تصور کنید یک بانکدار که در حال اجرای تحلیل نرمالسازی سود و زیان (P&L) است، بتواند بدون ترک محیط چت، دقیقاً یادداشتهای تطبیق پشت یک رقم EBITDA تعدیلشده را بررسی کند. او میتواند دقیقاً بفهمد کدام هزینهها حذف شدهاند و بر اساس آن تصمیم بگیرد که چگونه این رقم را در یک مدل ارزشگذاری به کار ببرد. این دیگر یک رویای اتوماسیون نیست، بلکه قابلیت جدیدی است که در ۱۰ سپتامبر ۲۰۲۶ با معرفی ChatGPT برای خدمات مالی (ChatGPT for Financial Services) به واقعیت پیوست. این سرویس که نسخهای تخصصی از ChatGPT Work است، برای حذف اصطکاکهای دستی در پژوهشهای مالی و تولید مستندات (Artifacts) طراحی شده است.
این عرضه در زمانی صورت میگیرد که مؤسسات مالی برای انتقال هوش مصنوعی از چتباتهای آزمایشی به ابزارهای در سطح تولید (Production-grade) که قادر به مدیریت دادههای ساختاریافته و حساس هستند، با چالش روبرو شدهاند. با تکیه بر پوششهای قبلی ما درباره OpenAI Agents API و ارکستراسیون مدیریتشده آن، این پیشنهاد عمودی جدید، فراتر از عاملهای چندمنظوره رفته و به یک اکوسیستم دادهای عمیقاً یکپارچه تبدیل شده است.
برای اکثر تحلیلگران، «مایل آخر» در مسیر پذیرش هوش مصنوعی، نبود دادههای قابلاعتماد بوده است. تفاوت میان مدلی که درآمد یک شرکت را حدس میزند با مدلی که یک رقم تأییدشده را از گزارشهای سازمان بورس و اوراق بهادار (SEC) استخراج کرده و دقیقاً به شماره صفحه ارجاع میدهد، همان جهشی است که اوپنایآی در اینجا هدف قرار داده است.
مشارکتهای استراتژیک و تمرکز عملیاتی
اوپنایآی این محصول را از طریق یک مشارکت طراحی با مورگان استنلی (Morgan Stanley) و اورکور (Evercore) توسعه داده است. این شرکتها به اوپنایآی کمک کردند تا حیاتیترین چالشهای پیش روی مؤسسات مالی را شناسایی کند. این همکاری باعث شد تمرکز اولیه محصول بر بانکداری سرمایهگذاری و پژوهشهای سهام قرار بگیرد؛ جایی که نقاط درد اصلی، دسترسی به دادههای قابلاتکا و ایجاد مستندات با کیفیت بالا بود.
مورگان استنلی خاطرنشان کرد که «وعدهی پژوهشهای پیشرو زمانی به واقعیت تبدیل میشود که به کارکنان ما کمک کند کارهایی را انجام دهند که برای مشتریان ما اهمیت دارد». آنها افزودند که در حال آزمایش ایدههایی هستند تا شکل نحوه پژوهش درباره شرکتها و آمادهسازی توصیههای مشاورهای توسط این فناوری را تغییر دهند. اورکور نیز به طور مشابه با اوپنایآی همکاری میکند تا بینشهای پشت توصیههای خود را عمیقتر کند و در عین حال استانداردهای سختگیرانه و قضاوتهای حرفهای که مشتریانش انتظار دارند را حفظ نماید. اوپنایآی اعلام کرد که این همکاریهای شرکتی به اطلاعرسانی برای مراحل پس از آموزش (Post-training)، بهبودهای محصول و گسترش به سایر دستههای مالی ادامه خواهد داشت.
اکوسیستم دادههای داخلی
اوپنایآی با ایندکس کردن و میزبانی مجموعهدادهها مستقیماً روی زیرساخت خود، نیاز به قراردادهای جداگانه را دور زده است. این اقدام باعث کاهش تأخیر (Latency) شده و ارجاعات دقیقی را که برای ردپاهای حسابرسی (Audit trails) ضروری است، فراهم میکند. این محصول شامل دادههای بومی از منابع زیر است:
- Daloopa، PitchBook و LSEG News (که شامل متن گزارشهای سود، صورتهای مالی، بنیادهای شرکتها و دادههای شرکتهای خصوصی است).
