنولوژیکی تمرکز دارند.

با پتانسیل تحول‌آفرین هوش مصنوعی، بانک‌هایی که به‌طور موثر از این روندها استفاده کنند، نه تنها بهره‌وری عملیاتی خود را افزایش خواهند داد، بلکه ساختار هزینه‌های خود را بازتعریف کرده و ارزش بیشتری برای مشتریان و سهامداران ارایه خواهند کرد. این امر زمینه را برای رهبری بلندمدت در بازار فراهم می‌کند.

مقدمه

حدود یک چهارم قرن پیش، در آستانه ورود به عصر دیجیتال بودیم. آمازون به‌تازگی تصمیم جسورانه‌ای گرفته بود تا دامنه محصولات خود را فراتر از کتاب‌ها گسترش دهد، گوگل تازه راه‌اندازی شده بود تا ما را در دنیای رو به رشد اینترنت راهنمایی کند، و ما هنوز از ترکیدن قریب‌الوقوع حباب دات‌کام بی‌خبر بودیم. چند سال پیش از آن، بیل گیتس با پیش‌بینی اینکه فناوری دیجیتال شرکت‌های سنتی را به چالش خواهد کشید، به‌طور معروف گفت: “دنیا به بانکداری نیاز دارد، اما به بانک‌ها نه.”

دیجیتال ما را نا امید نکرد. طی ۲۵ سال گذشته، انقلابی در نحوه عملکرد شرکت‌ها و نوع محصولات و خدمات ارایه ‌شده توسط آن‌ها رخ داد. بانک‌ها به‌طور بنیادین متحول شدند. شعباتی که زمانی تقریباً تمامی تعاملات مشتریان را مدیریت می‌کردند، اکنون تنها بخش کوچکی از این تعاملات را به عهده دارند. با ظهور روش‌های نوین پرداخت، استفاده از پول نقد به‌طور چشمگیری کاهش یافته است. فناوری به یک عامل کلیدی برای تمایز تبدیل شده و از سال ۲۰۱۰ تاکنون نزدیک به ۵۵۰ میلیارد دلار در بخش فین‌تک  سرمایه‌گذاری شده است

فین‌تک (FinTech) مخفف عبارت Financial Technology یا فناوری مالی است. به مجموعه‌ای از نوآوری‌ها و تکنولوژی‌هایی گفته می‌شود که برای بهبود، تسهیل و نوین‌سازی خدمات و محصولات مالی به‌کار می‌روند. فین‌تک شامل استفاده از نرم‌افزارها، اپلیکیشن‌ها، پلتفرم‌ها و ابزارهای دیجیتالی است که خدمات مالی را سریع‌تر، امن‌تر و کارآمدتر می‌کنند .فین‌تک‌ها معمولاً در حوزه‌هایی مانند پرداخت‌های دیجیتال، وام‌های آنلاین، مدیریت سرمایه‌گذاری، بانکداری آنلاین، ارزهای دیجیتال، بلاک‌چین و بیمه فعالیت می‌کنند. این فناوری‌ها به مشتریان و شرکت‌ها کمک می‌کنند تا راحت‌تر به خدمات مالی دسترسی داشته باشند و اغلب هزینه‌ها را کاهش می‌دهند. از مثال‌های معروف در حوزه فین‌تک می‌توان به اپلیکیشن‌های پرداخت مانند پی‌پال، اپل‌پی، یا شرکت‌های نوآور در زمینه وام‌دهی آنلاین مثل لندینگ‌کلاب و در ایران می‌توان به آپ ، پی‌پینگ، ریبون، والتا اشاره کرد. این صنعت شاهد هجوم رقبا با ماهیت دیجیتال بوده است؛ از استارت‌آپ‌های چابک گرفته تا غول‌های فناوری با منابع مالی عظیم، پایگاه‌های گسترده مشتریان، انبوهی از داده‌ها و تخصص بی‌نظیر در حوزه فناوری. با وجود تمام تلاش‌هایشان، هیچ فین‌تکی موفق نشده است به فهرست ۲۵۰ بانک برتر جهان بر اساس دارایی‌ها راه پیدا کند. به نظر می‌رسد که دنیا همچنان به بانک‌ها نیاز دارد.

با ورود به عصر هوش مصنوعی، بسیاری از بانکداران احساسی مشابه همان شگفتی و حیرتی دارند که همتایانشان یک ربع قرن پیش در آستانه عصر دیجیتال تجربه کردند.

امروز بار دیگر در آستانه تحولی عظیم ایستاده‌ایم. توانایی پردازش و تحلیل حجم عظیمی از داده‌ها، قدرت زیرساخت‌های ابری و رشد سریع هوش مصنوعی با هم ترکیب شده‌اند تا دریایی از فرصت‌ها برای بهبود و نوآوری در تمامی جنبه‌های عملیات، نیروی کار، محصولات و تجربیات سازمان‌ها ایجاد کنند. با ورود به عصر هوش مصنوعی، بسیاری از بانکداران همان حس شگفتی را تجربه می‌کنند که همتایانشان یک ربع قرن پیش در آستانه عصر دیجیتال داشتند. آن‌ها می‌دانند که، مانند دیجیتالی شدن، بخش کمی از این صنعت بدون تغییر باقی خواهد ماند. این فناوری‌ها احتمالاً ماهیت بانکداری را تغییر نمی‌دهند، اما شیوه انجام آن را به‌طور چشمگیری متحول خواهند کرد. امروز، بسیاری از بانکداران به آینده چشم دوخته‌اند و در تلاش‌اند تا درک کنند این فناوری چه تحولاتی را برای صنعت به ارمغان خواهد آورد. این اطمینان وجود دارد که عصر هوش مصنوعی نه‌تنها بانکداری، بلکه بسیاری از صنایع دیگر را دگرگون خواهد کرد؛ هرچند چگونگی دقیق این تغییرات را تنها در آینده خواهیم فهمید. اما این ما هستیم که تصمیم می‌گیریم هوش مصنوعی را کجا و چگونه به‌کار گیریم. چالش اصلی در این است که مطمین شویم این فناوری به نیرویی مثبت تبدیل می‌شود که به سود تمام بشریت باشد.

بررسی ده روند برتر در صنعت بانکداری

1. ظهور هوش مصنوعی مولد
2. بهره‌برداری از سود دیجیتال
3. تمام ریسک‌هایی که نمی‌توانیم ببینیم
4. یک شیوه کاملاً جدید از کار کردن
5. قدرت قیمت‌گذاری
6. زمان آن رسیده که به اولویت استفاده از ابر فکر کنیم
7. تنظیم مجدد مقررات
8. از فناوری به مهندسی
9. کلید به هسته اصلی
10. فراتر از Six Sigma

ظهور هوش مصنوعی مولد:

بانک‌ها احتمالاً بیشتر از هر صنعت دیگری از پتانسیل هوش مصنوعی مولد (Generative AI) بهره‌مند خواهند شد. این نوع هوش مصنوعی می‌تواند محتواهای جدید مانند متن، تصویر و صدا ایجاد کند و به طور گسترده در فرآیندهای بانکداری، از خودکارسازی تعاملات مشتریان گرفته تا تحلیل داده‌ها، کاربرد دارد. تحلیل ها  از کارایی عملیاتی این هوش مصنوعی خبر می‌دهد که این فناوری می‌تواند بهره‌وری را بین ۲۲ تا ۳۰ درصد افزایش دهد

همچنین، یک مطالعه دیگر نشان می‌دهد که بانک‌ها می‌توانند با استفاده از این فناوری، درآمد خود را تا ۶ درصد افزایش دهند.با این حال، برای دستیابی به این مزایا، بانک‌ها باید نه تنها به استفاده بهینه از فناوری‌های ابری و داده‌های کلان بپردازند، بلکه ساختار کار و نحوه جذب و مدیریت استعدادها را نیز از اساس بازبینی کنند. این تغییرات بنیادی برای استفاده حداکثری از ظرفیت‌های هوش مصنوعی ضروری خواهند بود.

’’هوش مصنوعی به طور بنیادین همه چیز را متحول خواهد کرد؛ از تجارت و علم گرفته تا خودِ جامعه

اظهارات گسترده‌ای مانند این معمولاً در دنیای محتاط بانکداری چندان جدی گرفته نمی‌شوند. اما این قبل از ورود هوش مصنوعی مولد بود. به یکباره، همه پیش‌بینی‌ها کنار گذاشته شد و بانکداران در سراسر صنعت شروع به این فکر کردند که آیا بخشی از کسب‌وکار وجود دارد که دیر یا زود تحت تأثیر قرار نگیرد، اگر نه به طور کامل دگرگون شود. و این نگرانی بی‌دلیل نیست. طبق تحقیقات بررسی شده اخیراً ۱۹,۲۶۵ وظیفه را در ۹۰۰ گروه شغلی در ۱۹ صنعت مختلف، با استفاده از داده‌های اداره آمار کار ایالات متحده و سایر منابع بررسی شده است. این مطالعه شامل تحلیل زمان صرف شده برای هر وظیفه و ارزیابی پتانسیل خودکارسازی و تقویت کار توسط هوش مصنوعی مولد بود. نتیجه‌گیری این بود که بانکداری احتمالاً بیش از هر صنعت دیگری تحت تأثیر قرار خواهد گرفت، به طوری که تقریباً سه ‌چهارم از تمام کارها به خوبی برای خودکارسازی یا تقویت توسط هوش مصنوعی مناسب هستند (شکل ۱).

شکل ۱. بانکداری احتمالاً بیش از هر صنعت دیگری تحت تأثیر عمیق هوش مصنوعی مولد قرار خواهد گرفت.

توضیحات تکمیلی جدول: توزیع زمان کاری بر اساس صنعت و تأثیر بالقوه مدل‌های زبانی بزرگ LLMs، ( مدل‌هایی مانند GPT که بر اساس هوش مصنوعی طراحی شده‌اند و قادر به پردازش و تولید زبان طبیعی در مقیاس وسیع هستند) توجه: وزن‌دهی بر اساس سطح اشتغال در ایالات متحده در سال ۲۰۲۲ انجام شده است. این تخمین‌ها بر پایه شناسایی مشترک انسان و ماشین از میزان مواجهه وظایف شغلی با تأثیر هوش مصنوعی مولد است. منبع: تحقیقات Accenture بر اساس داده‌های اداره آمار کار ایالات متحده (BLS) و O*Net..

هوش مصنوعی البته مدت‌هاست که وجود دارد؛ اکثر مورخان فناوری، ریاضیدان و رمزنگار انگلیسی، آلن تورینگ، را به عنوان پایه‌گذار این مفهوم در سال ۱۹۵۰ می‌شناسند. اما آنچه جدید است، این است که موتورهای هوش مصنوعی مولد مبتنی بر ابر (cloud-based) به نقطه‌ای رسیده‌اند که در جنبه‌های مهمی از توانایی‌های انسانی پیشی می‌گیرند. فناوری ابر به سازمان‌ها این امکان را می‌دهد تا از منابع محاسباتی عظیم و انعطاف‌پذیر به‌صورت آنلاین و بدون نیاز به زیرساخت‌های فیزیکی استفاده کنند. این به معنای دسترسی سریع‌تر به داده‌ها، پردازش در مقیاس وسیع‌تر و قابلیت انطباق بیشتر است. موتورهای مبتنی بر ابر با این توانایی می‌توانند حجم زیادی از داده‌ها را پردازش کرده و در لحظه یاد بگیرند و خود را با شرایط جدید تطبیق دهند.

این موتورهای پیوسته تطبیق‌پذیر با سرعتی بی‌سابقه در حال پیشرفت هستند و در بسیاری از بخش‌های کسب‌وکار و جامعه، شگفتی و نگرانی را برانگیخته‌اند. تنها چند ماه پس از عرضه ChatGPT در اواخر سال ۲۰۲۲، پذیرندگان اولیه در صنعت بانکداری به بررسی کاربردهای امیدوارکننده این فناوری پرداختند. امروز، کمی بیش از یک سال بعد، تقریباً هر بانک استراتژی‌ای برای استفاده از هوش مصنوعی مولد دارد و در حال اجرای آزمایش‌ها و اثبات مفاهیم مختلف است. بسیاری از بانک‌ها گزارش نتایج قابل‌توجهی را ارایه می‌دهند. طی ۱۲ ماه آینده، شاهد به‌کارگیری گسترده این فناوری در بخش‌های مختلف سازمان ها خواهیم بود، و بانک‌های بلندپروازتر از آن به عنوان پایه‌ای برای چیزی که محققان آن را “بازآفرینی کامل سازمانی” می‌نامند، استفاده خواهند کرد. تحلیل های مورد بررسی نشان می‌دهد که صدها مورد کاربرد برای هوش مصنوعی مولد در بانکداری وجود دارد. بهره‌وری آشکارترین مزیت است. همانطور که در شکل ۲ نشان داده شده است، پتانسیل افزایش خروجی در بانکداری بیشتر از هر صنعت دیگری است.

