الذكاء الاصطناعي في التمويل: تغيير سير العمل، وتزايد الطلب على الحكم البشري
تعمل GenAI على إعادة تشكيل تدفقات العمل الاستثماري بشكل أسرع مما تستطيع معظم الشركات التكيف معه. يعد إصدار Claude for Financial Services أحدث خطوة في تطبيق GenAI في صناعة الاستثمار. إن تركيزها على المعرفة بالمجال وسير العمل المتخصص يميزها عن LLMs الحدودية المعممة ويثير أسئلة مهمة حول كيفية تطور سير العمل المالي، وكيف سيتم تقسيم المهام بين البشر والآلات، وما هي المهارات المطلوبة للنجاح في مستقبل التمويل.
تتنافس الشركات المالية مع أهم عملية إصلاح لقدراتها التكنولوجية منذ جيل كامل. ويعمل التحول الرقمي القائم على الذكاء الاصطناعي على إعادة تشكيل الأدوار الوظيفية وعمليات الاستثمار، مما يدفع المهنيين إلى إعادة النظر في الحدود بين الإدراك البشري والإدراك الآلي، في حين تعمل الشركات على ترقية مجموعاتها التكنولوجية ورأس مالها البشري حتى تظل قادرة على المنافسة.
ووسط هذا التحول، يجب على الشركات والمهنيين إعادة تقييم المهارات اللازمة لتحقيق النجاح. يعد توقع كيفية تغيير الذكاء الاصطناعي لسير العمل والأدوار الوظيفية أمرًا صعبًا نظرًا لوتيرة التقدم التكنولوجي وعدم اليقين بشأن مسارات التحول. ومع ذلك، فإن هذا التقييم ضروري للتخطيط الاستراتيجي، سواء بالنسبة لقادة الصناعة أو للأفراد الذين يفكرون في مساراتهم المهنية.
يقوم معهد CFA باستمرار بمراقبة وتفسير تطورات الذكاء الاصطناعي ويوفر التوجيه والتعليم لمساعدة المهنيين الماليين على التنقل في المشهد المتغير وبناء المهارات المهنية التي يحتاجون إليها لتحقيق النجاح. ولتحقيق هذه المهمة، فإننا نبدأ مشروعًا طموحًا لتحليل الآثار الهيكلية للذكاء الاصطناعي على مهنة الاستثمار. سوف نستكشف سيناريوهات لكيفية تأثير الذكاء الاصطناعي على الممارسة المهنية، والحكم، والثقة، والمساءلة، والمسارات المهنية، بناءً على أبحاثنا حتى الآن.[1]
وفي هذا السياق، غالباً ما يُطرح سؤالان: هل سيحل الذكاء الاصطناعي محل المهنيين من البشر؟ وما هي أهمية برنامج CFA في بيئة مستقبلية حيث يمكن للذكاء الاصطناعي أداء معظم المهام التقنية؟[2]
وكما أشرنا في مكان آخر، نعتقد أن المستقبل سيتم تحديده من خلال القدرات المعرفية التكميلية للبشر والآلات، والتي تتميز بنموذج “AI + HI” والأهمية المستمرة للكفاءة المهنية. لفهم كيف يبدو هذا المزيج، من الضروري أولاً تقييم المدى الحالي لاعتماد الذكاء الاصطناعي في سير عمل الاستثمار، قبل تحديد مسارات الانتقال المحتملة إلى السيناريوهات المستقبلية التي تتميز بمزيج مختلف من التفاعل البشري والآلات.
المشهد الحالي
في أوائل العام الماضي، نشر معهد المحللين الماليين المعتمدين دراسة قائمة على المسح بعنوان “خلق القيمة من البيانات الضخمة في عملية إدارة الاستثمار: تحليل سير العمل”. في ذلك، قمنا بتحليل مدى اعتماد التكنولوجيا عبر مهام سير العمل المختلفة التي يتم تنفيذها في فئات الأدوار الوظيفية بما في ذلك الاستشارات والتحليل والاستثمار وصنع القرار والقيادة والمخاطر والمبيعات وإدارة العملاء.
أحد أهم الدروس المستفادة من هذا العمل هو أن محترفي الاستثمار يعتمدون استراتيجية متعددة المهام، حيث يستخدمون منصات و/أو تقنيات متعددة لإكمال المهمة. في فئة الدور الوظيفي التحليلي، توضح ثلاثة أمثلة لسير العمل – التقييم، وتحليل الصناعة والشركة، وإعداد التقارير البحثية – هذا النمط.
