هوش مصنوعی در صنعت مالی: پنج اولویتی که سال ۲۰۲۶ را تعریف می‌کنند

هوش مصنوعی در صنعت مالی دیگر یک پروژه‌ی آزمایشگاهی یا شعار بازاریابی نیست؛ در نیمه‌ی نخست سال ۲۰۲۶، این فناوری به متغیری ساختاری تبدیل شده که مسیر رقابت، خلق ارزش و حتا بقای موسسات مالی را تعیین می‌کند. نظرسنجی سال ۲۰۲۶ شرکت Alithya نشان می‌دهد ۳۵.۷ درصد از متخصصان خدمات مالی، هوش مصنوعی را مهم‌ترین اولویت سرمایه‌گذاری فناوری خود می‌دانند؛ رقمی که حتا از پروژه‌های رایانش ابری و مدیریت داده نیز فراتر رفته است. اما پرسش اصلی این نیست که آیا باید روی هوش مصنوعی سرمایه‌گذاری کرد یا نه؛ پرسش اصلی آن است که کجا، چه‌گونه و با چه چارچوبی باید این سرمایه‌گذاری صورت بگیرد تا ارزش واقعی خلق شود.

در همین راستا، پرسشی بنیادین مطرح شده که ارزش تامل عمیق دارد: وقتی ماشین‌ها فرایند «استخراج ارزش» را به کمال برسانند، جز ارزشی که خود خلق می‌کنید، چه چیزی شما را از رقبا متمایز خواهد کرد؟ این پرسش، خط فاصل میان دو رویکرد متفاوت به هوش مصنوعی در صنعت مالی است: رویکردی که تنها به دنبال کاهش هزینه و افزایش بهره‌وری عملیاتی است و رویکردی که بر خلق ارزش واقعی برای مشتریان و جامعه تمرکز دارد.

این مقاله با بررسی تحلیلی گزارش‌های میان‌سال ۲۰۲۶ و با بهره‌گیری از دیدگاه‌های کارشناسان صنعت و حتا خروجی‌های خودِ ابزارهای هوش مصنوعی، پنج اولویت کلیدی را شناسایی و واکاوی می‌کند: اثبات بازده سرمایه‌گذاری و توقف پروژه‌های ناکارآمد، آمادگی برای عصر مالیِ عامل‌محور، اصلاح زیرساخت‌های داده، مدیریت ریسک تمرکز فناوری و بهره‌گیری از هوش مصنوعی برای ارتقای رفاه مالی شهروندان. در ادامه، هر یک از این اولویت‌ها را به‌تفصیل بررسی خواهیم کرد.

وقتی هوش مصنوعی از هوش مصنوعی نظر می‌خواهد

پیش از ورود به اولویت‌ها، نکته‌ی روش‌شناختیِ قابل تاملی وجود دارد. در تدوین فهرست اولویت‌های صنعت مالی در حوزه هوش مصنوعی، از دو مدل پیشرفته زبانی، Claude و ChatGPT، برای تحلیل دیدگاه‌های مشاوران برجسته و گزارش‌های معتبر صنعتی بهره گرفته شده است. نکته‌ی جالب آن که خروجی این دو مدل تفاوت‌های معناداری با یک‌دیگر داشت.

Claude با تمرکز بیش‌تر بر جنبه‌های عملیاتی و فنی، اولویت‌هایی مانند گذار هوش مصنوعی عامل‌محور به مرحله‌ی بهره‌برداری، اثبات بازده سرمایه‌گذاری، اصلاح زیرساخت‌های داده، تقویت حکمرانی و مقابله با جرایم مالی را پیشنهاد کرد. در مقابل، ChatGPT نگاه گسترده‌تری به ابعاد اجتماعی و ساختاری داشت و بر ایجاد نظام پاسخ‌گویی، آمادگی برای عصر مالی عامل‌محور، حفاظت از مشتریان، مدیریت تمرکز فناوری و استفاده از هوش مصنوعی برای ارتقای رفاه مالی تاکید ورزید.

