حديقة المشاريع الفاشلة: لماذا تتوقف مشاريع بنوك الذكاء الاصطناعي بين إثبات المفهوم والإنتاج

سوق الذكاء الاصطناعي في البنوك يتجه من 26 مليار دولار إلى 546 مليار دولار. الفجوة بين الاستثمار والنشر تحكي قصة أكثر تعقيدًا.

لقد أجريت نفس الحوار مع أشخاص في خدمات مالية مختلفة على مدى العامين الماضيين. وتدور فكرته حول ما يلي.

تقوم بنك ما بتشغيل إثبات مفهوم لنموذج ذكاء اصطناعي: كشف الاحتيال، تقييم الائتمان، التنبؤ بترك العملاء. النتائج جيدة. أحيانًا تكون فعلاً مثيرة للإعجاب. فريق علوم البيانات متحمس. القيادة العليا مهتمة. يُكتب دراسة حالة تجارية.

ثم. لا شيء. يبقى النموذج في بيئة اختبارية. تمر شهور. يتم تمديد التجربة. وفي النهاية، يختفي بهدوء من خارطة الطريق، ويُستبدل بإثبات مفهوم جديد.

أسمي هذا مقبرة التجارب. في رأيي، هو التحدي الأبرز للذكاء الاصطناعي في البنوك الآن. ليس التقنية. ليس البيانات. ليس الميزانية.

“التقنية ليست عنق الزجاجة. معظم تجارب الذكاء الاصطناعي في البنوك تفشل لأسباب لا علاقة لها بعمل النموذج.”

السوق العالمي للذكاء الاصطناعي في البنوك. المصدر: كايو للأبحاث والاستشارات، تقرير حجم السوق العالمي للذكاء الاصطناعي في البنوك، الاتجاهات، وتحليل الفرص، 2025-2035.

الأرقام تقول شيئًا واحدًا. معدل النشر يقول شيئًا آخر.

وفقًا لأبحاث نشرتها كايو للأبحاث والاستشارات، كان سوق الذكاء الاصطناعي في البنوك العالمي يُقدر بقيمة 26.19 مليار دولار في عام 2024، ومن المتوقع أن يصل إلى 546.02 مليار دولار بحلول عام 2035. بمعدل نمو سنوي مركب قدره 31.80%، مما يجعل الذكاء الاصطناعي في البنوك من أسرع فئات التكنولوجيا نموًا في الخدمات المالية.

ومع ذلك، إذا تحدثت مع الأشخاص المسؤولين فعليًا عن نقل الذكاء الاصطناعي من التجربة إلى الإنتاج داخل البنوك، فإن الصورة أكثر تعقيدًا. أرقام الاستثمارات تعكس ما تنفقه البنوك على بنية تحتية للذكاء الاصطناعي، عقود الموردين، وهندسة البيانات. لكنها لا تعكس نسبة التجارب التي تصل بنجاح إلى الإنتاج مقابل تلك التي لا تصل.

وبحسب خبرتي، فإن تلك النسبة ليست مشجعة.

وجدت دراسة استقصائية أجرتها شركة ماكينزي في 2023 أن أقل من ربع المؤسسات المالية أبلغت عن نجاحها في توسيع نطاق الذكاء الاصطناعي إلى ما بعد برامج التجربة. لا أذكر هذا الرقم لأحبط، بل لأطرح سؤالًا لا تجيب عليه أرقام النمو الرئيسية: إذا كانت البنوك تنفق هذا القدر على الذكاء الاصطناعي، فلماذا لا تصل الكثير من تلك المشاريع إلى العمليات الحية؟

العوائق الحقيقية ليست تقنية

إليك ما أعتقد أنه يحدث فعلاً.

الأسباب التي تؤدي إلى توقف تجارب الذكاء الاصطناعي في البنوك غالبًا غير تقنية. النموذج عادةً يعمل. البيانات عادةً موجودة. المهندسون عادةً يستطيعون بناء ما هو مطلوب. ما يفشل هو كل شيء حول النموذج. هناك ثلاثة أمور تتكرر باستمرار.

الشرح ومشكلة التنظيم. نموذج تقييم الائتمان الذي يحسن الدقة بنسبة 15% هو فعلاً ذو قيمة. لكن إذا لم يتمكن مدير العلاقات من شرح للعميل سبب رفض طلبه، فلا يمكن وضع النموذج في الإنتاج. إذا لم يتمكن مسؤول الامتثال من إثبات للجهة التنظيمية أن القرار خالٍ من التحيز المحظور، فلا يمكن وضعه في الإنتاج. نقطة النهاية. قانون الاتحاد الأوروبي للذكاء الاصطناعي يصنف تقييم الائتمان على أنه ذكاء اصطناعي عالي المخاطر، مما زاد من حدة هذا القيد. البنوك لا تتجنب الذكاء الاصطناعي لأنه لا يعمل. بعض البنوك تتجنب وضعه في الإنتاج لأنها لا تستطيع بعد تلبية متطلبات الشرح التي تتطلبها العمليات الحية.

