لماذا ستحدد الواقع القابلة للتشغيل البيني المرحلة القادمة من الذكاء الاصطناعي في الخدمات المالية

ملاحظة :

تم نشر هذا المقال لأول مرة على موقعي https://www.raktimsingh.com/ وتم تكييفه هنا ليتناسب مع جمهور خدمات مالية.

يمكنك قراءة المقال كاملًا في https://www.raktimsingh.com/representation-utility-stack-interoperable-reality/

مقدمة: وصلت تطبيقات الذكاء الاصطناعي في BFSI إلى نقطة انعطاف

لقد استثمرت المؤسسات المالية بكثافة في الذكاء الاصطناعي خلال العقد الماضي.

من اكتشاف الاحتيال وتقييم الجدارة الائتمانية إلى خدمة العملاء وأتمتة الامتثال، انتقل الذكاء الاصطناعي من مرحلة التجريب إلى مرحلة النشر.

ومع ذلك، تظهر نمطية.

على الرغم من وجود نماذج أكثر تطورًا، فإن العديد من مبادرات الذكاء الاصطناعي في البنوك والخدمات المالية تواجه صعوبة في التوسع بشكل موثوق في بيئة الإنتاج.

ليست المشكلة دائمًا مرتبطة بأداء النموذج.

في كثير من الأحيان، تكمن المشكلة في عمق أكبر:

تعمل أنظمة الذكاء الاصطناعي على تمثيلات متجزئة وغير متسقة وغير قابلة للنقل من الواقع.

القيد الخفي: يعمل الذكاء الاصطناعي على التمثيلات لا على الواقع

لا يتفاعل الذكاء الاصطناعي مع العالم الحقيقي بشكل مباشر.

بل يتفاعل مع تمثيلات العملاء والمعاملات والأصول والأحداث.

إذا كانت هذه التمثيلات:

• غير متسقة عبر الأنظمة
• قديمة أو غير مكتملة
• مُعرّفة بشكل مختلف عبر الوظائف
• تفتقر إلى الأصل (provenance) أو مستوى الثقة

فإن حتى أكثر أنظمة الذكاء الاصطناعي تقدمًا تنتج نتائج غير موثوقة.

وهذا يفسر لماذا:

• قد يظهر العميل بشكل مختلف عبر أنظمة الإلحاق (onboarding) والإقراض والامتثال

• قد تبدو المعاملة التي تم وسمها كمشبوهة في نظام ما عادية في نظام آخر

• تعني “الهوية المُتحقق منها” أشياء مختلفة عبر المؤسسات

في الخدمات المالية، ليست هذه مجرد مشكلات تقنية.

بل إنها مشكلات مخاطر والامتثال والثقة.

لماذا محادثة الذكاء الاصطناعي الحالية غير مكتملة

لا يزال جزء كبير من محادثة الذكاء الاصطناعي المؤسسي الحالية متمحورًا حول النماذج:

• أي LLM يجب أن نستخدم؟
• كيف نحسن الدقة؟
• كيف نقلل تكلفة الاستدلال (inference)؟

هذه أمور مهمة—لكنها غير كافية.

قبل أن يُنتج أي نموذج مخرجات، يجب أن تُحسم بالفعل ثلاث أسئلة تأسيسية:

2. هل تم التقاط الإشارة الصحيحة من العالم الحقيقي؟

3. هل تم إرفاق تلك الإشارة بالكيان الصحيح (العميل أو الحساب أو الطرف المقابل)؟

4. هل يمكن لتلك الحالة أن تنتقل عبر الأنظمة دون أن تفقد معناها؟

إذا كانت الإجابة عن أيٍّ من هذه الأسئلة ضعيفة، يصبح الذكاء الاصطناعي هشًا في الإنتاج.

من قابلية التشغيل البيني للبيانات إلى قابلية التشغيل البيني للواقع

لقد مرت الصناعة المالية بالفعل بموجات متعددة من تحديث البنية التحتية:

• تحديث الأنظمة المصرفية الأساسية
• بنوك عبر واجهات برمجة التطبيقات (API banking) وبنوك مفتوحة (open banking)
• مستودعات البيانات (data lakes) ومنصات التحليلات

لكن يضيف الذكاء الاصطناعي متطلبًا أكثر إلحاحًا.

يجب ألا تقوم الأنظمة بتبادل البيانات فحسب.

بل يجب أن تتبادل تمثيلات ذات معنى ومتسقة ومحكومة للواقع.

على سبيل المثال:

قد يوسم نظامان معًا العميل بأنه “عالي المخاطر”
—لكن بناءً على تعريفات مختلفة ومصادر بيانات مختلفة وتواتر تحديث مختلف.

دون تمثيل مشترك، تفشل عملية التنسيق.

تقديم Representation Utility Stack

لمعالجة ذلك، تحتاج المؤسسات المالية إلى التفكير بما يتجاوز النماذج ومنصات البيانات.