این تفاوت به‌خوبی نشان می‌دهد که حتا ابزارهای هوش مصنوعی نیز بسته به معماری، داده‌های آموزشی و الگوریتم‌های خود، تفسیرهای متفاوتی از واقعیت ارایه می‌دهند. همین موضوع، ضرورت قضاوت انسانی، تحلیل انتقادی و ترکیب هوشمندانه‌ی دیدگاه‌ها را بیش از پیش آشکار می‌سازد. فهرست نهایی پنج اولویتی که در ادامه ارایه می‌شود، حاصل ترکیب بهترین عناصر هر دو فهرست با داوری تحلیلی است.

اولویت اول: اثبات بازده سرمایه‌گذاری و شجاعت متوقف کردن پروژه‌های ناکارآمد

از میان تمام اولویت‌های هوش مصنوعی در صنعت مالی، اثبات بازده واقعی سرمایه‌گذاری در پروژه‌های هوش مصنوعی را باید در بالای فهرست قرار داد. سه دهه تجربه‌ی تحول دیجیتال در صنعت مالی نشان داده که منابع مالی هنگفتی صرف پروژه‌هایی شده که از همان ابتدا بسیاری از دست‌اندرکاران می‌دانستند سرانجامِ موفقی نخواهند داشت، اما فشار سازمانی، اینرسی مدیریتی یا ترس از اعتراف به شکست، مانع توقف به‌موقع آن‌ها شده است.

هوش مصنوعی حوزه‌ای است که با سرعتی استثنایی تغییر می‌کند. فناوری‌ای که سه ماه پیش پیشرو بود، ممکن است امروز از رده خارج شده باشد. در چنین محیطی، تیم‌های پروژه باید چابکی و واقع‌بینی را سرلوحه‌ی کار خود قرار دهند و مدیران ارشد نیز باید جسارت تصمیم‌گیری‌های دشوار را داشته باشند. اگر شواهد و داده‌ها نشان دهند که پروژه‌ای به نتایج مورد انتظار نخواهد رسید، ادامه دادن آن نه نشانه‌ی پشتکار، بلکه مصداق اتلاف منابع است. سازمان‌های مالی موفق در سال ۲۰۲۶ آن‌هایی خواهند بود که فرهنگ «شکست سریع و یادگیری سریع‌تر» را جای‌گزین فرهنگ «ادامه دادن به هر قیمت» کنند.

تعیین دقیق این که ارزش واقعی سرمایه‌گذاری در کدام پروژه‌ها نهفته است، هم‌چنان آسان نیست. اما همین دشواری نباید بهانه‌ای برای اجتناب از سنجش دقیق بازده شود. معیارهای شفاف، قابل اندازه‌گیری و مبتنی بر نتایج ملموس باید جای‌گزین شاخص‌های مبهمی مانند «نوآوری»، «تحول» یا «آمادگی برای آینده» شوند.

اولویت دوم: آمادگی برای عصر مالی عامل‌محور

دومین اولویت راهبردی، آمادگی برای ورود به عصر «مالی عامل‌محور¹» است. مسیر تکامل هوش مصنوعی در صنعت مالی از مرحله‌ی پاسخ‌دهی ساده به پرسش‌ها، به مرحله‌ی انجام مستقل اقدامات عملی در حال عبور است. عامل‌های هوشمند مالی اکنون می‌توانند اقداماتی مانند انتقال وجه، تغییر ترکیب سبد سرمایه‌گذاری، مذاکره برای کاهش هزینه‌ی قبوض یا مدیریت بازپرداخت بدهی را به صورت نیمه‌مستقل یا مستقل انجام دهند.

این تحول، هم فرصت‌های بزرگی خلق می‌کند و هم تهدیدهای جدیدی به همراه دارد. ورود عامل‌های هوشمند به حوزه‌ی تصمیم‌گیری مالی، مستلزم تدوین استانداردهای روشن و دقیقی در زمینه‌ی احراز هویت، تعریف سطوح دسترسی، تعیین سقف مجاز تراکنش‌ها، اخذ رضایت آگاهانه از کاربران، امکان لغو فوری اختیارات و مهم‌تر از همه؛ مشخص کردن مسئولیت حقوقی در صورت بروز خطا است.

