آیا موج هوش مصنوعی در ایران صرفا یک مد روز فناورانه است یا واقعا چهره‌ی بورس و بانکداری کشور را عوض می‌کند؟ هم سیاست‌گذار ایرانی برای آن نقشه راه گذاشته، هم بازار سرمایه و شبکه بانکی قدم‌های عملی برداشته‌اند، اما چالش کیفیت داده، زیرساخت و حکمرانی مدل‌ها همچنان تعیین‌کننده است. به طور کلی، هوش مصنوعی قرار است ابزار افزایش رقابت‌پذیری اقتصادی باشد، نه صرفاً یک آزمایشگاه دانشگاهی. ما در این مقاله به اهمیت AI در بازارهای مالی می‌پردازیم.
هوش مصنوعی در یک نگاه
هوش مصنوعی (AI) مجموعه‌ای از روش‌ها و سامانه‌هاست که با تکیه بر داده و محاسبات، الگوها را یاد می‌گیرند و شبیه انسان تصمیم‌گیری یا پیش‌بینی می‌کنند؛ از یادگیری ماشین و بینایی رایانه‌ای تا مدل‌های زبانی بزرگ که در پردازش متن فارسی هم روزبه‌روز بهتر می‌شوند. در ایران، رشد AI طی یکی‌دو سال اخیر از سطح گفتار عبور کرده و وارد نقشه‌راه ملی و برنامه‌های اجرایی شده است. تصویب سند ملی هوش مصنوعی جمهوری اسلامی ایران در سال ۱۴۰۳، نقطه عطفی بود که جهت‌گیری‌های بالادستی را برای توسعه زیرساخت پردازشی، حکمرانی داده و کاربردهای اقتصادی از جمله خدمات مالی روشن کرد. این سند به‌روشنی هدف کاربردی‌سازی اقتصاد» را دنبال می‌کند و از توسعه سرمایه انسانی، پشتیبانی از صنعت و تقویت زیرساخت داده و رایانش سخن می‌گوید؛ یعنی هوش مصنوعی در ایران، صرفا یک موج رسانه‌ای نیست و برایش چارچوب مصوب وجود دارد.
عمق نفوذ هوش مصنوعی در بازارهای مالی
واقعیت این است که در حال حاضر، AI هم ابرقدرت نیست و هم محدود به اتوماسیون ساده نیست؛ توانایی‌اش بسته به کیفیت داده، کنترل ریسک مدل و سازگاری با مقررات تغییر می‌کند. در ایران، دو عامل مهم ظرفیت پیشروی را تعیین می‌کنند:
1. چارچوب‌های مقرراتی مشخص:
بازار سرمایه کشور، برای بخش حساسی مثل معاملات الگوریتمی الزامات نسخه ۴.۰ را ابلاغ کرده است. این الزامات روی چیزهایی مثل داشتن شناسه الگوریتم، محدودیت‌های زمانی در ارسال/اصلاح سفارش، منع فعالیت در برخی بازه‌های بازاری و لاگ‌برداری دقیق تأکید می‌کنند. معنایش این است که AI در هسته معاملات می‌تواند کمک کند، اما باید با قواعد سختگیرانه بازی کند؛ بنابراین پیشبرد مسائل مالی در لایه معاملات ممکن است اما باید مدیریت‌شده آن را پیش برد.
2. بلوغ داده و زیرساخت:
سند ملی AI به‌صراحت روی زیرساخت پردازشی و حکمرانی داده دست می‌گذارد. در عمل، بسیاری از تیم‌های داده در ایران با چالش‌های کیفیت و یکپارچگی داده روبه‌رو هستند (گپ‌های تاریخی، تفاوت فرمت‌ها، نسخه‌بندی ناکامل). هرچه این بسترها حرفه‌ای‌تر شوند، توان AI برای حل مسائل مالی از اتوماسیون عملیاتی به تصمیم‌سازی جدی نزدیک‌تر می‌شود. به زبان ساده، هوش مصنوعی می‌تواند به‌صورت معنادار دقت، سرعت و کارایی فرایندهای مالی را بالا ببرد، اما سقف این پیشرفت، با کیفیت داده و انطباق با مقررات تعیین می‌شود.
در چه کارهای مالی می‌توان از هوش مصنوعی استفاده کرد؟
در اکوسیستم مالی ایران، کاربردهای زیر هم‌اکنون قابل اجرا یا در دست اجرا هستند. برای هرکدام، مسیر پیاده‌سازی واقع‌بینانه و متناسب با مقررات پیشنهاد می‌شود:
1. اعتبارسنجی و امتیازدهی اعتباری:
با ترکیب داده‌های تاریخی تراکنش، سوابق بازپرداخت و الگوهای رفتاری می‌توان مدل‌های امتیازدهی ساخت که هم پوشش را افزایش دهند و هم ریسک نکول را پایین بیاورند. شروع با مدل‌های شفاف (لجستیک/درخت تصمیم) سپس حرکت به سمت مدل‌های پیچیده‌تر به شرط مستندسازی توضیح‌پذیر.
