AI for finance teams: How to future-proof your financial processes

أحدث الذكاء الاصطناعي (AI) تغييرًا جذريًا في طريقة عمل الشركات — وتزداد وتيرة هذا التغيير يومًا بعد يوم. فقد تجاوزت الشركات في جميع القطاعات مرحلة استكشاف إمكانات الذكاء الاصطناعي لتنتقل إلى مرحلة تطبيقه في العمليات المالية الأساسية.

بقلم Qvalia | تم التحديث في يونيو 2026 | 18 دقيقة للقراءة

نحن نعيش في عصر الذكاء الاصطناعي التوليدي، الذي يعتمد على الشبكات العصبية القائمة على محولات «ترانسفورمر» وآليات «الانتباه» التي تمكّن أنظمة الذكاء الاصطناعي من معالجة كميات هائلة من البيانات، وتحديد الأنماط المعقدة، وتنفيذ مهام متخصصة بدقة عالية. وتنتج النماذج الرائدة الحالية نصوصًا ورموزًا برمجية وصورًا ومقاطع صوتية وفيديو — كما أنها قادرة على حل المشكلات متعددة الخطوات بطرق كانت بعيدة المنال قبل بضع سنوات فقط.

الحدود الجديدة المهمة التالية — والتي بدأت بالفعل في الظهور — هي الذكاء الاصطناعي الفاعل: وهي أنظمة مستقلة لا تكتفي بالاستجابة للأوامر فحسب، بل تخطط وتتخذ الإجراءات وتنفذ سير عمل معقدًا بأقل تدخل بشري ممكن. أما الميزة التنافسية على المدى القريب فتأتي من إتقان ما هو متاح حاليًا.

ما يظل ثابتًا عبر كل مرحلة من مراحل تطور الذكاء الاصطناعي هو أن من يمتلكون بيانات نظيفة ومنظمة وسهلة الوصول هم أول من سيستفيد منها. وإدارة البيانات ليست مجرد شرط مسبق ممل للذكاء الاصطناعي — بل هي الأساس الذي تُبنى عليه مزايا الذكاء الاصطناعي.

تتوقف فائدة خوارزميات الذكاء الاصطناعي على جودة البيانات التي تم تدريبها عليها. وتتمتع المؤسسات التي تمتلك بيانات عالية الجودة ومتاحة بسهولة بميزة تسمح لها بتبني أحدث أدوات الذكاء الاصطناعي — والاستفادة من التطورات المستقبلية فور ظهورها. فقد أصبحت البيانات أحد أكثر الأصول قيمةً للشركات، وإدارة البيانات هي السبيل لضمان تحقيق هذه القيمة بالكامل.

في هذا الدليل، نستكشف الأسباب التي تجعل إدارة البيانات المُستقبلية هي الأساس للاستفادة من أنظمة الذكاء الاصطناعي الحالية والمستقبلية. من السهل أن نشعر بالحماس تجاه الذكاء الاصطناعي؛ لكن ما يهم هو تنفيذ العمليات الصحيحة الآن حتى تكون مستعدًا لتشغيل تلك الأنظمة. باختصار: الاستعداد للذكاء الاصطناعي.

كيف انتقلنا من بدايات عصر الحوسبة إلى حقبة أصبح فيها الذكاء الاصطناعي قادراً على إنجاز مجموعة واسعة من المهام في مجال التمويل وغيره؟ ورغم أنه من السهل اعتبار الذكاء الاصطناعي ابتكاراً حديثاً، فإننا نشهد في الواقع ثمرة عقود من البحث والتطوير.

بدأ مجال دراسة الذكاء الاصطناعي بشكل جدي بعد الحرب العالمية الثانية. فقد أدرك العلماء والمفكرون الرواد، مثل آلان تورينج وجون مكارثي، الإمكانات الكامنة في استخدام الآلات لأتمتة المهام وتحليل البيانات ووضع تنبؤات مستنيرة. وأدى الاهتمام المبكر بالذكاء الاصطناعي إلى تحقيق تقدم كبير في مجال الحوسبة، ورغم أن الذكاء الاصطناعي أثبت أنه أكثر صعوبة مما كان متوقعًا في البداية، إلا أن التقدم التدريجي كشف بثبات عن ما يمكن تحقيقه.