شواهد نشان می‌دهد استقبال عمومی از این خدمات قابل توجه است. گزارش Mills که توسط سازمان راهبری مالی بریتانیا (FCA) منتشر شده، حاکی از آن است که حدود یک‌پنجم بزرگ‌سالان بریتانیایی، معادل نزدیک به ۱۱ میلیون نفر، تمایل دارند از سامانه‌هایی استفاده کنند که در چارچوب اهداف از پیش تعریف‌شده، به صورت مستقل اقدام کنند. البته هم‌زمان، نگرانی‌هایی جدی درباره اعتماد، شفافیت عملکرد و میزان کنترل کاربر بر این سامانه‌ها نیز ابراز شده است.

الگوی عملیاتی غالب در این حوزه، رویکرد «انسان در جایگاه ناظر²» است. در این مدل، هوش مصنوعی نقش تهیه‌کننده‌ی پیش‌نویس اولیه‌ی تصمیم‌ها را ایفا می‌کند، اما تایید نهایی، نظارت مستمر و مداخله اصلاحی بر عهده‌ی انسان باقی می‌ماند. این رویکرد هم انطباق با الزامات نظارتی و مقرراتی را تضمین می‌کند و هم سازوکارهای کنترلی و حفاظتی لازم را حفظ می‌نماید.

نکته‌ی کلیدی آن است که حکمرانی و نظارت بر عامل‌های هوشمند مالی دیگر نمی‌تواند فعالیتی جانبی یا مرحله‌ای پس از استقرار باشد. حکمرانی باید از همان مرحله طراحی اولیه، به‌صورت ذاتی در معماری سامانه‌ها تعبیه شود. ایجاد چارچوب‌های حفاظتی قابل اتکا، پایش لحظه‌ای عملکرد، نظارت انسانی مداوم و تعیین خطوط مسئولیت شفاف و غیرقابل ابهام، از جمله الزامات بنیادین در این زمینه هستند.

اولویت سوم: اصلاح زیرساخت‌های داده و رها شدن از قید سامانه‌های قدیمی

سومین اولویت هوش مصنوعی در صنعت مالی، شاید کم‌تر هیجان‌انگیز به نظر برسد، اما شاید مهم‌ترین اولویت از منظر زیربنایی باشد. زیرا بهترین الگوریتم‌های هوش مصنوعی نیز بدون داده‌های باکیفیت، یک‌پارچه و قابل دسترس، در عمل ناتوان خواهند بود.

گزارش Global AI in Finance 2026 موسسه‌ی KPMG تصویر روشنی از این چالش ارایه می‌دهد: حدود ۳۶ درصد سازمان‌های مالی بر این باورند که ارتقای کیفیت داده‌ها، یک‌پارچه‌سازی منابع اطلاعاتی و افزایش سازگاری میان سامانه‌های مختلف، اثربخش‌ترین مسیر برای استخراج ارزش بیش‌تر از هوش مصنوعی است. به بیان دیگر، مشکل اصلی بسیاری از سازمان‌ها نه کمبود فناوری پیشرفته، بلکه ناکارآمدی زیرساخت‌های داده‌ای است.

ریشه‌ی این مشکل، به‌ویژه در موسسات بزرگ مالی، تاریخی و ساختاری است. بسیاری از بانک‌ها و شرکت‌های بیمه‌ای بزرگ از طریق خرید و ادغام مکرر رشد کرده‌اند و در نتیجه، مجموعه‌ای ناهمگون و گاه متناقض از سامانه‌های اطلاعاتی، مدل‌های داده و معماری‌های فناوری را به ارث برده‌اند. این سامانه‌ها اغلب با یک‌دیگر سازگار نیستند و یک‌پارچه‌سازی آن‌ها فرایندی پرهزینه، زمان‌بر و پیچیده است.

بُعد دیگر این چالش، بُعد انسانی آن است. بسیاری از سامانه‌های قدیمی بر زبان‌های برنامه‌نویسی مانند COBOL بنا شده‌اند و طراحان اصلی این سامانه‌ها در حال بازنشستگی هستند. با خروج این نسل، دانش تخصصی منحصربه‌فردی نیز از سازمان‌ها خارج می‌شود؛ دانشی که مستندسازی آن اغلب ناقص بوده و جای‌گزینی آن به‌سادگی ممکن نیست. این واقعیت، فوریت اصلاح زیرساخت‌های داده را دوچندان می‌کند.

