هوش مصنوعی (AI) به شبیه‌سازی هوش انسانی در ماشین‌ها اطلاق می‌شود و به‌طور خاص برای انجام وظایفی طراحی شده است که معمولاً نیازمند تفکر انسانی هستند. این فناوری شامل ابزارهایی مانند یادگیری ماشین (ML)، پردازش زبان طبیعی (NLP) و رباتیک (Robotic) می‌شود و قادر است وظایفی نظیر استدلال، حل مسئله و تصمیم‌گیری را انجام دهد. (avidxchange, The Role of AI in Fintech: A Deep Dive, 2024)
هوش مصنوعی در فین‌تک
هوش مصنوعی می‌تواند به افزایش خودکارسازی و بهبود بهره‌وری عملیاتی در صنایع مختلف، از جمله فین‌تک، کمک کند. ترکیب هوش مصنوعی و فین‌تک تأثیر قابل توجهی بر صنعت مالی دارد و راهکارهای نوآورانه‌ای را ارائه می‌دهد که می‌تواند منجر به بهبود خدمات، افزایش امنیت، ساده‌سازی عملیات و ارائه تجربه‌های شخصی‌سازی‌شده به مشتریان شود. این همگرایی می‌تواند به مزایا و کاربردهای متعددی مانند پیشگیری از تقلب، خرید و فروش خودکار سهام، ارائه مشاوره مالی و استراتژی‌های سرمایه‌گذاری شخصی‌سازی شده و … منجر شود. (avidxchange, The Role of AI in Fintech: A Deep Dive, 2024)
چشمانداز سرمایه‌گذاران از آینده فین‌تک
در اینجا چشمانداز نهاد‌های مختلف سرمایه‌گذاری در خصوص توسعه آتی فین‌تک به وسیله هوش مصنوعی مورد بررسی قرار گرفته است. (The future of fintech, silicon valley bank, oct 2024)
شکل ۱: بررسی نظرات سرمایه‌گذاران در حوزه چشمانداز آتی فین‌تک
چگونگی استفاده از هوش مصنوعی در فین‌تک
ChatGPT چنان جهشی در GenAI ایجاد کرد که موجب تقسیم شرکت‌ها به دو دسته شد: دسته اول بعد از معرفی آن، خود را با هوش مصنوعی سازگار کرده‌اند و دسته دیگر آنهایی که قبل از معرفی در محصولات، خدمات و فرایندهای خود شروع به توسعه ابزار هوش مصنوعی کرده بودند.
فین‌تک‌های هوش مصنوعی که از سال ۲۰۲۰ تأسیس شدند، پیشرفت‌هایی در حوزه پردازش داده‌های بیمه‌ای و هوشمندسازی بازار سرمایه داشتند؛ دسته اول به ازای هر دلار صرف شده در حال تولید ارزش بیشتری نسبت به دسته دوم است.
فین‌تک سوئدی Klarna که خدمات «BNPL» را ارائه می‌دهد، اخیراً اعلام کرده توانسته عملیاتی که حدوداً به ۷۰۰ نفر منابع انسانی (جهت پاسخگویی به مشتریان) نیاز داشته را با چت‌بات توسعه و زمان پاسخگویی را از ۱۱ دقیقه به دو دقیقه کاهش دهد. این شرکت هزار نفر از کارکنان خود را تعدیل کرده و قصد دارد دو هزار ردیف شغلی دیگر را با جایگزینی هوش مصنوعی حذف کند.
شکل ۲: استارت آپ‌های فین‌تکی AI محور در حوزه ML طبق دادهای pitchbook
نقشه راه هوش مصنوعی در فین‌تک
در ادامه به بررسی نقشه راه توسعه زیرشاخه‌های مختلف هوش مصنوعی در فین‌تک خواهیم پرداخت؛ در واقع دو گروه براساس کاربرد اختصاصی یا عمومی هوش مصنوعی در فین‌تک شناسایی شده است. زیرشاخه‌های عمودی مربوط خدمات حوزه هوش مصنوعی که انحصاراً در فین‌تک کاربرد دارند و زیرشاخه‌های افقی مربوط به خدمات هوش مصنوعی که عموماً در کنار سایر صنایع، در صنعت فین‌تک هم مورد استفاده قرار می‌گیرند. در ادامه Hype curve نوآوری هوش مصنوعی در فین‌تک بررسی می‌شود. (The future of fintech, silicon valley bank, oct 2024)
شکل ۳: چرخه هایپ نوآوری هوش مصنوعی در فین‌تک
مرحله اول – تولد نوآوری(Innovation Trigger): در این مرحله یک نمونه محصول اولیه (MVP) موجود است اما نسخههای ارتقا یافته و کارآمد هنوز به بازار عرضه نشده است؛ کاربردهای عمودی (هوش مصنوعی منحصراً فعال در فین‌تک) همچون Decentralized banking، VC Investing با گذشت بیش از ۱۰ سال از فعالیت خود همچنان در این مرحله قرار دارند.