شکل ۲. بانک‌ها می‌توانند با پذیرش هوش مصنوعی مولد، بهره‌وری خود را تا ۳۰ درصد افزایش دهند.

توضیحات تکمیلی جدول: ساعت‌های بالقوه صرفه‌جویی شده بر اساس صنعت، برآورد شده بر اساس تعداد مشاغل و دستمزدهای سالانه ایالات متحده در سال ۲۰۲۲. فقط ارزش ایالات متحده در این جدول دیده شده است. توجه: این تخمین‌ها بر پایه شناسایی مشترک انسان و ماشین از میزان مواجهه وظایف کاری با تأثیر هوش مصنوعی مولد است. منبع: تحقیقات Accenture بر اساس داده‌های اداره آمار کار ایالات متحده (BLS) و O*Net.

این دستاوردها در طیف وسیعی از حوزه‌ها به دست می‌آیند، از بررسی‌های لازم (due diligence) و مدیریت ریسک و انطباق تا تولید قراردادهای حقوقی و نوشتن کد. “Due diligence” به فرآیند جامع بررسی و تحلیل اطلاعاتی گفته می‌شود که قبل از انجام تصمیمات مهم مالی یا سرمایه‌گذاری انجام می‌گیرد. در بانکداری، این به معنای ارزیابی کامل شرکت‌ها، دارایی‌ها، یا افراد برای شناسایی ریسک‌ها، ارزیابی ارزش، و اطمینان از رعایت قوانین و مقررات است. با این حال، متفکران بر این عقیده هستند که مهم‌ترین تأثیر مالی در افزایش درآمد بانک‌ها خواهد بود. مدل‌های مختلف نشان می‌دهند که با ترکیب هوش مصنوعی و نیروی انسانی برای ارایه مشاوره شخصی‌سازی‌شده در زمینه مدیریت ثروت، راهنمایی در مکالمات روابط تجاری، تنظیم محصولات متناسب با مشتریان فردی، بهبود کیفیت تعاملات مراکز تماس و ساده‌سازی فرآیندهای درخواست محصول و پذیرش مشتری، بانک‌ها می‌توانند درآمد خود را طی سه سال آینده ۶ درصد یا بیشتر افزایش دهند

.علاوه بر حوزه‌های فروش، بازاریابی و تعامل با مشتری، عملکردهای دیگری که احتمالاً در مراحل اولیه به آنها توجه ویژه‌ای خواهد شد شامل مدیریت ریسک و انطباق، فناوری، منابع انسانی (HR) و امور حقوقی هستند. مدیریت ریسک و انطباق به شناسایی و کاهش خطرات و اطمینان از رعایت قوانین و مقررات مربوط به صنعت می‌پردازد. همچنین، حوزه فناوری مسیول بهینه‌سازی سیستم‌های دیجیتال و نوآوری‌های فناوری است. منابع انسانی نقش کلیدی در مدیریت استعدادها و توسعه نیروی کار دارد، و بخش حقوقی نیز وظیفه تنظیم و مدیریت قراردادها و مسایل حقوقی مرتبط با سازمان را بر عهده دارد. هوش مصنوعی مولد فرصتی را برای مدیر عاملان فراهم می‌کند تا بانک خود را بازآفرینی کنند، کارکنان خود را توانمند سازند، بهره‌وری را تقویت کنند و سودآوری را افزایش دهند. اما بیشتر مدیران اجرایی می‌دانند که این فناوری به تنهایی قادر به دستیابی به این اهداف نیست؛ برای تحقق کامل پتانسیل آن، باید در کنار خلاقیت و نوآوری انسانی کار کند. همین دلیل کافی است که هر استراتژی هوش مصنوعی باید نیروی کار را در مرکز توجه خود قرار دهد. استقرار موفقیت‌آمیز هوش مصنوعی نه تنها به مجموعه‌ای از مهارت‌ها نیاز دارد که تعداد کمی از بانک‌ها به میزان کافی از آن برخوردارند، بلکه به تغییرات قابل‌توجهی در کارهایی که افراد انجام می‌دهند و نحوه انجام آن‌ها نیاز دارد. بانک‌هایی که بتوانند این جنبه را به‌طور موثر مدیریت کنند، در بررسی و کشف فرصت‌های هیجان‌انگیز هوش مصنوعی مزیت بزرگی خواهند داشت.

بهره‌برداری از سود دیجیتال

پس از گذشت یک ربع قرن از دیجیتالی‌سازی عملیات، کانال‌ها و تجربه‌های خود، با تمرکز ویژه بر بهینه‌سازی مسیرهای خدمات‌رسانی، بانک‌ها می‌توانند به خود ببالند که در تسلط بر دنیای دیجیتال به موفقیت دست یافته‌اند.

قریباً هر بانکی یک اپلیکیشن موبایل دارد که به‌خوبی عمل می‌کند، این اپلیکیشن اکثر تعاملات مشتریان را مدیریت می‌کند، معمولاً امتیازی بالاتر از ۴ از ۵ از سوی مشتریان دریافت می‌کند و همراه با سایر بهبودهای دیجیتال در سازمان، همچنان بهره‌وری و راحتی زیادی را برای مشتریان به ارمغان می‌آورد .با این حال، این تغییرات اثرات جانبی ناخواسته‌ای داشته‌اند. با انتقال تعاملات مشتریان از شعب فیزیکی به کانال‌های دیجیتال، تجربه‌های بانک‌ها از نظر عملکردی صحیح اما از نظر احساسی بی‌روح شده‌اند

هم‌زمان با کاهش ارتباط شخصی با مشتریان، توانایی بانک‌ها در متمایز کردن خود نیز کاهش یافته است: بر اساس نظرسنجی Life Trends ۲۰۲۴ شرکت Accenture، ۴۲٪ از مصرف‌کنندگان اعلام کرده‌اند که تشخیص تفاوت بین برندهای خدمات مالی برایشان دشوار است. در این میان، وفاداری مشتریان نیز ضعیف‌تر شده است. به‌طور متوسط، هر مصرف‌کننده ۶.۳ محصول خدمات مالی دارد که تنها نیمی از آن‌ها از بانک اصلی‌شان است۷۳٪ از مشتریان در ۱۲ ماه گذشته حداقل یک محصول خدمات مالی را از یک ارایه‌دهنده جدید خریداری کرده‌اند

دیجیتالی‌سازی توانایی بانک‌ها را در رفع نیازهای اساسی مشتریان بهبود بخشیده است، اما گفت‌وگوها درباره اهداف مالی مشتریان و چگونگی کمک بانک به تحقق این اهداف، به‌طور فزاینده‌ای کاهش یافته است. با این حال، دستیابی به هدف افزایش سهم فروش‌های دیجیتال به این نوع تعاملات بستگی دارد. خبر خوب این است که مشتریان همچنان به بانک‌ها اعتماد دارند و به وضوح خواسته‌های خود را به آن‌ها منتقل می‌کنند. برای بهره‌برداری کامل از پتانسیل دیجیتال، بانک‌ها باید توانایی خود را در پاسخ به این سیگنال‌ها بهبود بخشند. این امر نیازمند تغییر رویکرد آن‌ها نسبت به دیجیتال است؛ از تمرکز صرف بر “ارایه خدمات” به سمت “گفت‌وگوهای تعاملی”. یعنی به جای اینکه صرفاً به ارایه خدمات پایه‌ای مانند پرداخت قبوض یا بررسی موجودی محدود شوند، باید با مشتریان درباره نیازها، اهداف و برنامه‌های مالی آن‌ها به‌صورت شخصی‌سازی‌شده و تعاملی گفت‌وگو کنند. این نوع گفت‌وگوها می‌تواند به بانک‌ها کمک کند تا نه تنها نیازهای مشتریان را بهتر درک کنند، بلکه فرصت‌هایی برای ارایه راه‌حل‌های متناسب و ایجاد روابط عمیق‌تر با آن‌ها ایجاد نمایند.

بانک BBVA یکی از بانک‌هایی است که در این زمینه موفق عمل کرده است. تا سال ۲۰۱۷، این بانک بیشتر خدمات مشتریان خود را از طریق کانال‌های دیجیتال انجام می‌داد، اما تنها ۲۵٪ از فروش محصولاتش از این طریق انجام می‌شد. منظور از فروش محصولات، پیشنهاد و فروش محصولات مالی مانند وام‌های شخصی، کارت‌های اعتباری، حساب‌های پس‌انداز و سایر محصولات بانکی به مشتریان است. برای مثال، مشتری ممکن است از طریق اپلیکیشن موبایل بانک، درخواست کارت اعتباری کند و تمامی مراحل درخواست، بررسی و صدور کارت به‌صورت دیجیتال انجام شود. پنج سال بعد، این تصویر تغییر کرد: ۶۱٪ از فروش‌های آن در کانال‌های دیجیتال بانک نهایی می‌شد و نسبت هزینه به درآمد آن از حدود ۵۰٪ به ۴۳٪ کاهش یافت  برای افزایش درصد فروش‌های دیجیتال، بانک‌ها در شخصی‌سازی تعاملات خود بهبود یافته‌اند. مشابه بسیاری از ارایه‌دهندگان خدمات، بانک آمریکا پس از هر تعامل از مشتریان خود درخواست بازخورد می‌کند. اکنون این بانک بیش از ۵۰ میلیون پاسخ دریافت کرده است.

اما به‌جای اینکه فقط این داده‌ها را برای به دست آوردن درکی بهتر از کل پایگاه مشتریان جمع‌آوری کند، هدف اصلی بانک تمرکز بر مشتریان فردی است، اینکه آن‌ها چه احساسی دارند، چه می‌خواهند، و چگونه می‌توان تجربه آن‌ها را بهبود بخشید. برای مثال، اگر یک مشتری به‌طور مداوم از اپلیکیشن بانک برای مدیریت حساب‌های پس‌انداز خود استفاده می‌کند، بانک ممکن است یک پیشنهاد شخصی‌سازی‌شده برای دریافت وام مسکن یا کارت اعتباری با شرایط ویژه به او ارایه دهد.

مشتریان بانکی در ۱۲ ماه گذشته بیشتر از هر کانال دیگری از شعب فیزیکی برای افتتاح حساب، دریافت مشاوره و خرید محصولات جدید استفاده کرده‌اند. تقریباً ۲ نفر از هر ۳ نفر برای حل مشکلات خاص و پیچیده به شعب بانک مراجعه می‌کنند. منبع: مطالعه جهانی مصرف‌کنندگان بانکداری Accenture، ۲۰۲۳.

طبق تحلیل از چندین مقاله مهم مشخص شد که در سال ۲۰۲۲ از ۴۱ بانک پیشرو در ده بازار مختلف جهانی، کمتر از ۱۵٪ از آن‌ها پاداش‌های جامع برای مشتریانی ارایه می‌دهند که با افزایش استفاده از محصولات و خدمات بانکی یا انجام تراکنش‌های بیشتر با بانک، تعاملات خود را افزایش می‌دهند. این پاداش‌ها می‌توانند شامل تخفیف‌های ویژه، نرخ بهره کمتر برای وام‌ها، یا امتیازات وفاداری باشند که به مشتریان انگیزه می‌دهند تا روابط خود با بانک را گسترش دهند. با این حال، بسیاری از بانک‌ها هنوز نتوانسته‌اند به این سطح از پاداش‌دهی دست پیدا کنند. توانایی برخورد با هر مشتری به عنوان یک فرد منحصربه‌فرد، که نیازها، اهداف و ترجیحات خاص خود را دارد، می‌تواند برای هر دو طرف بسیار مفید باشد. بانک‌ها می‌توانند با ارایه پیشنهادهای دقیق‌تر و خدمات شخصی‌سازی‌شده، وفاداری مشتریان را افزایش دهند و مشتریان نیز احساس ارزشمندی و توجه بیشتری خواهند داشت. با این وجود، در بسیاری از موارد، تلاش بانک‌ها برای شخصی‌سازی خدمات محدود به نمایش تبلیغات بنری در اپلیکیشن‌ها یا وب‌سایت‌ها است و از این سطح فراتر نمی‌رود.