ويبين الجدول نسبة المستجيبين الذين يستخدمون تقنيات مختلفة لكل من هذه المهام. ومن غير المستغرب أن تظل الأدوات التقليدية مثل Excel وقواعد بيانات السوق هي الأكثر استخدامًا، لكن المشاركين في الاستطلاع أفادوا أيضًا بوجود أدوات متكاملة مثل Python وGenAI إلى جانب البرامج التقليدية. على سبيل المثال، في حين أعرب 90% من المشاركين عن استخدام برنامج Excel لمهام التقييم، أشار 20% أيضًا إلى استخدام لغة Python في سير العمل هذا. بالنسبة للأدوار التحليلية، تم استخدام GenAI بشكل أكبر للمساعدة في إعداد التقارير البحثية، والتي استشهد بها 27% من المشاركين.[3]
المصدر: ويلسون، كاليفورنيا، 2025، خلق قيمة من البيانات الضخمة في عملية إدارة الاستثمار: تحليل سير العمل: https://rpc.cfainstitute.org/research/reports/2025/creating-value-from-big-data-in-the-investment-management-process.
GenAI في الممارسة: مثال لسير العمل
دعونا نفكر في إجراء تحليل الصناعة والشركة، حيث أقر 16% من المشاركين، في وقت إجراء استبياننا في عام 2024، باستخدام GenAI في سير العمل هذا. تقدم سلسلة محتوى Automation Ahead الخاصة بنا، في الجزء RAG for Finance: أتمتة تحليل المستندات باستخدام LLMs، مثالًا ملموسًا لكيفية قيام GenAI بتعزيز سير العمل هذا.
يتم استكمال دراسة الحالة بدفاتر ملاحظات Python في مستودع RPC Labs GitHub الخاص بنا. وهو يوضح كيف يمكن لـ RAG استخلاص تفاصيل التعويضات التنفيذية والحوكمة من بيانات وكيل الشركات عبر شركات المحفظة وتقديم النتائج في جدول منظم، وهي إحدى المهام العديدة التي يتم تنفيذها في سير العمل هذا.
عادة ما تكون هذه المهمة يدوية وتستغرق وقتًا طويلاً، حيث يعتمد الجهد المطلوب إلى حد كبير على عدد ممتلكات المحفظة. باستخدام GenAI، يمكن توسيع نطاق العملية بكفاءة باستخدام حساب إضافي هامشي فقط، مما يحرر المحلل من استخراج البيانات يدويًا وإعداد مقارنة جدولية.
من خلال الاستعانة بمصادر خارجية لمهام استخراج البيانات وعرض المعلومات لنموذج GenAI، يمكن للمحلل التركيز على تفسير البيانات بدلاً من إعدادها. بدلاً من تحليل الأرقام، يركز المحلل على تقييم المخرجات من خلال استجواب النموذج، والتحقق من صحة البيانات، وفهم قيود التحليل، وتصحيح الأخطاء، واستكمال المخرجات بمعلومات إضافية أو رؤى من مصادر أخرى، وكل ذلك نحو هدف تحديد مخاطر الحوكمة المحتملة عبر ممتلكات المحفظة.
وبعيدًا عن إلغاء الحاجة إلى محلل بشري، يوضح هذا المثال كيف يمكن فتح قيمة أكبر من المدخلات البشرية من خلال توفير المزيد من الوقت والقدرة على التفكير النقدي واتخاذ القرار. كما يوضح أيضًا القيود المفروضة على الذكاء الاصطناعي (مثل هذه المهام لها درجات دقة غير كاملة)، والحاجة الدائمة للرقابة البشرية والحكم.
تطور
لقد برز Agentic AI كأداة قوية يمكنها تعزيز سير العمل وتعميق التفاعل بين الإنسان والآلة. تعتمد هذه الأدوات على بعض قيود RAG وتتضمن منطق سلسلة الأفكار واستدعاء الوظائف الخارجية (راجع مقالتنا، “Agentic AI For Finance: سير العمل والنصائح ودراسات الحالة”). يعمل وكلاء الذكاء الاصطناعي على توسيع نطاق المهام التي يمكن للآلات أن تؤديها وقد يشكلون الاتجاه المستقبلي للتفاعل بين الإنسان والآلة.
