
مایکروسافت و Northern Trust زمان آمادهسازی داده مشتریان سازمانی را با عامل هوش مصنوعی ۸۳ درصد کاهش دادند
مایکروسافت و Northern Trust میگویند عامل هوش مصنوعی جدید زمان آمادهسازی و اعتبارسنجی داده تاریخی مشتریان نهادی را از حدود دو هفتهونیم به سه روز کاهش داده است؛ این نتیجه آزمایش خود شرکتهاست.
مایکروسافت و Northern Trust میگویند عامل هوش مصنوعی جدید زمان آمادهسازی و اعتبارسنجی داده تاریخی مشتریان نهادی را از حدود دو هفتهونیم به سه روز کاهش داده است؛ این نتیجه آزمایش خود شرکتهاست.
آنچه باید بدانیم
مایکروسافت و مؤسسه مالی Northern Trust در اطلاعیه مشترک ۹ نوامبر ۲۰۲۶ از راهاندازی عامل هوش مصنوعی برای پذیرش مشتریان نهادی خبر دادند. به ادعای شرکتها، زمان آمادهسازی داده ورودی به سامانه گزارشدهی از حدود دو هفتهونیم به سه روز کاهش یافته؛ معادل صرفهجویی زمانی ۸۳ درصد. این عدد مربوط به یک فرایند مشخص است و به معنی سریعترشدن همه عملیات بانک به همین نسبت نیست.
عامل جدید چه کاری میکند؟
مشتریان نهادی Northern Trust مانند صندوقهای بازنشستگی، بنیادها و خانوادههای دارای دارایی بزرگ ممکن است سالها تراکنش و داده سرمایهگذاری را با قالبهای متفاوت ارائه کنند. پیش از ورود آنها به پلتفرم Front Office Solutions لازم است دادهها تبدیل و استاندارد شوند. عامل هوش مصنوعی بخشی از این تبدیل را خودکار میکند و سپس نتیجه برای گزارش عملکرد سرمایهگذاری قابل استفاده میشود.
چرا این کار دشوار است؟
سوابق تاریخی ممکن است از چند سامانه، فایل و دفتر معاملات آمده باشند و برای داراییهای جایگزین جزئیات متفاوتی داشته باشند. تطبیق نام حسابها، تاریخها، جریان نقدی و نوع معامله ممکن است به تصمیم کارشناسی نیاز داشته باشد. خطا در یک مرحله میتواند گزارش بازده سرمایهگذاری یا حسابداری را تحت تأثیر قرار دهد. به همین دلیل سرعت بدون سنجش کیفیت برای مؤسسه مالی کافی نیست.
عدد ۸۳ درصد از کجا آمده؟
شرکتها میگویند زمان کاری شامل تبدیل داده، مرور کارشناسان، رسیدگی به استثناها و اعتبارسنجی نهایی بوده است. مقایسه روش پیشین با نمونههای عملیاتی مجهز به عامل، مبنای اعلام کاهش زمان از حدود دو هفتهونیم به سه روز است. این یک گزارش عملکرد خود شرکتهاست و نتیجه یک مطالعه بیطرف منتشرشده درباره تمام بانکها نیست. ابعاد و ترکیب پروندهها میتواند بر زمان تأثیر بگذارد.
کیفیت ۹۶٫۵ درصدی F1
در آزمون کنترلشده روی هفت نمونه نماینده از کاربرگهای تراکنش تاریخی ناشناس، امتیاز اولیه F1 حدود ۹۶٫۵ درصد اعلام شد. این معیار میان دقت و بازیابی توازن برقرار میکند. F1 برابر درصد صحیح بودن تکتک اعداد در هر سند یا تضمین نبود هیچ خطای مهم مالی نیست. بررسی موارد خطای باقیمانده و اعتبارسنجی انسانی همچنان ضروری است.
نقش تیمهای فنی مشترک
محصول با همکاری تیمهای مهندسی مستقر Microsoft Frontier Company و کارشناسان Northern Trust ساخته شده است. حضور کارشناسان دامنه مالی در طراحی میتواند به تعریف قواعد تبدیل و مقایسه خروجی با مرجع کمک کند. با این حال برنامهنویسی عامل بهتنهایی دانش حقوقی، حسابرسی و پاسخگویی مؤسسه را جایگزین نمیکند. تصمیم نهایی درباره پذیرش داده باید تحت کنترل سازمان مسئول باقی بماند.
