الذكاء الاصطناعي في التمويل: التداول الخوارزمي، كشف الاحتيال، ومعضلة الجهة التنظيمية

الثورة الصامتة في Wall Street

لا تتحدث صناعة التمويل عن الذكاء الاصطناعي بالطريقة ذاتها التي تتحدث بها Silicon Valley — لا عروض توضيحية مبهرة، ولا نماذج مفتوحة المصدر، ولا سلاسل تغريدات على Twitter حول التوجهات. غير أن التمويل قد يكون القطاع الذي يحقق فيه الذكاء الاصطناعي أعمق اختراق تشغيلي وأعلى عائد مالي لكل عملية نشر.

في عام 2026، تنفّذ أنظمة الذكاء الاصطناعي غالبية صفقات الأسهم في الأسواق الأمريكية، وتعالج ملايين قرارات فحص الاحتيال يومياً، وتكتتب في القروض الاستهلاكية والتجارية، وتولّد أبحاث الاستثمار، وتؤتمت تقارير الامتثال التنظيمي، وتشغّل واجهات العملاء في كل بنك كبير. يوظف JPMorgan Chase وحده أكثر من 2,000 متخصص في الذكاء الاصطناعي والتعلم الآلي وقد نشر الذكاء الاصطناعي في أكثر من 400 حالة استخدام إنتاجية. وقد وضع Goldman Sachs الذكاء الاصطناعي في صميم خطته الاستراتيجية طويلة الأمد، متوقعاً تحسين إنتاجية العمل على مستوى الشركة بنسبة 15% بحلول عام 2027.

قُدّر سوق الذكاء الاصطناعي العالمي في التمويل بـ 38.36 مليار دولار أمريكي في عام 2024، ومن المتوقع أن يصل إلى 190.33 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب يبلغ 30.6%، وفقاً لـ MarketsandMarkets. لكن حجم النشر قد تجاوز الأطر التنظيمية المصممة لحوكمته — مما يخلق توتراً متزايداً بين سرعة الابتكار وإدارة المخاطر النظامية.

التداول الخوارزمي: آلات تتداول مع آلات

التداول الخوارزمي — استخدام برامج حاسوبية لتنفيذ الصفقات وفق قواعد محددة مسبقاً، وبشكل متزايد، وفق تنبؤات التعلم الآلي — يمثل الآن ما يقارب 70-80% من إجمالي حجم تداول الأسهم في البورصات الأمريكية وأكثر من 60% عالمياً. ليس هذا بالأمر الجديد؛ فصناديق التحوط الكمية تستخدم الخوارزميات منذ عقود. ما هو جديد في عام 2026 هو دمج النماذج اللغوية الكبيرة (LLM) والذكاء الاصطناعي التوليدي في استراتيجيات التداول.

التداول القائم على تحليل المشاعر يستخدم النماذج اللغوية الكبيرة لتحليل نصوص مكالمات الأرباح، وبيانات الاحتياطي الفيدرالي، والمقالات الإخبارية، ووسائل التواصل الاجتماعي في الوقت الفعلي، لاستخراج إشارات مشاعر السوق بسرعة تفوق أي محلل بشري. نشر Morgan Stanley مساعداً داخلياً مدعوماً بـ OpenAI يستخدمه 98% من فرق مستشاريه لاسترجاع المعرفة، ويطور أدوات ذكاء اصطناعي لتحليل الاستثمار وخدمة العملاء — وهو ما يمثل نوع التكامل العميق للذكاء الاصطناعي الذي أصبح معياراً في أكبر شركات Wall Street.

تحليل البيانات البديلة يطبّق التعلم الآلي على صور الأقمار الصناعية (عدّ السيارات في مواقف مراكز التسوق للتنبؤ بالإيرادات الفصلية)، وبيانات معاملات البطاقات المصرفية، وحركة حاويات الشحن، وحتى أنماط الطقس لتوليد إشارات تداول لا يستطيع التحليل الأساسي التقليدي رصدها.