تكامل الأنظمة القديمة. هذا غير جذاب ولكنه مهم جدًا. تدير البنوك الكبرى بنية تحتية مركزية قديمة منذ عقود. ربط طبقة استنتاج التعلم الآلي الحديثة بنظام مبني على COBOL أو نظام رئيسي من الجيل الأول ليس مشكلة علم بيانات. إنه مشكلة هندسة معمارية، وهو مكلف وبطيء الحل. العديد من تجارب الذكاء الاصطناعي تعتمد على بيانات نظيفة ومنقحة، لا تشبه البيانات الفوضوية وغير المتسقة في أنظمة الإنتاج. عندما تصل التجربة إلى خط الأنابيب الحقيقي، تتدهور الأداء وتتأخر المواعيد. تزداد مقبرة التجارب.

إطارات الحوكمة غير مصممة لمخاطر النموذج. معظم لجان مخاطر البنوك أُنشئت لإدارة مخاطر الائتمان، السوق، والعمليات. مخاطر النموذج فئة مختلفة، والعديد من المؤسسات لا تزال تطور الأطر لإدارتها بشكل صحيح. من يملك النموذج الذي يتخذ قرارات الإقراض؟ من المسؤول عندما يبتعد عن المسار؟ ما هو بروتوكول إعادة التدريب وإعادة التحقق؟ هذه ليست أسئلة افتراضية. هي الأسئلة التي توقف التجربة عن التقدم إلى الإنتاج عندما لا يوجد إجابات واضحة.

“مقبرة التجارب ليست فشلًا تقنيًا. إنها فشل في الحوكمة، مشكلة في الهندسة المعمارية القديمة، وفجوة في جاهزية التنظيم — وكلها تتراكم معًا.”

ما الذي يعمل فعلاً — ولماذا

أريد أن أكون منصفًا هنا. مقبرة التجارب حقيقية لكنها ليست شاملة. هناك فئات من تطبيقات الذكاء الاصطناعي في البنوك نجحت في الانتقال من التجربة إلى الإنتاج على نطاق واسع، وتشارك في بعض الصفات التي تستحق الفحص.

كشف الاحتيال ومكافحة غسيل الأموال. هذا هو التطبيق الأكثر نضجًا للذكاء الاصطناعي في البنوك، وليس من قبيل الصدفة. كشف الاحتيال له ثلاث خصائص تجعله قابلًا للنشر في الإنتاج: الحالة التجارية واضحة (تقليل الخسائر بشكل قابل للقياس)، المخرجات عبارة عن درجة أو علامة بدلاً من شرح لقرار بشري، والإطار التنظيمي مستقر نسبيًا. عندما يكون النموذج خاطئًا، يكون العاقبة عبارة عن إيجاب كاذب (تجربة غير مريحة ولكن قابلة للعكس لعميل حقيقي). مستوى الشرح أقل من قرارات الائتمان. شراكة JPMorgan Chase مع AWS في مارس 2025 لنشر منصة كشف احتيال سحابية باستخدام Amazon SageMaker مثال حديث على كيف يبدو النشر الناضج في هذا المجال.

الذكاء الاصطناعي الحواري في خدمة العملاء. المساعدات الافتراضية والدردشات المدعومة بمعالجة اللغة الطبيعية نجحت في الانتقال من التجربة إلى الإنتاج في العديد من المؤسسات. السبب هو الهيكلية: نمط الفشل يمكن احتواؤه. إذا فهمت روبوت الدردشة استعلامًا بشكل خاطئ، يتم تصعيده إلى وكيل بشري. المخاطر التنظيمية قابلة للإدارة. إطلاق Infosys لـ FinAI Assist في سبتمبر 2024، وهو مساعد افتراضي مدعوم بالذكاء الاصطناعي لعملاء البنوك التجزئة، يمثل المكان الذي تتواجد فيه هذه الفئة من العمليات.

النمط واضح. التطبيقات التي نجحت في التوسع تشترك في مخاطر تنظيمية أقل، وأنماط فشل أكثر احتواءً، ومسارات تكامل أنظف. تطبيقات الإقراض، إدارة مخاطر المحافظ، وأتمتة التقارير التنظيمية (التطبيقات ذات المخاطر والأهمية الأعلى) تتقدم ببطء أكثر، تحديدًا لأن متطلبات الحوكمة أكثر تطلبًا.

الإطار الزمني الذي سيميز الفئة خلال 24 شهرًا

إليك رأيي في الأمر.

توقعات السوق بقيمة 546 مليار دولار بحلول 2035 ليست غير معقولة. الدوافع للطلب حقيقية. الاحتيال يتطور بشكل أكثر تعقيدًا. التقارير التنظيمية تصبح أكثر تعقيدًا. توقعات العملاء لتجارب رقمية مخصصة لن تنخفض. البنوك التي لا تنشر الذكاء الاصطناعي على نطاق واسع ستكون في وضعية غير مريحة خلال عقد من الزمن.