مرحله دوم – قله انتظارات (Peak Expectations): در این مرحله نوآوری وارد مرحله اجرا شده و کاربر به استفاده از این تکنولوژی علاقمند شده است و شروع به کارگیری آن می‌کند. در ادامه این مرحله، کاربران نظرات مثبت و منفی خود را از تجربه کاربری اعلام می‌کنند. در حال حاضر کاربردهای عمودی هوش مصنوعی در فین‌تک که در این مرحله قرار گرفته‌اند عبارتند از: Claims Processing و Regulatory Compliance با مدت فعالیت بین ۲ تا ۵ سال و Market Prediction با مدت فعالیت ۵ تا ۱۰ سال.
مرحله سوم – سرخوردگی (Disillusionment): در این مرحله با توجه به نظرات کاربران، تکنولوژی به دلیل عدم کسب رضایت و دریافت بازخوردهای منفی در مقطعی کاربران و همچنین بازار خود را از دست می‌دهد و گاهاً توسعه‌دهندگان تکنولوژی تصمیم به پایان دادن محصول یا خدمت مورد نظر می‌گیرند؛ از جمله کاربردهای هوش مصنوعی که در حال حاضر در این مرحله هستند عبارتند از: Deal Negotiation، Robo Advisors و Treasury Management
مرحله چهارم – سراشیبی روشنگری(Slope of Enlightenment): با گذشت زمان و عبور از شرایط بحران، کم کم کاربران دوباره به استفاده از این محصولات روی می‌آورند و معمولاً در این مرحله، نسخه جدیدی از این اپلیکیشن‌ها به بازار ارائه می‌شود؛ در حال حاضر AI Assistant، lead Generation و Customer chatbot در این مرحله قرار دارند.
مرحله پنجم – سطح سودمندی (Plateau of Productivity): در این مرحله، تکنولوژی توسط عموم کاربران پذیرفته شده و کاربران خود را در جامعه یافته است؛ در حال حاضر در این مرحله، کاربردهای عمودی و افقی هوش مصنوعی عبارتند از: Algorithmic Trading ،Fraud detection و NLP که هر کدام در کمتر از ۲ سال توانسته‌اند چرخه هایپ را بطور کامل طی کرده و به ثبات در استفاده از این تکنولوژی در بازار برسند.
اندازه بازار هوش مصنوعی در فین‌تک
اندازه بازار هوش مصنوعی در صنعت فین‌تک طی سال‌های اخیر رشد چشمگیری داشته و پیش‌بینی‌ها حاکی از ادامه روند صعودی آن دارد. ارزش این بازار از ۴۲.۸۳ میلیارد دلار در سال ۲۰۲۳ به ۴۴.۰۸ میلیارد دلار در سال ۲۰۲۴ رسیده است و انتظار می‌رود تا سال ۲۰۲۹ به ۵۰.۸۷ میلیارد دلار افزایش یابد. نرخ رشد مرکب سالانه (CAGR) این بازار برای دوره شش‌ساله ۲۰۲۳ تا ۲۰۲۹ حدود ۲.۹۱ درصد برآورد می‌شود که نشان از رشد پایدار و پیوسته هوش مصنوعی در صنعت فین‌تک دارد.
افزایش تقاضا برای فناوری‌های هوش مصنوعی در صنعت مالی، به دلیل توانایی آن در ارتقا کیفیت تجربه مشتریان، افزایش امنیت و بهینه‌سازی فرایندهای مالی است. یکی از عوامل کلیدی در این رشد، نیاز مؤسسات مالی به ارائه خدمات دقیق‌تر و شخصی‌سازی‌شده‌تر برای مشتریان است.
هوش مصنوعی با تحلیل داده‌ها به صورت کلان و پیش‌بینی رفتار مشتریان، به شرکت‌های فین‌تک این امکان را می‌دهد که خدمات خود را به صورت مؤثرتر و کارآمدتر ارائه دهند. علاوه بر این، این فناوری در مقابله با تقلب، مدیریت ریسک و خودکارسازی عملیات مالی نقش مهمی را ایفا می‌کند و باعث کاهش هزینه‌ها و افزایش سودآوری در این صنعت می‌شود. Artificial intelligence in finance, 2024) statista,)
نمودار ۱: اندازه بازار هوش مصنوعی در صنعت فین‌تک (منبع: statista)
- تهیه شده در واحد کسب و کار و توسعه خدمات شرکت گروه مالی شهر