وكلاء التعلم المعزز (Reinforcement Learning) يتم نشرهم من قبل الصناديق الكمية لتنفيذ صفقات تكيّف استراتيجيتها في الوقت الفعلي بناءً على البنية المجهرية للسوق — تدفق الأوامر، وديناميكيات الفارق بين العرض والطلب، وظروف السيولة. يعمل هؤلاء الوكلاء على تحسين جودة التنفيذ (تقليل تأثير السوق والانزلاق السعري) بدلاً من التنبؤ باتجاه الأسعار.

المصدر الرئيسي للقلق بشأن المخاطر النظامية هو التركز والترابط. عندما تحلل مئات أنظمة الذكاء الاصطناعي نفس تدفقات البيانات، وتصل إلى استنتاجات متشابهة، وتنفذ صفقات متماثلة في آن واحد، يمكن أن تكون النتيجة تحركات متسلسلة تضخّم التقلبات. ظاهرة “الانهيار الخاطف” (Flash Crash) — حيث تهبط الأسواق بشكل حاد في ثوانٍ بسبب حلقات التغذية الراجعة الخوارزمية — تبقى خطراً جدياً. في 5 أغسطس 2024، ضخّمت عمليات بيع خوارزمية مترابطة تفكيك صفقات المناقلة على الين، مساهمةً في انهيار Nikkei 225 بنسبة 12.4% في يوم واحد — الأسوأ منذ عام 1987. رغم أن المحفّز كان اقتصادياً كلياً (رفع سعر الفائدة من بنك اليابان)، إلا أن أوامر وقف الخسارة التلقائية والبيع الخوارزمي سرّعا الانخفاض بشكل كبير، مما يوضح كيف يمكن لأنظمة التداول المدعومة بالذكاء الاصطناعي أن تحوّل تصحيحاً منظماً إلى انهيار في السوق.

كشف الاحتيال: سباق التسلح بالذكاء الاصطناعي

يمثل الاحتيال المالي مشكلة عالمية تتجاوز 500 مليار دولار سنوياً، والذكاء الاصطناعي هو التقنية الرئيسية المنشورة لمكافحته — وبشكل متزايد، لارتكابه.

أنظمة مراقبة المعاملات في البنوك الكبرى تعالج مليارات المعاملات يومياً عبر نماذج التعلم الآلي التي تقيّم مخاطر الاحتيال لكل معاملة في الوقت الفعلي. تحلل هذه النماذج مئات الخصائص: مبلغ المعاملة، فئة التاجر، الموقع الجغرافي، بصمة الجهاز، وقت المعاملة، القياسات الحيوية السلوكية (كيفية إمساكك بهاتفك، إيقاع كتابتك)، والانحراف عن الأنماط التاريخية لصاحب الحساب.

يستخدم نظام Decision Intelligence من Mastercard، المنشور عبر شبكته التي تضم أكثر من 3 مليارات بطاقة، الذكاء الاصطناعي لتحليل كل معاملة في أقل من 50 ميلي ثانية — بالموافقة على المشتريات المشروعة والإبلاغ عن المشبوهة قبل أن يتلقى التاجر حتى ردّاً. خفّض النظام الإنذارات الكاذبة بنسبة تصل إلى 200% وحسّن معدلات كشف الاحتيال بنسبة 20% في المتوسط — وحتى 300% في بعض الحالات، وفقاً لـ إعلان Mastercard لعام 2024.

احتيال الهوية الاصطناعية — حيث يجمع المجرمون بين معلومات شخصية حقيقية ومُلفّقة لإنشاء هويات وهمية بالكامل — أصبح الشكل الأسرع نمواً من أشكال الاحتيال المالي. قدّر الاحتياطي الفيدرالي الخسائر السنوية بـ 6 مليارات دولار اعتباراً من عام 2016؛ وتشير تقديرات أحدث من الصناعة إلى أن الرقم بلغ 20 مليار دولار أو أكثر. أنظمة الكشف التقليدية القائمة على القواعد عاجزة تقريباً أمام الهويات الاصطناعية لأن الهوية تبدو مشروعة ظاهرياً. أنظمة الذكاء الاصطناعي التي تحلل أنماط المراجعة التبادلية (هويات متعددة تتشارك رقم هاتف، أو عناصر عنوان، أو توقيت تقديم الطلب) تمثل خط الدفاع الفعّال الوحيد.

