آیا ماشین می تواند بانکدار باشد؟ درباره پول، اعتماد و عدالت الگوریتمی در عصر مالی هوشمند

پول، پیش از آن که کاغذ باشد یا عددی در یک پایگاه داده، یک پیمان است. گئورگ زیمل، فیلسوف پول، یک قرن پیش نوشت که پول چیزی نیست جز اعتماد تبلوریافته: من این کاغذ یا این عدد را می پذیرم، چون باور دارم که دیگری نیز خواهد پذیرفت. ارسطو هم پول را نه چیزی طبیعی، بلکه قراردادی انسانی می دانست؛ ابزاری برای مبادله که ارزشش از توافق جمعی می آید، نه از ذات خودش. حالا پرسش تازه این است: وقتی طرف این پیمان دیگر انسان نیست، بلکه مدلی است که در میلی ثانیه تصمیم می گیرد به چه کسی وام بدهد، چه معامله ای را مشکوک بداند و چه دارایی ای را بخرد یا بفروشد، سرنوشت اعتماد چه می شود؟

بانکداری، زودتر از بسیاری از صنایع، به قلمرو الگوریتم ها پیوسته است. بر اساس گزارش اس اند پی گلوبال، تا سال ۲۰۲۵ حدود ۸۵ درصد بانک ها به نوعی از هوش مصنوعی استفاده می کردند؛ موسسه IDC نیز هزینه کرد جهانی هوش مصنوعی در بانکداری را ۳۵ میلیارد دلار در سال ۲۰۲۳ برآورد کرده و پیش بینی می کند که این رقم تا ۲۰۲۷ به ۹۷ میلیارد دلار برسد. بانک مرکزی انگلستان و مرجع رفتار مالی این کشور در به روزرسانی ۲۰۲۴ خود گزارش دادند که ۷۱ درصد شرکت های خدمات مالی بریتانیا از هوش مصنوعی مولد استفاده کرده اند. این ها ارقام یک روند حاشیه ای نیست؛ این، جابه جایی مرکز ثقل تصمیم مالی از میز کارمند بانک به درون مدل هاست.

اما بانکدار ماشینی دقیقا چه می کند؟ سه کارکرد اصلی را می توان از هم جدا کرد: اعتبارسنجی، کشف تقلب، و معامله گری. در اعتبارسنجی، مدل از سابقه بازپرداخت، درآمد و — در سامانه های داده جایگزین — از الگوهای تراکنش و جریان نقدی، ریسک نکول را برآورد می کند و بر همان اساس، وام را تایید یا رد می کند و نرخ بهره و سقف اعتبار را تعیین می کند. نکته ای که گزارش شرکت مالی بین المللی (IFC) یادآوری می کند این است که نمره اعتباری، برآورد ریسک بازپرداخت است، نه سنجش شخصیت یا شایستگی اخلاقی انسان. وقتی این تمایز فراموش شود، یک عدد آماری به حکم سرنوشت بدل می شود.

همین جاست که عدالت الگوریتمی به مسئله ای فلسفی و حقوقی تبدیل می شود. سوگیری مدل اعتباری سه ریشه شناخته شده دارد: داده های تاریخی (گذشته وام دهی تعیین می کند که سابقه چه کسانی اصلا ثبت شده است)، متغیرهای نیابتی (ویژگی های به ظاهر خنثی که با ویژگی های حمایت شده همبستگی دارند) و تابع هدفی که فقط پیش بینی یا سود را بهینه می کند. تجربه مقایسه ای که اداره حمایت مالی مصرف کننده آمریکا (CFPB) درباره مدل شرکت آپ استارت منتشر کرد، نشان می دهد که مدل های داده جایگزین می توانند در عین افزایش ۲۷ درصدی تایید متقاضیان و کاهش ۱۶ درصدی میانگین نرخ بهره، همچنان شکاف میان گروه ها را از میان نبرند؛ بهبود برای همه، لزوما به معنای برابری میان همه نیست. از سوی دیگر، برآورد اصلاح شده CFPB در ژوئن ۲۰۲۵ نشان می دهد که ۷ میلیون بزرگسال آمریکایی — ۲٫۷ درصد — در دسامبر ۲۰۲۰ «نامرئی اعتباری» بودند؛ انسان هایی که اساسا در سامانه دیده نمی شوند تا مدلی درباره شان قضاوت کند. عدالت ماشینی، پیش از آن که مسئله دقت باشد، مسئله دیده شدن است.

