OpenAI با GPT-6 Astra زیرساخت‌های داده‌ای وال‌استریت را هدف گرفت

اگر امروز در یک بانک سرمایه‌گذاری یا تیم پژوهش سهام فعالیت می‌کنید، دیگر بحث بر سر «باهوش‌ترین مدل» نیست، بلکه رقابت بر سر «قابل‌اعتمادترین خط لوله داده» است. در ۱۰ سپتامبر ۲۰۲۶، شرکت OpenAI محصول ChatGPT for Financial Services را معرفی کرد؛ اقدامی که نشان‌دهنده چرخش راهبردی این شرکت از به‌روزرسانی‌های مدل‌محور به سمت عمودی‌سازی زیرساختی است.

این عرضه در حالی رخ می‌دهد که مؤسسات مالی از فاز آزمایشگاهی هوش مصنوعی زاینده (Generative AI) عبور کرده‌اند. در حالی که پیش‌تر بررسی کردیم چگونه دانش‌آموزان دبیرستان از مدل‌هایی مانند Claude و GPT-5 برای حل مسائل پیچیده ریاضی استفاده می‌کردند، اما الزامات یک تحلیلگر حرفه‌ای کاملاً متفاوت است. در یک محیط با ریسک بالا، یک پاسخ روان اما بدون منبع، اگر نتوان آن را به خط خاصی از گزارش‌های SEC (کمیسیون بورس و اوراق بهادار آمریکا) ارجاع داد یا اگر قوانین سخت‌گیرانه حریم خصوصی داخلی را نقض کند، عملاً بی‌ارزش است.

موتور محرک: GPT-6 Astra

برخلاف گمانه‌های صنعت، هیچ مدل «تنظیم‌شده برای امور مالی» در لایه‌های زیرین این محصول وجود ندارد. طبق اعلام OpenAI، قدرت این سرویس از مدل GPT-6 Astra تأمین می‌شود که پرچم‌دار فعلی و همه‌منظوره این شرکت است. هیچ موتور استدلال تخصصی که روی سال‌ها گزارشات SEC آموزش دیده باشد، در پس این محصول پنهان نیست. در واقع، «تخصص» این محصول نه در خود مدل، بلکه در لایه داده‌ها، قالب‌های اختصاصی هر شرکت و چارچوب‌های حاکمیتی است که دور مدل پیچیده شده است. این مدل دقیقاً همان مدلی است که یک توسعه‌دهنده با فراخوانی مستقیم API دریافت می‌کند.

مدل Astra قابلیت‌های فنی حیاتی را برای بخش مالی به ارمغان می‌آورد:

• پنجره زمینه (Context Window): پشتیبانی از نزدیک به یک میلیون توکن (Token). این ویژگی برای تحلیلگری که می‌خواهد یک گزارش 10-K، نسخه‌های پیاده‌سازی شده سه سال اخیر و مجموعه‌ای از داده‌های مقایسه‌ای (Comps) را هم‌زمان در یک نشست (Session) وارد کند و از مدل بخواهد روی تمام آن‌ها استدلال کند، ضروری است.
• تلاش استدلالی (Reasoning Effort): معرفی تنظیماتی در API که اجازه می‌دهد توسعه‌دهندگان سطح «زمان تفکر» (و هزینه) را برای هر فراخوانی از سطح پایین تا حداکثر (Max) تعیین کنند. این پیچک (Knob) زمانی واقعاً کاربردی است که برخی درخواست‌ها ساده باشند (مانند «این یادداشت را خلاصه کن»)، در حالی که برخی دیگر پیچیده هستند (مانند «یک جدول مقایسه‌ای کامل همراه با منابع برای من بساز»).
• محک‌ها (Benchmarks): در محک OfficeQA Pro، که OpenAI از آن به‌عنوان معیاری برای کارهای اداری و اسناد مالی استفاده می‌کند، مدل Astra حدود ۱۰ امتیاز نسبت به نسل قبل پیشرفت کرده است. این پیشرفت فنی در تحلیل‌های مالی منجر به رسیدن دقت مدل در این بنچمارک به ۶۹.۹٪ شده است. همچنین در محک‌های عامل‌محور (Agentic) و ترمینال‌مانند — که به آنچه در لایه‌های زیرین برای «ساخت یک مدل مالی» لازم است نزدیک‌ترند — با هزینه کمتر در هر تسک، عملکرد بهتری نسبت به مدل‌های مشابه آنتروپیک داشته است.