در سال ۲۰۲۴، تعداد بیشتری از بانک‌ها به دنبال بهره‌برداری بهتر از سرمایه‌گذاری‌های دیجیتال خود خواهند بود. این کار از طریق استفاده از حجم عظیم داده‌های مشتریان و قابلیت‌های پیشرفته تحلیلی و هوش مصنوعی انجام می‌شود تا از تقسیم‌بندی جمعیتی ساده فراتر رفته و با هر مشتری به‌عنوان یک فرد منحصربه‌فرد برخورد کنند. این رویکرد نه تنها باعث می‌شود که مشتریان احساس ارزشمندی بیشتری داشته باشند و وفاداری‌شان افزایش یابد، بلکه به بانک‌ها امکان می‌دهد تا درک بهتری از شرایط هر مشتری داشته باشند و به طور پیش‌دستانه با همدلی، مشاوره به‌موقع و پیشنهادات مرتبط به آن‌ها نزدیک شوند. محققان  این رویکرد را “زندگی‌محوری” (lifecentricity) می‌نامند. وقتی شما احساس می‌کنید که به رسمیت شناخته شده‌اید و قدردانی می‌شوید، چرا باید از جای دیگری خرید کنید؟ با تعهد بانک‌ها به برقراری گفت‌وگو با مشتریان، منطق زندگی‌محوری (life-centricity) در مقابل محصول‌محوری (product-centricity) جذابیت بیشتری پیدا می‌کند، و طبق تحقیقات به عمل آمده انتظار می‌رود که ساختارهای سازمانی بانک‌ها نیز برای انعکاس این تغییرات دستخوش تحول شوند. این رویکرد مزایای زیادی برای هر دو طرف خواهد داشت. وقتی اپلیکیشن بانکی که پس از خودرو، دومین فناوری مهم برای مصرف‌کنندگان است به چیزی بیشتر از یک ابزار برای بررسی موجودی حساب و انجام پرداخت‌ها تبدیل شود و جریان مداومی از مشاوره‌های ارزشمند و پیشنهادات شخصی‌سازی‌شده ارایه دهد، رابطه بین بانک و مشتری عمیق‌تر، قابل‌اعتمادتر و ماندگارتر خواهد شد.

بانک BBVA نمونه‌ای خوب از بانکی است که مدل عملیاتی خود را متحول کرده تا از جمله، قابلیت شخصی‌سازی جامع را توسعه دهد، تجربه‌های مشتری را بهینه کند و کارایی جذب مشتری و فروش متقاطع خود را بهبود بخشد. یکی از شاخص‌هایی که این بانک اعلام کرده، بهبود ۳۰ درصدی نرخ تبدیل در فروش وام‌های خودرو است.هدف نهایی این است که از طریق کانال‌های دیجیتال همان تجربه شخصی و اصیل را ارایه دهند که بانک‌ها همیشه در تعاملات حضوری در شعب خود ارایه کرده‌اند. بانک Commerzbank بر این باور است که دستیار مجازی جدید موبایلی آن می‌تواند این هدف را محقق کند، به‌گونه‌ای که به مشتریان شخصی و کسب‌وکارهای کوچک امکان می‌دهد تا به‌طور طبیعی و جذاب در موضوعات عمومی و همچنین مشاوره‌های مالی گفتگو کنند. با ترکیب راحتی و کارایی دیجیتال با ارتباطات متنی حاصل از درک عمیق‌تر و به‌موقع هر مشتری، بانک‌ها خواهند توانست درصد بیشتری از فروش خود را به کانال‌های دیجیتال منتقل کنند و در عین حال، اعتماد و وفاداری را تقویت نمایند. این همان سود دیجیتالی است که بانک‌ها مدت‌هاست به دنبال آن هستند.

تمام ریسک‌هایی که نمی‌توانیم ببینیم

در سال ۲۰۲۴، بانک‌ها با مجموعه‌ای از ریسک‌ها روبه‌رو خواهند شد، برخی آشنا و برخی دیگر کمتر قابل پیش‌بینی. پنج ریسک کلیدی شناسایی شده که به نظر می‌رسد نیاز به توجه ویژه دارند. برنامه‌ریزی برای مواجهه با شرایط غیرمنتظره می‌تواند دستاوردهای ارزشمندی به همراه داشته باشد.

همه ریسک‌ها آشکار به نظر می‌رسند. با این حال، زمانی که وارد سال ۲۰۲۳ شدیم، هیچ‌کس پیش‌بینی نمی‌کرد که شکست یک بانک در کالیفرنیا به وحشت منطقه‌ای در صنعت بانکداری تبدیل شود و در نهایت به ادغام دو بانک بزرگ سوییس منجر گردد. به دلیل پیامدهای رویدادهایی مانند این، بانک‌ها باید برنامه‌ریزی خود را برای ریسک‌هایی که همیشه قابل مشاهده نیستند، بهبود بخشند. این امر به‌ویژه در شرایطی اهمیت دارد که ثبات همچنان از صنعت و بازارهایی که به آن‌ها خدمات می‌دهد، دور می‌ماند. در آخرین نظرسنجی یک تحقیق مهم در این زمینه درباره ریسک، ۷۲٪ از متخصصان ارشد مدیریت ریسک در بانک‌ها اعلام کرده‌اند که قابلیت‌ها و فرآیندهای مدیریت ریسک سازمان‌شان نتوانسته با سرعت تغییرات سریع در محیط ریسک هماهنگ شود.

بدیهی است که نمی‌توان به‌طور دقیق پیش‌بینی کرد که چه ریسک‌هایی در سال ۲۰۲۴ به وجود خواهند آمد، اما در اینجا چند ایده برای شروع گفت‌وگو ارایه شده است:

بانک‌ها سرمایه‌گذاری‌های عظیمی در تقویت دفاع سایبری خود انجام داده‌اند

با این حال، در نوامبر سال گذشته، یک حمله باج‌افزاری به زیرمجموعه آمریکایی بانک چینی ICBC تقریباً باعث اختلال در مزایده اوراق خزانه ۳۰ ساله ایالات متحده شد و شرکت‌کنندگان را مجبور کرد تا از فلش‌های USB برای تبادل داده استفاده کنند. با ظهور هوش مصنوعی مولد، هکرها به سلاح قدرتمند دیگری دست یافته‌اند که به آن‌ها امکان می‌دهد به تمامی سطوح دفاعی بانک‌ها حمله کنند

از جمله استفاده از جعل‌های عمیق (deep fakes) که می‌توانند تحلیل‌های صوتی و سایر سیستم‌های دفاعی را فریب دهند، حملات فیشینگ را تقویت کنند، و ویروس‌های بسیار پیچیده‌تر و غیرقابل ردیابی ایجاد نمایند. در سال ۲۰۲۴، با افزایش احتمال موفقیت چنین حملاتی به مرز اجتناب‌ناپذیر، بانک‌ها تمرکز استراتژی‌های خود را از پیشگیری به سمت تاب‌آوری تغییر خواهند داد. بانک‌ها نیز از هوش مصنوعی مولد استفاده خواهند کرد نه تنها برای شناسایی حملات، بلکه برای افزایش دفعات، عمق و گستره برنامه‌ریزی‌های سناریویی خود. آن‌ها به جای تمرکز صرف بر پیامدهای فوری یک رخنه سایبری، به اثرات ثانویه و ثالث آن نیز توجه خواهند کرد و راهکارهایی برای آمادگی و پاسخ به این شرایط طراحی خواهند نمود.

تقریباً ۱۷ سال نرخ‌های نزدیک به صفر باعث افزایش قابل‌توجه قیمت مسکن شده است

با توجه به باقی‌ماندن نرخ‌های بهره در سطوح بالا و ناکامی افزایش حقوق در جبران تورم قیمت‌های مصرفی، ریسک ناتوانی مشتریان تحت فشار در پرداخت اقساط وام مسکن افزایش یافته است. در نمونه‌ای از بازارهای غربی، افزایش قیمت مسکن از سال ۲۰۱۵ به‌طور قابل‌توجهی از رشد میانگین درآمد قابل‌تصرف خانوارها پیشی گرفته است (شکل ۳). با ادامه نرخ‌های بالا و پایان وام‌های مسکن با نرخ پایین پیش از دوران کووید، ریسک عدم پرداخت اقساط از سوی مشتریان تحت فشار افزایش می‌یابد، حتی در شرایطی که نرخ بیکاری پایین است. سوال این است، آیا دولت‌ها اجازه خواهند داد که تعداد زیادی از صاحبان خانه که شاغل هستند اما تحت فشار مالی قرار دارند، املاک خود را از دست بدهند یا اینکه شاهد شکل‌گیری مشارکت‌های جالب بین بخش دولتی و خصوصی خواهیم بود؟ دولت کانادا هم‌اکنون درباره مداخلاتی برای کمک به شهروندانی که زیر فشار نرخ‌های بهره بالا قرار گرفته‌اند، صحبت می‌کند.^[۱۵] در نظرسنجی جهانی ریسک ۲۰۲۳ از بین مدیران مهم بانکی صورته گرفته است، تنها ۳۵٪ از ۱۷۲ مدیر بانکی اعلام کردند که سازمان آن‌ها به‌طور کامل قادر به ارزیابی ریسک‌های مرتبط با افزایش نرخ بهره است. این موضوع به‌تنهایی نشان‌دهنده سطح پایین آمادگی برای مداخله در صورتی است که اوضاع بحرانی شود.

شکل ۳. میانگین قیمت مسکن بیش از درآمد قابل‌تصرف شخصی افزایش یافته است.

 توضیح تکمیلی جدول: شاخص‌های کلی به‌عنوان میانگین ساده‌ای از شاخص‌های قیمت مسکن و درآمد قابل‌تصرف شخصی برای کشورهای: استرالیا، بلژیک، کانادا، آلمان، اسپانیا، فرانسه، بریتانیا، ایتالیا، سوییس، هلند و ایالات متحده محاسبه شده است. منبع: تحقیقات Accenture بر اساس داده‌های بانک فدرال رزرو دالاس.

وضعیت املاک تجاری (CRE) نیز به همین شکل در شرایط بحرانی قرار دارد

اخیراً مطالب زیادی درباره این موضوع نوشته شده است و ورشکستگی‌های Signa Development و WeWork به‌وضوح یکی از پرمخاطب‌ترین ریسک‌های در انتظار را برجسته کرده‌اند. مشابه با وام‌های مسکن، ۱۵ سال نرخ‌های نزدیک به صفر  در امریکا و سپس افزایش ناگهانی آن، همراه با تغییر به سمت کار از خانه، بسیاری از توسعه‌دهندگان املاک تجاری و مالکان املاک را در موقعیت خطرناکی قرار داده است. این یک ریسک جهانی است و بدهی‌ها و سرمایه‌گذاری‌های مرتبط با املاک تجاری نه ‌تنها توسط بانک‌ها، بلکه توسط سایر بازیگران صنعت مالی نیز نگهداری می‌شود اغلب فراتر از دامنه نظارت نهادهای نظارتی (به شکل ۴ مراجعه کنید).

شکل ۴. میزان مواجهه با املاک تجاری بخش قابل‌توجهی از تولید ناخالص داخلی (GDP) و ترازنامه‌های بانک‌ها و سایر موسسات مالی را تشکیل می‌دهد.

توضیح تکمیلی جدول: منبع: تحقیقات Accenture بر اساس گزارش ثبات مالی جهانی صندوق بین‌المللی پول (IMF)، اکتبر ۲۰۲۳، و بانک مرکزی استرالیا: ریسک‌های ثبات مالی از املاک تجاری.

افزایش بانکداری در سایه

پس از بحران مالی ۲۰۰۸، وام‌دهی خارج از ترازنامه به اولویت اصلی برای نهادهای نظارتی تبدیل شد که مجموعه‌ای از مقررات بازل و تدابیر محلی را به اجرا گذاشتند. این اقدام باعث شد که بانک‌ها ریسک‌های خود را کاهش دهند. اما سوال این است: آیا این ریسک واقعاً از بین رفته یا فقط از دید پنهان شده است؟ بانک‌ها کمتر از ۵۰٪ از دارایی‌های مالی را در اختیار دارند (شکل ۵) و سهم موسسات غیر بانکی در اعطای وام‌های مسکن در ایالات متحده از ۹٪ در سال ۲۰۱۰ به ۶۲٪ در سال ۲۰۲۲ افزایش یافته است

آیا کسی این ریسک را نظارت می‌کند، و اگر شرایط بدتر شود، پیامدهای اجتناب‌ناپذیر آن برای بانک‌ها، شرکت‌های بیمه و صندوق‌های بازنشستگی چه خواهد بود؟

شکل ۵. موسسات مالی غیر بانکی نزدیک به ۶۰٪ از کل دارایی‌های مالی بخش خصوصی در جهان را در اختیار دارند.

توضیح تکمیلی جدول: تریلیون دلار. دارایی‌های مالی نگهداری‌شده توسط بانک‌های مرکزی و موسسات مالی دولتی مستثنی شده‌اند. منبع: تحلیل تحقیقات Accenture بر اساس گزارش “پایش جهانی واسطه‌گری مالی غیر بانکی ۲۰۲۲” هییت ثبات مالی.