تتميز كل مرحلة من مراحل تطور الذكاء الاصطناعي بتطور في الطريقة التي تتعلم بها الآلات وتعالج البيانات. وفي مجال الخدمات المالية، ركز هذا التطور على معالجة البيانات المنظمة لتدريب الخوارزميات على مهام محددة — وهو أمر منطقي، نظرًا لأن العمليات المالية تنتج باستمرار هذا النوع بالذات من البيانات.

تتزايد تأثيرات نماذج وتقنيات الذكاء الاصطناعي على القطاع المالي، حيث توفر أدوات متطورة لتحليل بيانات المعاملات والبيانات الأساسية والسجلات المحاسبية وغير ذلك الكثير. وفيما يلي أهم التقنيات المستخدمة في المجال المالي اليوم.

نماذج التعلم الآلي (ML). تتنبأ نماذج التعلم الخاضعة للإشراف، مثل تحليل الانحدار، بالاتجاهات المستقبلية استنادًا إلى البيانات السابقة. أما نماذج التعلم غير الخاضعة للإشراف، فتقوم بتجميع بيانات الشرائح في مجموعات ذات مغزى من أجل تحليل العملاء وتحديد ملامح المخاطر.

نماذج التعلم العميق. تتميز الشبكات العصبية — بما في ذلك الشبكات العصبية العميقة (DNNs) والشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) — بقدراتها الفائقة في التعرف على الأنماط المعقدة، مما يجعلها مناسبة للكشف عن الاحتيال وتحليل سلوك العملاء والتحليلات التنبؤية.

نماذجLarge ونماذج الاستدلال. تعالج نماذج اللغة الكبيرة (LLMs) النصوص وتنتج نصوصًا تشبه النصوص البشرية، مما يتيح تحليل الوثائق المالية وتقديم المشورة الآلية ومراجعة العقود. أما نماذج الاستدلال — التي تم تدريبها على التفكير المنطقي متعدد الخطوات — فهي مناسبة لتحليل أدلة التدقيق وتقييم الوضع الضريبي ونمذجة السيناريوهات المعقدة التي تكون فيها الدقة أهم من السرعة.

أنظمة الذكاء الاصطناعي الوكيلة. وهي أنظمة ذكاء اصطناعي مصممة لتنفيذ تسلسلات من الإجراءات واستخدام الأدوات والتفاعل مع الأنظمة الخارجية بشكل مستقل. وفي العمليات المالية، يمكن لهذه الأنظمة إدارة سير العمل من البداية إلى النهاية — بدءًا من استلام الفواتير مرورًا بمعالجة الحالات الاستثنائية وصولاً إلى السداد — مع إشراف بشري عند نقاط مراقبة محددة.

معالجة اللغة الطبيعية (NLP). تُستخدم لتحليل الوثائق والتقارير والاتصالات المالية لاستخلاص الرؤى، أو إجراء تحليل المشاعر، أو أتمتة تفاعلات خدمة العملاء.

أشجار القرار والغابات العشوائية. مفيدة في مهام التصنيف والانحدار مثل تقييم الجدارة الائتمانية، وتقييم المخاطر، وتقسيم العملاء إلى شرائح.

نماذج تحليل السلاسل الزمنية. تعمل نماذج مثل ARIMA على توقع المؤشرات المالية وتحليل الأنماط الزمنية في الأسواق المالية والتدفقات النقدية.

التعلم المعزز. يُستخدم في التداول الخوارزمي لتطوير استراتيجيات تهدف إلى تعظيم العائدات استنادًا إلى البيانات التاريخية والبيانات الفورية.

نماذج الكشف عن الحالات الشاذة. تحديد القيم المتطرفة أو الأنماط غير المعتادة في المعاملات المالية التي قد تشير إلى وجود احتيال أو أخطاء في البيانات.

النماذج القائمة على الرسوم البيانية. وهي فعالة في الكشف عن العلاقات والشبكات المعقدة — على سبيل المثال، الكشف عن الأنشطة الاحتيالية من خلال تحليل شبكات المعاملات.

يعتمد اختيار النموذج على التطبيق المالي المحدد، وتوافر البيانات، ومستوى الدقة المطلوب. وعادةً ما تجمع أنظمة الذكاء الاصطناعي المالية في الواقع بين عدة نُهج.

