اگر تحلیلگر مالی هستید و ساعت‌ها وقت خود را صرف جابه‌جایی داده‌ها بین اکسل و پاورپوینت می‌کنید، باید بدانید که جریان کاری شما با یک تغییر ساختاری رو‌به‌رو شده است. در ۵ مه ۲۰۲۶، شرکت آنتروپیک (Anthropic) مخزن عظیمی از قالب‌های عامل‌های هوشمند را به‌صورت بازمتن منتشر کرد و از یک سرمایه‌گذاری مشترک ۱.۵ میلیارد دلاری خبر داد که هدف آن جایگزینی رابط‌های مالی اختصاصی با یک سیستم‌عامل بازِ هوش مصنوعی است.
این اتفاق صرفاً یک به‌روزرسانی نرم‌افزاری نیست؛ بلکه یک بازی سرمایه‌ای برای سازماندهی مجدد نحوه فعالیت بانک‌های سرمایه‌گذاری و شرکت‌های سهام خصوصی است. بازار واکنش سریعی نشان داد: سهام فکت‌ست (FactSet) در یک جلسه معاملاتی بیش از ۸٪ سقوط کرد و مورنینگ‌استار (Morningstar) بیش از ۳٪ کاهش یافت، زیرا سرمایه‌گذاران دریافتند که ارزش رابط‌های داده‌ای اختصاصی در حال کاهش است. شرکت‌هایی مثل S&P Global و Moody's نیز فشار فروش شدیدی را تجربه کردند؛ این موضوع نشان‌دهنده ترسی گسترده‌تر است مبنی بر اینکه عامل‌های هوش مصنوعی اکنون می‌توانند «دیوارهای بلند» تامین‌کنندگان داده مالی را دور بزنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، باز کردن دسترسی به ابزارهای عملیاتی می‌تواند نظم سنتی بازار را برهم بزند. به نقل از گزارش dev.to، این چارچوب جدید که تاکنون ۳۰ هزار ستاره در گیت‌هاب گرفته، مجموعه‌ای از پرامپت‌ها نیست، بلکه یک سیستم‌عامل سه لایه برای محیط‌های عملیاتی است:
- لایه عامل (Agent Layer): شامل ۱۰ گردش‌کار تخصصی که موارد زیر را پوشش می‌دهد: آماده‌سازی ارائه‌ها (Pitch Prep)، آماده‌سازی جلسات (Meeting Prep)، تحلیل گزارش‌های سود (Earnings)، مدل‌ساز (Model Builder)، تحقیقات بازار (Market Research)، ارزش‌گذاری (Valuation)، تطبیق دفتر کل (GL Recon)، بستن حساب‌های پایان ماه (Month-End Close)، حسابرسی صورت‌های مالی (Statement Audit) و غربالگری KYC. این عامل‌ها چرخه کامل را مدیریت می‌کنند: استخراج داده $\rightarrow$ ساخت مدل $\rightarrow$ نوشتن یادداشت $\rightarrow$ ارسال ایمیل.
- لایه مهارت (Skill Layer): بیش از ۴۰ دستور تخصصی دامنه که عامل‌ها آن‌ها را سازماندهی می‌کنند. این دستورات شامل مواردی چون
/comps(مقایسه‌ای)،/dcf(جریان وجوه نقد تنزیفی)،/lbo(خرید شرکت با اهرم مالی)،/earnings(سود)،/ic-memo(یادداشت کمیته سرمایه‌گذاری)،/tlh(تاریخچه تراکنش‌ها)،/source(منبع)،/screen-deal(غربالگری معامله)،/portfolio(پرتفوی) و/rebalance(توازن مجدد) است. - لایه اتصال (Connector Layer): یکپارچگی با بیش از ۱۲ شریک داده‌ای از طریق پروتکل زمینه مدل (MCP). این لایه شامل دسترسی به داده‌های S&P Capital IQ، Moody's، LSEG، PitchBook، Morningstar، D&B، Guidepoint، IBISWorld، Third Bridge و SS&C Intralinks است که در مجموع دسترسی به داده‌های بیش از ۶۰۰ میلیون شرکت را فراهم می‌کند.