1. افزایش دخالت چین در اقتصاد بیشتر کشورها و تلاش هماهنگ این کشور برای جذب سرمایه‌گذاران خارجی، یکی دیگر از ریسک‌هایی است که نیازمند بررسی دقیق است

دولت چین در سال‌های اخیر تلاش زیادی کرده است تا رژیم نظارتی خود را تقویت کند، اما واقعیت این است که بخش املاک مسکونی این کشور به‌طور ویژه با بدهی‌های سنگینی روبه‌رو است و توسعه‌دهندگانی مانند اورگراند (Evergrande) توانستند بدهی‌هایی بالغ بر ۳۰۰ میلیارد دلار انباشت کنند.^[۱۹] این وضعیت به‌وضوح نشان می‌دهد که ریسک بسیار واقعی است. اگر این بدهی‌های فزاینده به‌عنوان یک حباب مالی در نظر گرفته شود و مقامات نتوانند به‌درستی با این تهدید مقابله کنند، پیامدهای ناشی از آن می‌تواند برای بانک‌های جهانی و اقتصادهای بین‌المللی بسیار سنگین و مخرب باشد. چنین شرایطی ممکن است به بی‌ثباتی مالی گسترده و حتی بحران‌های جدید در بازارهای مالی جهانی منجر شود که نه‌تنها سیستم بانکی، بلکه سایر بخش‌های اقتصادی را نیز تحت تأثیر قرار خواهد داد.

هدف این تحقیق نیست که مانند یک نوستراداموس بانکی عمل کند و ادعا شود که تمامی ریسک‌های بزرگ در این تحقیق و ارزیابی و دیده شده است. بلکه تنها به این نکته اشاره دارد که بانک‌ها با مجموعه‌ای وسیع و متنوع از ریسک‌ها روبه‌رو هستند، برخی از این ریسک‌ها به‌طور عمومی مورد بررسی قرار گرفته‌اند، در حالی که برخی دیگر در ظاهر آشکار اما پنهان هستند. بسیاری از این ریسک‌ها پتانسیل ایجاد آسیب‌های گسترده را دارند. برای محافظت از خود و مشتریانشان، بانک‌ها باید دفعات، عمق و گستره برنامه‌ریزی‌های سناریویی خود را با استفاده از داده‌های لحظه‌ای بهبود بخشند.

طبق تحقیقات به عمل امده این نتیجه قابل بررسی است که در سال ۲۰۲۴، این سناریوها در جلسات هییت‌مدیره نقش بیشتری ایفا خواهند کرد و تصمیم‌گیری‌های استراتژیک بیشتری را هدایت خواهند نمود.

یک شیوه کاملاً جدید از کار کردن

نحوه کار بانک‌ها به‌زودی به‌طور اساسی دگرگون خواهد شد. مهارت‌ها، رویکردها و نگرش‌های جدیدی مورد نیاز خواهند بود، نه فقط در بخش فناوری اطلاعات بلکه و به‌ویژه در تمامی بخش‌ها و سطوح بانک. این چالش بسیار بزرگ‌تر از آن است که تنها با استخدام نیروی جدید حل شود. یک استراتژی کاملاً جدید لازم است.

دیجیتالی‌سازی عملیات بانک‌ها در ۲۵ سال گذشته باعث تشدید چیزی شد که به طور معمول به آن “جنگ بر سر استعدادها” گفته می‌شود. بدون شک، رقابت برای جذب مهارت‌های فنی پیشرفته در سال ۲۰۲۴ شدت خواهد گرفت، چرا که هر موسسه مالی و در واقع هر سازمانی در سراسر جهان، استراتژی خود را برای بهره‌برداری از هوش مصنوعی، فناوری ابری و تحلیل داده‌ها پیش می‌برد. برخی از بانک‌های پیشرو، از جمله گروه بانکی لویدز و بانک سانتاندر، به شدت در سازمان‌های داخلی فناوری اطلاعات خود سرمایه‌گذاری می‌کنند. آن‌ها با سرعت بالا در حال جذب و آموزش نیرو هستند تا کارشناسان مورد نیاز خود را به‌دست آورند و پیاده‌سازی هوش مصنوعی را در مقیاس بزرگ گسترش دهند. با این حال، تقاضا به احتمال زیاد بسیار بیشتر از تعداد متخصصان موجود خواهد بود. علاوه بر این، با استعدادترین افراد تمایل دارند برای شرکت‌هایی کار کنند که مسیرهای شغلی به سمت نقش‌های رهبری ارایه دهند.

بنابراین، اکثر بانک‌ها به رویکردی جایگزین نیاز خواهند داشت.اما چالش فراتر از این است و با دوره دیجیتال متفاوت است. در دوره دیجیتال، بانک‌ها تیم‌های تخصصی را برای توسعه برنامه‌های بانکداری آنلاین و موبایل خود استخدام کردند. اما از آنجا که هوش مصنوعی تقریباً بر هر شغل در هر بانکی تأثیر خواهد گذاشت، جذب نیرو به‌تنهایی کارساز نخواهد بود .بانک‌ها باید فرهنگی مبتنی بر کنجکاوی، پذیرش تغییر و توسعه مداوم ایجاد کنند. فرهنگی که همه کارکنان را تشویق و توانمند سازد تا نقش‌های خود و حتی خودشان را بازآفرینی کنند. در دوره دیجیتال، تیم‌های فناوری اطلاعات وب‌سایت‌ها و اپلیکیشن‌های موبایل را طراحی و توسعه دادند، اما این تغییرات تأثیر چندانی بر کار روزمره اکثر کارکنان بانکی نداشت. از سوی دیگر، هوش مصنوعی مولد (Generative AI) نه تنها نوع کارهایی که افراد انجام می‌دهند، بلکه نحوه انجام آن‌ها را نیز تغییر خواهد داد. این فرآیند دنیایی از امکانات جدید را برای بانک‌ها به‌وجود می‌آورد تا ارزش بیشتری برای مشتریان ایجاد کنند، کارهای پربارتری برای کارکنان فراهم آورند و رشد سازمانی را بهبود بخشند. برای استفاده از این فرصت، رهبران باید آینده کار انسان + ماشین را از نو تصور کنند، از نقطه‌ای کاملاً جدید. آن‌ها در حال بررسی این هستند که چگونه هوش مصنوعی مولد باید در هر نقش و عملکردی یکپارچه شود و چگونه نیروی کار و فرهنگ سازمانی‌شان با اتوماسیون بخش بزرگی از کارهای ضروری و ارتقای مهارت‌های انسانی مانند تفکر استراتژیک و خلاقانه، قضاوت و ایجاد روابط تغییر خواهد کرد.

تنها ۲۶٪ از مدیران عامل بانک‌ها دارای استراتژی آماده برای آینده هستند.

نظرسنجی انجام شده از مدیران تاثر گذار بانکی نشان می‌دهد در سال ۲۰۲۲ با عنوان “آینده کار” نشان داد که تنها ۲۶٪ از مدیران عامل بانک‌ها استراتژی آماده برای آینده داشتند که به‌صورت جامع بر تغییر نحوه، دلیل و محل کار کارکنان آن‌ها متمرکز بود. این وضعیت به‌طور قطع با توسعه برنامه‌های بلندپروازانه در زمینه هوش مصنوعی به سرعت تغییر خواهد کرد. مهم است که این استراتژی نه تنها بر تغییرات ضروری در نقش‌ها، وظایف و مهارت‌ها تمرکز داشته باشد، بلکه بر چگونگی تغییر روح سازمان به‌واسطه هوش مصنوعی مولد نیز توجه کند محققان سال‌ها هشدار داده‌اند که بانک‌ها، با وجود نیت خیر در مسیر دیجیتالی‌سازی، به سازمان‌هایی دورافتاده، غیرشخصی و فاقد تمایز تبدیل شده‌اند. هوش مصنوعی مولد (Generative AI) می‌تواند این وضعیت را تشدید کند. در حالی که بانک‌ها اهداف خود را در تحول به‌واسطه هوش مصنوعی مولد تعریف می‌کنند، آن‌ها نقش‌های انسانی جدیدی را نیز در نظر می‌گیرند که شامل معرفی، مدیریت و نظارت بر این نوآوری می‌شود. هرچند کمتر مورد توجه قرار گرفته، اما به همان اندازه مهم است که افراد در کنار ماشین‌ها کار کنند تا جنبه انسانی بانک را حفظ کنند: در دسترس مشتریان باشند، روابط را حفظ کنند و با همدلی واقعی به رفع نگرانی‌های آن‌ها کمک کنند. فقط زمانی که نیروی کار انسان + ماشین به‌صورت جامع و با تمرکز بر انسان گسترش یابد و تقویت شود، و زمانی که متخصصان منابع انسانی و تغییرات سازمانی به‌طور کامل در شکل‌گیری این تحول نقش داشته باشند، می‌توان به پتانسیل کامل هوش مصنوعی مولد در بانک‌ها دست یافت.

بانک OCBC در حال به‌کارگیری هوش مصنوعی مولد

بانک OCBC سنگاپور، پیشرو در هوش مصنوعی مولد، یک آزمایش شش‌ماهه از یک چت‌بات هوشمند را به پایان رسانده و اکنون آن را برای کمک به ۳۰,۰۰۰ کارمند خود در نوشتن، ترجمه، تحقیق و نوآوری به‌کار گرفته است. شرکت‌کنندگان گزارش داده‌اند که به‌طور متوسط توانسته‌اند کارهای خود را ۵۰٪ سریع‌تر انجام دهند که این شامل زمان لازم برای بررسی صحت خروجی چت‌بات نیز می‌شود. در یک آزمایش قبلی که شامل توسعه کد، خلاصه‌نویسی اسناد، رونویسی تماس‌ها و ایجاد یک پایگاه دانش داخلی بود، بهره‌وری به‌طور مشابه افزایش یافت. این بانک در حال حاضر از هوش مصنوعی برای بیش از چهار میلیون تصمیم‌گیری روزانه در زمینه مدیریت ریسک، خدمات مشتری و فروش استفاده می‌کند و انتظار دارد این رقم تا سال ۲۰۲۵ به ۱۰ میلیون تصمیم‌گیری افزایش یابد.

قدرت قیمت‌گذاری

بانک‌ها همیشه می‌دانسته‌اند که قیمت‌گذاری بهینه می‌تواند تأثیر قابل‌توجهی بر درآمدها و سودآوری آن‌ها داشته باشد. امسال، آن‌ها شروع به ترکیب شهود با هوش مصنوعی مولد و داده‌های به‌روزتر و جامع‌تر کرده‌اند تا برنامه‌ریزی سناریویی را تقویت کرده و به قیمت‌گذاری شخصی‌سازی‌شده نزدیک‌تر شوند.

هر کسب‌وکاری می‌داند که یک تغییر کوچک در قیمت می‌تواند تأثیری بزرگ بر تقاضا، درآمد و سود داشته باشد. در بانکداری، با ثابت ماندن سایر عوامل، افزایش ۱٪ در درآمد منجر به بهبود حدود ۴۰ واحد پایه (bps) در بازده حقوق صاحبان سهام (ROE) پیش از مالیات می‌شود. اما بهبود ۱٪ در هزینه‌ها تنها بازده حقوق صاحبان سهام را حدود ۲۵ واحد پایه افزایش می‌دهد.با این حال، چالش همواره این بوده که بتوان تأثیر تغییر قیمت بر درآمد را پیش‌بینی کرد. اقتصاددانان می‌توانند نمودارهایی از کشش قیمتی تقاضا ترسیم کنند، اما به‌ندرت می‌توانند تمام متغیرهای مرتبط را در نظر بگیرند و بیش از یک دیدگاه متوسط از پایگاه مشتریان یا بازار ارایه دهند. این بدان معناست که بانکداری که قیمت را تعیین می‌کند، امیدوار است که این قیمت برای اکثر مشتریان مناسب باشد، اما می‌داند که برای درصد قابل‌توجهی از مشتریان، قیمت خیلی بالا است و خطر از دست دادن آن‌ها وجود دارد؛ در حالی که برای گروه دیگری، قیمت پایین‌تر از چیزی است که حاضرند پرداخت کنند، که به معنای از دست دادن درآمد است.با وجود سال‌ها صحبت درباره “شخصی‌سازی فراگیر”، قیمت‌گذاری بانک‌ها همیشه بیشتر به‌خاطر ثبات و سادگی شناخته شده است تا توانایی و تمایل مشتریان فردی به پرداخت. علاوه بر این، با توجه به اینکه نرخ بهره در ۱۵ سال گذشته تقریباً در صفر ثابت بوده، بهبود حساسیت قیمت‌گذاری سود چندانی به همراه نداشت (در امریکا).