در کشف تقلب و مبارزه با پول شویی، کارنامه ماشین درخشان تر به نظر می رسد، اما همین جا نیز باید میان گزارش شرکت و معیار مستقل فرق گذاشت. سامانه ارزیابی ریسک پویای HSBC که با گوگل توسعه یافته، به گزارش منتشرشده در ژوئن ۲۰۲۴، دو تا چهار برابر جرایم مالی بیشتری را نسبت به قبل شناسایی کرده و موارد مثبت کاذب را ۶۰ درصد کاهش داده است. مسترکارت نیز از بهبود میانگین ۲۰ درصدی کشف تقلب در مدل سازی اولیه «هوش تصمیم» خود خبر داده است. با این حال، نظرسنجی جهانی داتوس اینسایتس و SAS که ۲۹ اکتبر ۲۰۲۶ منتشر شد، تصویر متوازن تری می دهد: ۷۱ درصد نهادها در حال یکپارچه سازی فناوری کشف تقلب و ضدپول شویی اند، اما ۶۳ درصد همچنان نرخ بالای مثبت کاذب را چالشی بزرگ می دانند و ۸۶ درصد از جاافتادن پیوند میان تقلب و پول شویی خبر می دهند. ماشین، تقلب را بهتر می بیند؛ اما هنوز نمی داند که دیدن بیشتر، همیشه به معنای قضاوت بهتر نیست.

سومین کارکرد، معامله گری، خطرناک ترین آن هاست؛ چون در آن جا سرعت، خود به یک عامل ریسک تبدیل می شود. یک بازبینی دانشگاهی در سپتامبر ۲۰۲۶ برآورد می کند که تا ۲۰۲۵ حدود ۶۰ تا ۷۰ درصد معاملات بازارهای بزرگ سهام به صورت الگوریتمی انجام می شده است. در اکتبر ۲۰۲۵، در بزرگ ترین موج لیکوئید شدن تاریخ بازار رمزارز، لیکوئیداسیون های خودکار، فروش ناشی از تنش تعرفه ای را تشدید کردند. باید با دقت گفت: ماشه بحران، ماشین نبود؛ اما ماشین، شتاب دهنده آن بود. وقتی هزاران مدل هم زمان یک سیگنال را «فروش» می خوانند، بازار دیگر محل کشف قیمت نیست؛ آینه ای است که همه در آن، هم زمان، یک تصویر را می بینند و از آن می گریزند. این همان «تکنوکراسی پنهان» است: تصمیمی که هیچ انسانی به تنهایی نگرفته، اما همه انسان ها هزینه اش را می پردازند.

از منظر فقه و حکمت اسلامی، پرسش بانکدار ماشینی، پرسش تازه ای نیست؛ صورت تازه ای از پرسش های کهن است. قاعده «الغنم بالغرم» می گوید بهره مندی با پذیرش زیان همراه است: کسی که سود می برد، باید مسئولیت زیان را نیز بپذیرد. وقتی سود تصمیم الگوریتمی به بانک می رسد اما زیان رد ناعادلانه وام، یا مسدودشدن حساب، بر دوش مشتری بی صدا می افتد، این قاعده نقض شده است. بحث «تسبیب» نیز همین جا معنا می یابد: آن که سبب را فراهم کرده — طراح مدل، بانکی که آن را به کار گرفته، نهادی که نظارت نکرده — در زنجیره مسئولیت شریک است، حتی اگر «مباشر» نهایی یک خط کد باشد. و «غرر» — ابهام ناروا در معامله — وقتی رخ می دهد که مشتری نداند بر چه اساسی رد شده است؛ قراردادی که یک طرفش از منطق تصمیم بی خبر است، قراردادی نابرابر است. مال در نگاه اسلامی، امانت است؛ و امانت داری، بدون پاسخ گویی، معنا ندارد.

همین منطق، در حقوق نوین جهان نیز در حال تثبیت است. دیوان دادگستری اتحادیه اروپا در فوریه ۲۰۲۵ (پرونده C-203/22) رای داد که مشتری ردشده در پی ارزیابی خودکار اعتباری، حق دارد توضیحی سودمند درباره روش و اصول به کاررفته — از جمله اینکه چه داده های شخصی ای استفاده شده — دریافت کند. قانون هوش مصنوعی اتحادیه اروپا نیز اعتبارسنجی مصرف کننده را در زمره سامانه های پرخطر قرار داده و الزامات مدیریت ریسک، کیفیت داده، ثبت وقایع و نظارت انسانی را بر آن بار می کند؛ مهلت اعمال الزامات پیوست سوم، طبق زمان بندی فعلی کمیسیون، تا دسامبر ۲۰۲۷ است. در آمریکا، فدرال رزرو، OCC و FDIC در ۱۷ آوریل ۲۰۲۶ راهنمای بازبینی شده مدیریت ریسک مدل (SR 26-2) را صادر کردند، اما پانویس همان راهنما تصریح می کند که مدل های هوش مصنوعی مولد و عامل محور، خارج از شمول آن اند؛ یعنی دقیقا همان فناوری هایی که امروز در بانک ها به کار می روند، در خلا راهنمایی مانده اند. مرجع رفتار مالی بریتانیا نیز در اکتبر ۲۰۲۶ «رویه خوب و زمینه های بهبود» هوش مصنوعی در خدمات مالی را منتشر کرد؛ راهنمایی عملی، نه الزامی تازه. تصویر کلی روشن است: قانون گذار، عقب تر از مدل حرکت می کند و خلا میان آن دو، جایی است که حقوق مشتری گم می شود.

