الذكاء الاصطناعي في التمويل وحلول البنوك الرقمية للشركات

يمثل الذكاء الاصطناعي في التمويل ركيزة التحول الهيكلي التي نقلت المؤسسات المالية من الاعتماد على الأدوات التجريبية المحصورة في أقسام التحليل الرقمي إلى تبني محركات جوهرية للإنتاجية وصناعة القرار الاستثماري. ولم يعد تطبيق الذكاء الاصطناعي في القطاع المصرفي مجرد ميزة تنافسية ثانوية، بل تحول إلى بنية تحتية تشغيلية تعيد صياغة إدارة الأصول، وتقييم الجدارة الائتمانية، وبناء منصات الفنتك المؤسسية في الأسواق العالمية والخليجية. ويواجه صناع القرار المالي اليوم تحدياً مزدوجاً يتمثل في كيفية الانتقال من مجرد تبني النماذج الخوارزمية إلى استخلاص عوائد استثمارية ملموسة، مع الحفاظ على شفافية القرارات المالية وأمن البيانات السيادية.

استثمارات الذكاء الاصطناعي في التمويل وعوائد القطاع المصرفي

يشهد سوق الذكاء الاصطناعي في التمويل طفرة استثمارية مدفوعة بالحاجة إلى خفض النفقات التشغيلية وتعظيم هوامش الربحية في بيئة مالية شديدة التنافسية. وتُظهر البيانات المجمعة لدراسات السوق مساراً تصاعدياً قوياً يغير خارطة الإنفاق الرأسمالي في القطاع المصرفي العالمي:

• انطلاق حجم سوق الذكاء الاصطناعي في التمويل عالمياً من قيمة تبلغ 38.36 مليار دولار أمريكي (أو ما يعادل 28.93 مليار جنيه إسترليني) ليصل إلى 190.33 مليار دولار أمريكي (نحو 143.56 مليار جنيه إسترليني) بحلول نهاية العقد، محققاً معدل نمو سنوي مركب يبلغ 30.6%.
• استحواذ الذكاء الاصطناعي التوليدي على الحصة الأسرع نمواً، حيث يقفز حجم سوقه المباشر في القطاع المالي من 1.67 مليار جنيه إسترليني إلى 12.10 مليار جنيه إسترليني بمعدل نمو سنوي مركب يصل إلى 39.1%.
• قدرة تطبيقات الذكاء الاصطناعي التوليدي وحدها على ضخ قيمة اقتصادية سنوية تتراوح بين 200 و340 مليار دولار أمريكي في قطاع المصارف العالمي، وهو ما يوازي 9% إلى 15% من إجمالي الأرباح التشغيلية للقطاع حسب تقديرات معهد ماكينزي العالمي.
• ارتفاع معدلات تبني تقنيات الذكاء الاصطناعي في البنوك وشركات الخدمات المالية لتصل إلى ما بين 75% و81% من إجمالي المؤسسات العاملة في السوق، مع إقرار قرابة 70% من الشركات بتحقيق زيادة في الإيرادات وأكثر من 60% بتحقيق وفورات في التكاليف بفضل الأتمتة المبدئية.

فجوة العائد على الاستثمار في المؤسسات المالية الكبرى

رغم الأرقام الكلية الواعدة، تكشف القراءة التحليلية المعمقة لميزانيات التحول الرقمي عن فجوة هيكلية حادة بين مستوى التبني المبدئي ومستوى تحصيل القيمة المالية الفعلية. فبينما تتسابق المؤسسات نحو الإعلان عن مبادرات التكنولوجيا المالية، تصطدم الغالبية العظمى بعقبات تنفيذية تمنع تحويل هذه التجارب إلى أنظمة إنتاجية مدرة للربح:

1. انخفاض نسبة التوسع الشامل: لا تتجاوز نسبة المؤسسات المالية التي نجحت في توسيع نطاق تطبيقات الذكاء الاصطناعي على مستوى المشروعات المؤسسية الشاملة 7% فقط من إجمالي السوق.
2. تضاؤل العوائد الموثقة: من بين خمسين مؤسسة مصرفية كبرى خضعت للتحليل المالي، لم تسجل سوى 4 مؤسسات فقط عائداً موثقاً ومباشراً على الاستثمار، في حين تشير تقارير مجموعة بوسطن الاستشارية (BCG) إلى أن 29% فقط من المؤسسات المالية حققت وفورات تكلفة ذات مغزى حقيقي.
3. تعثر المشاريع وتأخر التنفيذ: تؤكد تقارير “ديلويت” أن 38% فقط من مشاريع الذكاء الاصطناعي في التمويل تلبي أو تتجاوز توقعات العائد على الاستثمار (ROI)، بينما تعاني 65% من المؤسسات المالية من تأخيرات في التنفيذ بمتوسط زمني يبلغ 14 شهراً وفقاً لمسح إرنست ويونغ (EY).
4. مخاطر التمويل الرأسمالي المزدوجة: تتجاوز نفقات شركات التكنولوجيا الكبرى تريليون دولار أمريكي في البنية التحتية للذكاء الاصطناعي عبر الاعتماد المتزايد على أوراق الدين والائتمان الخاص بدلاً من الأرباح المحتجزة، مما يخلق مخاطر إعادة تقييم الأصول وتراكم التزامات الائتمان في حال بطء العائد المؤسسي المباشر.