در سال ۲۰۲۴ شاهد آغاز تغییر در این وضعیت خواهیم بود؛ رویکردی متفاوت به قیمت‌گذاری و فروش که می‌تواند یکی از مهم‌ترین مشارکت‌های هوش مصنوعی مولد در سودآوری شرکت‌ها و همچنین ایجاد ارزش برای مشتریان باشد. در تیوری، برای هر ترکیب از مشتری، محصول و کانال یک قیمت ایده‌آل وجود دارد. ایده‌آل این است که بانک‌ها بتوانند مشتریان را به گروه‌های کوچکتر و کوچکتر تقسیم کرده و قیمت دقیقی را برای آن‌ها تعیین کنند مشابه روشی که آیزاک نیوتن از حساب دیفرانسیل برای اندازه‌گیری مساحت زیر یک منحنی استفاده کرد .متأسفانه تاکنون بانک‌ها نتوانسته‌اند به دقت نیوتن در محاسبه مقادیر بسیار کوچک دست یابند. این به این معنا بود که برای بسیاری از مشتریان، قیمت‌ها با واقعیت فاصله داشتند. در آینده، هوش مصنوعی نقش بزرگی در بهینه‌سازی قیمت‌گذاری ایفا خواهد کرد. هوش مصنوعی هزاران متغیر را در نظر می‌گیرد تا به سرعت یک قیمت ایده‌آل را برای مشتریان خرده‌فروشی و تجاریچه به صورت فردی یا گروه‌های کوچک با نیازهای مشابه ارایه دهد. سپس نتایج را اندازه‌گیری کرده، آن‌ها را به همراه داده‌های رقابتی و سایر تغییرات وارد محاسبات می‌کند و در زمان واقعی قیمت‌ها را تنظیم می‌کند.

قیمت‌های جدید می‌توانند به‌طور خودکار به تمام مشتریان ارایه شوند، همراه با مشوق‌های شخصی‌سازی‌شده برای افزایش پس‌انداز یا اشتراک در محصولات بیشتر. این مشوق‌ها می‌توانند از طریق اسکریپت‌های بازاریابی شخصی‌سازی‌شده که توسط هوش مصنوعی مولد طراحی شده‌اند، تبلیغ شوند. با میلیون‌ها تکرار و توانایی یادگیری از هر تکرار، بانک‌ها به‌زودی می‌توانند روی قیمت ایده‌آل تمرکز کنند.آن‌ها همچنین قادر خواهند بود استراتژی‌های کسب‌وکار خود را با دقت بیشتری اجرا کنند: قیمت‌هایی تعیین کنند که توازن ایده‌آل بین سود، رشد و ارزش مشتری، و همچنین بین اهداف کوتاه‌مدت و بلندمدت را پیدا کنند. با آزمایش استراتژی‌های مختلف، بانک‌ها خواهند توانست بتاهای سپرده خود را بهینه کنند و نرخ‌های وام‌دهی را در بخش‌های خرده‌فروشی، کسب‌وکارهای کوچک و تجاری به حداکثر برسانند.

بانک‌ها همچنین می‌توانند وفاداری مشتریان را با مشوق‌های شخصی‌سازی‌شده پاداش دهند، نه فقط با طرح‌های یکسان که کل پایگاه مشتریان را هدف قرار می‌دهد. به عنوان مثال، بانک Discovery در آفریقای جنوبی اقدامات مشتریانی را که ریسک را کاهش داده و وضعیت مالی خود را بهبود می‌بخشند، دنبال می‌کند و سپس ارزش ایجاد شده را از طریق نرخ‌های بهره شخصی‌سازی‌شده و سایر پاداش‌ها با آن‌ها به اشتراک می‌گذارد. این بانک می‌گوید: “این ساده است، ما معتقدیم که وقتی مشتریان ما خوب عمل کنند، ما نیز خوب عمل می‌کنیم و جامعه نیز بهره‌مند خواهد شد.

قیمت‌گذاری پویا همیشه امکان‌پذیر بوده است، اما بیشتر به شهود وابسته بوده است. در آینده، بانک‌ها خدمات خود را با درک عمیق‌تری از چگونگی تأثیر هر متغیر بر نتایج برای هر مشتری قیمت‌گذاری خواهند کرد. برخی از بانک‌ها ممکن است از این توانایی برای حداکثرسازی سود کوتاه‌مدت استفاده کنند، در حالی که برخی دیگر نوآوری‌ها را آزمایش کرده و رشد را هدایت خواهند کرد؛ گروهی دیگر به دنبال تعادلی بین منافع بانک و مشتریان خود خواهند بود.با وجود محدودیت‌های گذشته، بانکداری همیشه صنعتی بوده است که در آن مزیت‌های رقابتی به‌طور کارآمد شناسایی و توسط رقبا خنثی شده است. این یکی از دلایلی است که طی ۴۰ تا ۵۰ سال گذشته، بازده حقوق صاحبان سهام (ROE) بانک‌ها در بازارهای توسعه‌یافته به ندرت از ۱۵٪ فراتر رفته است.در نهایت، آنچه ممکن است اتفاق بیفتد این است که با افزایش مهارت همه فعالان صنعت در بهینه‌سازی قیمت، بیشتر مزایای آن به مشتریان بازگردانده شود. در این صورت، مسابقه به سوی کمال در ابتدا به نفع پذیرندگان اولیه خواهد بود و در نهایت به سود مشتریان بانکی تمام خواهد شد. با هر سرنوشتی که این روند داشته باشد، قیمت‌گذاری به احتمال زیاد با پیشرفت هوش مصنوعی مولد توجه بیشتری را به خود جلب خواهد کرد.

قیمت‌گذاری پویا همیشه امکان‌پذیر بوده است، اما بیشتر به شهود متکی بوده است. در آینده، بانک‌ها خدمات خود را با درک عمیق‌تری از تأثیر هر متغیر بر نتایج برای هر مشتری قیمت‌گذاری خواهند کرد.

زمان آن رسیده که به اولویت استفاده از ابر فکر کنیم

تجربه اولیه اکثر بانک‌ها از فناوری ابری شبیه به فرد تازه‌کاری بود که پشت فرمان یک فراری قرار می‌گیرد، آن‌ها تلاش کردند که آن را مانند خودروی خانوادگی که به آن عادت داشتند برانند. اما اخیراً اعتماد به نفس بیشتری پیدا کرده‌اند، در حال حرکت به دنده‌های بالاتر هستند و در حال کشف واقعی پتانسیل‌هایی هستند که فناوری ابری برایشان به ارمغان می‌آورد.

انتقال به فضای ابری همیشه برای بانک‌ها اقدامی غیرطبیعی به نظر می‌رسید زیرا از روزهای اولیه فعالیت خود، آن‌ها با ارزش‌ترین دارایی‌هایشان را در محل‌های فیزیکی نگهداری کرده‌اند.

به همین دلیل، انگیزه اولیه برای انتقال به فضای ابری بیشتر از سوی سازمان‌های فناوری اطلاعات بانک‌ها بود. آن‌ها با درک مزایای امنیت، قیمت‌گذاری متغیر و مقیاس‌پذیری، شروع به انتقال برنامه‌های کم‌اهمیت‌تر خود به فضای ابری کردند. تا سال ۲۰۲۲، یک بانک متوسط ۱۵٪ از بارهای کاری خود را به فضای ابری منتقل کرده بود، که این رقم نسبت به ۸٪ در سال قبل افزایش یافته است.

برخی از مزایا به دست آمد، اما شکاف واضحی بین نتایج تحولی که پیشگامان فضای ابری ادعا می‌کردند و نتایجی که بیشتر شرکت‌های خدمات مالی تجربه کردند وجود داشت. دلیل اصلی این عملکرد ضعیف این بود که وقتی بانک‌ها اولین بار شروع به انتقال به فضای ابری کردند، مدل‌های عملیاتی خود را تقریباً بدون تغییر نگه داشتند. به جای افزایش سرعت برای تطبیق با فضای ابری، آن‌ها فضای ابری را مجبور کردند که با سرعت بانک‌ها کار کند. این فضا هرگز اجازه نداشت که از دنده دوم فراتر برود. امروزه بسیاری از بانک‌ها در دومین یا سومین سفر خود به فضای ابری هستند. بیشتر انگیزه اکنون از سوی واحدهای تجاری می‌آید که درک کرده‌اند مسیر استفاده از ارزش داده‌ها، هوش مصنوعی مولد و سایر فناوری‌های نوظهور از طریق فضای ابری می‌گذرد. و این‌که فضای ابری فقط مکانی متفاوت برای ذخیره داده‌ها و برنامه‌ها نیست، بلکه یک روش کار و تفکر جدید است رویکردی مبتنی بر ابر.زمانی که فضای ابری به‌طور کامل پیاده‌سازی شود، ماهیت سازمان را تغییر می‌دهد، انعطاف‌پذیری ذاتی آن، سرعت عملکرد و آمادگی برای تغییر و نوآوری را به‌طور کلی دگرگون می‌کند. این تغییر نیازمند ارزیابی مجدد و بازطراحی فرآیندها، معماری، مهارت‌ها، نقش‌ها، و ساختار و فرهنگ سازمانی بانک است با قرار دادن ابر در مرکز.

با افزایش درک این موضوع، انتظار می‌رود در سال ۲۰۲۴ چهار تغییر عمده در بانکداری مبتنی بر فضای ابری مشاهده شود:

با آشکارتر شدن مزایای کسب‌وکار از فضای ابری، واحدهای فناوری اطلاعات بانک‌ها بیشتر از گذشته با رهبران تجاری مشتاق برای حمایت از مهاجرت کامل به ابر همکاری خواهند کرد.

تعداد بیشتری از بانک‌ها رویکرد “ابر اول” را برای مدل عملیاتی در محل خود اتخاذ خواهند کرد، به جای اینکه مدل عملیاتی موجود خود را بر فضای ابری پیاده‌سازی کنند. بانک‌ها به‌طور فزاینده‌ای به سمت یک سیستم عامل باز و مشترک حرکت خواهند کرد. فضای ابری امروز در موقعیتی مشابه با شبکه‌ها در اوایل دهه نود قرار دارد—اینترنت تا زمانی که TCP/IP به‌عنوان پروتکل استاندارد اینترنت پذیرفته نشد، واقعاً پیشرفت نکرد. به همین ترتیب، عملکرد فضای ابری زمانی تحول خواهد یافت که ارایه‌دهندگان یک سیستم عامل باز و استاندارد را بپذیرند. تنها در این صورت است که بانک‌ها از اتصال بدون مشکل بین محیط‌های داخلی و ابری بهره‌مند خواهند شد و مهاجرت برنامه‌ها به آسانی ارسال یک ایمیل خواهد بود. با توجه به اولویت بیشتر مقرراتی مانند DORA در اروپا، این قابلیت حیاتی خواهد بود. عملیات در حالت ترکیبی از محیط‌های مختلف تاب‌آوری بانک‌ها را تحت فشار قرار داده است. در سال آینده شاهد تمرکز بیشتری بر تاب‌آوری خواهیم بود، با بانک‌هایی که بسیاری از ویژگی‌های فضای ابری را برای اطمینان از دسترسی پذیری به کار می‌گیرند.

ممکن است مدتی طول بکشد تا بانک‌ها به رویکرد “ابر اول” دست یابند، اما در حالی که سه سال پیش بیشتر بانک‌ها می‌پرسیدند “چرا فضای ابری عمومی؟”، امروز سوال این است: “چگونه می‌توانیم سریع‌تر به آن دست پیدا کنیم؟”با این وجود، درکی که بانک‌ها از نحوه استفاده بهینه از فضای ابری به دست آورده‌اند، به نقطه عطفی تبدیل خواهد شد. در سال ۲۰۲۴ شاهد گام‌های جسورانه‌ای خواهیم بود، نه تنها در زمینه مهاجرت بارهای کاری بیشتر به ابر، بلکه به سمت تبدیل شدن به “ابر اول” در تمام جنبه‌ها.

تنظیم مجدد مقررات

حجم عظیم مقرراتی که بانک‌ها باید با آن‌ها سازگار شوند، از زمان بحران مالی ۲۰۰۸/۹ به شدت افزایش یافته است. با این حال، تنها بخش کوچکی از این افزایش به‌طور مستقیم به دلایل شکست بانک‌ها می‌پردازد. انتظار داریم شاهد همکاری بیشتری بین بانک‌ها، بانک‌های مرکزی و نهادهای نظارتی باشیم تا رویکرد موثرتری پیدا شود.

حجم مقرراتی که بانک‌ها در طول یک دهه و نیم گذشته با آن‌ها مواجه شده‌اند، به‌طور قابل‌توجهی افزایش یافته است.