احتيال التزييف العميق (Deepfake) برز كتهديد بالغ الخطورة. مكّنت تقنيات استنساخ الصوت والتزييف العميق بالفيديو المهاجمين من انتحال شخصيات المديرين التنفيذيين والزملاء للمصادقة على تحويلات مالية احتيالية. في مطلع عام 2024، تم خداع موظف مالي في شركة الهندسة متعددة الجنسيات Arup عبر تزييف عميق بالفيديو لزملائه خلال مؤتمر فيديو لتحويل 25.6 مليون دولار (200 مليون دولار هونغ كونغي) إلى محتالين — قضية أحدثت صدمة في أقسام الخزينة المؤسسية حول العالم. تنشر البنوك الآن أنظمة مصادقة صوتية وكشف الحيوية القائمة على الذكاء الاصطناعي لمواجهة هذا التهديد — ذكاء اصطناعي يدافع ضد ذكاء اصطناعي.

الإقراض والائتمان: مسألة التحيز

وسّعت عمليات الاكتتاب الائتماني المدعومة بالذكاء الاصطناعي إمكانية الوصول إلى الائتمان لملايين المستهلكين الذين كانوا سابقاً غير مشمولين بالخدمات المصرفية أو يعانون من نقص فيها — لكنها أثارت أيضاً أحدّ المخاوف المتعلقة بالعدالة والتحيز في أي مجال تطبيقي للذكاء الاصطناعي.

يعتمد التصنيف الائتماني التقليدي (FICO في الولايات المتحدة، وأنظمة مكافئة في أماكن أخرى) على مجموعة محدودة من العوامل: سجل المدفوعات، واستخدام الائتمان، ومدة السجل الائتماني، وتنوع الائتمان، والاستعلامات الجديدة. ملايين الأشخاص ذوي الملفات الائتمانية الضعيفة — المهاجرون، الشباب، العاملون في اقتصاد المنصات — هم فعلياً غير مرئيين لهذا النظام.

يستخدم التصنيف الائتماني البديل القائم على الذكاء الاصطناعي بيانات غير تقليدية: سجل دفع الإيجار، فواتير المرافق، أنماط استخدام الهاتف المحمول، استقرار التوظيف، الخلفية التعليمية، وحتى الإشارات السلوكية من عملية التقديم نفسها. أفادت Upstart، منصة إقراض رائدة بالذكاء الاصطناعي، بأن نموذجها وافق على 43% أكثر من المقترضين مع معدلات خسارة أقل بنسبة تصل إلى 75% مقارنة بنماذج الائتمان التقليدية عند نفس معدل الموافقة.

مشكلة التحيز هيكلية. إذا كانت بيانات التدريب تعكس التمييز التاريخي في الإقراض — وهي كذلك في كل بلد له تاريخ من عدم المساواة الاقتصادية القائمة على العرق أو الإثنية أو الجنس — فإن نماذج الذكاء الاصطناعي تتعلم وتُديم تلك الأنماط. قد يتعلم نموذج تعلم آلي مدرّب على نتائج القروض التاريخية أن الرمز البريدي مؤشر قوي على مخاطر التعثر، لكن الرمز البريدي في كثير من البلدان هو مؤشر بديل عن العرق والإثنية.

