نفوذ عامل‌های هوشمند به بانک‌ها: همکاری انسان و ماشین و بلاتکلیفی در مسئولیت‌پذیری | «Golden Benchmark» ۲۰۲۶
بانک‌های تجاری بزرگ سنجش کارایی کاربرد فناوری را با شاخص‌های کمی نظیر «معادل ساعت کار انسانی» و «مصرف روزانه Token» آغاز کرده‌اند. «همکاری انسان و ماشین» در عملیات بانکی روزبه‌روز فراگیرتر می‌شود، اما صنعت بانکی هنوز به دستورالعمل اجماعی مشخصی برای تفکیک اختیارات و مسئولیت‌ها دست نیافته است. شواهد تجربی نشان می‌دهد که چه در حوزه تامین مالی فراگیر و چه در تامین مالی فناوری، ابزارهای مالی دیجیتال با محوریت هوش مصنوعی می‌توانند نقشی کلیدی و پشتیبان ایفا کنند. عملکرد این حوزه نشان می‌دهد نخستین نسل از شرکت‌های تابعه فناوری مالی (FinTech) بانک‌ها مدت‌هاست با چالش سرمایه‌گذاری سنگین و سودآوری دشوار دست‌وپنجه نرم می‌کنند و فشارهای عملیاتی آن‌ها ادامه دارد. در سال‌های اخیر، شماری از بانک‌ها راهبرد خود را بازتنظیم کرده‌اند و با بازگرداندن ظرفیت‌های فناورانه به بدنه اصلی دفتر مرکزی برای مدیریت یکپارچه، مسیر تجاری‌سازی بیرونی در قالب شرکت‌های تابعه مستقل را کنار گذاشته‌اند. پژوهشگر هفته‌نامه جنوب: Chen Yan از: پکن چند وقت است که به شعبه بانک نرفته‌اید؟ انجام انواع عملیات بانکی تنها با چند لمس روی صفحه گوشی یا گفتن چند جمله، به روال روزمره زندگی مالی اکثر مردم و کسب‌وکارها تبدیل شده است. کافی است صاحب یک کسب‌وکار خرد به نرم‌افزار بانکداری همراه خود بگوید «سقف وام مرا افزایش بده»، تا ابزارهای هوشمند به‌سرعت گردش مالی را محاسبه کرده و بسته تسهیلاتی مناسبی پیشنهاد دهند؛ یا اگر بگویید «قصد سرمایه‌گذاری دارم»، «مدیر ثروت» هوشمند بانک با بررسی پروفایل مشتری و میزان ریسک‌پذیری او، محصول متناسب را انتخاب می‌کند و پس از اعلام ریسک‌ها، مستقیماً کاربر را به صفحه خرید هدایت می‌نماید. خدماتی که زمانی مستلزم رفت‌وآمد به شعب بانکی بود، اکنون آنلاین و هوشمند شده است. این تحول بنیادین، نمایی روشن از نفوذ عمیق هوش مصنوعی در صنعت بانکداری است. از سال ۲۰۲۵ و هم‌گام با فراگیری سریع مدل‌های زبانی بزرگ و متن‌باز DeepSeek، فناوری مالی در بانکداری جهشی کم‌سابقه را تجربه کرد. تا سال ۲۰۲۶، عامل‌های هوشمند (AI Agents) از سطح نمونه‌های اولیه (Demo) فراتر رفته و به کارمندان دیجیتال پیشرفته‌ای تبدیل شدند که قادرند فرایندهای چندگانه عملیاتی را به‌طور خودکار به سرانجام برسانند و بدین ترتیب به‌صورت گسترده در شبکه بانکی مستقر شوند. از این مقطع، مفهوم پربسامد «همکاری انسان و ماشین» به سناریوهای عملیاتی ملموس و عینی بدل شد. با فرا رسیدن این موج فناورانه، بانک‌های تجاری که همواره رویکردی محتاطانه و محافظه‌کارانه داشته‌اند، چه راهبردی در پیش گرفته‌اند؟ این دگرگونی فنی چه مواردی را بازتعریف کرده و چه چالش‌های تازه‌ای پیش روی صنعت نهاده است؟ نتایج ارزیابی مالی دیجیتال صنعت بانکداری در گزارش «Golden Benchmark – رقابت‌پذیری مالی نوین» سال ۲۰۲۶ که از سوی Southern Weekly New Finance Research Center انجام شده است، نشان می‌دهد که برخلاف سال‌های گذشته، بانک‌های تجاری در میزان سرمایه‌گذاری روی فناوری اطلاعات دچار شکاف و واگرایی آشکاری شده‌اند؛ این مسئله به‌ویژه در میان بانک‌های سهامی عام با الگوی «کاهش بودجه در اکثریت و افزایش آن در اقلیت» مشهود است. بانک‌های تجاری پیشرو اکنون کارایی عملیاتی این فناوری را با سنجه‌های کمی مانند «معادل ساعت کار انسانی» و «میانگین مصرف روزانه Token» ارزیابی می‌کنند. هم‌زمان، با به‌کارگیری گسترده عامل‌های هوشمند، همکاری انسان و ماشین در امور بانکی فراگیرتر شده، هرچند صنعت هنوز به چارچوبی جامع برای تقسیم مسئولیت‌ها و اختیارات نرسیده است. این ارزیابی بر پایه بررسی ۵۷ بانک تجاری پذیرفته‌شده در بورس‌های A-share و H-share و نیز China Guangfa Bank (که با وجود عدم عرضه عمومی سهام، یکی از ۲۰ بانک مهم از نظر سیستمی در چین است) انجام شده است. این دو گروه، جریان اصلی بانکداری تجاری کشور را شکل می‌دهند و بیشترین پیوند را با امور مالی عمومی دارند.
ICBC همچنان دست‌ودلبازترین؛ چرخش رویکرد از هزینه‌کرد سنگین به بازدهی ملموس
روش ارزیابی در این دوره نیز بر اساس مدل پیوسته «ارزیابی سه‌بعدی» بخش بانک و بیمه در «Golden Benchmark» دنبال شده است (نمودار ۱) (برای جزئیات بیشتر به «پیشرفت و پسرفت ۴۰۰ نهاد مالی چگونه است؟» مراجعه کنید) و متناسب با هر بخش، شاخص‌های جداگانه‌ای تعریف شده است (نمودار ۲).
در این میان، شاخص‌های داده‌محور سهمی ۷۰ درصدی در کل نظام ارزیابی دارند که داده‌های آن‌ها از گزارش‌های سالانه ۲۰۲۵، گزارش‌های میان‌دوره‌ای ۲۰۲۶ و گزارش‌های حاکمیت زیست‌محیطی، اجتماعی و شرکتی (ESG) بانک‌های مذکور گردآوری شده و بخشی نیز با تکیه بر پایگاه داده ارزیابی رقابت‌پذیری مالی نوین هفته‌نامه جنوب استخراج شده است. این پایگاه داده به‌طور اختصاصی توسط Shanghai Hundsun JuYuan Data از زیرمجموعه‌های شرکت پیشگام فین‌تک Hundsun Technologies طراحی شده است. ارزیابی‌های میدانی و برخط و نیز داوری کارشناسان نیز هر یک سهمی ۱۵ درصدی در نمره نهایی دارند. (برای جزئیات بیشتر به «خروج ترافیک مهارنشده؛ چه کسی تاب سنجش با معیارها را دارد؟» مراجعه کنید).
بر اساس این شاخص‌ها، در میان ۵۸ بانک بررسی‌شده، Industrial and Commercial Bank of China (ICBC) با امتیازی نزدیک به ۸۰ بالاترین رتبه را به دست آورد و China Construction Bank (CCB) در جایگاه دوم قرار گرفت. این دو بانک تنها نهادهایی بودند که امتیازی بالاتر از ۷۰ کسب کردند.
این دو بانک در سال ۲۰۲۵ نیز پیشتازان ارزیابی همین بخش بودند. این موفقیت هم ریشه در راهبرد بانک‌های بزرگ دولتی در توسعه مالی دیجیتال دارد و هم ناشی از آستانه ورود بالای این حوزه است.