یک جزئیات کلیدی در کارت مدل (System Card) این است که Astra نخستین مدل OpenAI است که به سطح «بحرانی» (Critical) در چارچوب داخلی امنیت سایبری آن‌ها می‌رسد. این دستاورد امنیتی نشان‌دهنده کلاسی از قابلیت‌هاست که با مدل‌هایی که اکثر تیم‌ها در دو سال گذشته روی آن‌ها عامل (Agent) ساخته‌اند، کاملاً متفاوت است و OpenAI دسترسی به برخی از این ویژگی‌ها را بر همین اساس محدود کرده است.

چرا وال‌استریت شکل این محصول را تعیین کرد؟

به گزارش OpenAI، این شرکت پیش از عرضه با Morgan Stanley و Evercore به‌عنوان شرکای طراحی همکاری کرده است. این رابطه باعث شد تمرکز محصول بر بانکداری سرمایه‌گذاری و پژوهش‌های سهام به‌عنوان نقطه شروع قرار گیرد. استدلال آن‌ها این بود که دسترسی به داده‌های معتبر و خروجی‌های باکیفیت، دو نقطه درد (Pain Point) اصلی برای این تیم‌ها بود.

اگرچه Astra می‌تواند به‌تنهایی یک مدل DCF (جریان نقدی تنزیل‌شده) را استدلال کند، اما یک مدل چت عمومی بدون دسترسی دائمی به داده‌های دارای مجوز یا آگاهی از استایل داخلی (House Style) یک شرکت، خروجی‌هایی تولید می‌کند که درست به نظر می‌رسند اما در بررسی‌های انطباق (Compliance) رد می‌شوند. نیک تورلی، معاون محصول OpenAI، هدف را «آموزش ChatGPT برای پژوهش مانند یک تحلیلگر و مستند کردن نتایج به روش تحلیلگران» توصیف کرده است. این بدان معناست که محصول به جای نثر روان، نیازمند استنادات ردیابی‌پذیر (Traceable Citations) است که در ساختار آن تعبیه شده باشند.

معماری داده‌ها

بیشترین تلاش مهندسی OpenAI صرف لایه داده شده تا مشکل «توهم در برابر استناد» حل شود. این محصول، Astra را با داده‌های مالی ممتاز، قالب‌های تحت کنترل شرکت و یک لایه حاکمیتی سازمانی ترکیب می‌کند.

یکپارچگی داخلی داده‌ها:

• تأمین‌کنندگان: در زمان عرضه، داده‌های داخلی از Daloopa، PitchBook، LSEG News و Crunchbase تأمین می‌شوند و طبق گزارش‌های پیرامون عرضه، Quartr نیز در این فهرست گنجانده شده است.
• استراتژی نمایه‌سازی: OpenAI به‌جای فراخوانی زنده از هر تأمین‌کننده برای هر درخواست، داده‌ها را در زیرساخت خود نمایه‌سازی و میزبانی می‌کند.
• موازنه فنی: این تصمیم معماری، تازگی داده‌ها را کمی فدای سرعت بازیابی، تأخیر کمتر و قابلیت اطمینان بالاتر در ردیابی یک ادعای تولید شده به منبع آن می‌کند. این تصمیم برای میزبانی و نمایه‌سازی داده‌ها، یک انتخاب معماری مهم است که اغلب در پوشش‌های خبری عمومی نادیده گرفته می‌شود.
• استنادات: سامانه استنادات دانه‌بندی شده (Granular Citations) ارائه می‌دهد تا کاربران بتوانند هر عدد را در لحظه با منبع اصلی تطبیق دهند.

ساخت این سیستم مستلزم آن بود که OpenAI خطوط لوله جذب داده (Ingestion Pipelines) را راه‌اندازی کند، درباره شرایط به‌روزرسانی با تأمین‌کنندگان مذاکره نماید و یک لایه استناد بسازد که هر ادعا را به یک بازه (Span) خاص در متن منبع متصل کند.

دسترسی فدرال به داده‌ها:
برای داده‌هایی که شرکت‌ها به‌طور جداگانه هزینه می‌کنند، رویکرد متفاوتی اتخاذ شده است. یکپارچگی‌های ورود مشترک (Shared Sign-in) با تأمین‌کنندگانی چون S&P Capital IQ، LSEG، MSCI، Dow Jones Factiva و Moody's باعث می‌شود کاربر از طریق همان حساب ChatGPT شناسایی شود.

این در واقع ترکیبی از هویت فدرال و انتقال مجوز (Entitlement Pass-through) است: ChatGPT مدیریت هویت را بر عهده دارد و تأمین‌کننده داده تصمیم می‌گیرد کاربر به چه چیزی دسترسی داشته باشد. این کار مانع از آن می‌شود که OpenAI مجبور شود قوانین دسترسی هر تأمین‌کننده را از ابتدا بازسازی کند.