استراتيجيات التوظيف المتخصص لتحقيق الكفاءة التشغيلية

يرتبط فشل أو نجاح مبادرات الذكاء الاصطناعي في البنوك ارتباطاً وثيقاً بطبيعة الكفاءات البشرية التي تقود عمليات التطوير والتنفيذ. وتشير بيانات المنتدى الاقتصادي العالمي إلى أن 73% من قادة الخدمات المالية يصنفون ندرة المواهب المتخصصة كعائق حرج أمام التقدم، بينما ارتفعت حصة الوظائف المتعلقة بالذكاء الاصطناعي في القطاع المالي من 3.4% إلى 5.4% استجابةً لهذا الطلب المتسارع.

وتكمن العقبة الأساسية في استقطاب “المجربين التقنيين” بدلاً من “المنفذين المتخصصين” الذين يجمعون بين العمق التقني والفهم الدقيق لطبيعة العمليات المالية وإدارة المخاطر. وللتغلب على هذه الفجوة وتحقيق عوائد استثمارية سريعة، تعتمد المؤسسات المالية الناجحة الإجراءات الاستراتيجية التالية:

• بناء فرق عمل هجينة تضم خبراء متخصصين في القطاع المصرفي منذ اليوم الأول، حيث أثبتت تحليلات “غولدمان ساكس” أن المتخصصين في الذكاء الاصطناعي الذين يمتلكون خبرة مالية سابقة ينتجون مخرجات ناجحة أسرع بنسبة 79% مقارنة بالتقنيين العامين.
• توجيه الكفاءات نحو أتمتة عمليات الإدراج (Onboarding) والتسويات المالية، إذ توضح بيانات (BCG) أن المؤسسات التي تعتمد على فرق متخصصة تحقق مكاسب في الكفاءة تصل إلى 60% وتخفيضاً في التكاليف بنسبة 40%.
• إعادة تأهيل القوى العاملة الحالية بدلاً من الاستغناء العشوائي عنها؛ فرغم توقع 39% من القيادات التنفيذية انخفاضاً في العمالة الإدارية التقليدية، إلا أن دمج الأدوات الذكية رفع الإنتاجية الفردية لنحو 80% من الموظفين الحاليين.

التحول نحو الأنظمة الوكيلة في العمليات المصرفية والمؤسسية

ينتقل الذكاء الاصطناعي في القطاع المصرفي من مرحلة النماذج التقليدية القائمة على القواعد الثابتة (Rule-based Systems) والمساعدات النصية البسيطة إلى مرحلة الأنظمة الوكيلة (Agentic AI) التي تتمتع بالاستقلالية التشغيلية الكاملة. وتتميز هذه الأنظمة بقدرتها على التخطيط، والاستنتاج المنطقي، والتكيف في الوقت الفعلي لمعالجة مسارات العمل المعقدة متعددة الخطوات من البداية إلى النهاية دون الحاجة إلى تدخل بشري مستمر.

وقد أعلنت 50 من أكبر البنوك العالمية عن إطلاق أكثر من 160 حالة استخدام فعلية تعتمد على التقنيات المتقدمة والأنظمة الوكيلة. غير أن الفجوة بين النية والتنفيذ لا تزال قائمة في هذا المضمار؛ إذ تشير استطلاعات “كي بي إم جي” (KPMG) إلى أن 99% من الشركات تخطط لإدخال الوكلاء المستقلين حيز الإنتاج الفعلي، بينما لم ينجح في تحقيق ذلك على أرض الواقع سوى 11% منها، في حين توضح بيانات (EY) أن 34% من القادة بدأوا في استخدام وكلاء الذكاء الاصطناعي لكن 14% فقط أتموا التنفيذ الكامل.

أتمتة المكاتب الخلفية وتطوير البرمجيات المالية الداخلية

تمثل العمليات التشغيلية للمكاتب الخلفية وتطوير البنية التحتية البرمجية الساحة الأكثر نضجاً لتحقيق وفورات فورية عبر الأنظمة الوكيلة. فبدلاً من استنزاف الموارد البشرية في المهام الروتينية، تتيح عمليات الأتمتة صفرية التفاعل (Zero-touch Operations) إعادة هيكلة التكاليف التشغيلية بشكل جذري:

• خفض أحمال العمل اليدوية المباشرة بنسبة تتراوح بين 30% و50%، وتحقيق وفر مباشر في تكاليف القطاعات التشغيلية والمكاتب الخلفية بنسبة 25% عبر أتمتة معالجة المستندات والتسويات المالية وحل الاستفسارات المعقدة.
• تقليص أزمنة دورات العمل التشغيلية بنسبة تصل إلى 80% في عمليات معالجة ومطابقة أوامر الشراء (PO Transaction Processing)، مع تحسين سجلات التدقيق وتوسيع نطاق العمليات دون تكاليف إضافية وفقاً لبيانات برايس ووترهاوس كوبرز (PwC).
• تسريع إعداد مذكرات مخاطر الائتمان في المصارف التجارية، حيث سجل أحد البنوك الأمريكية زيادة في الإنتاجية بنسبة تتراوح بين 20% و60%، مع تحسن بنسبة 30% في سرعة إنجاز المعاملات الائتمانية بعد نشر وكلاء الذكاء الاصطناعي.
• تحول جذري في تطوير البرمجيات المالية؛ حيث تقوم 40% من المؤسسات الكبرى بتوسيع استخدام وكلاء التكوين البرمجي (Coding Agents)، مما دفع 32% من المؤسسات المالية إلى الاستغناء عن شراء البرمجيات الجاهزة من الموردين الخارجيين والاستعاضة عنها ببناء برمجيات متخصصة داخلياً.

النماذج اللغوية الضخمة في إدارة الثروات وتحليل الأسواق

في قطاع إدارة الثروات وأسواق رأس المال، تعجز النماذج اللغوية العامة عن استيعاب المصطلحات المالية الدقيقة والبيانات غير المنتظمة عالية التعقيد. ولتجاوز هذا القصور، اتجهت المؤسسات المالية الرائدة نحو بناء وتخصيص النماذج اللغوية الضخمة (LLMs) المدربة خصيصاً على البيانات المالية والتاريخية:

1. نموذج BloombergGPT: نموذج لغوي رائد تم بناؤه وتدريبه من الصفر على 50 مليار معيار من البيانات المالية المتخصصة، مما منحه تفوقاً كاسحاً على النماذج العامة في مهام التحليل المالي واستخراج المؤشرات المتقدمة من التقارير غير المنتظمة.
2. منظومة JPMorgan Chase: طور البنك أدوات متخصصة مثل “IndexGPT” لتحليل الأسواق، و”Coach AI” لدعم مستشاري الثروات، وأداة “GPT-Insights” لأبحاث الاستثمار، ضمن برنامج مؤسسي شامل يحقق وفراً تراكمياً في التكاليف يقارب 1.5 مليار دولار أمريكي، إلى جانب توفير 360,000 ساعة عمل سنوياً للمحامين ومسؤولي القروض.
3. تطبيقات Morgan Stanley وBBVA: أطلق “مورغان ستانلي” مساعداً ذكياً لإدارة الثروات مدعوماً بنماذج OpenAI يتولى توليد ملاحظات الاجتماعات وتحديد مهام المتابعة وصياغة رسائل البريد الإلكتروني للمستشارين الماليين، بينما وسع بنك (BBVA) نطاق استخدام المنظومات الذكية ليشمل 120,000 موظف لتطوير تطبيقات تفاعل العملاء وتحليل المخاطر والعمليات الداخلية.
4. تعزيز تجربة العملاء: قفز استخدام الذكاء الاصطناعي التوليدي في تحسين تجربة العملاء من 25% إلى 60% خلال عام واحد حسب مسح شركة (NVIDIA)، بينما تصدرت تطبيقات التداول وتحسين المحافظ الاستثمارية قائمة أعلى الفئات تحقيقاً للعائد على الاستثمار.

منظومات كشف الاحتيال المالي والأمن السيبراني السلوكي

يمثل كشف الاحتيال المالي ومكافحة الجرائم المالية التطبيق الأكثر نضجاً وانتشاراً، حيث يعمل فعلياً لدى نحو 90% من المؤسسات المالية العالمية، ويشكل الأولوية الاستثمارية القصوى لـ 53% من البنوك. ويعود هذا الاستنفار المؤسسي إلى تصاعد التهديدات السيبرانية المعتمدة على التزييف العميق (Deepfakes) والهويات الاصطناعية وأساليب الهندسة الاجتماعية المتطورة، والتي يُتوقع أن ترفع خسائر الاحتيال المالي التوليدي إلى 40 مليار دولار أمريكي في الولايات المتحدة وحدها، في وقت وصل فيه متوسط تكلفة خرق البيانات في القطاع المالي إلى 5.9 مليون دولار.

وتتصصدى البنوك وشركات الفنتك لهذه المخاطر عبر دمج الأنظمة الوكيلة والشبكات العصبية لتحليل أنماط المعاملات المالية الحية في الوقت الفعلي. وتوضح التقديرات أن أنظمة كشف الاحتيال المدعومة بالذكاء الاصطناعي ستوفر على البنوك العالمية أكثر من 9.6 مليار جنيه إسترليني سنوياً، محققة دقة في رصد العمليات الاحتيالية تتجاوز 90% مع خفض معدلات الإنذارات الكاذبة (False Positives). وعلى صعيد تطبيقات الهواتف الذكية والبنوك الرقمية، انتقلت معايير الحماية من كلمات المرور التقليدية إلى معمارية انعدام الثقة (Zero-Trust Architecture) ونمذجة القياسات الحيوية السلوكية (Biometric Behavioral Modeling)، والتي تراقب طريقة تفاعل المستخدم مع التطبيق مثل سرعة الكتابة وأنماط التمرير لاكتشاف أي اختراق للحساب فوراً.

