ورود AI عامل (Agentic AI) به صنعت مالی؛ نمونه در Citi

بانک Citigroup در حال اجرای آزمایشی است تا قابلیت‌هایی شبیه به عامل خودمختار (agent) را در پلتفرم AI داخلی خود وارد کند.

• در این پلتفرم به نام Citi Stylus Workspaces به کاربر امکان داده می‌شود با ورود تنها یک دستور، کارهایی چون تحقیق مشتری، جمع‌آوری داده‌های داخلی و عمومی، ترجمه و ترکیب نتایج را به صورت خودکار انجام دهد.
• در فاز آزمایشی ۵۰۰۰ کاربر شرکت خواهند کرد و مدت طرح حدود ۴ تا ۶ هفته است تا تأثیر، بازده و هزینه سنجیده شود.
• این سیستم از مدل‌هایی مانند گوگل Gemini و Anthropic Claude بهره خواهد برد و کنترل هزینه‌ها برای وظایف پیچیده در نظر گرفته شده است.
• حتی اگر کارایی بالا رود، هنوز معلوم نیست آیا این منجر به کاهش نیروی انسانی می‌شود یا خیر؛ مدیران بانک تأکید دارند که هنوز باید دیده شود.

تحلیل:
این مورد بر یکی از روندهای کلیدی سال ۲۰۲۵ تأکید دارد: حرکت از مدل‌های دستیار به عامل‌های هوشمند که به شکل خودکار وظایف پیچیده را انجام می‌دهند. (مک‌کنزی نیز رشد سیستم‌های خودمختار را از روندهای مهم تکنولوژی می‌داند)
در بخش مالی، صرفه‌جویی زمان، یکپارچگی داده و سرعت تصمیم‌گیری می‌توانند مزیت رقابتی بزرگ باشند. اما ریسک‌هایی مثل خطا در نتیجه‌گیری، اعتماد بی‌چون‌وچرا به خروجی، مسئولیت قانونی و هزینه مدل نیز باید در نظر گرفته شوند.

این خبر نشان‌دهنده یکی از بزرگ‌ترین جهش‌های کاربردی هوش مصنوعی در سال ۲۰۲۵ است: انتقال از مدل‌های «دستیار پاسخ‌گو» به عامل‌های خودمختار (Agentic AI) که می‌توانند زنجیره‌ای از وظایف پیچیده را بدون دخالت انسانی انجام دهند. ورود این فناوری به بخش مالی (Citi) بسیار معنادار است چون این صنعت یکی از سخت‌گیرترین صنایع از نظر امنیت، مقررات و حساسیت داده‌ها محسوب می‌شود.

۱. ابعاد عملیاتی و کاربردی

• پلتفرم Citi Stylus Workspaces به کاربر اجازه می‌دهد تنها با یک دستور، فرایندی شامل:
  1. تحقیق مشتری (Customer Due Diligence)
  2. جمع‌آوری داده‌های داخلی و عمومی
  3. ترجمه و تحلیل داده‌ها
  4. ترکیب و گزارش‌دهی نهایی
     را انجام دهد.
• این یعنی کارهایی که قبلاً ساعت‌ها یا روزها زمان می‌بردند، می‌توانند در چند دقیقه توسط یک عامل خودمختار اجرا شوند.

این همان چیزی است که مک‌کنزی آن را «حرکت از دستیارهای منفعل به عامل‌های فعال» می‌نامد.

۲. ابعاد فنی

• استفاده از مدل‌های Gemini (گوگل) و Claude (Anthropic) نشان می‌دهد Citi به جای توسعه مدل داخلی، از چندین LLM خارجی برای انعطاف بیشتر بهره می‌برد.
• کنترل هزینه‌ها به‌ویژه در وظایف پیچیده اهمیت دارد، چون اجرای زنجیره‌ای چندوظیفه‌ای با مدل‌های بزرگ می‌تواند هزینه محاسباتی بالایی داشته باشد.
• چالش: مدیریت کیفیت خروجی؛ چون Agentic AI می‌تواند خطاها را در طول یک زنجیره وظیفه تقویت کند (خطای کوچک در ابتدای پردازش = گزارش نهایی اشتباه).