یکی از حیاتی‌ترین تصمیمات طراحی، تداوم زمینه بین برنامه‌ها (Cross-app context continuity) است. افزونه‌های کلود (Claude) برای اکسل، پاورپوینت، ورد و اوت‌لوک تضمین می‌کنند که زمینه تحلیلی کاربر را دنبال کنند. اگر تحلیلگری ارزیابی یک شرکت را در اکسل شروع کند، کلود به‌طور خودکار آن داده‌ها را به اسلایدهای پاورپوینت می‌برد و اصطکاک انتقال دستی داده‌ها را حذف می‌کند؛ جایی که معمولاً در هر مرز بین نرم‌افزاری، بخشی از زمینه تحلیلی گم می‌شد.
برای جلب رضایت نهادهای نظارتی مثل SEC و FINRA، آنتروپیک شرط «انسان در حلقه» (Human-in-the-Loop) را پیاده کرد. پیام آنتروپیک صریح است: «کلود آماده می‌کند؛ انسان تایید می‌کند. هیچ موردی به دست مشتری نمی‌رسد، ثبت نمی‌شود یا اقدامی روی آن صورت نمی‌گیرد مگر با تایید انسانی.» هر اجرای عامل، یک گزارش بازرسی کامل و قابل ردیابی در کنسول کلود ایجاد می‌کند که هر فراخوانی ابزار و نقطه تصمیم‌گیری را مستند می‌کند. در یک محیط با نظارت شدید، این قابلیت حسابرسی، بهای ورود به بازار است.
این سیستم در دو حالت مجزا عمل می‌کند تا یک مجموعه مهارت در محیط‌های مختلف اجرا شود:
- Claude Cowork: افزونه‌های دسکتاپ تعاملی که داخل برنامه‌های M365 قرار می‌گیرند تا همکاری لحظه‌ای تحلیلگران فراهم شود.
- Managed Agents API: استقرار کاملاً خودکار و بدون رابط کاربری (Headless) با استفاده از صندوق‌های رمز عبور (Credential Vaults).
این یعنی یک تعریف گردش‌کار می‌تواند صبح توسط تحلیلگر برای ساخت یک دفترچه ارائه به‌صورت تعاملی استفاده شود و ساعت ۲ بامداد به‌طور خودکار و بدون نظارت برای فرآیند بستن حساب‌های پایان ماه اجرا گردد. آنتروپیک با انتشار این مخزن تحت لایسنس Apache 2.0 (که شامل Markdown خالص و JSON است و نیازی به مراحل ساخت یا Build ندارد)، از صنعت دعوت کرد تا روی ریل‌های خود بسازد. شرکت Moody's در واکنش به این تهدید رقابتی، سریعاً یک اپلیکیشن MCP اختصاصی راه‌اندازی کرد تا رتبه‌های اعتباری‌اش روی ۶۰۰ میلیون شرکت همچنان لوله اصلی داده برای کاربران کلود باقی بماند.
سرمایه‌گذاری ۱.۵ میلیارد دلاری نیز طراحی شده تا بزرگ‌ترین شرکت‌های مالی جهان را به‌صورت ساختاری در موفقیت کلود سهیم کند. این یک فروش نرم‌افزاری معمولی نیست، بلکه یک مشارکت سرمایه‌ای است. سرمایه‌گذاران اصلی عبارت‌اند از:
- گلدمن ساکس (Goldman Sachs): حدود ۱۵۰ میلیون دلار (تمرکز بر گردش‌کارهای بانک‌های سرمایه‌گذاری)
- بلک‌استون (Blackstone): حدود ۳۰۰ میلیون دلار (تمرکز بر گردش‌کارهای سهام خصوصی)
- هلمن و فریدمن (Hellman & Friedman): حدود ۳۰۰ میلیون دلار (تمرکز بر استقرار در بازار متوسط)
توزیع استراتژیک اضافی توسط General Atlantic، Leonard Green، Apollo، GIC و Sequoia تامین می‌شود. هدف صریح این است که کلود را به عملیات روزمره شرکت‌های بازار متوسط وارد کنند؛ همان «دم بلند» بازار که نرم‌افزارهای مالی سنتی (SaaS) هرگز نتوانستند به طور کامل نفوذ کنند.
