چگونه هوش مصنوعی مدل قدیمی اشتغال در بانکداری را در هم می‌شکند

مشاغل بانکی در کنیا و به تبع آن، در اکثر بازارهای آفریقایی، به دلیل حقوق‌های پایدار، طرح‌های بازنشستگی و اعتماد به بخشی که به نظر می‌رسد بیش از حد مهم است تا کوچک شود، از جایگاه اجتماعی خاصی برخوردار بوده‌اند. 

اما گسترش هوش مصنوعی (AI) در حال تهدید این وعده است. با نگاهی به بانکی مانند استاندارد چارترد کنیا (StanChart)، اعداد پیش از آنکه مدیران اجرایی آن سخن بگویند، داستان بزرگی را روایت می‌کنند.

در سال 1392، StanChart بیش از ۲۲۰۰ کارمند داشت. در آن زمان، بانک یک شبکه شعب گسترده، تیم‌های عملیاتی قابل توجه، چندین نقش مدیریت میانی و هزاران کارمند داشت که اکثر فرآیندها را به صورت دستی انجام می‌دادند — از پذیرش مشتریان و پردازش دستی مدارک گرفته تا بررسی‌های انطباق و تسویه‌حساب‌ها.

تا پایان سال 1404، نیروی کار آن برای اولین بار در تاریخ به زیر ۱۰۰۰ نفر کاهش یافت.

این تغییرات در StanChart نشانه‌ای از بازقیمت‌گذاری نیروی کار در بخش بانکداری آفریقا است. کاری که زمانی توجیه‌گر هزاران موقعیت سطح ابتدایی و میانی بود، اکنون توسط سیستم‌هایی ارزان‌تر و با افراد بسیار کمتری انجام می‌شود.

در ماه مه، شرکت مادر این وام‌دهنده اعلام کرد که کاهش‌های یک دهه‌ای موقتی نیستند، بلکه بخشی از تمرکز استراتژیک جدید آن هستند. در یک رویداد سرمایه‌گذاری در هنگ‌کنگ در تاریخ 1404/02/29، بانک بریتانیایی اعلام کرد که تا سال 1409 برنامه دارد بیش از ۱۵٪ از پرسنل بخش‌های پشتیبانی خود را کاهش دهد. 

این افراد در حوزه‌هایی مانند منابع انسانی، انطباق، تدارکات، عملیات و اداری فعالیت می‌کنند. بانک آشکارا اعلام کرد که هوش مصنوعی به جایگزینی بسیاری از این وظایف کمک خواهد کرد، زیرا شتاب آن «اجرای سریع‌تر و نتایج مالی روشن را به ارمغان می‌آورد.»

این بانک به سمت مدل عملیاتی‌ای که آن را «ساده، متصل و سریع» می‌نامد حرکت می‌کند، مدلی که در آن هر وظیفه‌ای به اتوماسیون، گردش‌کارهای مبتنی بر هوش مصنوعی یا انسان‌ها سپرده می‌شود. 

تا سال 1406، انتظار می‌رود ۹۰٪ از کنترل‌های فناوری کلیدی به طور مداوم توسط هوش مصنوعی رصد شوند، در حالی که ۸۰٪ از کنترل‌ها به طور کامل در قالب قوانین قابل اجرا مدون می‌شوند. فرآیندهای عملیاتی نیز در حال خودکارسازی هستند، با هدف دقت ۹۵٪ در پردازش اسناد توسط هوش مصنوعی (افزایش از ۸۵٪) و دستیاران مجازی که انتظار می‌رود تا ۶۰٪ از پرس‌وجوهای داخلی را بدون دخالت انسانی حل کنند.

این بانک بیش از ۳۰۰ مورد استفاده از هوش مصنوعی، از جمله ۴۳ کاربرد پرتأثیر هوش مصنوعی مولد را مستقر کرده و حدود ۸۵۰۰۰ نفر از پرسنل را در Microsoft Copilot آموزش داده است. این بانک گزارش می‌دهد که در اوایل کار، بهره‌وری افزایش یافته، از جمله کاهش ۴۰٪ در موارد مثبت کاذب در نظارت بر دارایی‌های دیجیتال، کاهش ۸۸٪ در نیروی انسانی نظارتی از طریق سیستم‌های متمرکز (با صرفه‌جویی تقریبی ۱۰ میلیون دلار در سال)، و کاهش ۳۰٪ در تلاش دستی مرتبط با اجرای تغییرات نظارتی. 

هوش مصنوعی به دنبال مردم است

موج اول بانکداری دیجیتال برخی شعب را از بین برد، اما هوش مصنوعی اکنون به دنبال معدود شعبی است که باقی مانده‌اند و حتی دفاتر مرکزی. 