تسعى شركات الخدمات المالية بنشاط إلى استكشاف السبل التي يمكن أن تضيف بها الذكاء الاصطناعي قيمة إلى عملياتها. لكن التركيز على أحدث الخوارزميات لن يكون كافياً إذا كانت البيانات التي تعمل عليها منخفضة الجودة أو غير منظمة أو غير متسقة. فالخوارزميات مجرد هياكل فارغة — وهي تحتاج إلى بيانات عالية الجودة لتصبح مفيدة.

لا ينبغي أن ينصب التركيز على التكنولوجيا فحسب، بل على كيفية إعداد البيانات وإتاحتها للاستخدام في التطبيقات الحالية والمستقبلية — وكيفية تفعيلها بالتعاون مع الشركاء التجاريين. فالبيانات التي يتم جمعها ومعالجتها بشكل صحيح اليوم يمكن أن تلبي أي احتياجات مستقبلية تقريبًا.

تتضمن عملية توحيد البيانات تنظيم وتوحيد كل من البيانات المنظمة (جداول البيانات وقواعد البيانات) والبيانات غير المنظمة (رسائل البريد الإلكتروني وملفات PDF) في تنسيق متسق يعزز سهولة الاستخدام والتحليل. وتعد البيانات المنظمة ضرورية لخوارزميات الذكاء الاصطناعي الحالية وتلك التي ستظهر في المستقبل القريب. ولا يزال تحويل البيانات غير المنظمة إلى تنسيقات منظمة يمثل أولوية لأي مؤسسة ترغب في الاستفادة من أدوات الذكاء الاصطناعي.

أمثلة على البيانات غير المنظمة في مجال التمويل:

أمثلة على البيانات المنظمة في مجال التمويل:

يعد تطوير عملية تنقية البيانات والحفاظ عليها — أي استخراج البيانات القيمة من التنسيقات غير المنظمة وتحويلها إلى بيانات منظمة — أمرًا حيويًا لأي مؤسسة مستعدة لتطبيق الذكاء الاصطناعي.

حتى أفضل خوارزمية للذكاء الاصطناعي لا تعدو أن تكون مجرد هيكل فارغ ما لم تكن مدعومة ببيانات عالية الجودة. فالعمليات تنتج البيانات باستمرار، وستتعلم خوارزميات الذكاء الاصطناعي الحالية والمستقبلية من هذه البيانات لتنفيذ مهامها بدقة وكفاءة.

ليس أي نوع من البيانات هو المهم: فجودة البيانات وكميتها وتنوعها هي التي تحدد مدى فعالية الذكاء الاصطناعي في تحسين العمليات. وتركز ممارسات إدارة البيانات الشاملة على ضمان تبادل البيانات بين الشركاء التجاريين في شكل رسائل تجارية إلكترونية. وعند الحاجة، يُعد تنقية البيانات غير المنظمة أو تحويلها إلى صيغ منظمة أمرًا ضروريًا. كما أن كسر حواجز العزلة بين البيانات أمر بالغ الأهمية أيضًا — فلا يمكنك تحمل خسارة الجودة أو الاستمرارية عند نقل البيانات بين الأنظمة والعمليات.

يجب النظر إلى البيانات باعتبارها أحد الأصول الاستراتيجية — وهي لا تقل قيمة عن الموارد البشرية أو المعدات المادية. والشركات التي تتعامل مع البيانات بهذه الطريقة تكتسب ميزة تنافسية متزايدة مع استمرار تطور الذكاء الاصطناعي.

لا تكمن القيمة الاستراتيجية في تدريب الخوارزميات الجديدة فحسب، بل تكمن أيضًا في تمكين التدريب المستمر لنماذج تزداد دقتها باستمرار. فكر في الكيفية التي طبقت بها «جوجل» نهج التفكير القائم على البيانات طويلة الأجل منذ بداياتها الأولى، حيث قامت بتخزين بيانات البحث والخرائط التي لم تكن ذات قيمة فورية، لأنها كانت تدرك أنها ستصبح ذات قيمة في المستقبل. وينبغي أن تجسد استراتيجيتك الحالية لإدارة البيانات هذه الرؤية نفسها: فبيانات اليوم تخدم التطورات التكنولوجية في الغد.