تحتاج إلى طبقة بنية تحتية جديدة:

Representation Utility Stack

نموذج من ثلاث طبقات يتيح:

• واقعًا يمكن للآلة قراءته (Machine-legible reality)
• حالة قابلة للتشغيل البيني عبر الأنظمة
• تنفيذًا محكومًا وقابلًا للتدقيق

Layer 1: Representation Utilities (SENSE Layer)

تحافظ هذه الأنظمة على تمثيلات موثوقة للكيانات الرئيسية:

• هوية العميل
• حالة الحساب والمعاملة
• علاقات الطرف المقابل
• ملكية الأصول وحركتها

وتجيب عن:

• من هو هذا الكيان؟
• ما حالته الحالية؟
• ما الذي تغيّر؟
• ما مستوى الثقة؟
• ما الدليل الذي يدعم هذه الحالة؟

في BFSI، يُعد ذلك أمرًا حاسمًا لـ:

• KYC وحلّ الهوية
• مراقبة المعاملات
• بناء ملفات المخاطر
• إدارة دورة حياة العميل

Layer 2: Representation APIs (Interoperability Layer)

بمجرد تمثيل الواقع، يجب أن ينتقل عبر الأنظمة.

تضمن Representation APIs أن ما ينتقل ليس مجرد بيانات—بل حالة ذات معنى.

وهي تحمل:

• الهوية
• الحالة
• الأصل (Provenance)
• الثقة
• السياق

وهذا يمكّن من:

• اتخاذ قرارات متسقة عبر الإدارات
• التنسيق بين البنوك وشركات التكنولوجيا المالية (fintechs) والجهات التنظيمية
• تقليل عبء المطابقة (reconciliation)

Layer 3: Governed Execution (DRIVER Layer)

هنا تتحول قرارات الذكاء الاصطناعي إلى فعل:

• الموافقات على القروض
• منع الاحتيال
• تفويض المعاملات
• معالجة المطالبات

لكن في الخدمات المالية، يجب أن يكون الفعل:

• قابلًا للتفسير (explainable)
• قابلًا للتدقيق (auditable)
• قابلًا للعكس (reversible)

يضمن التنفيذ المحكوم:

• تفويض واضح للسلطة
• التحقق من التمثيل قبل اتخاذ الفعل
• إمكانية تتبّع القرارات
• آليات محددة للانتصاف (recourse)

بدون هذه الطبقة، يضيف الذكاء الاصطناعي خطرًا منهجيًا.

لماذا يهم هذا الآن بالنسبة للمؤسسات المالية

يتجه الذكاء الاصطناعي في BFSI من:

Insights → Decisions → Actions

مع بدء الأنظمة بالتصرف بشكل مستقل أو شبه مستقل، ترتفع تكلفة التمثيل غير الصحيح بشكل كبير.

لم تعد حالات الفشل تظل مجرد تحليلية.

بل تصبح:

• خسائر مالية
• انتهاكات الامتثال
• تآكل ثقة العملاء
• غرامات تنظيمية

الفرصة الناشئة: بنية تحتية للتمثيل

من المرجح أن يخلق هذا التحول فئة جديدة من اللاعبين:

Representation Utility Providers

وقد يشمل ذلك:

• Identity and KYC infrastructure providers
• Cross-institution data and state synchronization platforms
• Provenance and audit infrastructure providers
• Regulatory reporting and recourse systems

لن ينافس هؤلاء اللاعبون على أداء النماذج.

سيُنافسون على:

👉 جعل الواقع متسقًا وقابلًا للنقل وموثوقًا

ما الذي ينبغي على القادة الماليين فعله الآن

يجب على مجالس الإدارة وCIOs وCTOs وChief Risk Officers البدء في طرح الأسئلة:

• أين يتم تجزئة هوية العميل عبر الأنظمة؟
• ما مدى اتساق حالة المعاملات عبر الوظائف؟
• ما مصدر الحقيقة لدينا للكيانات الرئيسية؟
• هل يمكن انتقال الحالة عبر الأنظمة دون إعادة تفسير؟
• كيف نتحقق من التمثيل قبل اتخاذ الفعل؟
• من أين يبدأ الانتصاف عندما يكون الذكاء الاصطناعي مخطئًا؟

هذه ليست أسئلة تقنية فقط.

بل إنها أسئلة بنية تحتية استراتيجية.

الخلاصة: الميزة القادمة ليست الذكاء وحده

لطالما بُنيت صناعة الخدمات المالية على الثقة.

في عصر الذكاء الاصطناعي، ستعتمد الثقة على شيء أعمق:

القدرة على تمثيل الواقع بدقة، ومشاركته بشكل متسق، والتصرف بناءً عليه بمسؤولية.

لن يتم الفوز بالمرحلة التالية من الذكاء الاصطناعي في BFSI عبر:

• نماذج أفضل وحدها
• استدلال أسرع
• مزيد من الأتمتة

بل سيتم الفوز بها عبر المؤسسات التي تستثمر في:

👉 واقع قابل للتشغيل البيني ومحكوم وقابل للقراءة بواسطة الآلة

وهذا هو دور Representation Utility Stack.

وقد تصبح أيضًا واحدة من أكثر طبقات البنية التحتية أهمية للخدمات المالية في العقد القادم.