استانداردسازی بر روی MCP

برای جلوگیری از تله ساخت ده‌ها یکپارچگی سفارشی (Bespoke)، OpenAI بر روی پروتکل زمینه مدل (Model Context Protocol یا MCP) استانداردسازی کرد. این استاندارد باز اجازه می‌دهد مدل زبانی به‌طور قابل‌اعتمادی به ابزارها و منابع داده خارجی متصل شود.

در زمان عرضه، بیش از ۵۰ کانکتور MCP از جمله برای Datasite، Box، Preqin، FactSet و Intapp در دسترس است. OpenAI این کانکتورها را به‌طور خاص برای پایداری مالی بهینه کرده است و بر موارد زیر تمرکز نموده است:

• تکرار فراخوانی‌هایی که با خطا مواجه می‌شوند.
• مدیریت تمیز داده‌های جدولی حجیم (Tabular Payloads).
• یکسان‌سازی (Normalize) استنادات در بین تأمین‌کنندگانی که فرمت داده‌هایشان با هم متفاوت است.

برای توسعه‌دهندگان، این بدان معناست که همان پروتکلی که در محصول پرچم‌دار استفاده شده، از طریق API نیز در دسترس است. در اینجا مثالی از اتصال یک منبع داده مبتنی بر MCP به یک فراخوانی Responses API آورده شده است:

const response = await fetch("https://api.openai.com/v1/responses", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${OPENAI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-6-astra",
    reasoning: { effort: "high" },
    input: [
      {
        role: "user",
        content: "Pull the latest 10-Q filing data for this company and " +
                "summarize the change in operating margin quarter over quarter.",
      },
    ],
    tools: [
      {
        type: "mcp",
        server_label: "financial-data-connector",
        server_url: "https://your-mcp-server.example.com/mcp",
        require_approval: "never",
      },
    ],
  }),
});

حاکمیت و سدهای اطلاعاتی

این محصول از زیرساخت ChatGPT Enterprise شامل SAML SSO، توزیع SCIM و کنترل‌های دسترسی مبتنی بر نقش (RBAC) استفاده می‌کند. مجموعه امنیتی کامل شامل موارد زیر است:

• کنترل دسترسی: SAML SSO، توزیع SCIM و دسترسی‌های مبتنی بر نقش.
• مدیریت داده‌ها: بازه‌های زمانی قابل تنظیم برای نگهداری داده‌ها و محیط‌های کاری مجزا برای ایجاد سدهای اطلاعاتی.
• انطباق: امکان استخراج لاگ‌های انطباق و لاگ‌های حسابرسی برای الزامات بایگانی سوابق SEC یا FINRA.
• امنیت: داده‌های تجاری در حالت استراحت (At Rest) و در حال انتقال رمزنگاری شده‌اند و به‌طور پیش‌فرض برای آموزش مدل‌های OpenAI استفاده نمی‌شوند. شرکت‌ها می‌توانند کنترل کنند که کدام مهارت‌ها و اپلیکیشن‌های متصل بر اساس نقش کاربر، اجازه خواندن یا نوشتن داده‌ها را داشته باشند.

درک سدهای اطلاعاتی:
در بانکداری سرمایه‌گذاری، «سدهای اطلاعاتی» (Information Barriers) یک مفهوم حیاتی در انطباق هستند. این سدها باعث می‌شوند داده‌های تیم مشاوره ادغام و تملک (M&A) کاملاً از تیم پژوهش سهام عمومی در همان شرکت جدا بماند تا از مشکلات معاملات نهانی (Insider Trading) جلوگیری شود.

پیاده‌سازی این موضوع در یک محصول AI مشترک — جایی که یک مدل به هر دو تیم خدمات می‌دهد — یک مسئله سخت در کنترل دسترسی است. این کار نیازمند RBAC چندمستاجری (Multi-tenant) با بخش‌بندی دینامیک داده‌هاست، نه مجوزهای استاندارد SaaS. این سیستم بیشتر به یک سیستم دسترسی مبتنی بر نقش چندمستاجری شبیه است تا مجوزهایی که اکثر محصولات SaaS ارائه می‌دهند.

باید توجه داشت که شرکت‌ها همچنان باید قوانین دسترسی خود را پیکربندی کنند. OpenAI زیرساخت، SSO، RBAC و لاگ‌های حسابرسی را فراهم می‌کند، اما منطق نهایی مجوزها (Entitlement Logic) طبق مدل «مسئولیت مشترک»، بر عهده مشتری است. این جزئیاتی است که اغلب در پوشش‌های خبری عرضه حذف می‌شود اما برای محیط‌های عملیاتی حیاتی است.