سازمان‌هایی که همین امروز بودجه، زمان و توجه مدیریتی لازم را به نوسازی زیرساخت‌های داده‌ای اختصاص دهند، در مسیر بهره‌برداری اثربخش از هوش مصنوعی گام‌های بلندتری برخواهند داشت. در مقابل، سازمان‌هایی که این اولویت را نادیده بگیرند، هر مقدار هم که در الگوریتم‌ها و مدل‌های پیشرفته سرمایه‌گذاری کنند، بازده مطلوب را به دست نخواهند آورد.

اولویت چهارم: مدیریت ریسک تمرکز در فناوری و داده

چهارمین اولویت هوش مصنوعی در صنعت مالی، موضوعی است که شاید در نگاه اول کم‌تر دیده شود اما پیامدهای سیستمی بسیار گسترده‌ای دارد. موسسات مالی در سراسر جهان روزبه‌روز وابستگی بیش‌تری به تعداد محدودی از ارایه‌دهندگان مدل‌های پایه‌ی هوش مصنوعی، پلتفرم‌های ابری و تامین‌کنندگان داده پیدا می‌کنند. این وابستگی فزاینده، ریسکی ساختاری و نظام‌مند ایجاد می‌کند که در ادبیات مدیریت ریسک به آن «ریسک تمرکز³» گفته می‌شود.

ماهیت این تهدید از آن جا ناشی می‌شود که بروز یک نقص فنی، آسیب‌پذیری امنیتی یا خطای الگوریتمی در یک مدل پایه یا پلتفرم ابری واحد، می‌تواند به طور هم‌زمان بر ده‌ها یا صدها موسسه مالی اثر بگذارد و بحرانی سیستمی ایجاد کند. این سناریو چندان دور از ذهن نیست؛ حوادثی مانند اختلالات گسترده‌ی سرویس‌های ابری در سال‌های اخیر نشان داده‌اند که تمرکز بیش از حد بر یک تامین‌کننده، آسیب‌پذیری کل زیست‌بوم مالی را افزایش می‌دهد.

برای مقابله با ریسک تمرکز، سازمان‌های مالی باید چند اقدام ساختاری را در دستور کار قرار دهند. نخست، طراحی سامانه‌هایی با قابلیت انتقال‌پذیری⁴ که امکان مهاجرت از یک تامین‌کننده به تامین‌کننده دیگر را بدون اختلال عمده فراهم کند. دوم، حفظ تامین‌کنندگان جای‌گزین و اجتناب از وابستگی انحصاری به یک شرکت واحد. سوم، استقرار سازوکارهای کنترل دسترسی دقیق به داده‌های مشتریان برای جلوگیری از سوءاستفاده یا نشت اطلاعات. چهارم، تدوین برنامه‌های مدون و آزمایش‌شده برای مواجهه با سناریوهای اختلال یا شکست تامین‌کنندگان اصلی هوش مصنوعی و ابری.

نهادهای ناظر مالی در اروپا و بریتانیا نیز به‌تدریج توجه ویژه‌ای به این موضوع معطوف کرده‌اند. مقررات تاب‌آوری عملیاتی دیجیتال (DORA)⁵ در اتحادیه‌ی اروپا و چارچوب‌های نظارتی مشابه در بریتانیا، همگی بر لزوم مدیریت ریسک‌های ناشی از تمرکز فناوری و داده تاکید دارند. سازمان‌هایی که از هم اکنون این الزامات را جدی نگیرند، نه تنها با تهدیدهای عملیاتی، بلکه با تهدیدهای نظارتی و اعتباری قابل توجهی نیز مواجه خواهند شد.

اولویت پنجم: هوش مصنوعی در خدمت رفاه مالی، نه فقط کاهش هزینه

پنجمین و شاید عمیق‌ترین اولویت هوش مصنوعی در صنعت مالی، تغییر نگاه بنیادین به کارکرد هوش مصنوعی در صنعت مالی است. صنعت مالی سال‌هاست که بیش از آن که بر خلق ارزش واقعی برای مشتریان تمرکز کند، بیش‌تر به دنبال «استخراج ارزش» از آن‌ها بوده است. ساختار کارمزدها، پیچیدگی عمدی محصولات مالی، فروش خدمات غیرضروری و عدم شفافیت اطلاعاتی، همگی نشانه‌هایی از این رویکرد استخراجی هستند.

