هوش مصنوعی در خدمات مالی؛ یافته‌های گزارش جهانی ۲۰۲۶ دانشگاه کمبریج

هوش مصنوعینویسنده: پارسا آقابراری۲ دقیقه مطالعهمنبع: CCAF کمبریج، ۲۰۲۶
هوش مصنوعی در خدمات مالی؛ یافته‌های گزارش جهانی ۲۰۲۶ دانشگاه کمبریج

۱مقدمه

مرکز مالیه جایگزین کمبریج (CCAF) در دانشکدهٔ کسب‌وکار جاج دانشگاه کمبریج، در مه ۲۰۲۶ «گزارش جهانی هوش مصنوعی در خدمات مالی» را منتشر کرد. این گزارش بر پایهٔ نظرسنجی از شرکت‌های مالی، تأمین‌کنندگان فناوری و ۱۳۰ نهاد ناظر تهیه شده است.

۲بررسی موضوع

یکی از یافته‌های مهم، فاصلهٔ فین‌تک‌ها و نهادهای سنتی است: ۴۷ درصد فین‌تک‌ها از هوش مصنوعی پیشرفته استفاده می‌کنند، در برابر ۳۰ درصد نهادهای سنتی؛ و ۱۹ درصد فین‌تک‌ها به مرحلهٔ «تحول‌آفرین» رسیده‌اند، در برابر ۶ درصد. به گفتهٔ گزارش، آمادگی نیروی کار و میزان سرمایه‌گذاری، عامل اصلی این تفاوت است.

با این حال، تنها ۱۴ درصد پاسخ‌دهندگان صنعت، هوش مصنوعی را برای راهبرد و مزیت رقابتی سازمانشان تحول‌آفرین می‌دانند؛ نشانه‌ای از شکاف میان استفاده و یکپارچه‌سازی واقعی در کسب‌وکار. گزارش هوش مصنوعی مولد و هوش مصنوعی عامل‌محور (Agentic AI) را روشن‌ترین مرزهای پیش رو می‌داند که موانع به‌کارگیری کمتری از یادگیری ماشین سنتی دارند.

در سمت ناظران، ۴۸ درصد هنوز در مرحلهٔ «بررسی» هستند یا اصلاً از هوش مصنوعی استفاده نمی‌کنند؛ ۳۳ درصد در مرحلهٔ آزمایشی و ۱۸ درصد در حال گسترش آن‌اند. ناظران بیشتر از صنعت نگران تمرکز بازار در دست چند ارائه‌دهنده‌اند (۴۳ درصد در برابر ۲۸ درصد).

۳جمع‌بندی

گزارش هشدار می‌دهد گسترش سریع هوش مصنوعی عامل‌محور آسیب‌پذیری‌های سایبری را تشدید می‌کند و نظارت دستی را کم‌اثرتر می‌سازد؛ «از دست رفتن نظارت انسانی» هم در میان ریسک‌های اصلی هوش مصنوعی از نگاه پاسخ‌دهندگان جای دارد.

اشتراک‌گذاری:تلگرامواتس‌اپلینکدین

منابع

  1. Cambridge Centre for Alternative Finance — 2026 Global AI in Financial Services Report، مه ۲۰۲۶ ↗
همفکران فناوری شریفاین مقاله خلاصه‌ای از منابع رسمی ذکرشده است که تیم همفکران فناوری شریف برای مدیران و تیم‌های مالی تهیه کرده است.
می‌خواهید این راهکارها را در سازمانتان ببینید؟درخواست دموی رایگان

مقالات مرتبط

هوش مصنوعیخواندن خودکار رسید با هوش مصنوعی؛ پایان ورود دستی هزینه‌هافناوری بازشناسی نویسه و یادگیری ماشین، اطلاعات رسید را در چند ثانیه استخراج می‌کند و خطای ورود دستی را از میان برمی‌دارد.هوش مصنوعیهوش مصنوعی مسئولانه؛ شفافیت، انصاف و پاسخ‌گویی در تصمیم‌های خودکارهرچه تصمیم‌های بیشتری به الگوریتم‌ها سپرده می‌شود، تضمین انصاف و شفافیت آن‌ها اهمیت بیشتری می‌یابد.هوش مصنوعیتشخیص تقلب با یادگیری ماشین؛ شناسایی الگوهای پنهان در تراکنش‌هاتقلب‌های مالی روزبه‌روز پیچیده‌تر می‌شوند. مدل‌های یادگیری ماشین با شناسایی رفتارهای غیرعادی، دفاعی پویا فراهم می‌کنند.هوش مصنوعیپردازش زبان طبیعی فارسی؛ فرصت‌ها و چالش‌های هوش مصنوعی در زبان فارسیپیشرفت مدل‌های زبانی، درک و تولید متن فارسی را ممکن کرده است؛ اما ویژگی‌های خاص زبان فارسی، رویکردی بومی می‌طلبد.