داده‌های لحظه‌ای در برابر ساختارهای تکه‌تکه؛ شکاف عملیاتی در فین‌تک‌های جدید

تصور کنید طراح گرافیکی در مکزیکوسیتی است که پرداخت‌های دلاری خود از نیویورک را به‌صورت لحظه‌ای رصد می‌کند، اما وقتی نوبت به پرداخت مالیات یا باز کردن حساب بانکی می‌رسد، با یک هزارتوی قانونی مواجه می‌شود. استفان چابولد (Stephan Tschabold)، مدیر ریسک و انطباق در شرکت Ontop، معتقد است هوش مصنوعی مشکل «دیدن» را حل کرده، اما هنوز نتوانسته مشکل «سیستم» را برطرف کند.

سال‌ها بود که پیمانکاران دورکار شبیه به یک دپارتمان خزانه‌داری کوچک اما بدون تیم عمل می‌کردند. کسی که با یک ارز قیمت می‌داد و با ارزی دیگر بودجه‌بندی می‌کرد، باید خودش تصمیم می‌گرفت چه زمانی پول را تبدیل کند، چه مقدار برای مالیات کنار بگذارد و واریزهای خارجی را برای بانک محلی‌اش توجیه کند. آن‌ها قدرت خرید واقعی خود را تنها پس از کسر کارمزدهای بانکی و تبدیل ارز می‌فهمیدند؛ وضعیتی که ریسکی دائمی برای هر کسی بود که جریان کاری فرامرزی داشت.

امروز لایه هوشمند مالی سریع‌تر از زیرساخت‌ها حرکت می‌کند. ابزارهای هوش مصنوعی اکنون قابلیت‌هایی برای شفافیت ایجاد کرده‌اند که تا چند سال پیش وجود نداشت. طبق گزارش Ontop، این ابزارها در پیش‌بینی جریان نقدی، دسته‌بندی خودکار هزینه‌ها و هشدارهای لحظه‌ای نرخ ارز تخصص دارند. این بهینه‌سازی‌های نرم‌افزاری در راستای روندی است که در آن هزینه‌های عملیاتی تسک‌های هوش مصنوعی به‌شدت کاهش یافته و بهره‌وری در مدل‌های برون‌سپاری را دگرگون کرده است.

نقاط قوت فعلی هوش مصنوعی

• شفافیت لحظه‌ای: کارکنان می‌توانند قدرت خرید واقعی خود را هنگام جابه‌جایی پول بین مرزها ببینند، نه اینکه بعد از اتمام تراکنش متوجه ارزش آن شوند.
• هشدارهای پیش‌بینانه: هوش مصنوعی بر اساس الگوهای تاریخی و داده‌های زنده، بهینه‌ترین زمان برای تبدیل ارز را شناسایی می‌کند.
• آمادگی مالیاتی: ابزارها می‌توانند هزینه‌ها را دسته‌بندی کرده و راهنمایی‌های مربوط به کارمزدها را بر اساس الگوی پرداخت هر فرد برای پرونده‌های مالیاتی آماده کنند.
• پیش‌بینی جریان نقدی: کاربران پیش از تصمیم‌گیری برای جابه‌جایی پول بین ارزها، می‌توانند پیش‌بینی‌های ماهانه را بررسی کنند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، لایه‌های نرم‌افزاری همیشه سریع‌تر از پروتکل‌های سخت‌افزاری و قانونی رشد می‌کنند. بخش بزرگی از سرمایه‌گذاری‌های فعلی در این صنعت، روی کاربر نهایی متمرکز نیست. چابولد اشاره می‌کند که در شرکت‌های بزرگ پرداخت و حواله، سرمایه‌گذاری‌های سال ۲۰۲۶ عمدتاً داخلی است. به گزارش مک‌کینزی (McKinsey)، هدف این سرمایه‌گذاری‌ها کاهش هزینه‌های عملیاتی و عرضه سریع‌تر محصولات است. در این بستر، وظیفه واقعی هوش مصنوعی این است که «کانال‌های اعتماد» موجود را از طریق تطبیق نام‌ها و ترجمه‌های متنی، قابل محاسبه کند، نه اینکه در جایی که اعتمادی وجود ندارد، اعتماد جدید خلق کند.

با این حال، این ابزارها وقتی با بیش از یک سیستم قانونی مواجه می‌شوند، به دیوار می‌خورند. اکثر اپلیکیشن‌های مالی هوشمند برای کاربری در یک کشور، با یک بانک و یک سازمان مالیاتی ساخته شده‌اند. آن‌ها نمی‌توانند تعهدات مالیاتی دو کشور مختلف را با هم تطبیق دهند یا تاریخچه اعتباری یک فرد را از کشوری به کشور دیگر منتقل کنند.