برای ایران، این پرسش نه انتزاعی است و نه وارداتی. نزدیک ترین گزارش معتبر در دسترس، گزارش نوامبر ۲۰۲۳ اینتلی نیوز به نقل از خبرگزاری ایبنا است که از حمایت بانک مرکزی ایران از به کارگیری هوش مصنوعی در بانکداری و همکاری با فین تک ها خبر می دهد؛ از خدمات بانکداری دیجیتال شخصی سازی شده تا کشف تراکنش های مشکوک و رعایت ضدپول شویی. در همان گزارش آمده است که سامانه «کاشف»، وابسته به بانک مرکزی، از اسفند ۱۴۰۰ تا آن زمان، ۲۹ هزار مورد فعالیت مالی غیرقانونی مرتبط با ۳۳۰ هزار نفر — عمدتا قمار و کازینوی آنلاین — را شناسایی کرده بود. باید صادقانه گفت: بیانیه تازه ای از بانک مرکزی ایران درباره هوش مصنوعی در سال ۲۰۲۶ در منابع بررسی شده یافت نشد. همین غیبت، خود یک داده است: در حالی که اروپا و آمریکا قواعد خود را — هرچند با تاخیر — می نویسند، ما هنوز چارچوب بومی و علنی برای بانکدار ماشینی نداریم؛ و این یعنی تصمیم های الگوریتمی، بی آن که قاعده ای داشته باشند، در حال ریشه دواندن اند.

پس ماشین می تواند بانکدار باشد؟ پاسخ، در چارچوبی چهاررکنی خلاصه می شود که بانکداری انسانی در عصر الگوریتم باید بر آن استوار بماند:

نخست، شفافیت قابل فهم: مشتری حق دارد بداند چرا رد شده است؛ نه با افشای فرمول، بلکه با توضیحی که برای انسان غیرمتخصص معنا داشته باشد؛ همان حقی که دیوان اروپا در ۲۰۲۵ به رسمیت شناخت.

دوم، پاسخ گویی انسانی: هیچ تصمیم مالی سرنوشت ساز — رد وام، مسدودی حساب، اخراج از نظام اعتباری — نباید بدون امضای انسانی مسئول نهایی شود. انسان باید حرف آخر را در تصمیم های ارزشی بزند؛ و تصمیم درباره معیشت انسان، عمیقا ارزشی است.

سوم، عدالت قابل آزمون: مدل اعتباری باید پیش از استقرار و در دوره های منظم، از نظر شکاف میان گروه ها آزمون شود؛ آزمون هایی که صرفا «دقت کلی» را نمی سنجند، بلکه نرخ تایید و خطا را میان گروه ها مقایسه می کنند. مدلی که برای همه بهتر شده اما شکاف را حفظ کرده، عادلانه نیست؛ فقط کارآمدتر ناعادلانه است.

چهارم، حاکمیت داده مالی: داده مالی مردم، مرز تازه حاکمیت است. «حاکمیت داده = حاکمیت سیاسی»؛ اگر مدل های اعتباری و سامانه های کشف تقلب ما بر داده، زیرساخت و منطقی بنا شوند که مالکیت و نظارتش در اختیار خودمان نیست، استقلال مالی نیز به تدریج واگذار می شود. بانکداری هوشمند بومی، با داده بومی و قاعده بومی، پیش شرط این رکن است.

پول، پیمان اعتماد است؛ و اعتماد، با سرعت معامله نمی شود. ماشین می تواند محاسبه کند، الگو ببیند و حتی بهتر از انسان تقلب را شکار کند؛ اما بانکدار، در معنای انسانی کلمه، کسی است که امانت دار است و پاسخ گوست. تا وقتی ماشین نتواند پاسخ گو باشد، بانکداری ماشینی باید زیر چتر بانکداری انسانی بماند؛ نه جایگزین آن، بلکه ابزار آن. وگرنه روزی می رسد که همه چیز محاسبه شده است، جز همان چیزی که پول برای آن ساخته شد: اعتماد.