- اتصالدهندههای بهینهشده MCP برای S&P Global و FactSet.
- یک اکوسیستم گستردهتر شامل بیش از ۵۰ اتصالدهنده، از جمله Datasite، Box، Preqin و Intapp.
برای شرکتهایی که در حال حاضر اشتراکهای فعال دارند، اوپنایآی در حال پیادهسازی سیستمهای ورود مشترک (Shared sign-in) و یکپارچهسازی استحقاقها (Entitlement integrations) با S&P Capital IQ، LSEG، MSCI، Dow Jones Factiva و Moody’s است. این قابلیت به کاربران اجازه میدهد تا بهطور خودکار و از طریق همان حساب کاربری ChatGPT خود، به دادههایی که حق دسترسی به آنها را دارند، دسترسی پیدا کنند.
دیدگاه تأمینکنندگان داده
مدیران ارشد تأمینکنندگان داده یکپارچه شده، بر تغییر استراتژیک به سمت گردشکارهای «عاملمحور» (Agentic) تأکید کردند. توماس لی، مدیرعامل Daloopa، اظهار داشت که این مشارکت از استراتژی شرکتش برای ایفای نقش به عنوان زیرساخت دادهای برای هوش مصنوعی در خدمات مالی حمایت میکند.
تام ون باسکرک از PitchBook اشاره کرد که بازارهای خصوصی از نظر تاریخی برای تحلیل دشوار بودهاند و این مشارکت را گامی به سوی پاسخهایی توصیف کرد که بر پایه دادههای قابلاعتماد بنا شدهاند. سالی مور از S&P Global تأکید کرد که پورتال دادههای هوش مصنوعی، اطلاعات تأییدشده را در جایی ارائه میدهد که متخصصان در حال حاضر در آنجا کار میکنند. همچنین امیلی پرینس از LSEG خاطرنشان کرد که این همکاری استراتژی «هوش مصنوعی در همه جا» (Everywhere AI) آنها را از طریق اتصال MCP و اخبار منتخب رویترز پیش میبرد.
عملکرد GPT-6 Astra
در هسته این سرویس، مدل GPT-6 Astra قرار دارد. اوپنایآی ادعا میکند این مدل در سه قابلیت اصلی: بازیابی اطلاعات، استدلال مالی و تولید مستندات، در سطح استانداردهای جهانی (State-of-the-art) است. این مدل در حالی معرفی میشود که چالشهای امنیتی پیرامون عرضه آن پیشتر مورد بحث قرار گرفته بود.
طبق اعلام اوپنایآی، این مدل در بنچمارک OfficeQA Pro آزمایش شد؛ آزمونی که بولتنهای خزانهداری ایالات متحده شامل جداول، نمودارها و پانوشتهای پیچیده را تحلیل میکند. GPT-6 Astra امتیاز ۶۹.۹٪ را کسب کرد که جهشی قابلتوجه نسبت به امتیاز ۶۰.۲٪ مدل GPT-5.6 Sol است. این پیشرفت فنی در حالی رخ میدهد که این مدل نخستین آستانه بحرانی امنیت سایبری OpenAI را رد کرده است و استانداردهای جدیدی را تعریف میکند.
فراتر از بنچمارکها، این محصول میتواند در چندین منبع پژوهش کند، ارقام را در دورههای زمانی مختلف ردیابی نماید و یادداشتهای موجود در دادههای عمومی را تفسیر کند. کاربران سپس میتوانند نمودارهای تعاملی و بصریسازیهایی بسازند که منابع زیربنایی آنها برای بازبینی در دسترس است. اوپنایآی قصد دارد مدلها را به گونهای آموزش دهد (Post-train) که این مجموعهدادهها را در سطح بهترین تحلیلگران انسانی تفسیر کنند.