الذكاء الاصطناعي القابل للتفسير في التقييم الائتماني والإقراض

أحدث دمج الذكاء الاصطناعي في التمويل تحولاً جذرياً في عمليات التقييم الائتماني (Credit Scoring) والموافقة على القروض، متفوقاً على الأساليب الإحصائية التقليدية التي تعتمد على قواعد جامدة وبيانات تاريخية محدودة تهمش الأفراد والشركات الصغيرة التي تفتقر إلى سجلات ائتمانية تقليدية. ومع نمو سوق الإقراض العالمي ليصل إلى 13.07 تريليون دولار أمريكي، باتت خوارزميات التعلم الآلي والتعلم العميق قادرة على دمج البيانات البديلة (Alternative Data) مثل تدفقات السيولة النقدية، وفواتير الخدمات العامة، ومعاملات التجارة الإلكترونية، وسلاسل التوريد لتقييم الجدارة الائتمانية في أزمنة قياسية.

إلا أن هذا التفوق الحسابي أفرز معضلة “الصندوق الأسود” (Black-Box Problem)؛ حيث تعمل الشبكات العصبية العميقة ونماذج التجميع المعقدة بطرق داخلية غامضة يصعب حتى على مطوريها تفسير كيفية وصولها إلى قرار رفض أو قبول القرض. ويؤدي هذا الغموض إلى تقويض ثقة المقترضين، وإعاقة عمليات التدقيق الداخلي، وتوريث التحيزات التاريخية الموجودة في البيانات ضد فئات مجتمعية معينة. وهنا برز الذكاء الاصطناعي القابل للتفسير (Explainable AI – XAI) كجسر معرفي حاسم يحول الخوارزميات الغامضة إلى أنظمة شفافة وقابلة للتدقيق والمساءلة المؤسسية.

مقارنة أداء الخوارزميات المتقدمة في التنبؤ بمخاطر التعثر

تُظهر الدراسات التطبيقية المقارنة لنماذج مخاطر الائتمان تفوقاً إحصائياً واضحاً لخوارزميات التجميع (Ensemble Models) والتعلم العميق عند دمجها بأطر التفسير الخوارزمي مقارنة بنماذج الانحدار اللوجستي التقليدية:

• نموذج الغابات العشوائية (Random Forest): حقق دقة تنبؤية استثنائية وصلت إلى 99% على مجموعة بيانات قروض (Kaggle Loan Dataset)، كما سجل دقة تتراوح بين 93% و94% على بيانات منصات الإقراض من نظير إلى نظير (P2P Lending) وبيانات الائتمان الألمانية، متميزاً بأعلى قدرة على استدعاء واكتشاف المقترضين ذوي المخاطر العالية (Best Recall).
• نموذج (LightGBM): برز كأفضل نموذج من الناحية التجارية والتشغيلية (Business-optimal Model) في أنظمة التقييم متعددة النماذج، محققاً دقة بلغت 90.07% مع أعلى معدل موافقة على القروض الآمنة بنسبة 95%, كما سجل دقة 82.80% على بيانات البنوك النرويجية وحسّن مساحة الأداء تحت المنحنى (ROC-AUC) بنسبة 17% مقارنة بالنماذج القائمة.
• نموذج (XGBoost): حقق مساحة أداء تحت المنحنى الاستجابي تبلغ 0.89 متفوقاً بشكل ملموس على الانحدار اللوجستي التقليدي الذي سجل 0.78 في الدراسات التجريبية، كما وصلت دقته في التنبؤ بمخاطر بطاقات الائتمان إلى 99.4% وفي أنظمة التقييم المجمعة إلى 88.74%.
• نماذج التعلم العميق الهجينة: حقق نموذج (CreditNetXAI) دقة بلغت 83.5% في التنبؤ بتعثر بطاقات الائتمان متفوقاً على النماذج المنفردة، بينما سجل دمج شبكات الذاكرة الطويلة قصيرة المدى (LSTM-X) والتعلم العميق مع أدوات التفسير على بيانات (Lending Club) البالغة 887,379 معاملة دقة وصلت إلى 85.2%.

توظيف تقنيات SHAP و LIME في حوكمة القرارات الائتمانية

لضمان شفافية هذه النماذج الخوارزمية المعقدة، تدمج البنوك وشركات الفنتك تقنيات تفسير ما بعد النموذج (Post-hoc Explainers) وفي مقدمتها تقنية (SHAP) المستندة إلى نظرية الألعاب، وتقنية (LIME) للتفسير المحلي المستقل عن النموذج، إلى جانب مخططات الاعتماد الجزئي (PDP) والتوقعات الشرطية الفردية (ICE) والتفسيرات المضادة للواقع (Counterfactuals).