المصدر: Pisaneschi, B., 2025، Agentic AI For Finance: سير العمل والنصائح ودراسات الحالة: https://rpc.cfainstitute.org/research/the-automation-ahead-content-series/agentic-ai-for-finance.
ومن نواحٍ عديدة، يعمل هذا التطور ببساطة على توسيع استراتيجية التوجيه المتعدد، والجمع بين أدوات ومنصات متعددة في واجهة مستخدم واحدة. وتعكس شركة كلود للخدمات المالية هذا النهج من خلال التواصل مع قواعد بيانات السوق والمنصات التقليدية مثل Excel لإنتاج التقارير والتحليلات للمستخدم. وبهذه الطريقة، يعمل الذكاء الاصطناعي كطبقة تطبيق فوق الأدوات البرمجية الأخرى، ويتفاعل مع المحلل البشري الذي يحتفظ بالإشراف والمساءلة.
يظل الحكم المهني ضروريًا لاختبار الافتراضات والتحقق من صحة مصادر البيانات والمراجع. علاوة على ذلك، يعتمد الاستخدام الفعال لهذه الأدوات أيضًا على المعرفة الأساسية القوية في مجال التمويل والاستثمار، مما يمكّن المحللين من الثقة وامتلاك مخرجات النموذج والحفاظ على أساس معقول لاتخاذ قرارات الاستثمار.
وسيحتاج المحترفون أيضًا إلى مهارات شخصية لا يمكن الاستعانة بمصادر خارجية للآلات، بما في ذلك بناء العلاقات وممارسة واجبات الولاء والحصافة والرعاية، على أساس القيم الأخلاقية.
ومن الآن فصاعدا، سيجري معهد المحللين الماليين المعتمدين (CFA) بحثًا متعمقًا حول سير العمل والمهارات حيث يعيد الذكاء الاصطناعي تشكيل مهنة الاستثمار. وفي حين أن مزيج المهام والمهارات اللازمة لأداء هذه المهام سيستمر بلا شك في التطور، وبطرق قد لا نتوقعها، فإننا نتوقع أن يظل مبدأ الذكاء الاصطناعي + الذكاء الاصطناعي أساس الممارسة المهنية الأخلاقية والإدارة السليمة للاستثمار.
نحن ندعو الممارسين لمشاركة أفكارهم في قسم التعليقات حول المهارات وتحولات سير العمل التي تلاحظها.
[1] يتضمن مخزوننا البحثي حول الذكاء الاصطناعي ما يلي:
الذكاء الاصطناعي في إدارة الأصول: الأدوات والتطبيقات والحدود
رواد الذكاء الاصطناعي في إدارة الاستثمار (2019)
فرق على شكل حرف T: التنظيم لاعتماد الذكاء الاصطناعي والبيانات الضخمة في شركات الاستثمار (2021)
الأخلاقيات والذكاء الاصطناعي في إدارة الاستثمار: إطار عمل للمحترفين (2022)
دليل الذكاء الاصطناعي وتطبيقات البيانات الضخمة في الاستثمارات (2023)
البيانات غير المهيكلة والذكاء الاصطناعي: تحسين ماجستير إدارة الأعمال لتعزيز عملية الاستثمار (2024)
الذكاء الاصطناعي في إدارة الاستثمار: دراسة حالة الأخلاقيات (2024)؛ الذكاء الاصطناعي في إدارة الاستثمار: دراسة حالة الأخلاقيات الجزء الثاني (2024)
خلق القيمة من البيانات الضخمة في عملية إدارة الاستثمار: تحليل سير العمل (2025)
البيانات الاصطناعية في إدارة الاستثمار (2025)
الذكاء الاصطناعي القابل للتفسير في مجال التمويل: تلبية احتياجات أصحاب المصلحة المتنوعين (2025)
مستقبل الأتمتة: سلسلة المحتوى (2025)
[2] انظر على سبيل المثال Tirens, I., 2025، الذكاء الاصطناعي يمكنه اجتياز اختبار CFA®، لكنه لا يمكنه أن يحل محل المحللين
[3] تتوفر نسخة تفاعلية من هذه البيانات في مستودع RPC Labs GitHub الخاص بنا: https://github.com/CFA-Institute-RPC/AI-finance-workflow-heatmap
