هوش مصنوعی مولد، با توان پردازش گسترده داده‌ها و تولید الگوهای پیش‌بینی، ساختار سنتی اعتبارسنجی را به چالش کشیده و به فین‌تک‌ها امکان داده است تا از داده‌های غیرمالی نیز برای تحلیل ریسک و اعطای اعتبار استفاده کنند.
این تحول، گرچه دستاوردهای مهمی برای شمول مالی دارد، اما هم‌زمان با پرسش‌هایی درباره شفافیت، سوگیری و مسئولیت‌پذیری الگوریتم‌ها همراه است.
خروج از الگوی سنتی اعتبارسنجی
در سال‌های اخیر، فناوری هوش مصنوعی مولد (Generative AI) وارد مرحله‌ای شده که نقش آن دیگر محدود به تولید محتوا نیست؛ بلکه در ارزیابی‌های مالی و تحلیل ریسک نیز جایگاهی کلیدی یافته است. یکی از عرصه‌هایی که بیشترین تأثیر را از این فناوری پذیرفته، صنعت فین‌تک و به‌ویژه سیستم‌های اعتبارسنجی است.
در مدل‌های جدید، الگوریتم‌های هوشمند می‌توانند از داده‌هایی فراتر از صورت‌حساب‌های بانکی یا سوابق مالی رسمی استفاده کنند و تصویر کامل‌تری از توان مالی و رفتار اقتصادی افراد ترسیم نمایند.
امتیازهای اعتباری پویا با تحلیل داده‌های غیرساخت‌یافته
سیستم‌های GenAI قادرند با ترکیب داده‌های سنتی همچون تراکنش‌های مالی با داده‌های غیرساخت‌یافته مانند متن، تصویر، صدا یا فعالیت‌های کاربر در فضای آنلاین، امتیازهای اعتباری دقیق‌تری ارائه دهند. این امتیازها نه‌تنها وضعیت کنونی مشتری را نشان می‌دهند، بلکه تغییرات رفتاری در طول زمان را نیز رصد می‌کنند. نتیجه چنین تحلیلی، مدل‌های پویا و پیش‌نگرانه‌ای است که احتمال نکول یا تأخیر در بازپرداخت را با دقت بالاتری پیش‌بینی می‌کنند.
شفافیت؛ حلقه گمشده الگوریتم‌های اعتباری
یکی از ویژگی‌های مهم این فناوری، توانایی آن در تولید توضیح قابل فهم از خروجی مدل است. به‌جای تصمیم‌گیری‌های مبهم، هوش مصنوعی می‌تواند دلایل رد یا تأیید اعتبار را برای کاربر و ناظر توضیح دهد. این شفافیت، که تا پیش از این در مدل‌های پیچیده به‌سختی ممکن بود، حالا در سازوکارهای جدید به یک قابلیت استاندارد تبدیل شده است.
داده‌های جایگزین و نشانه‌های رفتار دیجیتال
فین‌تک‌ها اکنون برای اعتبارسنجی، تنها به سابقه بانکی مشتری تکیه نمی‌کنند. داده‌هایی چون سوابق مخابراتی، فعالیت در شبکه‌های اجتماعی، موقعیت مکانی، نوع استفاده از اپلیکیشن‌های مالی، حتی رفتارهای دیجیتال مانند سرعت واکنش به اعلان‌های مالی، به‌عنوان شاخص‌های مکمل در تحلیل ریسک مطرح شده‌اند.
برای مثال، فردی که به‌طور منظم تراکنش‌های خرد انجام می‌دهد، سرعت پاسخ بالایی به نوتیفیکیشن‌ها دارد و الگوی خرج‌کردن ثابتی نشان می‌دهد، می‌تواند از نگاه یک سیستم هوش مصنوعی واجد شرایط دریافت اعتبار باشد؛ حتی اگر در سیستم‌های سنتی فاقد نمره اعتباری باشد.