بانک‌های بزرگ دولتی بر خلاف سایر بانک‌ها، پایگاه مشتریان خرد گسترده‌تری در اختیار دارند و در حوزه تامین مالی فراگیر از مزیت ذاتی و پیشگامی برخوردارند. در عین حال، این بانک‌ها در مسیر تامین مالی فناوری ملزم به تحقق اهداف سیاستی بیشتری هستند. در عمل، ابزارهای مالی دیجیتال با محوریت هوش مصنوعی نقشی اساسی در تقویت هر دو حوزه ایفا می‌کنند.
به همین سبب، بانک‌های بزرگ دولتی همواره بودجه‌های کلانی به فناوری اطلاعات اختصاص داده‌اند. داده‌های ارزیابی نشان می‌دهد در سال ۲۰۲۵، مخارج فناوری اطلاعات در چهار بانک بزرگ دولتی یعنی ICBC ،CCB ،Agricultural Bank of China (ABC) و Bank of China (BOC) از مرز ۲۰ میلیارد یوآن گذشت که در این میان ICBC بیشترین هزینه را ثبت کرد. China Merchants Bank (CMB) نیز پس از این چهار بانک قرار گرفت، هرچند فاصله ارقام مطلق میان آن‌ها چشمگیر است.
با این حال، هزینه‌کرد سنگین رویه‌ای دائمی نبوده و بررسی طولی نشان می‌دهد تغییرات به‌آرامی در حال شکل‌گیری است.
یافته‌ها حاکی از آن است که در همان بازه زمانی، مخارج فناوری اطلاعات Postal Savings Bank of China (PSBC) نسبت به سال قبل کاهش یافته که اگرچه رقم آن چندان زیاد نیست، در تضاد آشکار با پنج بانک دولتی دیگر است. در همین حال، بانک‌های سهامی عام روندی انقباضی در پیش گرفته‌اند: از میان ۹ بانکی که اطلاعات خود را منتشر کرده‌اند، ۷ بانک هزینه‌های خود را تقلیل داده‌اند و افت بودجه در ۲ بانک به بیش از ۱۰ درصد رسیده است. این مقایسه نشان می‌دهد که صنعت بانکداری از فاز سرمایه‌گذاری با اولویت مقیاس، وارد دوره کاوش عقلانی با تاکید بر کارایی و بازدهی عملیاتی شده است.
علاوه بر روندهای کلان، افت عملکرد عملیاتی نیز از دلایل واقعی کاهش بودجه در بانک‌های سهامی عام است. در سال‌های اخیر با کاهش حاشیه خالص سود بهره (NIM)، سودآوری صنعت تحت فشار قرار گرفته، اما واگرایی میان نهادها تشدید شده است؛ به‌طوری‌که شاخص‌های عملکردی بانک‌های سهامی عام ضعیف‌تر از بانک‌های دولتی و بانک‌های تجاری شهری بوده است. در منطق تخصیص منابع بانکی، ابزار دقیقی برای سنجش سودآوری فناوری دیجیتال وجود ندارد و بسیاری از نهادها این سرمایه‌گذاری را به حجم درآمد پیوند می‌زنند؛ بنابراین با افت درآمد، بودجه فناوری نیز محدود می‌شود.
البته همه نهادها از این رویکرد پیروی نکرده‌اند. ارزیابی‌ها نشان می‌دهد در میان بانک‌های سهامی عام، Hua Xia Bank و Shanghai Pudong Development Bank (SPD Bank) به تقویت امور مالی دیجیتال ادامه داده‌اند. علت این امر را باید در معماری راهبردی آن‌ها جست‌وجو کرد: Hua Xia Bank در فوریه ۲۰۲۵ مدیریت جدیدی با حضور Yang Shujian برگزید؛ فردی که سال‌ها مدیریت Bank of Beijing را بر عهده داشت و طرح‌های تحول دیجیتال و تامین مالی فناوری را هدایت می‌کرد. SPD Bank نیز در سال ۲۰۲۴ راهبرد هوشمندسازی سراسری را تصویب کرد و ایجاد بستر هوش مصنوعی و سناریوهای هوشمند را اولویت خود قرار داد. این رویکرد خلاف جریان، بیانگر واگرایی‌های فردی در این دسته از بانک‌هاست.