في سبتمبر 2023، أصدر مكتب حماية المستهلك المالي (CFPB) إرشادات تلزم المقرضين الذين يستخدمون الذكاء الاصطناعي بتقديم أسباب محددة ودقيقة لرفض طلبات الائتمان — وليس مجرد “النموذج قال لا”. يصنّف قانون الذكاء الاصطناعي الأوروبي (AI Act) التصنيف الائتماني كتطبيق “عالي المخاطر” للذكاء الاصطناعي، مما يتطلب الشفافية والرقابة البشرية واختبار التحيز. تدفع هذه المتطلبات التنظيمية المقرضين إلى تبني تقنيات الذكاء الاصطناعي القابل للتفسير (قيم SHAP، وأسلوب LIME) التي يمكنها تفكيك قرارات النموذج إلى عوامل قابلة للتفسير.

أبحاث الاستثمار وتطور Bloomberg Terminal

أحدث دمج الذكاء الاصطناعي في Bloomberg تحولاً في كيفية إجراء أبحاث الاستثمار. Bloomberg Terminal، المنصة المهيمنة للمحترفين الماليين (بنحو 350,000 مشترك بتكلفة تقارب 30,000 دولار سنوياً لكل مشترك)، دمجت تدريجياً قدرات الذكاء الاصطناعي:

Bloomberg GPT وخلفاؤه — نماذج لغوية كبيرة متخصصة في المجال ومدرّبة على مجموعة بيانات Bloomberg الخاصة التي تشمل عقوداً من الأخبار المالية والإيداعات والنصوص وبيانات السوق — تدعم الاستعلامات باللغة الطبيعية على البيانات المالية. يمكن للمحلل أن يسأل “ما اتجاه إنفاق Apple على البحث والتطوير نسبة إلى الإيرادات خلال السنوات الخمس الماضية وكيف يقارن بـ Microsoft؟” ويتلقى إجابة فورية مستندة إلى البيانات مع رسوم بيانية.

ملاحظات البحث الآلية تولّد مسودات أولية لملخصات أبحاث الأسهم من إصدارات الأرباح، مع دمج السياق التاريخي ومقارنات النظراء وتقديرات إجماع المحللين. ثم يراجع المحللون البشريون ويصقلون ويضيفون رؤاهم الخاصة. يقلّص مساعد البحث بالذكاء الاصطناعي في JPMorgan الوقت اللازم لإنتاج مذكرة بحثية بعد الأرباح من 4 ساعات إلى 45 دقيقة.

تحليل الإيداعات التنظيمية يستخدم معالجة اللغة الطبيعية (NLP) للإبلاغ عن التغييرات الجوهرية في الإيداعات لدى SEC (نماذج 10-K و10-Q و8-K) مقارنة بالفترات السابقة — تغييرات في الصياغة قد تشير إلى مخاطر ناشئة، أو تعرض لدعاوى قضائية، أو تحولات استراتيجية يحتاج المستثمرون لمعرفتها. هذا التحليل الذي كان يتطلب سابقاً ساعات من العمل شبه القانوني، يتم الآن في ثوانٍ.

معضلة الجهة التنظيمية: السرعة مقابل الرقابة

تواجه الجهات التنظيمية المالية عدم تماثل جوهري: أنظمة الذكاء الاصطناعي التي يجب عليها الإشراف عليها تتطور بسرعة أكبر من الأطر التنظيمية المصممة لحوكمتها.

اقترحت هيئة الأوراق المالية والبورصات (SEC) قواعد تلزم مديري الأصول بالإفصاح عن استخدامهم للذكاء الاصطناعي في اتخاذ قرارات الاستثمار ومعالجة تضارب المصالح الناشئ عن التحليلات التنبؤية. يظل الاقتراح، الذي طُرح لأول مرة عام 2023، مثيراً للجدل — يرى المشاركون في الصناعة أنه واسع جداً وسيعيق الابتكار، بينما يرى المدافعون عن المستهلكين أنه لا يذهب بعيداً بما فيه الكفاية.