سوگیری، تبعیض و پیچیدگی مدل‌ها
با وجود این مزایا، چالش‌هایی نیز همراه این تحول است. نخست، مسئله شفافیت الگوریتم‌هاست. بسیاری از مدل‌های GenAI به‌دلیل پیچیدگی ساختار، عملکردی جعبه‌سیاه دارند و تبیین دقیق دلایل تصمیم‌گیری آن‌ها دشوار است. از سوی دیگر، داده‌هایی که وارد این مدل‌ها می‌شود ممکن است خود دارای سوگیری تاریخی یا فرهنگی باشد.
اگر داده‌های آموزش مدل، به‌طور ناخودآگاه تبعیض‌های پیشین را بازتولید کنند، خروجی نهایی نیز ناعادلانه خواهد بود. برای نمونه، استفاده گسترده از داده‌های اجتماعی ممکن است افراد کم‌فعال در فضای مجازی را با نمره‌ای پایین‌تر ارزیابی کند؛ صرفاً به‌دلیل نوع سبک زندگی یا محدودیت‌های دسترسی‌شان.
حریم خصوصی در سایه تحلیل‌های تهاجمی
مسئله دیگر، امنیت و حریم خصوصی است. فین‌تک‌هایی که بر داده‌های وسیع و متنوع تکیه می‌کنند، موظف‌اند به‌شیوه‌ای مسئولانه از این اطلاعات استفاده کنند. پردازش داده‌ها باید با رعایت الزامات قانونی مانند GDPR یا CCPA همراه باشد، تا حقوق کاربران در استفاده، حذف یا اصلاح داده‌هایشان تضمین شود.
به‌علاوه، فناوری‌هایی مانند رمزنگاری هم‌زمان یا محاسبات امن چندطرفه باید برای محافظت از داده‌ها در مقابل نشت یا سوءاستفاده، در معماری فنی شرکت‌ها گنجانده شود.
چهار گام برای کاهش ریسک و افزایش اعتماد
برای پاسخ به این چالش‌ها، چند راهکار مهم در حال شکل‌گیری است. نخست، اجرای ممیزی‌های مستقل و دوره‌ای توسط نهادهای بی‌طرف برای ارزیابی صحت، دقت و بی‌طرفی مدل‌ها. دوم، ایجاد داشبوردهای شفافیت برای نمایش نحوه عملکرد مدل و عوامل مؤثر در تصمیم‌گیری به کاربر. سوم، حفظ نقش انسان در حلقه تصمیم‌گیری، به‌ویژه در موارد حساس یا نزدیک به مرز رد و پذیرش. و در نهایت، تدوین مقررات هوشمند و انعطاف‌پذیر از سوی قانون‌گذاران برای نظارت اثربخش بر مدل‌های مبتنی بر هوش مصنوعی.
بازتعریف اعتبار در عصر هوش مصنوعی
در افق آینده، انتظار می‌رود با گسترش بانکداری باز و توسعه رابط‌های API، جریان داده‌ها در اکوسیستم فین‌تک سرعت بیشتری بگیرد و امکان پردازش بلادرنگ امتیاز اعتباری فراهم شود. همچنین شکل‌گیری کنسرسیوم‌های صنعتی برای تبادل امن داده‌ها و تعریف استانداردهای مشترک، می‌تواند مسیر استفاده مسئولانه از GenAI در اعتبارسنجی را هموارتر کند.
در مجموع، هوش مصنوعی مولد نه‌فقط ابزار جدیدی در دست فین‌تک‌هاست، بلکه مقدمه‌ای بر یک بازتعریف بنیادین از مفهوم «اعتبار» در دنیای دیجیتال محسوب می‌شود؛ مفهومی که باید هم از نظر فنی دقیق باشد و هم از نظر اخلاقی، عادلانه. در غیر این‌صورت، تحولی که می‌تواند فرصت‌آفرین باشد، ممکن است به‌دلیل بی‌توجهی به ریسک‌های پنهان، به تهدیدی برای اعتماد عمومی و عدالت مالی تبدیل شود.