تعد بيانات شركتك ذات قيمة كبيرة داخليًّا — ولكنها ذات قيمة أيضًا خارجيًا، بالنسبة لشركاء أعمالك. وتعد البيانات المتبادلة بين شركاء الأعمال أمرًا بالغ الأهمية للحفاظ على تدفقات بيانات منظمة وعالية الجودة. ونشهد اليوم ظهور أنظمة بيئية تركز على تبادل البيانات واستخدامها بين الشركات والحكومات: وهي البنية التحتية للتجارة الرقمية.

تقليديًا، كانت الشركات تستخدم خدمات شبكات القيمة المضافة VAN ) لإرسال واستلام الرسائل التجارية، مثل الفواتير الإلكترونية والطلبات الإلكترونية، باستخدام معايير التبادل الإلكتروني للبيانات (EDI). وقد ساهمت التقنيات الحديثة — المصممة لتحقيق التوحيد القياسي وتوفير اتصال واسع النطاق — في تبسيط الوصول إلى هذه الخدمات بشكل كبير للشركات من جميع الأحجام.

Peppol (Pan European Public Procurement Online) is an initiative aimed at standardizing digital communication between companies and governments. It is a significant opportunity for businesses to begin gathering structured data for AI algorithms — and, increasingly, a regulatory requirement.

تُعد «بيبول» مثالاً على شبكة الأعمال: وهي بنية تحتية للبيانات المنظمة والعمليات المتعلقة بالمعاملات. وهناك شبكات وحلول أخرى، مثل Electronic Data Interchange EDI) من نقطة إلى نقطة وشبكات القيمة المضافة (VAN)، تتبع نهجاً مشابهاً لتبادل البيانات بأمان بين الشركات والجهات الحكومية.

يتيح اعتماد نظام Peppol في إصدار الفواتير وتبادل المستندات الوصول إلى مصدر غني بالبيانات المنظمة. وتتميز البيانات الناتجة عن العمليات المرتبطة بنظام Peppol بتوحيد التنسيق والبنية عبر الشركات والجهات الحكومية — مما يساعد على إنشاء سلسلة بيانات قوية تدعم خوارزميات الذكاء الاصطناعي في الوقت الحالي وفي المستقبل.

أصبحت المطالب الخارجية بالبيانات المنظمة من جانب الحكومات والموردين والعملاء بالفعل قوة دافعة وراء الاستثمار في إدارة البيانات. وتتزايد المتطلبات الحكومية ولن تتباطأ وتيرتها. كما تطالب المناطق والمؤسسات بتصنيف البيانات في إطار أطر عمل مثل "ضوابط المعاملات المستمرة" (CTC). ويؤدي تبادل البيانات وفقًا لمعايير راسخة مثل Peppol إلى جعل شركتك حلقة وصل قيّمة وموثوقة في سلسلة البيانات الناشئة.

The EU Artificial Intelligence Act — in force since August 2024 and progressively applicable through 2025–2026 — is the world’s first comprehensive AI regulation. It has direct implications for financial services companies deploying AI, and any AI readiness strategy must account for it.

يصنف القانون تطبيقات الذكاء الاصطناعي إلى مستويات مخاطر. وتندرج العديد من التطبيقات الشائعة في مجال الخدمات المالية ضمن فئة المخاطر العالية، ومنها:

ما يعنيه تصنيف "المخاطر العالية" عمليًا: يجب أن تخضع أنظمة الذكاء الاصطناعي التي تندرج ضمن هذه الفئات لتقييمات المطابقة، وأن تحتفظ بوثائق تقنية مفصلة، وأن تطبق آليات للإشراف البشري، وأن تسجل في قاعدة بيانات الاتحاد الأوروبي للذكاء الاصطناعي، وأن تستوفي متطلبات الشفافية قبل نشرها.

وهذا لا يشكل عائقًا أمام اعتماد الذكاء الاصطناعي — بل هو إطار عمل للامتثال يكافئ المؤسسات التي تتمتع بنظام ناضج لإدارة البيانات. وستجد الشركات التي استثمرت بالفعل في البيانات المنظمة، ومسارات التدقيق، وسلسلة أصل البيانات الواضحة، أن الامتثال لقانون الاتحاد الأوروبي للذكاء الاصطناعي أسهل بكثير مقارنة بتلك التي تبدأ من الصفر.

