تصور کنید به جای ساعت‌ها جست‌وجو در پرونده‌های پراکنده، تیمی از تحلیلگران دیجیتال خستگی‌ناپذیر، تمام داده‌های لازم برای یک تصمیم اعتباری را در چند ثانیه جمع‌آوری و پیش‌نویس کنند. این رویایی است که BNP Paribas با یک قرارداد استراتژیک به واقعیت نزدیک می‌کند.
به نقل از بیانیه رسمی منتشر شده در ۲۴ سپتامبر ۲۰۲۶، این بانک فرانسوی و گوگل کلاد (Google Cloud) همکاری پنج‌ساله خود را برای استقرار گسترده هوش مصنوعی عامل‌محور (Agentic AI) آغاز کردند. این توافق که با تاریخ دوگانه پاریس و سانی‌ویل کالیفرنیا اعلام شد، دسترسی گسترده بانک به زیرساخت‌های بهینه‌شده برای AI و سرویس Gemini Enterprise را فراهم می‌کند تا عامل‌هایی اختصاصی و هدفمند برای نیازهای تجاری خاص خود بسازد.
این چرخش راهبردی در حالی رخ می‌دهد که مؤسسات مالی جهانی از چت‌بات‌های ساده به سمت عامل‌های خودمختاری می‌روند که می‌توانند وظایف چندمرحله‌ای را به‌طور مستقل اجرا کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی گسترش گوگل جمینای (Google Gemini) در ارتباطات تجاری روی دستگاه‌هایی مانند پیکسل ۱۱ اشاره کردیم، اکنون این قابلیت‌ها در مقیاس سازمانی و نهادی پیاده می‌شوند. برای یک بانک، این تغییر شبیه جابه‌جایی از یک فایلینگ‌کابینت دیجیتال به داشتن تیمی از تحلیلگران مجازی است که هرگز نمی‌خستند.
مارک کاموس (Marc Camus)، مدیر ارشد فناوری اطلاعات (CIO) گروه BNP Paribas، طبق اعلام رسمی، تأکید کرد که این همکاری بر استراتژی «چند-ابری» (Multi-cloud) و «چند-مدلی» (Multi-model) بانک استوار است. او بیان کرد که این رویکرد به بانک اجازه می‌دهد برای هر مورد خاص، مدل، زیرساخت و سطح کنترل مناسب را انتخاب کند. این استراتژی تضمین می‌کند که بانک ضمن برآورده کردن الزامات کیفیت و امنیت، بهترین تعادل ممکن را بین هزینه و ارزش ایجاد کند.
طبق گزارش این مؤسسه، اولین مرحله استقرار بر بخش بانکی شرکتی و سازمانی (CIB) متمرکز است. هدف اصلی، حذف اصطکاک در گردش‌کارهای دشوار و پرزحمت است؛ به‌ویژه تهیه یادداشت‌های اعتباری شرکتی (Corporate Credit Memos) برای کمک به تیم‌های انسانی در فرآیندهای تصمیم‌گیری.
چارلز هولیو (Charles Holive)، مدیر ارشد AI در بخش CIB، اشاره کرد که هر پروژه در این بخش ابتدا با نیاز تجاری شروع می‌شود. تیم‌ها ابتدا ارزیابی می‌کنند که کدام تکنولوژی با مورد مصرف (Use Case) خاص سازگار است و سپس آن را در چارچوب حاکمیتی بانک مستقر می‌کنند. برنامه‌های آتی برای استقرار در چندین حوزه کلیدی عبارتند از:
- فعالیت‌های فروش و معاملات: بهینه‌سازی و ساده‌سازی گردش‌کارهای عملیاتی.
- پژوهش و ساختاردهی: ارتقای قابلیت‌های تحلیلی برای تحلیل‌های عمیق‌تر بازار.
- LLM@CIB: ادغام در این دستیار داخلی AI که هم‌اکنون بیش از ۶۵,۰۰۰ کارمند به آن دسترسی دارند.
توماس کوریان (Thomas Kurian)، مدیرعامل گوگل کلاد، هوش مصنوعی عامل‌محور را یک تغییر حیاتی برای مؤسسات مالی جهانی دانست تا عملیات خود را ساده کرده، ریسک‌ها را ارزیابی کنند و خدمات بهتری به مشتریان ارائه دهند. او خاطرنشان کرد که BNP Paribas با ترکیب رهبری بانکی خود و زیرساخت‌های امن گوگل، در حال استقرار این عامل‌های هوشمند در پلتفرم‌های مختلف است.