وتعمل هذه الأدوات على مستويين متكاملين؛ حيث يوفر التفسير المحلي (Local Explainability) مبررات واضحة لكل قرار ائتماني فردي، بينما يكشف التفسير الشامل (Global Explainability) الأنماط العامة لسلوك النموذج للتأكد من عدم وجود انحياز منهجي. وقد أثبتت التحليلات التطبيقية باستخدام تقنية (SHAP) أن ثلاثة متغيرات رئيسية هي: مبلغ القرض المطلوب، وحالة الحساب الجاري، وعمر المقترض، تستحوذ مجتمعة على نحو 35% من القدرة التمييزية للنموذج في التنبؤ بالتعثر، حيث يمثل مبلغ القرض وحده 12% من ثقل القرار المباشر.

ورغم هذه المزايا، تواجه المؤسسات المالية تحديات تقنية وتشغيلية عند تطبيق الذكاء الاصطناعي القابل للتفسير، وتتغلب عليها عبر حلول ممنهجة:

1. التحدي الحسابي وفرط التخصيص (Overfitting): تتطلب نماذج مثل الغابات العشوائية والشبكات العميقة قدرات حوسبة فائقة قد تعيق قرارات الإقراض الفورية في الوقت الفعلي، مع خطر حفظ البيانات التاريخية بدلاً من تعميمها. ويكمن الحل في تطبيق تقنيات ضبط المعلمات الفائقة (GridSearchCV)، ومعالجة عدم توازن الفئات عبر تقنية (SMOTE)، وإخضاع النماذج لاختبارات تحقق صارمة عبر مجموعات بيانات متنوعة.
2. الانحياز الخوارزمي والمتغيرات الوكيلة: قد ترث النماذج تحيزات تاريخية أو تعتمد على متغيرات غير شخصية تعمل كوكيل لسمات محمية، مثل استخدام الرمز البريدي كدليل غير مباشر على الحالة الاجتماعية أو العرق، أو سجل المشتريات كدليل على الجنس. وتتم المعالجة عبر بناء طبقات حوكمة بيانات تستبعد المتغيرات الوكيلة (Proxy Variables) وتجري فحوصات شاملة للعدالة قبل النشر.
3. فجوة التواصل مع غير التقنيين والإفراط في الثقة: تُصمم معظم أدوات XAI للمبرمجين، كما قد يقع الموظفون في فخ “التقدير الخوارزمي” (Algorithmic Appreciation) عبر الثقة العمياء في مخرجات التفسير دون تدقيق نقدي. ولحل ذلك، طورت منصات متخصصة مثل (ITSCREDIT) وحدات تحليل مخاطر مدمجة تولد تقارير بصرية تلقائية بصيغ متعددة (HTML, PNG, JSON) تترجم مخرجات النماذج إلى لغة أعمال واضحة، وتصنف المقترضين إلى فئات مخاطر (منخفضة، متوسطة، عالية) ترتبط مباشرة بقرارات (موافقة، مراجعة بشرية، رفض) مع تحديد أسعار الفائدة وشروط القرض آلياً.

ديناميكيات الفنتك والذكاء الاصطناعي في السعودية والإمارات والخليج

تتصدر منطقة الشرق الأوسط، وتحديداً دول مجلس التعاون الخليجي بقيادة المملكة العربية السعودية ودولة الإمارات العربية المتحدة، مشهد التحول المالي الرقمي العالمي؛ حيث انتقلت المنطقة من استهلاك التكنولوجيا إلى بناء مراكز ابتكار سيادية تطور بنيتها التحتية الخاصة للمدفوعات والخدمات المصرفية الذكية. وقد تجاوزت المنطقة مرحلة التجريب بعد أن ضخت صناديق رأس المال الجريء (Venture Capital) استثمارات بلغت 4.2 مليار دولار أمريكي في قطاع الفنتك الإقليمي، مع تسجيل 635 صفقة مكتملة بزيادة سنوية قدرها 33%، وارتفاع متوسط حجم الصفقة في قطاعات البلوكشين والأصول الرقمية بنسبة 90%.

ويرتكز هذا النمو المؤسسي على بنية ديموغرافية ورقمية صلبة؛ حيث يتجاوز معدل انتشار الهواتف الذكية في دول مجلس التعاون الخليجي 80%, مما جعل الهاتف المحمول القناة المصرفية الافتراضية، ودفع سوق البنوك الرقمية في الخليج نحو مسار نمو قياسي ليصل إلى 47.8 مليار دولار أمريكي.

نمو السوق السعودي: إدارة الأصول، التمويل الجماعي، والبيئة التجريبية

يمثل السوق السعودي القوة الدافعة الأكبر للتكنولوجيا المالية في المنطقة مستنداً إلى قاعدة سكانية تتجاوز 35 مليون نسمة، وحصة ناتج محلي غير نفطي بلغت 55% من الناتج الحقيقي، وأصول صندوق الاستثمارات العامة التي تقارب 0.91 تريليون دولار. وتؤكد المؤشرات الاقتصادية نمو حجم استثمارات الذكاء الاصطناعي المباشرة في المملكة من 2.02 مليار دولار أمريكي ليتجاوز 9 مليارات دولار أمريكي، مدعوماً بمبادرات وطنية ضخمة تتجاوز استثماراتها 75 مليار ريال سعودي في قطاع البيانات والذكاء الاصطناعي.