به‌طور کلی، سرمایه‌گذاری بانک‌های تجاری در حوزه مالی دیجیتال تابع متغیرهای چندگانه‌ای نظیر دوره‌های اقتصادی، وضعیت مالی جاری و اهداف بلندمدت است و نمی‌توان آن را ناشی از عاملی یگانه دانست. علاوه بر این، حجم سرمایه‌گذاری سنجه‌ای آماری و متغیر است که صرفاً تمایل نهاد به تخصیص منابع در مقطع کنونی را نشان می‌دهد و نباید آن را لزوماً با اراده پایدار نهاد برای ماندن در این مسیر یکی دانست.
عملکرد درخشان بانک‌های تجاری و روستایی شهری در حوزه فناوری
با رتبه‌بندی موسسات بر پایه دو شاخص «نسبت هزینه فناوری به درآمد» و «نسبت کارکنان بخش فناوری»، زاویه دیگری از رقابت دیجیتال در صنعت نمایان می‌شود. ارزیابی‌ها نشان می‌دهد رتبه‌های برتر این دو شاخص عمدتاً در اختیار بانک‌های تجاری شهری و بانک‌های تجاری روستایی است؛ در این میان تنها سه بانک Bank of Shanghai ،Shanghai Rural Commercial Bank (SRCB) و China Bohai Bank موفق شدند هم‌زمان در سطوح بالای هر دو شاخص جای گیرند.
این نتایج نشان می‌دهد اگرچه نمره کلی این نهادها به بانک‌های دولتی و سهامی عام نمی‌رسد، اما برخی از بانک‌های برتر شهری و روستایی از حیث شدت سرمایه‌گذاری فناورانه و تراکم نیروی انسانی متخصص، برتری محسوسی دارند.
این یافته‌ها در شواهد عینی بانکداری نیز تایید می‌شود. Bank of Shanghai سامانه بانکداری همراه مبتنی بر هوش مصنوعی (AI-native) را راه‌اندازی کرده و توانمندی عامل‌های هوشمند را در کانال اصلی خدمات خرد گنجانده است؛ به‌طوری‌که کاربران تنها با گفت‌وگو می‌توانند اموری چون استعلام، انتقال وجه و مشاوره سرمایه‌گذاری را انجام دهند. این نوآوری از الگوی سنتی افزودن ماژول‌های هوش مصنوعی به سامانه‌های موجود فراتر رفته و تغییری بنیادین در تجربه بانکداری خرد بر بستر تلفن همراه محسوب می‌شود. SRCB نیز در حاکمیت داده عملکرد برجسته‌ای داشته و نخستین بانک روستایی کشور است که گواهینامه سطح ۴ مدل ارزیابی بلوغ مدیریت داده (DCMM) را دریافت کرده است؛ استانداردی ملی که سطح ۴ آن نشان‌دهنده بلوغ بسیار بالای مدیریت داده است.
تحلیل جغرافیایی این رتبه‌بندی‌ها نیز نشان می‌دهد بانک‌های شهری و روستایی واقع در پهنه اقتصادی دلتای رود یانگ‌تسه تمایل فراوانی به هدایت منابع به این حوزه دارند. از میان ۱۷ بانک حاضر در این رتبه‌بندی، دفتر مرکزی ۸ بانک در منطقه جیانگ‌سو، چجیانگ و شانگهای واقع شده که بیش از نیمی از کل را تشکیل می‌دهد. این امر نشان می‌دهد پتانسیل‌های منطقه‌ای نقشی تعیین‌کننده در راهبرد دیجیتال بانک‌های محلی دارند؛ برخلاف مناطقی چون پکن-تیانجین-هبئی یا خلیج بزرگ، دلتای رود یانگ‌تسه از اقتصاد شهرستانی توانمند، خوشه‌های صنعتی و سناریوهای خرد متعددی برخوردار است که در کنار تمرکز شرکت‌های خرد فناور در شانگهای، بستر کاربردی غنی برای ابزارهای مالی دیجیتال فراهم می‌آورد.
عمل‌گرایی، ویژگی برجسته دیگر این بانک‌ها در مسیر دیجیتالی‌شدن است.