لكن، من سيحقق أكبر قيمة من هذا النمو لن يكون من يجرّب أكبر عدد من التجارب. بل من يبني بنية حوكمة تتيح للتحارب أن تتحول إلى أنظمة إنتاج: أطر مخاطر النموذج، أدوات الشرح، بروتوكولات إعادة التدريب، تحديث خطوط البيانات القديمة.

هذا العمل أقل ظهورًا من إثبات المفهوم المثير، ولا يطلق بيانات صحفية. لكنه، في رأيي، هو ساحة المعركة التنافسية الحقيقية في الذكاء الاصطناعي البنكي الآن.

البنوك التي تتعامل معه بجدية تتخذ قرارات معمارية وحوكمية خلال الـ 24 شهرًا القادمة ستحدد ما هو ممكن لها في 2028، 2030، وما بعدها. أما التي لا تفعل، وتستمر في تشغيل تجارب غير مترابطة بدون بنية تشغيلية لتوسيعها، فستجد أن أرقام استثماراتها في الذكاء الاصطناعي تبدو مثيرة للإعجاب، لكن معدلات النشر لن تكون كذلك.

ثلاثة أسئلة يجب أن يطرحها كل مسؤول بنكي

لست متأكدًا من وجود حل واضح لكل هذا. ربما لهذا السبب تستمر المناقشة. لكن إذا كنت عضوًا في لجنة تنفيذية أو مجلس تكنولوجيا في بنك الآن، فهذه هي الأسئلة الثلاثة التي أود الحصول على إجابات صادقة عنها.

أولاً: ما هو نسبة تجارب الذكاء الاصطناعي إلى النماذج الحية، وما هو متوسط الوقت من بدء التجربة إلى النشر في الإنتاج؟ إذا لم تكن تعرف تلك الأرقام، فذلك هو الجواب بنفسه.

ثانيًا: هل لدينا إطار حوكمة لمخاطر النموذج مصمم خصيصًا لنماذج التعلم الآلي، يشمل الملكية، مراقبة الانحراف، محفزات إعادة التحقق، واختبار التحيز؟ أم أننا نطبق قالب حوكمة مخاطر الائتمان على شيء لم يُبنَ من أجله؟

ثالثًا: بالنسبة لأعلى حالات استخدام الذكاء الاصطناعي قيمة، هل وضعنا خريطة كاملة لمسار التكامل إلى أنظمة الإنتاج، بما في ذلك خطوط البيانات القديمة، وليس فقط البيئة النظيفة التي بُني عليها النموذج؟ إذا كانت البيانات المستخدمة في التجربة والإنتاج مختلفة، فإن نتائج التجربة لن تكون مؤشرًا موثوقًا على الأداء في الإنتاج.

لا تعتبر أي من هذه الأسئلة مريحة. وربما لهذا السبب لا تُطرح بشكل كافٍ.

السوق سينمو. والسؤال هو من سيستفيد

السوق الذي ينمو بمعدل 31.80% سنويًا من قاعدة 26 مليار دولار لن يظل عالقًا في مرحلة التجربة إلى الأبد. الضغوط الاقتصادية على النشر، والضغوط التنافسية من البنوك الرقمية والشركات المالية الناشئة التي لا تعاني من قيود الأنظمة القديمة، والأطر التنظيمية التي تتضح تدريجيًا، كلها ستدفع الصناعة نحو نشر أوسع في الإنتاج.

لكن الانتقال من الاستثمار إلى النشر ليس تلقائيًا. يتطلب عملًا متعمدًا على الحوكمة، والهندسة المعمارية، والقدرات التنظيمية التي لم تكملها معظم البنوك بعد.

مقبرة التجارب لا يجب أن تكون دائمة. فقط يتطلب الأمر قرارًا بأن جاهزية الإنتاج تساوي أهمية بناء إثبات مفهوم مثير جديد.

لست متأكدًا من أن جميع البنوك اتخذت هذا القرار بعد.

البيانات والإفصاحات

الأرقام السوقية مستمدة من تقرير حجم السوق، الاتجاهات، وتحليل الفرص للذكاء الاصطناعي في البنوك، 2025-2035، نشرته شركة كايو للأبحاث والاستشارات. الكاتب هو رئيس التسويق في كايو للأبحاث والاستشارات وله ارتباط مباشر بهذا البحث.

مراجع إضافية: شركة ماكينزي، حالة الذكاء الاصطناعي في الخدمات المالية (2023). شراكة JPMorgan Chase مع AWS: إعلان عام، مارس 2025. استحواذ BNP Paribas على Data Sense AI: إعلان عام، ديسمبر 2024. إطلاق Infosys FinAI Assist: إعلان عام، سبتمبر 2024.