2. کشف تقلب در پرداخت و تسهیلات:
الگوهای تقلب معمولا نازک‌نقش و پویا هستند. ML می‌تواند از الگوهای رفتاری حساب‌ها، زمان‌بندی و شبکه روابط سیگنال بسازد و هشدار زودهنگام دهد. در ایران، رویکردهای ضدتقلب AI در بانک‌ها و فین‌تک‌ها در حال توسعه و استقرارند.
3. تحلیل متون فارسی برای خبر و احساسات بازار:
خبرگزاری‌های رسمی، سامانه کدال، شبکه‌های اجتماعی و حتی کامنت‌های کاربری، گنجینه‌ای از سیگنال‌های نرم هستند. مدل‌های NLP فارسی می‌توانند این متن‌ها را به امتیاز مثبت/منفی/خنثی تبدیل کنند و برای رصد ریسک، واکنش سریع به اخبار و حتی تنظیم پوشش هج به کار بروند.
4. اتوماسیون عملیات و تجربه مشتری در بانک‌ها:
از خوانش خودکار اسناد (OCR) و طبقه‌بندی هوشمند درخواست‌ها گرفته تا ربات‌های گفتگو برای راهنمایی محصول و پیگیری پرونده‌ها. ادبیات داخلی بانکداری تاکید می‌کند که این حوزه‌ها کم‌هزینه‌تر و زودبازده‌ترند و در کوتاه‌مدت بیشترین صرفه‌جویی را ایجاد می‌کنند.
5. مدیریت ریسک پرتفوی و سناریونویسی:
هوش مصنوعی می‌تواند سناریوهای استرس (Shock) را سریع‌تر بسازد، همبستگی‌های پنهان را کشف کند و با ترکیب داده‌های ساخت‌یافته و متن، نقشه ریسک به‌روزشونده ارائه دهد. در ایران، از منظر مقرراتی باید اطمینان حاصل شود که ورودی‌ها، کنترل نسخه دارند و خروجی‌ها با خط‌مشی‌های ریسک و گزارش‌دهی هم‌خوانند.
آیا هوش مصنوعی در کجای تامین مالی جمعی می‌تواند مفید باشد؟
تامین مالی جمعی (Crowdfunding) از سال ۱۳۹۹ به رسمیت شناخته شد و زیر نظر سازمان بورس و با محوریت فرابورس ایران، دستورالعمل رسمی دارد. بنابراین، فضای مقرراتی مشخص است و پلتفرم‌های مجاز (سکوها) با نقش عامل و سکو تعریف شده‌اند. این بستر، نقاط تماس متعددی با هوش مصنوعی دارد:
1. ارزیابی طرح‌ها و رتبه‌بندی کمپین‌ها:
مدل‌های یادگیری ماشین می‌توانند با استفاده از داده‌های تاریخی کمپین‌ها، ویژگی‌های کسب‌وکار، میزان تعامل مخاطبان و کیفیت اسناد، احتمال موفقیت یا ریسک اجرایی را تخمین بزنند. خروجی به سکوی مدنظر کمک می‌کند تا صفحه کمپین‌ها را هوشمندانه‌تر بچیند و به سرمایه‌گذاران خرد، نمایه ریسک/بازده شفاف‌تری نشان دهد، به شرط درج توضیحات روش‌شناسی و رعایت دستورالعمل اطلاع‌رسانی فرابورس.
2. کشف تقلب و راستی‌آزمایی هویت/اسناد:
در سکوها، جریان اطلاعات و تراکنش‌ها گسترده است. هوش مصنوعی می‌تواند الگوهای غیرعادی در رفتار جمع‌آوری/برداشت منابع، تضادها در اسناد یا شبکه‌های تکراری حساب‌ها را شناسایی کند. این کار ریسک شهرت سکوی ایرانی را پایین می‌آورد و به انطباق با دستورالعمل تامین مالی جمعی کمک می‌کند.
3. پایش برخط پیشرفت پروژه‌ها:
پس از موفقیت کمپین، AI با تحلیل گزارش‌های دوره‌ای، فاکتورها و حتی بازخورد کاربران، داشبورد سلامت پروژه می‌سازد و هشدارهای زودهنگام (تاخیر/کسری منابع/ریسک اجرا) می‌دهد. این شفافیت برای فرابورس و سرمایه‌گذار خرد ارزش بالایی دارد.
نتیجه‌گیری
هوش مصنوعی در مالی ایران رو به رشد است؛ با سند ملی ۱۴۰۳ و مقرراتی مثل الزامات معاملات الگوریتمی ۴.۰ وارد فاز اجرا شده اما سقف اثرگذاری‌اش را کیفیت داده، زیرساخت و حکمرانی مدل تعیین می‌کند. در عمل، از اعتبارسنجی و کشف تقلب تا NLP فارسی برای خبر، اتوماسیون بانکداری و مدیریت ریسک همگی قابل پیاده‌سازی‌اند، به شرط انطباق مقرراتی و مستندسازی توضیح‌پذیر. در تامین مالی جمعی نیز AI با رتبه‌بندی کمپین‌ها، کشف تقلب و پایش برخط پروژه‌ها ارزش و شفافیت می‌افزاید.