امروز اغلب موسسات مالی از هوش مصنوعی برای کاربردهایی استفاده می‌کنند که در ذات خود، ادامه‌ی همان رویکرد استخراجی با ابزار جدید است: خلاصه‌سازی خودکار اسناد حقوقی، تولید کد، خودکارسازی مراکز تماس و کاهش نیروی انسانی بخش خدمات مشتریان. این‌ها کاربردهای معتبر و ارزشمندی هستند، اما ساده‌ترین و سطحی‌ترین لایه بهره‌برداری از هوش مصنوعی در صنعت مالی به شمار می‌روند.

فرصت واقعی و تمایزبخش، بسیار فراتر از کاهش هزینه‌های عملیاتی است. هوش مصنوعی ظرفیت بی‌سابقه‌ای برای بهبود بنیادین تجربه‌ی مالی شهروندان دارد. این فناوری می‌تواند به مردم کمک کند تا درک بهتر و عمیق‌تری از وضعیت مالی خود پیدا کنند، پیش از آن که بحران بدهی به نقطه‌ی بازگشت‌ناپذیر برسد با آن مواجه شوند و بدون احساس قضاوت شدن یا شرمساری، تصمیم‌های مالی آگاهانه‌تری بگیرند.

تصور کنید مشاوری مالی که ۲۴ ساعته در دسترس است، تاریخچه‌ی مالی شما را به طور کامل می‌شناسد، هیچ محصولی برای فروش ندارد و تنها هدفش بهبود سلامت مالی شماست. هوش مصنوعی این ظرفیت را دارد که چنین تجربه‌ای را در مقیاس میلیونی ممکن سازد؛ تجربه‌ای شخصی‌سازی‌شده، بدون سوگیری تجاری و مبتنی بر منافع واقعی مشتری.

شاید تاکنون هیچ فناوری‌ای به اندازه هوش مصنوعی این پتانسیل را نداشته است که تعامل میان مشتری و خدمات مالی را تا این اندازه متحول کند. اما تحقق این پتانسیل، مستلزم تغییر ذهنیت مدیران ارشد صنعت مالی است. پرسش اصلی نباید این باشد که «چه‌گونه با تعداد کارکنان کم‌تر و تماس‌های کوتاه‌تر بهره‌وری بیش‌تری کسب کنیم»، بلکه باید این باشد که «چه‌گونه با هوش مصنوعی، زندگی مالی مشتریانمان را واقعا بهتر کنیم».

تصویر بزرگ: از استخراج ارزش به خلق ارزش

اگر پنج اولویت هوش مصنوعی در صنعت مالی را ذکر کردیم، در کنار هم ببینیم، یک الگوی مشترک آشکار می‌شود: صنعت مالی در نقطه‌ی عطفی تاریخی ایستاده است. هوش مصنوعی می‌تواند ابزاری برای تعمیق همان الگوی استخراجی باشد که دهه‌هاست بر صنعت مالی حاکم است، یا می‌تواند فرصتی بی‌نظیر برای بازتعریف رابطه میان موسسات مالی و جامعه باشد.

مدیریت بازده سرمایه‌گذاری، آمادگی برای هوش مصنوعی عامل‌محور، نوسازی زیرساخت‌های داده، مدیریت ریسک تمرکز و تمرکز بر رفاه مالی؛ هیچ کدام به‌تنهایی کافی نیستند. قدرت واقعی زمانی آشکار می‌شود که این پنج اولویت در یک چارچوب منسجم و با چشم‌انداز بلندمدت دنبال شوند.

سال ۲۰۲۶ سالی است که تصمیم‌های امروز، معماری مالی دهه‌ی آینده را شکل خواهند داد. موسساتی که با شجاعت پروژه‌های ناکارآمد را متوقف کنند، زیرساخت‌های داده‌ای خود را اصلاح کنند، برای عصر عامل‌محور آماده شوند، ریسک تمرکز فناوری را مدیریت کنند و از همه مهم‌تر؛ هوش مصنوعی را در خدمت خلق ارزش واقعی برای مشتریان قرار دهند، برندگان این دوره‌ی گذار خواهند بود.