از معرفی تحلیل و بررسی جامع سرمایه (Comprehensive Capital Analysis and Review) دو برابر شدن حجم مقررات فدرال کد Title ۱۲، تا بازل IV، مقررات عمومی حفاظت از داده‌ها در اروپا (GDPR) و دستورالعمل خدمات پرداخت آن، بار رعایت مقررات به شدت سنگین و پرهزینه شده است.به نظر نمی‌رسد که این فشار به این زودی کاهش یابد. با وجود قوانین جدیدی که هوش مصنوعی و پایداری را هدف قرار می‌دهند، جای تعجب نیست که اکثر مدیران اجرایی بانک‌ها رعایت مقررات را یکی از سه اولویت اصلی خود بدانند.

زمانی که رییس‌جمهور امریکا اقای اوباما قانون داج فرانک (Dodd-Frank) را در سال ۲۰۱۰ امضا کرد، هدف اعلام شده این بود که از مشتریان در برابر شکست‌های بانکی محافظت شود؛ بسیاری از مقرراتی که از آن زمان تاکنون تصویب شده‌اند، اهداف مشابهی داشته‌اند. با این حال، این مقررات به‌طور مستقیم به دلایل اصلی که بانک‌ها دچار لغزش می‌شوند، یعنی ریسک اعتباری، نقدینگی و تقلب، نپرداخته است. شکست‌های اخیر بانک‌های SVB و Signature و ادغام UBS و Credit Suisse و آشفتگی‌های بازار ناشی از این رویدادها نشان داده است که افزایش تعداد صفحات مقررات لزوماً به معنای افزایش ایمنی نیست.

آنچه این افزایش مقررات انجام داده است، با تمرکز بر فرآیندها و فناوری، بار رعایت مقررات را به‌طور گسترده‌ای افزایش داده است. جیمی دیمون، در نامه خود به سهامداران JPMorgan Chase در سال۲۰۲۲، گفت: “این تبدیل به وظیفه‌ای عظیم و به‌شدت پیچیده شده است که در آن صرفاً به جزییات مانند کشیدن خط‌های t و نقطه‌گذاری i پرداخته می‌شود.” در مطالعه ای که در سال  ۲۰۲۲با شرکت تعداد زیادی از مدیران اجرایی بانک ها انجام شد که، اکثریت مدیران اجرایی، اظهار داشتند که انتظار دارند هزینه‌های عملیاتی رعایت مقررات در دو سال آینده بیش از ۱۰ درصد افزایش یابد، و برخی حتی گفتند که این هزینه‌ها بیش از ۳۰ درصد افزایش خواهند یافت

شکل ۶. تحول نامه‌های نظارتی و مقرراتی فدرال رزرو بر اساس موضوعات.

توضیح تکمیلی جدول: مقررات به طور فزاینده‌ای بر فرآیندها، فناوری و سایر موضوعات متمرکز شده است، به‌جای اینکه به دلایل اصلی شکست بانک‌ها بپردازد. منبع: تحلیل تحقیقات Accenture بر اساس داده‌های هییت حکام سیستم فدرال رزرو.

برخی از بدبینان حتی ادعا می‌کنند که “دارو” بیشتر از بیماری‌ای که قرار بود درمان کند، آسیب رسانده است. بدون شک این امر مقدار زیادی از ریسک را به خارج از صنعت بانکداری منتقل کرده است. این مسیله با رشد بازیگران سهام خصوصی، به‌ویژه در بازارهای وام‌های اهرمی و بدهی‌های خصوصی، مشهود است. هییت ثبات مالی (Financial Stability Board) اشاره کرده است که در حالی که صندوق‌های پوشش ریسک (hedge funds) در سال ۲۰۰۹ هیچ دارایی اعتباری نداشتند، ۱۲ سال بعد، دارایی‌های آن‌ها از ۴ تریلیون دلار فراتر رفت

این سیستم بانکداری سایه اکنون بزرگ‌تر از سیستم رسمی و تحت نظارت بانکداری شده است (شکل ۵). اتفاقی نیست که بانکداری نه تنها یکی از صنایع دارای بیشترین مقررات است، بلکه یکی از دشوارترین صنایع برای ورود کسب‌وکارهای جدید است. در حالی که در اکثر بخش‌های دیگر، نوآوران دیجیتال بومی وارد بازار شده‌اند، سهم بازار را به دست آورده‌اند و در برخی موارد به بازیگران غالب تبدیل شده‌اند، در بانکداری هیچ نیوبانکی نتوانسته است به یک بازیگر مهم تبدیل شود و چالش جدی‌ای برای بانک‌های قدیمی ایجاد کند. همان‌طور که در صفحه ۲ ذکر شد، حتی موفق‌ترین رقبای نیوبانک نیز نتوانسته‌اند به رتبه‌بندی ۲۵۰ بانک برتر جهانی از نظر دارایی راه یابند.تأثیر منفی مقررات در دهه‌های اخیر باعث کاهش تعداد شرکت‌هایی شده است که برای دریافت مجوز بانکی در ایالات متحده درخواست می‌دهند (شکل ۷).

شکل ۷. تعداد بانک‌های جدید در ایالات متحده از زمان بحران مالی جهانی به شدت کاهش یافته است.

انتظار می‌رود که در سال آینده و فراتر از آن، گفتگو و رویکرد نسبت به مقررات تغییر کند. نهادهای نظارتی و بانک‌ها با همکاری یکدیگر به تنظیم مجدد توازن خواهند پرداخت، با تمرکز کارآمدتر بر علل شکست بانک‌ها و در عین حال واکنش سریع‌تر به اثرات ناخواسته و کاهش هزینه‌ها برای بانک‌ها. همچنین موسسات مالی و انجمن‌های آن‌ها از نهادهای نظارتی خواهند خواست تا همکاری موثرتری با همتایان خود در سایر کشورها داشته باشند. تفاوت در اهداف و رویکردها باعث ایجاد موانعی در تجارت بین‌المللی و کاهش کارآمدی بازارهای فرامرزی شده است، چه برسد به اینکه تحقق اهداف هر نهاد نظارتی را نیز دشوارتر کند.بانک‌های مرکزی و دیگر نهادهای نظارتی در سراسر جهان در حال تقویت قابلیت‌های داده‌ای و هوش مصنوعی خود هستند تا درک بهتری از پویایی بازارهای خود، از جمله تأثیر اقداماتشان، به دست آورند. آن‌ها اکنون تصمیمات خود را بیشتر بر اساس اطلاعات به‌روز و حتی در برخی موارد بر اساس اطلاعات لحظه‌ای اتخاذ می‌کنند، برنامه‌ریزی‌های سناریویی و پیش‌بینی‌های خود را بهبود می‌بخشند و مقررات خود را برای دستیابی به نتایج دقیق‌تر تنظیم می‌کنند. برای مثال، بانک مرکزی اروپا (ECB) در حال دیجیتالی کردن و معرفی تدابیر دیگری است تا گزارش‌دهی توسط بانک‌های منطقه یورو را تسهیل کند. این سیستم به سیاست‌گذاران کمک خواهد کرد تا داده‌ها را تجزیه و تحلیل و مقایسه کنند

به نظر می‌رسد که نهادهای نظارتی می‌توانند این مسیر را با همکاری نزدیک‌تر با بانک‌ها در زمینه استانداردهای داده و دسترسی‌پذیری بیشتر پیش ببرند. اگر آن‌ها بتوانند داده‌های مورد نیاز خود را در هر زمان و به هر شکلی که نیاز دارند از بانک‌ها دریافت کنند، موفق خواهند شد تا رعایت مقررات را بسیار شفاف‌تر، مداوم‌تر و کارآمدتر کنند.از سوی دیگر، کارایی بازار می‌تواند با باز کردن داده‌های دولتی برای بانک‌ها بهبود یابد. داده‌های باز (Open Data)  که یک گسترش منطقی از بانکداری باز (Open Banking) استدارندگان اطلاعات مربوط به درآمد، مالیات و سایر داده‌های مصرف‌کنندگان را تشویق می‌کند تا این اطلاعات را در اختیار طرف‌های تأییدشده قرار دهند.

مقررات بخشی ضروری از خدمات مالی است، اما همیشه مقررات بیشتر به معنای بهتر بودن نیست. سال ۲۰۲۴ سالی خواهد بود که این مسیله بیش از هر زمان دیگری به‌طور جدی مورد بحث قرار می‌گیرد.

از فناوری به مهندسی

یک تغییر ظریف، اما با پیامدهای سازمانی عمده، در چندین بانک پیشرو در حال ظهور است: تغییر از مدیریت فناوری به ذهنیت مهندسی. ساخت و ایجاد با فناوری به‌طور فزاینده‌ای به‌عنوان یک ضرورت در سطح مدیریت ارشد شناخته می‌شود.

با پیش‌برد روندهایی که فناوری بانکداری را شکل می‌دهند به نتیجه منطقی خود، یک سوال آشکار مطرح می‌شود: نقش واحد فناوری اطلاعات چگونه تکامل خواهد یافت؟

این تغییرات از فضای ابری آغاز می‌شود. هرچه بیشتر بارهای کاری از محل‌های بانک‌ها به مراکز محاسباتی مشترک منتقل می‌شود، تأثیر آن فراتر از مزایای مشخص‌شده در طرح تجاری است. علاوه بر این، این تغییر ساختار دارایی‌های فناوری بانک‌ها و نوع کاری که برای نگهداری آن‌ها لازم است را نیز دگرگون می‌کند. پورتفولیوهای برنامه‌ کاربردی به‌طور فزاینده‌ای قابل ترکیب هستند و شامل اجزای مختلفی می‌شوند که به‌صورت مقرون‌به‌صرفه خریداری و به‌سرعت و به‌راحتی برای ارایه ویژگی‌های موردنظر مونتاژ می‌شوند. همچنین، این اجزا به‌سادگی در صورت نیاز اصلاح می‌شوند. مراکز داده بانک‌ها نیاز به نگهداری، برنامه‌ریزی و توسعه کمتری دارند. شبکه‌های آن‌ها بسیار نازک‌تر شده است. هوش مصنوعی مولد سهم بیشتری از برنامه‌نویسی را بر عهده می‌گیرد و کدها به‌صورت خودکار از مشخصات به هر زبانی تولید می‌شوند. فرآیند تست نیز بسیار ساده‌تر و سریع‌تر شده است. نسبت آشنای ۷۰:۳۰ در تخصیص هزینه‌های نگهداری به توسعه جدید در حال تغییر است، زیرا “روشن نگه‌داشتن چراغ‌ها” به وظیفه‌ای بسیار سبک‌تر تبدیل شده است. همه این تغییرات نه‌تنها ذهنیت تیم‌های فناوری اطلاعات، بلکه حتی رهبری بانک را نیز دگرگون می‌کند. با کاهش نیاز به مدیریت زیرساخت‌های فناوری پایه، مدیران ارشد فرصت بیشتری خواهند داشت تا بر نوآوری محصول، طراحی خدمات و تجربه‌های مشتری تمرکز کنند. به‌طور فزاینده‌ای، واحدهای تجاری و فناوری اطلاعات با یکدیگر همکاری خواهند کرد تا پیشنهادهایی را برای رشد درآمد و متمایز کردن بانک ایجاد کنند.تیم‌های فناوری بانک‌ها به‌طور طبیعی به واحدهای تجاری نزدیک‌تر می‌شوند و حتی ممکن است در نهایت با آن‌ها ادغام شوند. اولویت‌های آن‌ها از نگهداری زیرساخت‌های فناوری اطلاعات به سمت کمک به اختراع، تعریف و ساخت پیشنهادهای جدید تغییر خواهد کرد. مهارت‌های آن‌ها نیز با تمرکز بیشتر به سمت بیرون و مشتریان و رقبا تکامل می‌یابد.کارکنان غیرتکنیکی نیز دچار تغییر در نقش خواهند شد. با فراگیر شدن هوش مصنوعی مولد همانند ایمیل‌های امروزی، و با کاهش بسیاری از وظایف خسته‌کننده آن‌ها، به‌طور طبیعی به سمت کمک به توسعه محصولات و تجربه‌های بهتر متمایل خواهند شد. در ابتدا، این ممکن است به شکل انتقال تخصص آن‌ها به ربات‌های مرکز تماس و همکاران مجازی که به بخشی از فعالیت‌های روزمره بانک تبدیل می‌شوند، باشد. در ادامه، بسیاری از آن‌ها از قابلیت‌های این ابزارها فراتر از وظایف روزمره استفاده خواهند کرد تا تعاملات مشتری را شخصی‌سازی کرده و محصولات جدید و نوآورانه‌ای طراحی کنند.