در اصل، دوره اول رو به مشتری بود. بانک‌ها ۱۵ سال گذشته را صرف متقاعد کردن مشتریان برای توقف مراجعه به شعب و استفاده از بانکداری آنلاین یا موبایلی، خودپردازها و بانکداری نمایندگی کردند. این کار نیاز به تعاملات فیزیکی را از بین برد و اکثر تراکنش‌ها را به خارج از سالن‌های بانکی منتقل کرد.

اولین مرحله این گذار تنها بر کارکنان خط اول مانند صندوق‌داران تأثیر گذاشت. با کوچک شدن حضور شعب، مدیریت وجه نقد کاهش یافت.

اما مرحله بعدی اتوماسیون، که StanChart آن را نشان داده، پیامدهای بیشتری دارد زیرا ستون فقرات نهادی خود بانک‌ها را هدف قرار می‌دهد.

وظایف بانکی مانند منابع انسانی، انطباق، مراکز تماس و پذیرش مشتریان، هزاران نفر را در بازارهای آفریقایی استخدام می‌کنند، دقیقاً به این دلیل که بانکداری همچنان یکی از پیچیده‌ترین صنایع از نظر اداری در این قاره است. این بخش باید با سیستم‌های هویتی پراکنده، مقررات فرامرزی، الزامات اسناد کاغذمحور، تعهدات مبارزه با پول‌شویی و زیرساخت‌های پرداخت متنوع در بازارهای مختلف کنار بیاید.

از نظر تاریخی، نیروی کار بزرگ بیشتر این ناکارآمدی‌ها را برطرف می‌کرد، اما هوش مصنوعی اکنون تهدید می‌کند که این کار را ارزان‌تر انجام دهد. این اهمیت اطلاعیه StanChart است. بانک استدلال می‌کند که بسیاری از وظایف پشتیبانی دیگر نیازی به نیروی کار فشرده ندارند.

به عنوان مثال، یک مدل زبان بزرگ (LLM) می‌تواند اسناد را بدون هزینه اضافه‌کاری به طور مداوم بررسی کند و تراکنش‌های مشکوک را سریع‌تر از تحلیلگران انسانی علامت‌گذاری کند. سیستم‌های انطباق خودکار می‌توانند حجم وسیعی از اطلاعات نظارتی را فوری پردازش کنند، در حالی که چت‌بات‌های خدمات مشتری می‌توانند هزاران پرس‌وجو را به طور همزمان مدیریت کنند.

آنچه زمانی به طبقاتی از کارمندان جوان نیاز داشت، اکنون به زیرساخت نرم‌افزاری نیاز دارد که توسط تعداد کمتری از متخصصان نظارت می‌شود.

مشاغل طبقه متوسط

خطر پذیرش سریع‌تر هوش مصنوعی در بانک‌ها برای اقتصادهای آفریقایی صرفاً بیکاری نیست. این فرسایش کار حرفه‌ای سطح میانی است.

بانکداری از نظر تاریخی یکی از مهم‌ترین موتورهای طبقه متوسط شهری آفریقا بوده است. این صنعت کانال‌های منظم استخدام فارغ‌التحصیلان، برنامه‌های آموزش مدیریت، مسیرهای شغلی با پشتوانه بازنشستگی و اشتغال یقه‌سفید نسبتاً پایدار ایجاد کرد.

نخبگان سیاسی و تجاری برجسته آفریقایی در اوایل مسیر شغلی خود از بانک‌ها گذر کرده‌اند. آنچه هوش مصنوعی تهدید به حذف آن می‌کند، دقیقاً همان نوع مشاغلی است که آن مسیرها را ایجاد کرده‌اند.

این مشاغل به اندازه کافی تکراری هستند که بتوان آنها را خودکار کرد، اما به اندازه کافی ماهرانه‌اند که از نظر تاریخی از زندگی شهری با درآمد متوسط حمایت کرده‌اند. این یک ریسک اجتماعی بزرگ‌تر ایجاد می‌کند.

اگر بانک‌ها به کسب سودهای قوی ادامه دهند در حالی که افراد به مراتب کمتری را استخدام می‌کنند، این بخش ممکن است از عملکرد به عنوان یک کارفرمای بزرگ بازبماند. بانکداری می‌تواند شبیه خود بخش فناوری شود و بسیار بهره‌ور و سودآور باشد در حالی که تعداد کمی از کارگران متخصص را استخدام می‌کند.

و این تحول ممکن است از قبل در حال وقوع باشد. در سراسر بخش بانکی کنیا، استخدام به جای عملیات سنتی، حول امنیت سایبری، مهندسی داده، هوش مصنوعی و مدیریت روابط تخصصی متمرکز شده است. برخی بانک‌ها مانند KCB Group و Equity Group به گسترش تعداد کل کارکنان ادامه می‌دهند، اما ترکیب استخدام در حال تغییر است.