وقد انعكس هذا الزخم مباشرة على هيكل الخدمات المالية وحلول الشركات في السوق السعودي عبر مسارات متعددة:

• طفرة المدفوعات الرقمية: وصلت نسبة المدفوعات الإلكترونية في قطاع التجزئة السعودي إلى 79% من إجمالي المعاملات، مدعومة بمنظومة “المدفوعات السعودية” التي توفر تسويات فورية في الوقت الفعلي للأفراد والشركات.
• توسع إدارة الأصول والاستشارات الآلية: ارتفع عدد مديري الأصول المرخصين في المملكة من 5 شركات فقط إلى 36 شركة، شملت منصات المستشار الآلي (Robo-advisors)، وصناديق الاستثمار المتخصصة، وحلول إدارة الثروات المتوافقة مع الشريعة الإسلامية.
• ابتكار الإقراض وتمويل الشركات الصغيرة والمتوسطة: توسعت الشركة السعودية للمعلومات الائتمانية (سمة – SIMAH) في قدرات التحليل والبيانات لدعم منصات الإقراض الرقمي التي تستخدم البيانات البديلة، إلى جانب نمو منصات التمويل الجماعي (Crowdfunding)، وحلول “اشتر الآن وادفع لاحقاً” (BNPL) المدمجة في التجارة الإلكترونية، ومنصات تمويل سلاسل الإمداد مثل منصة “توريد” (Tawrid) لتوفير رأس المال العامل للشركات الصغيرة والمتوسطة.
• تطور التأمين التقني (Insurtech): توظيف الذكاء الاصطناعي في أتمتة الاكتتاب وإدارة المطالبات، وتطوير تأمين المركبات القائم على الاستخدام، ومنصات التأمين الصحي الرقمي والتأمين المتناهي الصغر.
• تكامل البنية المؤسسية الداعمة: تتكامل جهود مبادرة “فنتك السعودية” (Fintech Saudi) مع الشركة السعودية للاستثمار الجريء (SVC) لتوفير التمويل، والهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا – SDAIA) التي تضع أطر حوكمة البيانات، والهيئة العامة للمنشآت الصغيرة والمتوسطة (منشآت)؛ مما أثمر عن قفزة نوعية في أداء البيئة التجريبية التقنية التي استقبلت أكثر من 150 طلباً، وضمت أكثر من 40 شركة في مرحلة الاختبار النشط، وخرجت أكثر من 25 شركة بترخيص كامل، مع استقطاب أكثر من 20 شركة عالمية.

ريادة الإمارات: النشر السيادي للنماذج، البنوك الرقمية، والتمويل الأخضر

في دولة الإمارات العربية المتحدة، يقود التحول الرقمي المالي اقتصاداً وطنياً ينمو بمعدل 5.4%، مع استهداف رفع مساهمة الاقتصاد الرقمي من 12% إلى 20% من الناتج المحلي الإجمالي غير النفطي. وتستحوذ المحافظ الرقمية على مسار متسارع لتغطية 33% من إجمالي الإنفاق عبر نقاط البيع في الدولة، في حين ينمو قطاع حلول الفنتك الموجهة للشركات (B2B) بمعدل نمو سنوي مركب يبلغ 12.85%، ويتوسع قطاع الخدمات المصرفية للشركات بنسبة تتجاوز 21% مدفوعاً برقمنة عمليات الخزينة وتمويل التجارة.

وتتجلى الريادة الإماراتية في تطبيقات الذكاء الاصطناعي في البنوك والابتكار المالي المؤسسي من خلال نماذج تطبيقية رائدة إقليمياً وعالمياً:

1. النشر السيادي لنماذج الذكاء الاصطناعي (Onshore Deployment): أعلن بنك الإمارات دبي الوطني (Emirates NBD) عن شراكة مؤسسية مع شركة (OpenAI) جعلته أول بنك في منطقة الشرق الأوسط وشمال أفريقيا ينشر نماذج (GPT) عبر بنية تحتية للاستدلال والمعالجة داخل الدولة (In-country Inference Infrastructure). ويهدف البنك من هذا النشر المحلي إلى ربط النماذج بأنظمته وبياناته المؤسسية لتعزيز تفاعل العملاء، وتحليلات المخاطر، وسير العمل المعرفي الداخلي، وإنتاجية الموظفين، مع ضمان السيادة الرقمية الكاملة على البيانات المالية داخل حدود الدولة.
2. هيمنة البنوك الرقمية (Neobanks): تتصدر الإمارات سوق الخدمات المصرفية الرقمية بإجمالي قيمة سوقية محلية تتجاوز 3.08 مليار دولار أمريكي، حيث يمتلك قرابة نصف عملاء القطاع المصرفي في الدولة حسابات في بنوك رقمية متكاملة مثل (Wio) و(Zand) التي توفر وصولاً على مدار الساعة وفتحاً فورياً للحسابات للشركات والأفراد.
3. البنية التحتية للمالية المفتوحة والسحابة المالية: ترتكز منظومة التقنية المالية في الإمارات على خمسة محاور تشمل الطلب، ورأس المال، والسياسات، والكفاءات، والبنية التحتية؛ وقد أثمرت عن إطلاق منصة مشاركة “اعرف عميلك” إلكترونياً (e-KYC)، والسحابة الخاصة بالخدمات المالية (Financial Services Cloud)، ومركز التجميع المركزي لواجهات برمجة التطبيقات (API Hub) المخصص لتطبيقات المالية المفتوحة (Open Finance) والخدمات المصرفية كخدمة (BaaS).
4. ابتكار أدوات الدين الرقمية والتمويل الأخضر: أصدر بنك أبوظبي الأول (FAB) وقام بتسوية سندات خضراء رقمية أصلية (Digitally Native Green Notes) بقيمة مليار درهم إماراتي (272 مليون دولار أمريكي) لأجل ثلاث سنوات بعائد (كوبون) 5.75%، كأول سندات خضراء من نوعها في الشرق الأوسط وشمال أفريقيا. وتمت التسوية عبر البنية التحتية للأسواق المالية الرقمية التابعة لمؤسسة (Euroclear) بعد تجربة البنك السابقة في إصدار سندات رقمية بقيمة 100 مليون دولار عبر منصة (HSBC Orion)، مما يربط الأوراق المالية المصدرة بتقنية الدفاتر الموزعة بخدمات السوق الثانوية العالمية لتمويل المشاريع البيئية والمناخية.
5. تطوير شبكات تسوية المدفوعات العابرة للحدود: توظيف تقنيات الدفاتر الموزعة (DLT) والذكاء الاصطناعي في مشاريع التسوية الفورية بين البنوك مثل “مشروع عابر” (Project Aber) المشترك بين السعودية والإمارات، ومنصة “إم بريدج” (Project mBridge) متعددة العملات التي تقلص أزمنة التسوية وتكاليف الوساطة النقدية عبر البنوك المراسلة التقليدية.

الحلول المعمارية لتحديات البنية التحتية وجودة البيانات في البنوك

رغم الزخم الاستثماري، تصطدم عمليات نشر الذكاء الاصطناعي في التمويل على نطاق واسع بعقبات تقنية هيكلية تتعلق بتقادم الأنظمة المصرفية وجودة البيانات. وتؤكد البيانات الميدانية أن الأنظمة القديمة (Legacy Systems) تشكل العائق الأول أمام 68% من الرؤساء التنفيذيين للتكنولوجيا عالمياً، بينما ترى 73% من المؤسسات المالية في المملكة العربية السعودية أن إدارة المنصات المنفصلة والأنظمة المغلقة تمثل حاجزاً رئيسياً أمام الابتكار وسحب البيانات في الوقت الفعلي.

وتتفاقم هذه المشكلة بسبب أزمة جودة البيانات وتشتتها في صوامع منعزلة (Data Silos); حيث يصنف توفر البيانات وجودتها كأكبر نقطة ألم تعيق تبني الذكاء الاصطناعي من قبل 66% من موردي تقنيات الذكاء الاصطناعي، و49% من المؤسسات المالية التقليدية، و34% من شركات الفنتك. وعند عمل الموردين مباشرة مع العملاء الماليين، يبلغ 72% منهم عن تحديات حادة في جودة البيانات واكتمالها، و46% عن عوائق الأنظمة القديمة، و41% عن قيود مشاركة البيانات. علاوة على ذلك، تتصدر مخاطر خصوصية البيانات وحمايتها قائمة المخاطر بنسبة إجماع تبلغ 74% من شركات القطاع و65% من الموردين، تليها مباشرة مشكلة “هلوسة النماذج” (Model Hallucinations) والمخرجات غير الموثوقة بنسبة 70% من شركات القطاع و67% من الموردين.

ولمواجهة هذا “الدين التقني” (Technical Debt) والانتقال السلس من مرحلة إثبات المفهوم (PoC) إلى مرحلة الإنتاج الفعلي دون تعطيل استقرار الأنظمة الأساسية للبنك، تطبق المؤسسات المالية استراتيجيات التحديث التدريجي التالية:

• بناء طبقة برمجيات وسيطة لواجهات برمجة التطبيقات (API Middleware Layer): بدلاً من المخاطرة بإعادة كتابة النظام الأساسي القديم للبنك بالكامل، يتم بناء جسر برمجي حديث يعمل فوق الأنظمة القديمة، مما يتيح لتطبيقات الفنتك ونماذج الذكاء الاصطناعي التواصل مع قواعد البيانات الخلفية بأمان وسرعة فائقة.
• النشر عبر الحاويات والسحابة الهجينة: نشر حلول الذكاء الاصطناعي في بيئات حاويات برمجية (Containerised Environments) أو سحابة هجينة، مع جدولة الترحيل السحابي على مراحل لتقليل المخاطر التشغيلية.
• التصميم المعياري وأتمتة عمليات التعلم الآلي (MLOps): بناء مكونات ذكاء اصطناعي معيارية (Modular AI Components) قابلة للتبديل والتخصيص حسب متطلبات إقامة البيانات في كل دولة، مع تطوير ممارسات (MLOps) لأتمتة مراقبة النماذج، وتحديث إصداراتها، وضبط حوكمتها في الوقت الفعلي.
• تشديد الرقابة على حوكمة البيانات التشغيلية: معالجة ثغرات الرقابة على البيانات التي قد تؤدي إلى بقاء مليارات أحداث التداول في الأسواق دون مراقبة دقيقة، وذلك عبر فصل أتمتة العمليات الروتينية البسيطة عن مهام الذكاء الاصطناعي المعقدة لضمان الكفاءة ومنع الهلوسة الخوارزمية.