BBVA،یکی از بانک‌های پیشرو در این زمینه، مدت‌ها پیش عنوان مدیر فناوری اطلاعات خود را به “رییس مهندسی” تغییر داد.J.P. Morgan نیز تیم ۴۰,۰۰۰ نفره از دانشمندان کامپیوتر و متخصصان فناوری خود را “مهندس” می‌نامد. در هر دو مورد، نقش‌ها از مدیریت به طراحی و ساخت تکامل یافته‌اند. شاید بانکداران خود را به‌عنوان مهندس تصور نکنند، اما تغییر تمرکز آن‌ها از نگهداری به طراحی و توسعه، تغییری مثبت است که به‌طور چشمگیری به چشم‌اندازهای رشد بلندمدت بانک کمک خواهد کرد.

“این نگرش در سراسر Nubank وجود دارد، اما در بخش مهندسی اهمیت ویژه‌ای دارد، زیرا این بانک بر این باور است که ما نمی‌خواهیم یک گروه فناوری اطلاعات سنتی داشته باشیم که در ساختمانی جداگانه قرار دارد و فهرستی از درخواست‌های واحدهای تجاری دریافت می‌کند ما می‌خواهیم مهندسان به‌طور فعال در همان تیم‌ها مشارکت داشته باشند، نظرات و دیدگاه‌های خود را در مورد محصول ارایه دهند و فراتر از نوشتن کد، به سازندگان و مالکین آن محصول تبدیل شوند.”^[

کلید به هسته اصلی

رویکردها و فناوری‌های نوین از جمله، و نه کم‌اهمیت‌ترین آنها، هوش مصنوعی مولد (Gen AI) که نوعی از هوش مصنوعی است و می‌تواند محتواهای جدید، از جمله کدهای نرم‌افزاری، را به سرعت تولید و یا به‌روزرسانی کند در حال ترکیب شدن هستند تا سرانجام بانک‌ها را از محدودیت‌های سیستم‌های هسته‌ای قدیمی‌شان آزاد کنند. هوش مصنوعی مولد قادر است با تبدیل سریع کدهای قدیمی و بهینه‌سازی فرآیندهای پیچیده، بانک‌ها را در راستای نوآوری و بهبود بهره‌وری یاری کند.

اگر بخواهیم یک موضوع محوری را که طی چند دهه گذشته بر بحث‌های مربوط به فناوری بانک‌ها تسلط داشته، مشخص کنیم، آن محدودیت‌های هسته دیجیتال آنهاست.

در حالی که نوآوری در بسیاری از بخش‌های سازمان‌های بانکی شکوفا شد، اما زیرساخت‌های اصلی آن‌ها اساساً بدون تغییر باقی ماند. بهبودهایی که در سیستم‌های هسته‌ای بانک‌ها معرفی شدند، تأثیری نامطلوب داشتند: این تغییرات معمولاً باعث افزایش وابستگی‌ها، پیچیدگی و شکنندگی این سیستم‌ها و معماری‌ها شدند، به ویژه در جایی که هیچ عملیات خروج از مدار یا کنارگذاری انجام نشد. این امر اغلب آسیب‌پذیری‌هایی را به وجود آورد که در نسخه‌های اولیه این سیستم‌ها وجود نداشت.یکی از مشکلات اصلی، میلیون‌ها خط کد COBOL است که بیشتر داده‌ها و پردازش‌های بانکی را مدیریت می‌کنند. این کدها نه تنها قدیمی هستند، بلکه اغلب به‌طور ضعیف مستندسازی شده‌اند و تغییر دادن آن‌ها بسیار دشوار است. این وضعیت زمانی پیچیده‌تر شد که بانک‌ها فرایندهای دیجیتالی کردن رابط‌های کاربری و لایه‌های تعامل با مشتریان خود را آغاز کردند، زیرا حجم پردازش‌ها (به‌ویژه در زمان‌های اوج فعالیت) به‌طور قابل‌توجهی افزایش یافت.مشکل دیگر کمبود متخصصانی است که با سیستم‌های هسته‌ای قدیمی آشنا هستند مهندسان و برنامه‌نویسانCOBOL  و کارشناسان کامپیوترهای بزرگ (mainframe) سال‌هاست که در حال کاهش هستند. زمان، تلاش و ریسک‌های مربوط به مدرن‌سازی کامل هسته دیجیتال به حدی زیاد بود که بانک‌ها را در یک چرخه تعمیرات حداقلی قرار داده است، که مانع از پذیرش فناوری‌های جدیدی می‌شود که می‌توانند کسب‌وکار را بهبود داده و بهره‌وری را افزایش دهند.اثبات این مسیله را می‌توان در بازار دید. زمانی که بانک مشترک‌المنافع استرالیا سیستم هسته بانکی خود را جایگزین کرد، این پروژه پنج سال طول کشید و نزدیک به ۷۵۰ میلیون دلار هزینه داشت

. با توجه به این هزینه‌ها، عجیب نیست که بسیاری از مدیران عامل تصمیم گرفتند این پروژه‌های بزرگ را به تأخیر بیندازند و ترجیح دهند آن را به جانشینان خود واگذار کنند. امروزه، قابلیت‌ها، مقیاس‌پذیری و بلوغ فزاینده فناوری‌های نسل جدید ممکن است کلید شکستن این چرخه سنتی باشند. معماری‌های قابل ترکیب و بدون هسته و رویکردهایی که از پلتفرم‌های هسته بانکی نازک‌تر نسل بعدی استفاده می‌کنند، امکان ادغام بهترین راه‌حل‌ها و هم‌زیستی سیستم‌های هسته قدیمی و مدرن را فراهم می‌کنند. این رویکرد ترکیبی به‌شدت ریسک مدرن‌سازی هسته را کاهش داده و در عین حال نتایج کسب‌وکار را به‌موقع ارایه می‌دهد و کنترل بر سرعت و مسیر مدرن‌سازی را فراهم می‌کند.در سال ۲۰۲۴، هوش مصنوعی مولد (Generative AI) به این مجموعه چشمگیر اضافه خواهد شد و به بانک‌ها کمک خواهد کرد تا از قید و بند سیستم‌های قدیمی رهایی یابند و به سرعت و با امنیت بیشتری به سمت یک هسته دیجیتالی مدرن و متناسب با نیازهای امروزی حرکت کنند. در چند ماهی که هوش مصنوعی مولد (Generative AI) وارد میدان شده است، توانایی قابل‌توجهی در مهندسی معکوس و باز کردن گره‌های کدهای COBOL بانک‌ها از خود نشان داده است. این فناوری قادر است الزامات اولیه را از کدهای قدیمی استخراج کند و سپس آن‌ها را به زبان‌های مدرن‌تر و چند منظوره تبدیل کند. چه با استفاده از GitHub Copilot مایکروسافت و چه با دستیار کدنویسی watsonx از IBM، این فناوری هر هفته در حال پیشرفت است و می‌تواند به‌شدت زمان لازم برای اجرای پروژه‌های بزرگ مدرن‌سازی را کاهش دهد.این پیشرفت نه تنها مزایای هزینه‌ای آشکاری دارد، بلکه باعث کاهش شدید اختلالات در فعالیت‌های تجاری نیز می‌شود. علاوه بر این، با توانایی مستندسازی دقیق عملکرد کد، این فناوری به‌طور قابل توجهی به رعایت مقررات کمک می‌کند. به عنوان مثال، بانک گلدمن ساکس گزارش داده است که در برخی موارد توانسته تا ۴۰ درصد از کدهای خود را به‌صورت خودکار با استفاده از هوش مصنوعی مولد تولید کند

در Accenture، شرکت های زیادی ابزارهای هوش مصنوعی مولد (GenAI) را برای بازنویسی میلیون‌ها خط کد آزمایش کرده‌اند. یکی از موانع اصلی در مدرن‌سازی برنامه‌های حیاتی مستقر روی سیستم‌های کامپیوتری بزرگ (mainframe) کمبود مستندات فنی و عملکردی مناسب است. دریکی از این تجربه ها Accenture از کد قدیمی Alnova د که دهه‌ها پیش توسعه داده شده بود استفاده شد تا نشان داده شود که چگونه هوش مصنوعی مولد می‌تواند این مشکل را حل کند.تیم اجرایی چارچوب “تولید تقویت‌شده توسط بازیابی” (Retrieval Augmented Generation) مبتنی بر GenAI را ایجاد کرد که از GPT-۴ و یک پایگاه داده برداری استفاده کرد تا کد قدیمی را مهندسی معکوس کند. این رویکرد به کمک کرد تا به درک روشنی از عملکرد سیستم و وابستگی‌های فنی آن برسند و مجموعه کاملی از مستنداتی که معماران سیستم و توسعه‌دهندگان برای تسریع مدرن‌سازی و مهندسی مستقیم کد نیاز دارند، تولید کنند.تحلیل دستی کدهای mainframe یک کار سخت و زمان‌بر است به‌طور معمول، تجزیه و تحلیل یک زیرمجموعه عملکردی توسط یک برنامه‌نویس خبره پنج روز زمان می‌برد. در نهایت در این تلاش توانستنداین کار را در عرض یک ساعت انجام دهند.

کاهش تلاش مورد نیاز برای نوسازی سیستم‌های هسته‌ای

در کمال شگفتی و با موفقیت بالا، مایک تیم همانطور که در بالا به آن اشاره شد بخش بزرگی از کدهای COBOL خود را به‌سرعت بازنویسی کند همان‌طور که در مراحل اولیه هر خروجی هوش مصنوعی مولد دیده می‌شود، نیاز به بررسی دقیق وجود دارد تا هر گونه نقص امنیتی و سوگیری ناخواسته شناسایی و برطرف شود .با این حال، می‌توان اطمینان داشت که این فناوری‌های جدید بزرگ‌ترین موانع برای حل مشکلات سیستم‌های قدیمی بانک‌ها را از بین می‌برند. دیگر هیچ دلیل منطقی برای اینکه یک سازمان همچنان به سیستم‌ها و کدهای قدیمی خود وابسته باشد وجود ندارد. پیش‌بینی این است که به‌زودی بسیاری از بانک‌ها از ثمرات یک هسته دیجیتالی مدرن و چابک بهره‌مند خواهند شد.

توضیحات اصطلاحات هوش مصنوعی:

• Generative AI (هوش مصنوعی مولد): نوعی هوش مصنوعی است که می‌تواند محتواهای جدید ایجاد کند. در زمینه بانک‌ها، از این فناوری برای مهندسی معکوس کدهای قدیمی مانند COBOL استفاده می‌شود. این فناوری توانایی دارد که کدهای قدیمی را تحلیل کرده، نیازمندی‌های اولیه سیستم را شناسایی کند و سپس کد را به زبانی مدرن و کارآمد تبدیل کند. این فرایند مدرن‌سازی با استفاده از هوش مصنوعی مولد به شدت سریع‌تر از روش‌های سنتی است.
• COBOL Code کدهای COBOL): COBOL یک زبان برنامه‌نویسی قدیمی است که هنوز هم در بسیاری از سیستم‌های بانکی برای پردازش‌های حساس و حیاتی استفاده می‌شود. این کدها به دلیل قدمت بالا و مستندسازی ضعیف، مدرن‌سازی و تغییرشان دشوار است. ابزارهای هوش مصنوعی مولد قادر به تحلیل و بازنویسی سریع این کدهای قدیمی به زبان‌های جدیدتر و قابل انعطاف‌تر هستند.
• Reverse-Engineering(مهندسی معکوس): فرآیندی است که در آن کدهای موجود بررسی و تحلیل می‌شوند تا ساختار و الزامات اولیه آنها مشخص شود. این روش به بانک‌ها کمک می‌کند تا سیستم‌های قدیمی خود را بدون نیاز به مستندات کامل یا به‌روز، مجدداً تحلیل و به‌روزرسانی کنند. در اینجا هوش مصنوعی مولد با استفاده از مهندسی معکوس به استخراج و بازسازی نیازمندی‌های سیستم از کدهای COBOL کمک می‌کند.
• Forward-Engineering (مهندسی مستقیم): به فرآیندی گفته می‌شود که طی آن پس از مهندسی معکوس، سیستم یا کد به‌صورت مستقیم و به‌روزرسانی شده به زبان‌های جدیدتر و مدرن‌تر نوشته می‌شود. در این متن، از مهندسی مستقیم برای تولید کدهای جدید از کدهای قدیمی پس از تحلیل اولیه استفاده شده است.
• GitHub Copilot دستیار GitHub): ابزاری است که توسط مایکروسافت و GitHub توسعه یافته است و از هوش مصنوعی برای کمک به برنامه‌نویسان در نوشتن کد استفاده می‌کند. این ابزار با پیشنهاد کدهای مناسب و تکمیل خودکار کد، برنامه‌نویسی را سریع‌تر و کارآمدتر می‌کند. در اینجا از GitHub Copilot برای مدرن‌سازی کدهای بانکی استفاده می‌شود.
• IBM Watsonx Code Assistant دستیار کدنویسی Watsonx IBM): ابزاری از IBM که از هوش مصنوعی برای تحلیل و تولید کد استفاده می‌کند. Watsonx به برنامه‌نویسان کمک می‌کند تا کدهای پیچیده را تحلیل کرده و بهینه کنند و در اینجا برای تحلیل کدهای COBOL و تبدیل آن‌ها به زبان‌های مدرن به کار رفته است.
• Mainframe (کامپیوتر بزرگ): نوعی از کامپیوترهای قدرتمند که در بانک‌ها و سازمان‌های بزرگ برای پردازش‌های حجیم و حساس استفاده می‌شود. سیستم‌های هسته‌ای بانک‌ها اغلب بر روی کامپیوترهای بزرگ اجرا می‌شوند و کدهای قدیمی مانند COBOL روی این سیستم‌ها استفاده می‌شود.
• این توضیحات نشان می‌دهد که چگونه فناوری‌های جدید مانند هوش مصنوعی مولد و ابزارهای توسعه‌یافته توسط شرکت‌هایی مانند مایکروسافت و IBM، به بانک‌ها در مدرن‌سازی و نوسازی سیستم‌های قدیمی و حیاتی کمک می‌کنند، در حالی که پیچیدگی‌ها و زمان‌بر بودن این فرآیندها را کاهش می‌دهند.