کنترلهای سازمانی و گردش کار
برای انتقال از مرحله تحلیل به مرحله تحویل، مدیران اکنون میتوانند قالبهای اختصاصی اکسل، ورد و پاورپوینت شرکت خود را از طریق یک صفحه مدیریت اختصاصی منتشر کنند. با پیکربندی قالبهای شرکت و راهنمای سبک (Style guides)، تیمها میتوانند تحلیلها را به مدلهای ارزشگذاری، یادداشتهای پژوهشی و کتابچههای معرفی (Pitchbooks) در فرمت خاص شرکت خود تبدیل کنند.
امنیت از طریق استانداردهای ChatGPT Enterprise مدیریت میشود، که شامل SAML SSO، توزیع SCIM و کنترلهای دسترسی مبتنی بر نقش (RBAC) است. اوپنایآی تصریح کرد که دادههای تجاری بهطور پیشفرض برای آموزش مدلها استفاده نمیشوند و هم در حالت استراحت (At rest) و هم در حین انتقال رمزنگاری شدهاند. مدیران همچنین میتوانند سیاستهای نگهداری فضای کاری (Workspace retention) را پیکربندی کنند.
تیمهای تطبیق (Compliance) میتوانند گزارشهای فضای کاری را از طریق OpenAI Compliance Platform صادر کنند تا گردشکارهای موجود برای حسابرسی و بازرسی را حفظ نمایند. شرکتها میتوانند دسترسی به مهارتها و اپلیکیشنها را بر اساس نقش مدیریت کنند، اقدامات خواندن/نوشتن اپلیکیشنهای خاص را فعال یا غیرفعال کنند و چندین فضای کاری ایجاد کنند تا موانع اطلاعاتی (Information barriers) سختگیرانهای بین تیمهای مختلف معاملات (Deal teams) برقرار نمایند.
گسترش عاملهای داده
در کنار مجموعه مالی، اوپنایآی یک عامل داده (Data agent) جدید را در ChatGPT Work معرفی کرد. این افزونه به منابع دادهای تأییدشده شرکت متصل میشود تا تغییرات در معیارهای کسبوکار را بررسی کند.
به جای انتظار برای گزارشهای هفتگی، کارکنان میتوانند از عامل بپرسند که چرا فروش در یک منطقه خاص کاهش یافته است یا کدام حسابها ریسک عدم تمدید قرارداد دارند. سپس عامل، داشبوردهای تعاملی میسازد که قابل اشتراکگذاری در سراسر سازمان است.
تحلیل تحریریه
این حرکت نشاندهنده انتقال اوپنایآی از ارائه یک «مغز» به ارائه «سیستم عصبی» سازمان است. با میزبانی دادهها و مشارکت با شرکتهایی مانند مورگان استنلی و اورکور، اوپنایآی در حال حمله به بزرگترین مانع پذیرش هوش مصنوعی در امور مالی است: شکاف اعتماد.
برای یک تحلیلگر حرفهای، ارزش واقعی تنها در سرعت نیست، بلکه در توانایی ردیابی یک ادعا تا منبع آن است. اگر یک هوش مصنوعی بتواند یک ارجاع قابل کلیک به یک ورودی در PitchBook ارائه دهد، تحلیلگر انسانی از یک «جمعآورنده داده» به یک «تأییدکننده داده» تبدیل میشود.
با این حال، اتکا به چند تأمینکننده بزرگ داده میتواند شکل جدیدی از وابستگی به فروشنده (Vendor lock-in) ایجاد کند. شرکتهایی که کل گردش کار پژوهشی خود را در اکوسیستم Astra ادغام میکنند، اگر اتصالدهندههای دادهای اختصاصی باقی بمانند، ممکن است مهاجرت به مدلهای دیگر را دشوار بیابند.
مؤسسات مالی و توسعهدهندگان اکنون میتوانند از طریق این محصول یا API اوپنایآی به این قابلیتها دسترسی داشته باشند تا اپلیکیشنهای داخلی تخصصی بسازند. ChatGPT برای خدمات مالی در حال حاضر برای مؤسسات واجد شرایط از طریق تیمهای حساب کاربری آنها در دسترس است.
گفتگو