الأسئلة الشائعة

كيف توازن المؤسسات المالية بين دقة نماذج الذكاء الاصطناعي وشفافية القرار الائتماني؟

تتحقق الموازنة عبر دمج خوارزميات التجميع عالية الدقة مثل (LightGBM) و(XGBoost) و(Random Forest) مع أطر الذكاء الاصطناعي القابل للتفسير (XAI) مثل تقنيات (SHAP) و(LIME). تتيح هذه المنهجية الحفاظ على دقة تنبؤية تتجاوز 90% مع استخراج الأوزان النسبية لكل متغير مالي أثر في القرار، وتوليد تقارير بصرية مفهومة لمديري المخاطر والعملاء تبرر أسباب قبول أو رفض التمويل بدقة.

ما الفرق الجوهري بين الذكاء الاصطناعي التوليدي والأنظمة الوكيلة في القطاع المصرفي؟

يركز الذكاء الاصطناعي التوليدي على إنشاء المحتوى، وتلخيص الأبحاث المالية، وتوليد الأكواد البرمجية والمسودات بناءً على الأوامر المدخلة. أما الأنظمة الوكيلة (Agentic AI) فتمتلك استقلالية تشغيلية تمكنها من التخطيط، والاستنتاج، وتنفيذ مسارات عمل معقدة متعددة الخطوات في الوقت الفعلي دون تدخل بشري، مثل إدارة المحافظ، ومطابقة أوامر الشراء، وإنجاز عمليات الاكتتاب الائتماني من البداية للنهاية.

لماذا تفشل معظم مشاريع الذكاء الاصطناعي في البنوك في تحقيق عائد سريع على الاستثمار؟

يعود تعثر 65% من المشاريع وتأخرها بمتوسط 14 شهراً إلى ثلاثة أسباب رئيسية: الاعتماد على توظيف تقنيين عامين يفتقرون إلى الخبرة السياقية في القطاع المصرفي وإدارة المخاطر، وتقادم البنية التحتية (Legacy Systems) التي تعزل البيانات في صوامع غير مكتملة، والتركيز على النماذج اللغوية العامة بدلاً من النماذج المتخصصة مالياً التي تسرع تحقيق الأهداف بنسبة 79%.

رؤية أرابيان فنتك

يمثل الذكاء الاصطناعي في التمويل القوة الدافعة لإعادة هيكلة الاقتصاد العالمي والأسواق الخليجية، منتقلاً بالمؤسسات المالية من الأتمتة الجزئية إلى عصر الأنظمة الوكيلة المستقلة والنماذج اللغوية المتخصصة. ويتوقف النجاح المؤسسي في استخلاص حصة من العوائد السنوية المقدرة بنحو 340 مليار دولار على قدرة البنوك وشركات الفنتك على سد الفجوة التنفيذية؛ وذلك عبر استقطاب الكفاءات الهجينة المتخصصة مالياً، وتحديث الأنظمة القديمة باستخدام طبقات الربط البرمجي (API Middleware)، وترسيخ أطر الذكاء الاصطناعي القابل للتفسير (XAI) لضمان العدالة والشفافية في التقييم الائتماني، مع تبني النشر السيادي للنماذج لحماية أمن البيانات المالية.

المصادر والمراجع

استند هذا التحليل المالي إلى مجموعة من التقارير التنظيمية الصادرة عن بنوك مركزية وهيئات مالية دولية، بالإضافة إلى دراسات بحثية متخصصة، لضمان توثيق دقيق لاتجاهات السوق وحلول التكنولوجيا المالية.

• مصرف الإمارات العربية المتحدة المركزي – مشروع عابر (Aber)
• بنك التسويات الدولية (BIS) – الذكاء الاصطناعي والنمو وتحديات الاستقرار المالي
• مركز كامبريدج للتمويل البديل (CCAF) – التقرير العالمي للذكاء الاصطناعي في الخدمات المالية 2026
• معهد المحللين الماليين المعتمدين (CFA Institute) – تقرير الذكاء الاصطناعي القابل للتفسير في التمويل
• قاعدة بيانات الأبحاث الاقتصادية (RePEc) – تعزيز نماذج التقييم الائتماني بتقنيات الذكاء الاصطناعي القابل للتفسير
• موقع ResearchGate – دراسة حالة: كيف بنى جي بي مورغان تشيس تقنيات الذكاء الاصطناعي
• مكتبة جامعة كورنيل (arXiv) – تقييم مخاطر الائتمان باستخدام التعلم الآلي والذكاء الاصطناعي
• ذا إيشان بانكر (The Asian Banker) – تقرير نشر بنك الإمارات دبي الوطني لنماذج OpenAI