فراتر از Six Sigma

معنای حرکت کردن به سوی رویکردها و تکنیک‌هایی است که از چارچوب‌های سنتی Six Sigma عبور می‌کنند Six Sigma: یک متدولوژی مدیریتی است که هدف آن کاهش نقص‌ها و بهبود فرآیندها با استفاده از تحلیل‌های آماری است. اما “فراتر از Six Sigma” نشان‌دهنده نیاز به استفاده از روش‌ها و فناوری‌های جدیدتر و پیشرفته‌تر برای بهبود مستمر در محیط‌های پیچیده و در حال تغییر است. در طول حداقل ۳۰ سال گذشته، بانک‌ها از رویکردهای کلاسیک بازمهندسی و کاهش هزینه‌ها برای بهینه‌سازی عملیات و تجربه‌های خود استفاده کرده‌اند. محدودیت‌های این رویکردها آشکار بود روش‌های جدید در مواجهه با مشکلات کمی به‌خوبی عمل می‌کردند، اما در مقابل چالش‌های کیفی و مسایل پیچیده و مبهم شکست می‌خوردند. هوش مصنوعی مولد (Generative AI)، با توانایی یادگیری از شهود و تجربه، این مانع را خواهد شکست و راه جدیدی را برای فکر کردن درباره کارایی عملیاتی ارایه خواهد کرد که فراتر از اصول Six Sigma است.

نگاهی به ربع قرن گذشته نشان می‌دهد که نسبت هزینه به درآمد (CIR) بانک‌ها در یک محدوده ثابت باقی مانده است (شکل ۸). اگرچه تفاوت‌های ظریفی در مناطق مختلف جهان وجود دارد، اما برای اکثر بانک‌ها به نظر می‌رسد که محدوده ۵۰-۶۰٪ مانند “سرعت نهایی” برای CIR عمل می‌کند.این امر به دلیل نبود تلاش یا تأثیرگذاری بانک‌ها نبوده است. ژاپنی‌ها در اواخر قرن گذشته با معرفی روش‌هایی مانند کایزن و کانبان طرز تفکر نسبت به هدررفت، هزینه و کارایی را تغییر دادند. و تقریباً ۳۰ سال است که بانک‌ها این روش‌ها و ابزارهای مشابه مانند Six Sigma، بازمهندسی فرآیندها و دیگر تکنیک‌ها را برای بهبود کارایی خود پذیرفته‌اند. تمام این ابزارها یک ویژگی مشترک داشتند: آن‌ها به ورودی‌های تجربی متکی بودند.

شکل ۸. نسبت هزینه به درآمد بانک‌ها در دوران دیجیتال تغییر چندانی نداشته است.

توضیح تکمیلی جدول: منبع: تحلیل تحقیقاتی Accenture بر اساس داده‌های FDIC، APRA و ECB.

اگر نتوانید چیزی را اندازه‌گیری کنید، وارد کردن آن به سیستم دشوار خواهد بود. یادگیری از طریق شهود و تجربه موارد مبهم و غیرقطعی غالباً بیش از حد انتظار این روش‌ها بوده است .باور بر این است که در سال ۲۰۲۴ شاهد تغییرات چشمگیری در این زمینه خواهیم بود. در گذشته، کاهش هزینه‌ها اغلب شبیه به قطع عضو بود گامی دردناک اما ضروری که همگان می‌دانستند به آسیب منجر خواهد شد. اما در آینده، این فرآیند بسیار خلاقانه‌تر خواهد شد. به جای کاهش ناگهانی، اصلاحات دقیق و هدفمند به کار گرفته خواهند شد تا سازمان بازسازی شده و رشد آن تحریک شود.برخی از رهبران پا را فراتر گذاشته و رویکردی بنیادین‌تر اتخاذ کرده‌اند، بازآفرینی تصویر ایده‌آل کسب‌وکار در چند سال آینده و سپس مهندسی معکوس تمامی جنبه‌ها از مدل عملیاتی و نیروی کار گرفته تا محصولات و تجربیاتبرای دستیابی به نتایج بهینه. این رهبران، با تمرکز بر دستیابی به ارزش، نه تنها ضایعات را حذف می‌کنند، بلکه ساختار هزینه‌ای خود را بازتعریف کرده و مرز جدیدی برای عملکرد بانک تعیین می‌کنند.هوش مصنوعی مولد نقش محوری در این تحولات خواهد داشت. قابلیت شگفت‌انگیز آن در درک و جذب شهود سازمانی و یادگیری پیوسته، محققان را بر آن داشته است تا پیش‌بینی کنند که بانک‌ها به لطف این فناوری، گامی جهشی در حل مشکلات باقی‌مانده از روش‌های Six Sigma بردارند. نسل جدید “مهندسی دوباره” ترکیبی از دقت و سخت‌گیری کلاسیک Six Sigma خواهد بود، همراه با تفکر طراحی‌محور که از دنیای دیجیتال اقتباس شده و با قدرت هوش مصنوعی مولد و زیرساخت‌های ابری دموکراتیزه شده به پیش خواهد رفت.نمونه‌ای بارز از این تحول، بانک جهانی‌ای است که در تلاش برای رقابت در بازار منطقه‌ای وام‌های خودرو با چالش روبرو بود. در این بازار، فروشندگان خودرو به مشتریان کمک می‌کردند تا درخواست وام خود را تکمیل کرده و سپس آن را به چندین بانک و موسسه مالی ارسال کنند تا پیشنهادهای مالی دریافت کنند. این فرآیند طولانی و دستی شامل جمع‌آوری و بررسی حجم زیادی از اطلاعات و اسناد بود.

این رویکرد جدید نه تنها بهره‌وری‌هایی را که بانک‌ها امروزه به دنبال آن هستند ارایه خواهد داد، بلکه به طور دایمی منحنی هزینه را تغییر خواهد داد.

چندین روز طول می‌کشید تا وام خریدار تأیید شود و فروشنده مطمین شود که آیا معامله انجام خواهد شد یا خیر. این فرآیند مبهم بود و اغلب به دلیل رقابت بانک‌ها با پیشنهادات کمیسیونی به فروشنده، هزینه بیشتری به همراه داشت.به جای صرفاً بهینه‌سازی این فرآیند، بانک تجربه فروشنده و مشتری را کاملاً بازآفرینی کرد و در نهایت بازار را دگرگون ساخت. مشتریان این امکان را پیدا کردند که خودرو را مستقیماً درون خودرو خریداری کنند، با استفاده از یک اپلیکیشن موبایل که در آن تنها هفت اطلاعات مورد نیاز را وارد می‌کردند. به صورت فوری به آن‌ها اعلام می‌شد که آیا از پیش تأیید شده‌اند و حداکثر مبلغ وام و شرایط آن نیز به آن‌ها ارایه می‌شد. این کار مرحله اعتبارسنجی را از انتهای چرخه خرید خودرو به ابتدای آن منتقل کرد و به فروشندگان اجازه داد که خودروهای بیشتری را سریع‌تر و ساده‌تر بفروشند.بانک توانست فروش وام‌های خودرو خود را ۵۰٪ افزایش دهد و از طریق بهبود بهره‌وری در فرآیند و حذف نیاز به رقابت بر سر کمیسیون‌ها، به کاهش دو رقمی در هزینه‌ها دست یابد. همچنین، نه تنها از جایگاه چهارم به جایگاه اول بازار صعود کرد، بلکه برای چهار سال متوالی جایگاه رهبری خود را حفظ کرده است.

مثال دیگری پردازش وام مسکن است

VeloBank، یک بانک لهستانی، یک قابلیت هوش مصنوعی مولد ایجاد کرد که به افسران وام این امکان را می‌داد تا وام‌ها را در چند ثانیه با الزامات مقایسه و تحلیل کنند. این امر به طور چشمگیری بهره‌وری آن‌ها را افزایش داد. مهم‌تر از همه، این فناوری سهم بازار بانک را با بازآفرینی تجربه مشتری افزایش داد.^[۳۸]کلید این موفقیت، تغییر در طرز فکر و رویکرد است. این شامل تعهد به توسعه مهارت‌های جدید است آموزش تیم‌ها در این سبک تفکر، مهارت یافتن در استفاده از هوش مصنوعی مولد و سایر ابزارهای نوظهور، و تغییر فرهنگ بانک به فرهنگی که بازتر، انعطاف‌پذیرتر و آماده بازنگری چالش‌های قدیمی با نگاهی تازه باشد. با پذیرش این رویکرد جدید، بانک‌ها نه تنها به بهره‌وری‌هایی که امروزه به دنبال آن هستند دست خواهند یافت، بلکه موفق خواهند شد به طور دایمی منحنی هزینه را با حذف ضایعات و ایجاد ارزش برای مشتریان و سهامداران، تغییر دهند

نتیجه گیری:

بانکداری مبتنی بر هوش مصنوعی

سال ۲۰۲۴ یک سال تعیین‌کننده برای بانک‌ها خواهد بود، همان‌طور که برای بسیاری از سازمان‌های دیگر نیز خواهد بود. این اولین بار نیست که صنعت با چنین لحظه‌ای بحرانی روبرو می‌شود؛ معرفی بانکداری آنلاین و سپس بانکداری موبایلی تنها جدیدترین مثال است. اما در حالی که نقاط عطف دیگر به‌تدریج آشکار شدند و به مرور زمان شکاکان را به خود جذب کردند، پذیرش هوش مصنوعی مولد با سرعتی تقریباً تب‌آلود در حال رخ دادن است. این نشان‌دهنده پتانسیل مخرب این فناوری است در مطالعه «چشم‌انداز فناوری ۲۰۲۳» ، ۹۵٪ از نزدیک به ۵۰۰۰ مدیر ارشد اجرایی که در سراسر جهان مورد بررسی قرار گرفتند،  که نتایج نشان می‌دهد موافق بودند که پیشرفت‌های هوش مصنوعی مولد به آغاز عصری جدید از هوشمندی سازمانی منجر خواهد شد^[

.بدیهی است که تأثیر آن مخرب خواهد بود. جای تعجب نیست که هر یک از روندهایی که آینده بانکداری را در ۱۲ ماه آینده و بعد از آن شکل خواهند داد، کم و بیش تحت تأثیر پذیرش هوش مصنوعی مولد قرار گرفته‌اند. محققان مطمین هستند که بیشتر این تغییرات مخرب، مثبت خواهند بود. آخرین نظرسنجی ها در این زمینه که شامل ۱۶۰۰ مدیر ارشد اجرایی در بسیاری از بزرگ‌ترین شرکت‌های جهان بود نشان داد که ۴۲٪ از شرکت‌هایی که در این مسیر پیشتاز هستند، به بازدهی‌ای از ابتکارات هوش مصنوعی خود دست یافته‌اند که فراتر از انتظارات آن‌ها بوده است.

اما همان‌طور که در آن گزارش نتیجه‌گیری شده است، راز این نتایج در خود هوش مصنوعی نیست؛ بلکه در نحوه استفاده از آن نهفته است. به همان اندازه که به تکنولوژی مربوط است، به افراد نیز مرتبط است، و به همان اندازه که به استراتژی مربوط است، به پیاده‌سازی نیز بستگی دارد. این معادله پیچیده، نیازمند مدیریت همزمان عوامل مختلف است.بانک‌هایی که بتوانند به خوبی این توازن را حفظ کنند، در سال‌های آینده به ۲۰۲۴ به عنوان نقطه‌ای کلیدی نگاه خواهند کرد و موفقیت خود را جشن خواهند گرفت.