مورگان استنلی با کاهش استقلال هوش مصنوعی، بهره‌وری را دو برابر کرد

بیشتر شرکت‌ها در دو سال گذشته هوش مصنوعی را برای نوشتن کد یا پاسخ دادن به مشتریان امتحان کرده‌اند؛ اما مورگان استنلی (Morgan Stanley) سراغ یکی از حساس‌ترین بخش‌های فعالیت بانکی رفت؛ جایی که کوچک‌ترین اشتباه می‌تواند پیامدهای مالی جدی داشته باشد. این بانک سیستم هوش مصنوعی داخلی خود با نام فیکسر (FIXR) را وارد فرآیند تطبیق سود و زیان (Profit & Loss Reconciliation) کرد؛ فرآیندی که هر روز باید اطلاعات مالی، ریسک، عملیات و معاملات را با یکدیگر تطبیق دهد و هر اختلافی را قبل از شروع روز کاری برطرف کند.

در گذشته کارشناسان باید صدها هزار اختلاف احتمالی میان داده‌ها را به‌صورت دستی بررسی می‌کردند. انجام این کار برای هر دفتر معاملاتی تا ۶ ساعت طول می‌کشید، اما اکنون همان فرآیند در حدود ۲ تا ۳ ساعت انجام می‌شود. نتیجه این تغییر برای حدود ۱۰۰ کنترل‌کننده مالی در سراسر آمریکا، اروپا و آسیا، صرفه‌جویی نزدیک به ۱۵۰۰ ساعت کاری در هر هفته بوده است. با این حال، نکته جالب اینجاست که دلیل این موفقیت، آزاد گذاشتن کامل هوش مصنوعی نبوده است.

سیستم فیکسر بیشتر شبیه یک همکار باتجربه عمل می‌کند تا یک کارمند مستقل. چند عامل هوش مصنوعی به‌طور هم‌زمان روی مسئله کار می‌کنند؛ یکی پیشنهادهای اولیه را ارائه می‌دهد، دیگری رفتار کارشناسان را یاد می‌گیرد، عامل دیگری الگوهای تکرارشونده را به قوانین ثابت تبدیل می‌کند و اگر به نتیجه مطمئن نرسد، از انسان کمک می‌خواهد. هر پیشنهاد باید توسط کارشناس بررسی، تأیید یا اصلاح شود. همین بازخوردهای روزانه باعث می‌شود سیستم به‌تدریج دانش انسانی را به قوانین قابل تکرار تبدیل کند و در آینده برخی اختلاف‌ها را به‌صورت خودکار برطرف کند.

مورگان استنلی تأکید می‌کند قبل از استفاده از هوش مصنوعی، ابتدا باید خود فرآیندها اصلاح شوند. تیم پروژه ابتدا همه مراحل کاری را بررسی کرد تا مشخص شود کدام بخش واقعاً به هوش مصنوعی نیاز دارد، کدام بخش با اتوماسیون سنتی حل می‌شود و کجا فقط باید فرآیندها بازطراحی شوند. این رویکرد باعث شد کارشناسان از انجام کارهای تکراری فاصله بگیرند و زمان بیشتری برای تحلیل‌های عمیق‌تر و بررسی ریسک اختصاص دهند. همچنین این بانک عمداً بخش زیادی از تصمیم‌ها را به قوانین قطعی سپرد تا وابستگی به مدل‌های زبانی بزرگ (Large Language Models) کمتر شود؛ رویکردی که هم هزینه پردازش را کاهش می‌دهد و هم نتایج قابل پیش‌بینی‌تری تولید می‌کند.

این تجربه با یافته‌های نظرسنجی اخیر ونتچربیت هم هم‌خوانی دارد. در این نظرسنجی که روی ۸۷ سازمان انجام شد، نزدیک به سه‌چهارم پاسخ‌دهندگان اعلام کردند پروژه‌های شخصی‌سازی مدل‌های هوش مصنوعی بازده مالی قابل توجهی نداشته‌اند. همچنین ۳۸ درصد شرکت‌ها نبود یک مسئول مشخص برای نظارت بر هوش مصنوعی را مهم‌ترین مانع ورود آن به محیط عملیاتی دانسته‌اند. پیام مشترک این نتایج روشن است: موفقیت هوش مصنوعی بیش از آنکه به مدل‌های پیچیده وابسته باشد، به طراحی فرآیند، حاکمیت مناسب و حفظ مسئولیت‌پذیری انسان وابسته است.