إن اتباع نهج يضع البيانات في المقام الأول عند بناء أعمال قادرة على التكيف أمر بالغ الأهمية لضمان استمرارية إدارة البيانات في المستقبل. يمكن أن تخدم بيانات اليوم التطورات التكنولوجية في المستقبل — ولكن فقط إذا تم جمعها وتنظيمها بشكل صحيح منذ البداية.

تتيح البيانات التي يتم تزويد خوارزميات الذكاء الاصطناعي بها بشكل مستمر في الوقت الفعلي الحصول على رؤى وتوقعات محدثة. ويتطلب ذلك الانتقال من العمليات الدفعية إلى العمليات المستمرة لدعم حلقة التغذية الراجعة لخوارزميات الذكاء الاصطناعي. وتسمح العمليات التي تتم في الوقت الفعلي للشركة بإدارة المعاملات وتحليلها فور حدوثها، مما يتيح الحد من المخاطر، وإجراء التوقعات، وإجراء التغييرات المخصصة.

لنأخذ punchout " كمثال على كيفية قيام الرقمنة والبيانات الموحدة بتحويل أي عملية:

توحيد البيانات هو مجموعة من العمليات والأدوات التي تمكّن فرق العمل لديك من جمع البيانات ومعالجتها بطريقة متسقة على مستوى المؤسسة — وذلك بفضل اتباع نفس القواعد في التسمية والتنسيق في جميع الأقسام. كما تُستخدم المعايير في تكوين البيانات الوصفية — وهي البيانات المتعلقة ببياناتك — التي تصف مصدرها وتاريخ تعديلها وعلاقتها بالسجلات الأخرى. وتصبح هذه البيانات الوصفية ضرورية عند تدريب نماذج الذكاء الاصطناعي أو مراجعة قرارات الذكاء الاصطناعي.

يُعد Peppol BIS — وهو معيار التنسيق المستخدم داخل شبكة Peppol — مثالاً ممتازاً على توحيد البيانات على نطاق واسع. ويوفر «رمز الأمم المتحدة الموحد للمنتجات والخدمات» (UNSPSC) تصنيفاً واسع الانتشار لتوحيد بيانات المنتجات والخدمات، مما يوفر إطاراً للتصنيف يعزز الكفاءة التشغيلية ويُتيح إجراء تحليلات شاملة على مستوى المنظمات.

تعد "تشتت البيانات" مشكلة متنامية تواجه الشركات، حيث تتناثر البيانات وتُخزَّن في "صوامع" منفصلة عبر السحابات الخاصة والعامة وتطبيقات SaaS والأجهزة الطرفية، وغالبًا ما تكون بتنسيقات وتخزينات وضوابط وصول مختلفة. ويشكل تشتت البيانات عائقًا كبيرًا أمام أي استخدام للذكاء الاصطناعي، حتى في عمليات التحليل البسيطة.

يتطلب حل هذه المشكلة حوكمة شاملة للبيانات — وهي عملية شاملة لإدارة دقة البيانات وتوافرها وأمنها على مستوى المؤسسة بأكملها. ويحدد برنامج حوكمة البيانات كيفية إدارة البيانات طوال دورة حياتها: من جمعها وتخزينها واستخدامها إلى التخلص منها. كما تضع الحوكمة القوية مسارات التدقيق والوثائق اللازمة للامتثال لقانون الاتحاد الأوروبي بشأن الذكاء الاصطناعي.

تؤدي العمليات المنعزلة إلى بيانات منعزلة، وكلاهما يعوق النشر الفعال للذكاء الاصطناعي. ويمنع تكامل أنظمة تكنولوجيا المعلومات وأدوات الخدمات السحابية (SaaS) المختلفة انتشار البيانات بشكل عشوائي، ويتيح لأدوات الذكاء الاصطناعي والموظفين رؤية شاملة لمجمل البيانات. كما يزيد التعاون بين الأقسام من كمية ونوعية البيانات التجارية.

لكن التعاون لا يقتصر على المستوى الداخلي فحسب: فالشركاء والعملاء والشبكات التجارية مثل Peppol تخلق طريقة جديدة تمامًا للمعاملات بين الشركات (B2B) والتواصل وتبادل المستندات — كما أن البيانات المنظمة الناتجة عن هذه المعاملات تُعد شركتك للاستفادة بسرعة من التطورات الجديدة في مجال الذكاء الاصطناعي.