امنیت در این پروژه اولویت اول و اصلی‌ترین محدودیت است. استقرار مدل‌ها در یک چارچوب حاکمیتی کنترل‌شده و در سطح سازمانی (Enterprise-grade) صورت می‌گیرد. بانک از الزامات موجود در زمینه امنیت و حاکمیت داده‌ها پیروی می‌کند تا تعیین کند کدام حجم از کاری‌ها (Workloads) می‌توانند در یک ابر عمومی پردازش شوند. به‌طور مشخص، دسته‌بندی‌های خاصی از داده‌های حساس هرگز در محیط ابری عمومی ذخیره نخواهند شد.
برای مدیریت ریسک، بانک پروتکل‌های احراز هویت سخت‌گیرانه‌ای را تعریف کرده است:
- هر عامل AI به‌صورت مجزا و انفرادی احراز هویت می‌شود.
- عامل‌ها فقط و فقط به منابعی دسترسی دارند که برای انجام وظیفه محول‌شده به آن‌ها ضروری است.
- بانک هم بر نحوه اتصال عامل‌ها به سیستم‌های اطلاعاتی و هم بر تعاملات آن‌ها نظارت و کنترل کامل دارد.
این نخستین تجربه بانک با جمینای نیست. در بخش Nickel (کسب‌وکار حساب‌های پرداخت بانک در بخش خدمات و بانکداری شخصی و تجاری)، ابزاری به نام Nickel Assist از قبل از جمینای به عنوان مدل بنیادی (Foundation Model) استفاده می‌کند. این ابزار به ۲۰۰ مشاور مشتری کمک می‌کند تا با استناد به دستورالعمل‌های عملیاتی و رویه‌های داخلی Nickel، به درخواست‌های کاربران پاسخ دهند.
برای یک بانکدار حرفه‌ای، این تحول به معنای پایان عصر جمع‌آوری دستی داده‌هاست. اگر یک عامل بتواند با استخراج داده‌ها از سیستم‌های پراکنده و مجزا، پیش‌نویس یک یادداشت اعتباری را تهیه کند، نقش انسان از یک «جمع‌آوری‌کننده داده» به یک «بازبین و تأییدکننده» تغییر می‌یابد.
این مشارکت همچنین موتور محرک یک برنامه پذیرش AI در سطح کل گروه است. این ابتکار عمل طیفی گسترده را شامل می‌شود؛ از آموزش سواد پایه AI برای تمامی کارکنان گرفته تا توسعه تخصصی برای کسانی که نسل بعدی عامل‌های مالی را می‌سازند.
در حالی که رقبایی مانند Creatio سرمایه‌گذاری‌های سنگینی روی پلتفرم‌های CRM مبتنی بر AI برای بانک‌ها انجام می‌دهند، BNP Paribas روی یک مشارکت زیرساختی عمیق با یک ابر-مقیاس‌ساز (Hyperscaler) شرط‌بندی کرده است. این رویکرد در تضاد با استراتژی‌های نرم‌افزار-محور است، مشابه آنچه در برنامه توسعه عامل‌های هوشمند Creatio برای صنعت بانکداری مشاهده کردیم. این موضوع نشان می‌دهد که برای بانک‌های تراز اول (Tier-1)، توانایی کنترل بر مدل زیربنایی و زیرساخت، بسیار ارزشمندتر از خرید یک بسته نرم‌افزاری از شخص ثالث است.
گام بعدی شما
- بررسی مدل‌های حاکمیتی برای جداسازی داده‌های حساس از محیط‌های ابری عمومی.
- تحلیل تغییر نقش نیروی انسانی از اپراتور داده به بازبین استراتژیک در سازمان‌های مالی.
- رصد نتایج استقرار عامل‌های خودمختار در کاهش خطاهای سیستماتیک اعتبارسنجی.
اما چالش واقعی، مدیریت گذار ۶۵ هزار کارمند از استفاده از یک دستیار غیرفعال (Passive Assistant) به مدیریت عامل‌های فعال (Active Agents) است. آزمون واقعی این خواهد بود که آیا این عامل‌ها ریسک‌های سیستماتیک را کاهش می‌دهند یا خطاهای خودکار جدیدی را وارد فرآیند پذیرش اعتبار (Underwriting) می‌کنند.
گفتگو