Bank of Nanjing در پیمایش اختصاصی Southern Weekly New Finance Research Center اعلام کرد که منابع خود را به سناریوهای دارای ارزش افزوده بالا اختصاص داده و عامل‌های هوشمند وظیفه‌محور را برای نقش‌هایی مانند مدیران مشتریان، مدیران ثروت، تایید اعتبارسنجی و مدیریت عملیات توسعه می‌دهد و هم‌زمان با یکپارچه‌سازی مدل‌ها و مؤلفه‌ها، از دوباره‌کاری پرهیز می‌کند. Jiangsu Suzhou Rural Commercial Bank (SZRCB) نیز بر عمل‌گرایی تاکید دارد و پیشگام توسعه متمرکز و یکپارچه در میان بانک‌های حقوقی منطقه‌ای بوده تا با هماهنگ‌سازی منابع داخلی و بیرونی، هم‌افزایی را تقویت کند.
در مقایسه با مدل پرهزینه تاسیس شرکت‌های تابعه فین‌تک، همکاری با دانشگاه‌ها و اشتراک‌گذاری منابع فنی با سایر بازیگران این بخش، رویکردی سبک‌تر و کم‌هزینه‌تر به شمار می‌رود. تجارب صنعت نشان می‌دهد نخستین نسل از شرکت‌های فین‌تک بانکی همواره با هزینه‌های بالا و دشواری سودآوری روبه‌رو بوده‌اند. از این رو، در سال‌های اخیر شماری از بانک‌ها مدیریت این توانمندی‌ها را به دفتر مرکزی بازگردانده و ایده تجاری‌سازی بیرونی از طریق شرکت‌های تابعه را متوقف کرده‌اند.
این اقدامات موید گذر صنعت به مرحله کاوش عقلانی است. در چنین فضایی، بانک‌های شهری و روستایی منطقه‌ای نیازی به رقابت مستقیم با بانک‌های غول‌پیکر در توان پردازشی، تعداد پارامترهای مدل یا تنوع سناریوها ندارند، بلکه می‌توانند با تکیه بر زنجیره تصمیم‌گیری کوتاه‌تر و تمرکز بر بازارهای محلی، منابع را در سناریوهای واقعی و ارزشمند به کار گیرند و مسیری متمایز را بپیمایند.
شکوفایی همه‌جانبه عامل‌های هوشمند
در میان بانک‌های دولتی، Agricultural Bank of China (ABC) دستیار هوش مصنوعی شرکتی به نام «Yi Ming» و مغز متفکر هوشمند آن را توسعه داده است که با بهره‌گیری از شناسایی گسترده قصد کاربر، امکان هماهنگی چند عامل هوشمند در حوزه‌های مختلف و اشتراک‌گذاری حافظه کاربر میان چند پلتفرم را فراهم می‌سازد و وظایف پیچیده‌ای مانند بازاریابی، امور تسهیلات و مکاتبات اداری را به‌صورت متوالی و خودکار پردازش می‌کند. این نوآوری با عبور از مدل ابزارهای جزیره‌ای هوش مصنوعی، کاربردهای پراکنده را به چرخه‌ای کامل و یکپارچه از ابتدا تا انتها تبدیل کرده است. Bank of Beijing نیز نوآوری مشابهی را در سناریویی دیگر پیاده کرده است. این بانک در بخش مدیریت مشتریان خرد، سه دسته عامل هوشمند شامل شناسایی مشتری، تماس بیرونی و بازاریابی طراحی کرده که از طریق تقسیم کار هوشمند، فرایند «شناسایی، تعامل و تبدیل مشتری» را به‌طور کامل پوشش می‌دهند. بدین ترتیب، فرایند غربالگری مشتریان که پیش‌تر به چند روز زمان و هماهنگی میان‌بخشی نیاز داشت، به چند دقیقه تقلیل یافته و بازدهی تبدیل مشتری از ۵ مورد در روز به ۲۲ مورد رسیده است. عامل هوشمند اعتبارسنجی تقابلی در China Bohai Bank نیز طرحی کم‌نظیر است؛ سامانه‌ای دوگانه که در آن یک Agent نظر کارشناسی خود را در خصوص رعایت حقوق مصرف‌کننده ارائه می‌دهد و Agent دیگر وظیفه به چالش کشیدن مستندات و بررسی شواهد را بر عهده دارد. هدف این سامانه اطمینان از انطباق کامل با مقررات و شناسایی ریسک‌های پنه