در مقابل، سازمان‌هایی که هم‌چنان به رویکرد «انجام همان کارهای قبلی با ابزار جدیدتر» بسنده کنند، بدون تردید جایگاه خود را به رقبای چابک‌تر و آینده‌نگرتر واگذار خواهند کرد. آینده‌ی هوش مصنوعی در صنعت مالی را نه فقط فناوری، بلکه فلسفه‌ی استفاده از آن فناوری تعیین خواهد کرد.

جمع‌بندی

پنج اولویت هوش مصنوعی در صنعت مالی که بررسی شدند، نقشه‌ی راهی فشرده اما جامع برای مدیران، سیاست‌گذاران و پژوهش‌گران حوزه‌ی فناوری مالی ارایه می‌دهد. این اولویت‌ها نه مستقل از یک‌دیگر، بلکه در تعامل و وابستگی متقابل‌اند. اثبات بازده‌ی سرمایه‌گذاری بدون زیرساخت داده‌ای مناسب ممکن نیست؛ آمادگی برای عصر عامل‌محور بدون حکمرانی قوی خطرناک است و تمرکز بر رفاه مالی بدون مدیریت ریسک تمرکز فناوری، ناپایدار خواهد بود.

پرسش نهایی، همان پرسشی است که باید بر ذهن هر مدیر ارشد، هر سیاست‌گذار و هر دانشجوی فناوری مالی حک شود: وقتی ماشین‌ها فرایند استخراج ارزش را به بهترین شکل ممکن انجام دهند، جز ارزشی که خودتان خلق می‌کنید، چه چیزی شما را از دیگران متمایز خواهد ساخت؟ پاسخ به این پرسش، آینده‌ی هوش مصنوعی در صنعت مالی و آینده‌ی خود صنعت مالی را رقم خواهد زد.

پرسش‌های متداولِ هوش مصنوعی در صنعت مالی

فهرست منابع مورد استفاده

• Alithya Financial Services Survey Report. (n.d.). https://pages.alithya.com/al-2026-financial-services-trends-and-analysis-report-one-bottom/
• KPMG & KPMG International Limited. (2026, May 14). 2026 UK AI in Finance Report. KPMG. https://kpmg.com/uk/en/insights/audit/ai-in-finance-report.html?utm_source=chatgpt.com
• Review into the long-term impact of AI on retail financial services (The Mills Review). (2026). In FCA. https://www.fca.org.uk/publications/calls-input/review-long-term-impact-ai-retail-financial-services-mills-review?utm_source=chatgpt.com
• Aldridge, I., An, J., Burke, R., Cao, M., Chien, C., Deng, K., Deng, R., Gao, Y., Guo, O., He, S., Li, Z., Lin, G., Lin, W., Lyu, P., Ng, A., Wang, Q., Xiao, H., Xu, D., Xue, Y., . . . Zheng, W. (2026, April 23). Agentic Artificial Intelligence in Finance: A Comprehensive survey. arXiv.org. https://arxiv.org/abs/2604.21672?utm_source=chatgpt.com
• Cao, L. (2021, July 20). AI in Finance: Challenges, Techniques and Opportunities. arXiv.org. https://arxiv.org/abs/2107.09051?utm_source=chatgpt.com
• Tomei, P. M., Jain, R., & Franklin, M. (2025, January 29). AI Governance through Markets. arXiv.org. https://arxiv.org/abs/2501.17755?utm_source=chatgpt.com
• Karaosman, E., Rizvani, A., & Pekaric, I. (2026, March 24). Security Barriers to Trustworthy AI-Driven Cyber Threat Intelligence in Finance: Evidence from Practitioners. arXiv.org. https://arxiv.org/abs/2603.23304?utm_source=chatgpt.com
• AI and the future of retail financial services (The Mills Review). (2026, June 7). FCA. https://www.fca.org.uk/publications/corporate-documents/mills-review

1. Agentic Finance ↩︎
2. Human-on-the-loop ↩︎
3. Concentration Risk ↩︎
4. Portability ↩︎
5. Digital Operational Resilience Act (DORA) ↩︎
6. Agentic AI ↩︎