يصنّف قانون الذكاء الاصطناعي الأوروبي (AI Act) التصنيف الائتماني وتسعير التأمين كتطبيقات ذكاء اصطناعي عالية المخاطر، مما يتطلب تقييمات مطابقة والتزامات بالشفافية ورقابة بشرية. تواجه البنوك الأوروبية موعداً نهائياً للامتثال يستلزم استثماراً كبيراً في البنية التحتية لحوكمة الذكاء الاصطناعي.

نشر بنك التسويات الدولية (BIS) تقارير في 2024-2025 تحذر من أن التركز المدفوع بالذكاء الاصطناعي في الأسواق المالية — حيث يتخذ عدد صغير من نماذج الذكاء الاصطناعي من عدد محدود من المزودين قرارات تحرّك تريليونات الدولارات — يمثل فئة جديدة من المخاطر النظامية لا تشملها أطر الاستقرار المالي القائمة.

المعضلة الجوهرية: تنظيم مفرط في الصرامة يدفع ابتكار الذكاء الاصطناعي المالي نحو ولايات قضائية أقل تنظيماً؛ وتنظيم متساهل أكثر من اللازم يجعل أزمة مالية نظامية يسببها الذكاء الاصطناعي مسألة “متى” وليس “هل”.

الحدود القادمة: التمويل الوكيلي

الحدود الناشئة في الذكاء الاصطناعي المالي هي الأنظمة الوكيلية (Agentic Systems): وكلاء ذكاء اصطناعي لا يكتفون بتحليل البيانات والتوصية بإجراءات، بل ينفذون بشكل مستقل سلاسل عمل مالية متعددة الخطوات.

وكلاء التمويل الشخصي يديرون الميزانيات، ويدفعون الفواتير، ويحسّنون المدخرات، ويتفاوضون على الأسعار، ويعيدون توازن المحافظ الاستثمارية — بوصفهم مستشارين ماليين آليين للمستهلكين. تقدم شركات مثل Wealthfront وBetterment إدارة استثمارية قائمة على الخوارزميات منذ سنوات، لكن الجيل الوكيلي يضيف التفاعل باللغة الطبيعية، والتخطيط المالي الاستباقي، والتحسين عبر حسابات متعددة.

وكلاء خزينة الشركات يديرون المراكز النقدية عبر بنوك وعملات ومناطق زمنية متعددة — بتنفيذ عمليات تحوط في سعر الصرف، وتحسين رأس المال العامل، وضمان الامتثال للسياسات الداخلية. هذا تدفق عمل يوظف حالياً آلاف المتخصصين في خزينة الشركات عالمياً وهو قابل بشكل كبير للأتمتة بالذكاء الاصطناعي.

وكلاء الامتثال يراقبون نشاط التداول بحثاً عن مخالفات تنظيمية، ويولّدون تقارير الأنشطة المشبوهة (SAR)، ويعدّون التقارير التنظيمية — مما يضغط سلاسل عمل الامتثال من أيام إلى ساعات.

يرفع التحول الوكيلي من حدة كل مخاوف قائمة — التحيز، والشفافية، والمخاطر النظامية، والمساءلة — لأن الوكلاء المستقلين يتخذون قرارات بسرعة أكبر وعلى نطاق أوسع من أدوات الذكاء الاصطناعي الخاضعة للإشراف البشري.

الأسئلة الشائعة

المصادر والقراءات الإضافية

• MarketsandMarkets — AI in Finance Market Report
• JPMorgan Chase — AI and Machine Learning Strategy
• Goldman Sachs — 10-Year Strategic Playbook (CNBC)
• OpenAI — Morgan Stanley AI Assistant
• Mastercard — Decision Intelligence Gen AI
• Federal Reserve — Synthetic Identity Fraud Mitigation
• SC World — Deepfake Video Conference $25M Scam
• Consumer Financial Protection Bureau — AI Lending Guidance (2023)
• EU AI Act — High-Risk Classification for Credit Scoring
• Bank for International Settlements — AI and Financial Stability (2025 Annual Report)
• Upstart — AI Lending Performance Data
• SEC — Proposed Rule on AI in Investment Advisory