يتطلب إطلاق مشروع للذكاء الاصطناعي في مجال التمويل تشكيل فريق متعدد التخصصات لضمان توافق المشروع مع الأهداف التجارية، وضمان جدواه من الناحية التقنية، وتلبية المتطلبات القانونية ومتطلبات الامتثال — بما في ذلك قانون الاتحاد الأوروبي للذكاء الاصطناعي. وتشمل الأدوار الرئيسية عادةً ما يلي:

Order-to-cash (O2C) and purchase-to-pay (P2P) are among the most suitable processes for AI implementation. They involve multiple steps, cross-departmental collaboration, and often rely on manual tasks that hinder efficiency. While automation has already reduced some repetitive work, AI — and increasingly agentic AI — holds immense potential to transform these workflows further.

التقييم الائتماني الديناميكي. تجمع تقنية الذكاء الاصطناعي بين البيانات المستمدة من مجموعة متنوعة من المصادر — مثل اتجاهات السوق وسجل السداد وأنماط المعاملات — لإجراء تقييمات ائتمانية ديناميكية. وتتيح قدرات التعلم الذاتي لهذه التقييمات أن تصبح أكثر دقة بمرور الوقت، مما يساعد الشركات على الحد من المخاطر الائتمانية المرتبطة بالطلبات الواردة.

المحاسبة المدعومة بالذكاء الاصطناعي. تستفيد المحاسبة المدعومة بالذكاء الاصطناعي من قواعد البيانات الضخمة — مثل سجلات المعاملات والتحديثات التنظيمية وأنماط الإنفاق — لتعزيز الدقة وتبسيط العمليات المالية. ومن خلال أتمتة المهام المعرضة للخطأ، مثل عمليات التسوية ومعالجة الفواتير وحسابات الضرائب، يقلل الذكاء الاصطناعي من الحاجة إلى المراقبة اليدوية، مع الاستمرار في التحسين من خلال التعلم الآلي.

دعم اتخاذ القرار والتحليلات. تعمل عملية تصنيف البيانات المدعومة بالذكاء الاصطناعي على تحويل البيانات المالية الأولية إلى رؤى قابلة للتطبيق من خلال تصنيفها وتنظيمها بذكاء من مصادر متنوعة مثل الفواتير والمعاملات والقيود المحاسبية. ومن خلال التعرف على الأنماط والارتباطات، يتيح الذكاء الاصطناعي إجراء تحليلات أعمق ويكشف عن اتجاهات قد تمر مرور الكرام لولا ذلك.

مسارات العمل التعلّمية. على عكس الأتمتة القائمة على القواعد، يتعلّم الذكاء الاصطناعي باستمرار من البيانات الجديدة، حيث يتعرف على الأنماط ويحسّن استجاباته بمرور الوقت. وأصبح بإمكان أنظمة الذكاء الاصطناعي القائمة على الوكلاء الآن إدارة مسارات العمل التي تتضمن الكثير من الحالات الاستثنائية — مثل النزاعات مع الموردين، ومسارات الموافقة، واستفسارات الائتمان الخاصة بالعملاء — بشكل مستقل وبدقة متزايدة.

التنبؤ المستمر بالتدفقات النقدية. تتيح قدرة الذكاء الاصطناعي على دمج مجموعة واسعة من نقاط البيانات — بدءًا من أسعار الفائدة الحالية وتقلبات العملات وصولاً إلى مدة استحقاق الفواتير وسلوك العملاء في السداد — الحصول على تنبؤات بالتدفقات النقدية يتم تحديثها باستمرار، بدلاً من اللقطات الدورية المرتبطة بشكل أساسي بتقارير المبيعات.

كشف الاحتيال والوقاية منه. قد يكون الاحتيال في عملية O2C مكلفًا للغاية: فقد يتم شحن البضائع قبل اكتشاف المعاملة الاحتيالية. ويقوم الذكاء الاصطناعي بتحليل الأنظمة الداخلية وبيانات الاحتيال الخارجية بشكل مستمر لتحديد الأنماط الشاذة ووضع علامة على المعاملات لمراجعتها قبل تنفيذها.