جایگاه در بازار و شکاف‌ها

این محصول که با شرکای طراحی Morgan Stanley و Evercore توسعه یافته، در حال حاضر بر بانکداری سرمایه‌گذاری و پژوهش‌های سهام متمرکز است. خرده‌بانکی، بیمه و خدمات دارایی در این عرضه اولیه نیستند، هرچند OpenAI اشاره کرده که این‌ها ممکن است مسیرهای آینده باشند.

همچنان ابهامات زیادی وجود دارد:

• قیمت‌گذاری: هیچ افشای عمومی درباره قیمت یا حداقل تعداد صندلی (Seat) صورت نگرفته است.
• دسترسی: هیچ معیار عمومی برای اینکه کدام مؤسسات دسترسی پیدا می‌کنند وجود ندارد؛ در حال حاضر دسترسی از طریق تیم فروش مدیریت می‌شود.
• محدودیت‌ها: محدودیت‌های جغرافیایی هنوز اعلام نشده است.
• صحت: هیچ حسابرسی مستقلی روی نرخ توهم (Hallucination) یا دقت استنادات به‌طور خاص برای این محصول انجام نشده است. ویژگی استناد، مسئولیت تأیید را بر عهده بازبین انسانی می‌گذارد تا خروجی را تأیید کند، نه اینکه به‌طور مطلق به آن اعتماد کند. برای کارهای مالی، این پیش‌فرض درست است، اما استنادات به‌تنهایی مشکل صحت را حل نمی‌کنند.

چشم‌انداز رقابتی

آنتروپیک پیش از این عرضه، Claude for Financial Services را منتشر کرده بود. در همین حال، مدیر مالی OpenAI در اوت اشاره کرد که کسب‌وکار سازمانی آن‌ها اکنون درآمدی بیشتر از بخش مصرف‌کننده دارد.

این نشان می‌دهد که این دسته‌بندی به سمتی می‌رود که هر کس قابل‌اعتمادترین لایه داده و حاکمیت را بسازد، برنده است. در سطوح بالا، مدل‌ها در حال تبدیل شدن به کالاهای جایگزین هستند و هر هفته در محک‌های مختلف برنده تغییر می‌کند؛ تمایز واقعی در موارد «کم‌هیجان‌تری» مانند مجوزها، لاگ‌های حسابرسی، یکپارچگی استنادات و میزان تطابق خروجی با قالب‌های داخلی هر شرکت نهفته است.

گام بعدی شما (نکات برای توسعه‌دهندگان)

صرف‌نظر از اینکه از این محصول استفاده کنید یا خیر، چندین الگوی این عرضه ارزش پذیرش دارند:

1. داده‌های خود را میزبانی کنید: اگر تأخیر و دقت استنادات اولویت شماست، داده‌های شخص ثالث را به‌جای فراخوانی‌های API زنده، خودتان میزبانی و نمایه‌سازی کنید. این تنها راه تضمین پایداری استنادات است.
2. استانداردسازی روی MCP: از پروتکل زمینه مدل برای فراخوانی ابزارها استفاده کنید تا از نوشتن یکپارچگی‌های سفارشی برای هر منبع اجتناب کنید. این همان چیزی است که اجازه داد این محصول بدون تبدیل شدن به یک آشفتگی غیرقابل مدیریت، به بیش از ۵۰ کانکتور برسد و از وابستگی به یک فروشنده (Vendor Lock-in) جلوگیری کند.
3. مجوزهای هسته‌ای: مجوزها (Entitlements) را به‌عنوان یک عنصر اصلی طراحی در نظر بگیرید. در لایه داده تعیین کنید کدام کاربر می‌تواند کدام داده را ببیند، به‌ویژه برای سازمان‌هایی که سدهای اطلاعاتی قانونی دارند.
4. استنادات ردیابی‌پذیر: به یاد داشته باشید که استنادات رایگان نیستند. برای ایجاد اعتماد، به یک سیستم بازیابی نیاز دارید که هر عدد را به یک بازه خاص در منبع متصل کند. یک مدل با لحن مطمئن، جایگزینی برای دقت نیست.

این عرضه یادآور این است که یک «محصول AI سازمانی» واقعاً چیست: یک مدل پیشرو، یک لایه داده به‌درستی نمایه‌سازی شده، یک پروتکل کانکتور استاندارد و یک مسئله سخت در کنترل دسترسی، که همگی در بسته‌ای پیچیده شده‌اند که یک افسر انطباق (Compliance Officer) حاضر به تأیید آن باشد. ترکیب این موارد، بخش واقعاً دشوار کار است.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.