شکاف زیرساختی

• تکه‌تکگی قانونی: یک اپلیکیشن می‌تواند درآمد لحظه‌ای را نشان دهد، اما هیچ کمکی برای تسویه حساب تعهدات مالیاتی در دو کشور مختلف نمی‌کند.
• بحران هویت: کارگری با پنج سال درآمد قابل اثبات، ممکن است هنگام نقل مکان به کشوری دیگر، به دلیل عدم ارتباط سیستم‌های مالیاتی و اعتباری، «پرریسک» یا «فاقد حساب بانکی» شناخته شود.
• راهکارهای دستی: تا زمانی که یک هویت مالی قابل انتقال ایجاد نشود، کارکنان باید به‌صورت دستی مجموعه‌ای از فاکتورها، پرونده‌های مالیاتی و صورت‌حساب‌های بانکی را برای وام‌دهندگان در کشورهای جدید جمع‌آوری کنند.

در حوزه تشخیص کلاهبرداری، تغییرات فنی‌تری رخ داده است. سیستم‌های قدیمیِ مبتنی بر قانون، رفتارهای عادی پیمانکاران — مثل دریافت پرداخت از کشورهای جدید یا انتقال پول در ساعات غیرمعمول — را مشکوک می‌دیدند. این موضوع منجر به سال‌ها مسدود شدن حساب‌های افرادی شد که هیچ خطایی نکرده بودند.

مدل‌های جدیدتر اکنون با بررسی ثبات رفتاری، داده‌های دستگاه و تاریخچه روابط، نرخ خطای این سیستم‌ها را کاهش داده‌اند. برای کاهش ریسک، توصیه می‌شود کاربران از دستگاه‌های ثابت و ریتم منظم در صدور فاکتور استفاده کنند. همچنین باید انتظار بررسی‌های سخت‌گیرانه‌تر هویت را داشته باشند تا با موج کلاهبرداری‌های جعل عمیق (Deepfake) صوتی و هویت‌های مصنوعی مقابله شود.

قوانین نیز در حال رسیدن به این سطح از تکنولوژی هستند. قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) تا فوریه ۲۰۲۶ تعهداتی را برای سیستم‌های پرریسک، از جمله رتبه‌بندی اعتباری و نظارت بر ضدپول‌شویی، اجرا خواهد کرد. این قوانین ایجاب می‌کند که تصمیمات مالی اتخاذ شده توسط هوش مصنوعی، قابل توضیح، قابل حسابرسی و تحت نظارت انسانی باشند و مسئولیت نهایی بر عهده مؤسسه ارائه‌دهنده باشد.

با وجود این پیشرفت‌ها، سطح حفاظت نابرابر است. در حالی که اتحادیه اروپا به سمت قوانین سخت‌گیرانه‌تر می‌رود، سازمان FinCEN در آمریکا هنوز در حال بررسی پیشنهادهای ضدپول‌شویی است و قوانین اصلاح‌شده پرداخت در اروپا درباره کلاهبرداری‌های پرداخت‌های تاییدشده، احتمالاً تا اواخر ۲۰۲۷ به‌طور کامل اجرایی نمی‌شوند.

این وصله‌پینه قانونی به این معناست که یک پرداخت ممکن است در یک حوزه قضایی «پرریسک» باشد، اما در حوزه دیگر برای همان مورد استفاده، بدون نظارت باشد. کارکنان مستقل برخلاف مشتریان شرکتی، مدیران رابط ندارند تا هنگام مسدود شدن حساب‌هایشان، دلیل خود را توضیح دهند.

در نهایت، ایده یک مشاور مالی کاملاً خودمختار با هوش مصنوعی، فعلاً در حد تبلیغات است. اگرچه شرکت‌هایی مثل Visa، Mastercard و Alipay در حال ساخت زیرساخت‌های پرداخت «عامل به عامل» هستند، اما پذیرش گسترده آن هنوز دور است. خطر اینجاست که کاربران، «صیقل‌خورده بودن» و سرعت رابط کاربری هوش مصنوعی را با اعتبار نهادی اشتباه بگیرند.

در حال حاضر، امن‌ترین روش، رویکرد ترکیبی است. از هوش مصنوعی برای شناسایی تعهدات مالیاتی یا افت نرخ ارز استفاده کنید، اما برای هر تصمیم مالی حساس، یک انسان را در چرخه تصمیم‌گیری نگه دارید. همان‌طور که چابولد هشدار می‌دهد: «قدرت گرفته از هوش مصنوعی» همچنان باید به معنای «پاسخگویی انسانی» باشد.

گام بعدی شما

• برای مدیریت درآمدهای ارزی، از ابزارهای پیش‌بینی جریان نقدی استفاده کنید اما هرگز تکیه کامل به آن‌ها برای تسویه مالیاتی نکنید.
• برای جلوگیری از مسدود شدن حساب‌ها، از یک دستگاه ثابت و الگوی منظم در ارسال فاکتورها استفاده کنید.
• مدارک مالیاتی و فاکتورهای خود را در یک آرشیو دیجیتال مستقل ذخیره کنید تا در صورت جابه‌جایی بین‌المللی، هویت مالی خود را اثبات کنید.

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