۳. ابعاد سازمانی و انسانی

• در فاز آزمایشی، ۵۰۰۰ کاربر طی ۴ تا ۶ هفته عملکرد سیستم را تست می‌کنند. این نشان می‌دهد بانک به‌دنبال اندازه‌گیری ROI، کارایی و پذیرش کاربر است قبل از اینکه مقیاس گسترده‌تری پیاده کند.
• سؤال کلیدی: آیا این فناوری باعث کاهش نیروی انسانی خواهد شد یا صرفاً ابزاری کمکی برای افزایش بهره‌وری کارکنان باقی می‌ماند؟
  • سناریوی ۱: جایگزینی بخشی از نیروهای تحلیل‌گر داده و پژوهشگر.
  • سناریوی ۲: افزایش بهره‌وری تیم‌ها بدون کاهش مستقیم تعداد کارکنان (اما احتمالاً کاهش نیاز به استخدام‌های آینده).

۴. ابعاد حقوقی و ریسک

• ریسک خطا در تصمیم‌گیری مالی: یک اشتباه در تحلیل مشتری یا ترجمه داده می‌تواند میلیاردها دلار هزینه ایجاد کند.
• مسئولیت قانونی: اگر یک Agentic AI خروجی اشتباه تولید کند و بر اساس آن تصمیم بانکی گرفته شود، چه کسی مسئول است؟ بانک؟ کارمند؟ توسعه‌دهنده مدل؟
• حفظ حریم داده‌ها: استفاده از مدل‌های خارجی (Gemini و Claude) نیازمند تضمین امنیت داده‌های محرمانه بانکی است. حتی اگر داده‌ها لوکالایز شوند، ریسک نشت یا سوءاستفاده وجود دارد.

۵. مزایای بالقوه برای صنعت مالی

• صرفه‌جویی در زمان: سرعت پردازش وظایف پیچیده از روزها به دقیقه.
• یکپارچگی داده‌ها: عامل می‌تواند هم داده‌های داخلی (CRM، گزارش‌ها) و هم داده‌های عمومی (اخبار، گزارش‌های مالی رقبا) را ترکیب کند.
• افزایش سرعت تصمیم‌گیری: در معاملات مالی یا ارزیابی ریسک، سرعت به‌تنهایی می‌تواند مزیت رقابتی باشد.
• بهبود تجربه کارکنان: کاهش کارهای تکراری و وقت‌گیر.

۶. پیامدهای کلان

• این حرکت Citi احتمالاً یک نقطه عطف برای بانکداری جهانی است. اگر آزمایش موفق باشد، سایر بانک‌ها (مثلاً JPMorgan، HSBC، Deutsche Bank) به‌سرعت آن را کپی خواهند کرد.
• از نگاه کلان، ورود Agentic AI به مالی نشان می‌دهد که بازار کار تحلیل‌گران، مترجمان مالی، و حتی مشاوران سرمایه‌گذاری با تغییر جدی مواجه خواهد شد.
• در سطح اقتصاد کلان: ممکن است کارایی سیستم مالی جهانی افزایش یابد اما همزمان ریسک سیستمیک ناشی از خطاهای AI نیز بیشتر شود.

✅ جمع‌بندی تحلیلی:
Citi با این آزمایش، صنعت بانکداری را وارد دوره‌ای می‌کند که در آن عامل‌های هوش مصنوعی نه فقط ابزار کمکی، بلکه مجری خودکار وظایف مالی و تحلیلی خواهند بود. اگر موفق شود، این نقطه شروع یک تحول ساختاری در بانکداری و مدیریت سرمایه جهانی است. اما چالش‌های بزرگ در حوزه قانون، امنیت، اعتماد و نیروی انسانی همچنان بی‌پاسخ مانده‌اند.