حفظ داده مشتریان
مایکروسافت میگوید در بهینهسازی مدل از دادههای ناشناسشده استفاده کرده و اطلاعات اصلی مشتریان تحت کنترل Northern Trust باقی ماندهاند. این توصیف سیاست پروژه است و با اثبات مستقل اینکه هر مسیر انتقال داده در همه شرایط ایمن است فرق دارد. برای اجرای گستردهتر باید دسترسی کاربران، کلیدها، نگهداری گزارش و الزامات نهادهای ناظر کنترل شوند.
چرا فقط پذیرش مشتری؟
فرایند ورود مشتریان سازمانی اغلب تکرارشونده، پرهزینه و دارای ورودی ساختاریافته است. چنین محیطی برای آزمایش عامل هوش مصنوعی مناسبتر از تصمیمگیری خودکار درباره اعتباردهی یا مدیریت سرمایه است. شرکتها درباره کاهش زمان تهیه داده خبر دادهاند، نه اینکه عامل آزادانه درباره معامله یا تخصیص دارایی تصمیم میگیرد. این مرزبندی برای شناخت دامنه واقعی فناوری مهم است.
منافع اقتصادی احتمالی
آزادشدن زمان کارشناسان میتواند به بررسی پروندههای پیچیدهتر یا خدمترسانی سریعتر کمک کند، ولی محاسبه صرفهجویی خالص نیازمند هزینه خرید نرمافزار، نگهداری، ممیزی، زیرساخت و آموزش کارکنان است. کاهش زمان یک کار مشخص به معنی کاهش متناسب هزینه کل نیروی انسانی نیست. ارزش مالی پروژه در مقیاس عملیاتی و پس از احتساب هزینهها مشخص میشود.
آیا این مدل به همه شرکتها قابل انتقال است؟
سازمانهایی که دادههای تاریخی با قالب مشابه و قواعد روشن دارند ممکن است از خودکارسازی بخشی از ورود داده سود ببرند. اما انتقال پروژه از یک بانک با ساختار مشخص به بیمارستان، نهاد دولتی یا کسبوکار کوچک مستلزم بازطراحی و آزمون است. در حوزههای حساس خطاهای نادر اما پرهزینه اهمیت ویژه دارند. بنابراین موفقیت در هفت پرونده آزمایشی را نباید تضمین تعمیم بدون خطا به همه صنایع دانست.
شاخصهای پیگیری آینده
برای سنجش نتیجه باید تعداد مشتریان پردازششده، متوسط زمان واقعی، نرخ استثناهای دستی، خطای بعد از اعتبارسنجی، هزینه هر پرونده و میزان پذیرش کاربران منتشر شود. همچنین باید دانست ۸۳ درصد بهبود پس از افزایش حجم و پیچیدگی داده حفظ میشود یا نه. گزارش امروز نمونهای از عامل هوش مصنوعی در فرایند سازمانی است، نه سند جایگزینی کامل نیروی انسانی.
روش ارزیابی و محدودیت نتیجهگیری
ارقام کاهش زمان و امتیاز کیفیت را دو شریک پروژه اعلام کردهاند و ارزیابی مستقل جامع درباره همه پروندههای بانک منتشر نشده است. دقت نتیجه به ترکیب هفت نمونه آزمایشی، میزان پیچیدگی داده و نحوه محاسبه خطاها وابسته است. در حوزه مالی ممکن است حتی یک خطای کوچک در طبقهبندی تراکنش پیامدهای جدی حسابداری داشته باشد. بنابراین کاهش زمان آمادهسازی نباید جایگزین کنترل انسانی، ثبت سابقه تغییرات، آزمون موارد استثنایی و کنترل دسترسی شود. برای مقایسه واقعی صرفهجویی باید هزینه نگهداری سامانه، زمان بازبینی کارشناسان و میزان خطای باقیمانده را نیز اندازه گرفت.
مبنای مستند: سند اصلی و منبع تکمیلی. پیوندها برای کنترل مستقیم ادعاها و دادهها در دسترساند.