إدارة الائتمان القائمة على السلوك. يمكن للذكاء الاصطناعي تحليل أنماط التواصل والمشاعر لاكتساب رؤى أعمق حول سلوك العملاء في السداد، مما يساعد في اتخاذ قرارات الموافقة على الائتمان واتفاقيات السداد استنادًا إلى معايير محددة.

بحلول عام 2026، سيكون مجال الذكاء الاصطناعي قد تطور إلى ما هو أبعد مما توقعه العديد من المحللين قبل بضع سنوات فقط. وتُظهر العديد من النماذج الرائدة الآن قدرات استدلال واسعة النطاق عبر مختلف المجالات، مما دفع مختبرات الذكاء الاصطناعي الرائدة إلى الإعلان عن تحقيق إنجازات مهمة في مجال الذكاء الاصطناعي العام — على الرغم من أن التعريفات لا تزال موضع خلاف، ولا يزال هذا المجال يشهد نقاشًا حول المعنى الحقيقي لـ«الذكاء العام». وقد انتقل النقاش العملي من مسألة ما إذا كان الذكاء الاصطناعي العام سيصبح حقيقة واقعة إلى ما سيأتي بعده، وكيفية مواءمة الأنظمة التي تزداد قوةً مع الأهداف التجارية.

فيما يتعلق بالعمليات المالية، فإن التطور الأكثر تأثيرًا ليس معلمًا فلسفيًا بل عمليًا: الذكاء الاصطناعي الفاعل. ففي الوقت الحالي، يتم نشر أنظمة الذكاء الاصطناعي التي تنفذ بشكل مستقل سير عمل متعدد الخطوات — مثل معالجة الفواتير من البداية إلى النهاية، وإدارة الاستثناءات المتعلقة بالموردين، واختبار سيناريوهات التدفقات النقدية — على نطاق واسع في الوظائف المالية الرائدة. وهنا يتحول الذكاء الاصطناعي من مجرد أداة للإنتاجية إلى بنية تحتية تشغيلية.

أصبحت القدرة متعددة الوسائط — أي معالجة وإنشاء النصوص والصور والبيانات والمواد الصوتية والمرئية ضمن نموذج واحد — الآن ميزة أساسية في جميع أنظمة الذكاء الاصطناعي الرائدة. بالنسبة لفرق الشؤون المالية، يعني هذا أن سير عمل واحد للذكاء الاصطناعي يمكنه معالجة عقد ممسوح ضوئيًا، واستخراج الشروط الرئيسية، ومقارنتها بقاعدة البيانات، والإبلاغ عن التناقضات — وهي مهام كانت تتطلب في السابق أنظمة متخصصة متعددة. لم يعد السؤال هو ما إذا كان الذكاء الاصطناعي الخاص بك قادرًا على التعامل مع أنواع متعددة من البيانات، بل ما إذا كانت البنية التحتية للبيانات لديك قادرة على توفيرها بشكل نظيف.

هناك فئة متميزة من نماذج الذكاء الاصطناعي التي تم تدريبها على الاستدلال المنطقي متعدد الخطوات، وهي تُستخدم الآن على نطاق واسع وتُعد ذات أهمية خاصة في المجال المالي. تعمل هذه النماذج على معالجة المشكلات بشكل منهجي قبل تقديم الإجابة، مما يجعلها مناسبة تمامًا لتحليل أدلة التدقيق، وتقييم الوضع الضريبي، ومراجعة العقود المعقدة، والنمذجة المالية القائمة على السيناريوهات — وهي مهام يكون فيها تقديم إجابة واثقة ولكن خاطئة أسوأ من تقديم إجابة أبطأ ولكنها صحيحة.

مع كل تطور في قدرات الذكاء الاصطناعي، تظل هناك حقيقة واحدة ثابتة: إن العامل الأكثر أهمية في تحديد مدى سرعة استفادة مؤسستك من أنظمة الذكاء الاصطناعي الجديدة هو جودة بياناتك وإمكانية الوصول إليها. إن إدارة البيانات المهيأة لمواجهة مستقبل التكنولوجيا — أي البيانات المنظمة والموحدة والخاضعة للرقابة والتي يتم تبادلها عبر شبكات مثل Peppol — تضمن أن تكون شركتك في وضع يسمح لها بتزويد أي نظام ذكاء اصطناعي قادم ببيانات عالية الجودة.