این حرکت نشان‌دهنده تغییر پارادایم از «هوش مصنوعی تک‌منظوره» (مثل استفاده از چت‌بات برای نوشتن ایمیل) به «هوش مصنوعی گردش‌کار» (خودکارسازی کل فرآیند یک معامله) است. برای خواننده، این یعنی مدل ۲۴ هزار دلاری سالانه ترمینال بلومبرگ — که بر مالکیت هم‌زمان داده و رابط کاربری تکیه دارد — اکنون با تهدیدی وجودی رو‌به‌رو است. وقتی عامل‌های هوشمند می‌توانند داده‌ها را از ۱۰ منبع مختلف از طریق یک پروتکل باز ترکیب کنند، رابط کاربری به یک کالای عمومی تبدیل می‌شود و ارزش از «مالک صفحه نمایش» به «مالک قابل‌اعتمادترین گردش‌کار» منتقل می‌شود. برای تحلیلگران، نقش آن‌ها از یک «جمع‌آوری‌کننده داده» به یک «ارائه‌دهنده قضاوت» تغییر می‌کند. همان‌طور که یکی از مدیران ارشد (Managing Director) بانک میزوهو گفت: «زمان آماده‌سازی تبدیل به زمان تفکر می‌شود.»
این دموکراتیزه شدن به بانک‌های سرمایه‌گذاری بوتیک، دفاتر خانوادگی (Family Offices) و شرکت‌های کوچک سهام خصوصی اجازه می‌دهد تا از طریق اتصال‌دهنده‌های داده‌ای پرداخت-به-ازا (Pay-as-you-go)، به قابلیت‌های هوش مصنوعی در سطح نهادی دسترسی پیدا کنند، به جای اینکه حق‌اشتراک‌های سالانه گران‌قیمت بپردازند.
با این حال، ریسک‌های جدی همچنان باقی است:
- شدت بالا: توهم مدل در مدل‌های DCF، جایی که یک فرض اشتباه می‌تواند منجر به خطاهای میلیارد دلاری در ارزش‌گذاری شود.
- شدت متوسط-بالا: محدود کردن دسترسی به MCP توسط تامین‌کنندگان داده یا افزایش قیمت‌ها برای حفظ حاشیه سود.
- شدت متوسط: خلأ نظارتی، جایی که SEC و FINRA هنوز در مورد دخالت عامل‌های هوش مصنوعی در تصمیمات مالی حکم صادر نکرده‌اند.
- شدت متوسط: رقابت از سوی OpenAI، گوگل یا یک اکوسیستم تقویت‌شده توسط بلومبرگ.
با وجود این ریسک‌ها، ابزارها همین حالا در حال اجرا هستند. استقرارهای واقعی در شرکت‌هایی مثل Citadel، FIS، BNY، Carlyle، Mizuho، Travelers و Hg فعال است. گزارش‌ها حاکی از آن است که شرکت Walleye Capital با ۴۰۰ کارمند، به‌طور ۱۰۰٪ بر روی Claude Code متکی شده است.
باید منتظر ماند و دید بلومبرگ چگونه به این اکوسیستم باز پاسخ می‌دهد — آیا دیوارهای بلند خود را تقویت می‌کند یا مجبور می‌شود داده‌های خود را از طریق MCP باز کند تا از obsolescence (منسوخ شدن) جلوگیری کند. نمودار سهام FactSet در ۵ مه ممکن است اولین صفحه از این داستان باشد.
گام بعدی شما
- اگر از ابزارهای تحلیل داده استفاده می‌کنید، پروتکل MCP را بررسی کنید تا متوجه شوید چگونه داده‌های شما می‌تواند توسط عامل‌ها خوانده شود.
- مدل‌های کسب‌وکار مبتنی بر «رابط کاربری اختصاصی» را در سبد سرمایه‌گذاری خود بازبینی کنید.
- برای کاهش خطای مدل‌ها در محاسبات مالی، استراتژی‌های «تایید انسانی» را در گردش‌کارهای خود بگنجانید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو