Goldman Sachs تسرّع اعتماد وكلاء الذكاء الاصطناعي وتغيّر عمل المطورين في البنك

لم تعد Goldman Sachs تكتفي بروبوتات الذكاء الاصطناعي الداخلية لمهام منفصلة. وبحسب ماركو أرجنتي، مدير تقنية المعلومات (CIO)، يعيد البنك بناء نهجه في اعتماد الذكاء الاصطناعي في ظل النمو السريع لمنصات الوكلاء وأدوات التطوير الجديدة.

من التجارب إلى المنظومة

قبل عام ونصف، كان الحديث عن الذكاء الاصطناعي في Goldman Sachs يدور في الغالب حول الأدوات الداخلية وسيناريوهات أتمتة منفصلة. أما اليوم فقد اتسع نطاق التركيز: ينظر البنك إلى الذكاء الاصطناعي بوصفه طبقة من البنية التحتية يجب أن تندمج في العمل اليومي للفرق، لا مجموعة من الخدمات التجريبية المعزولة.

ورفع ظهور منصات الوكلاء مثل Claude Code سقف التوقعات: فالشركات لا تريد مجرد إجابات من النموذج، بل أنظمة قادرة على تنفيذ سلاسل من الإجراءات والعمل مع الشيفرة البرمجية وتسريع العمليات الفعلية. وبالنسبة إلى بنك كبير، يعني ذلك متطلبات أشد على مستوى البنية المعمارية. فلا يمكن ببساطة فتح الوصول إلى نموذج جديد وانتظار النتائج. يجب تحديد المواضع التي يُسمح فيها للوكيل بالتصرف باستقلالية، وما البيانات المتاحة له، وكيف تُوثَّق إجراءاته، ومن يتحمل مسؤولية النتيجة.

ولهذا لا يبدو اعتماد الذكاء الاصطناعي في البنك إطلاقًا سريعًا لميزة رائجة، بل تجميعًا تدريجيًا لمنصة خاضعة للرقابة، تحكمها قواعد وسجلات وقيود داخلية.

كيف يتغير التطوير

ثمة محور مستقل هو البرمجة بمساعدة الذكاء الاصطناعي (AI coding). فالأدوات التي تساعد على كتابة الشيفرة ومراجعتها وإعادة صياغتها تغيّر بوضوح عمل المطورين والمهندسين. والأمر لا يقتصر على تسريع المهام الروتينية، بل يشمل توزيعًا مختلفًا للوقت: جهد أقل يُبذل في الشيفرة النمطية والمسودات الأولية والبحث عن الحلول المتكررة، وجهد أكبر في المراجعة وصياغة المهام والهندسة المعمارية والتحقق مما أنتجه الوكيل. وبالنسبة إلى بنك يضم كادرًا هندسيًا كبيرًا، ليس هذا تحسينًا شكليًا، بل تغيير في حلقة الإنتاج نفسها.

• تظهر نماذج أولية للأدوات الداخلية بسرعة أكبر
• يعمل المهندسون في كثير من الأحيان مراجعين وواضعي مهام للوكلاء
• ترتفع قيمة التوثيق الجيد والاختبارات ومعايير الشيفرة
• تنتقل الأخطاء من كتابة الشيفرة إلى مجالات التحقق والأمن والتحكم في الوصول

لكن المكسب لا يتحقق تلقائيًا. فإذا كانت اختبارات الفريق ضعيفة، أو شيفرته معقدة ومتشابكة، أو قواعد التطوير لديه غير مُصاغة رسميًا، فإن AI coding يضاعف الفوضى بالسرعة نفسها التي يضاعف بها الحلول المفيدة. ولذلك تعيد الشركات الكبرى النظر في عملياتها بالتوازي: أين يكون وجود الإنسان في الحلقة (human-in-the-loop) إلزاميًا، وأي التغييرات يجوز اقتراحها تلقائيًا، وكيف يُفحص أمن الشيفرة، وكيف تُقاس الإنتاجية الفعلية لا عدد الأسطر المولّدة. ولهذا السبب تحديدًا يصطدم اعتماد هذه الأدوات سريعًا بانضباط الفريق.

البيانات والتنظيم الرقابي

أصعب جزء في توسيع نطاق الذكاء الاصطناعي داخل البنك ليس الواجهة ولا اختيار النموذج، بل البيانات. فلكي يقدّم الوكيل أو المساعد فائدة، يحتاج إلى الوصول إلى السياق الداخلي: المستندات والأنظمة والسياسات والشيفرة المصدرية وسجل العمليات. غير أن القطاع المالي يواجه هنا أشد القيود صرامة. فكل سيناريو جديد يصطدم بتصنيف البيانات وفصل الصلاحيات ومتطلبات التخزين والتدقيق وقابلية تفسير القرارات. وكلما كان الوكيل أقوى، ارتفعت كلفة الخطأ، ووجب أن يكون النطاق المحيط به أكثر إحكامًا.

ومن هنا ينشأ السؤال التنظيمي. فلا يكفي أن يثبت البنك أن النموذج يعمل بسرعة وبسهولة. بل عليه أن يُظهر أن استخدامه قابل للتكرار وخاضع للرقابة ومتوافق مع المتطلبات الداخلية والخارجية. وفي التشغيل الفعلي يعني ذلك سجلات للإجراءات، وقيودًا على استخدام البيانات الحساسة، وفحصًا لمزوّدي النماذج، ومسارات تصعيد واضحة عندما يخطئ الذكاء الاصطناعي أو يتجاوز الحدود المسموح بها.

بالنسبة إلى Goldman Sachs، اعتماد الذكاء الاصطناعي مشروع هندسي ومشروع لإدارة المخاطر وعمل طويل في مجال الامتثال في آن واحد.

ماذا يعني ذلك

الخلاصة الرئيسية من موقف Goldman Sachs بسيطة: عهد «روبوت الدردشة للتجارب» يقترب من نهايته. والمرحلة التالية هي الذكاء الاصطناعي بوصفه بنية تحتية مؤسسية خاضعة للإدارة، حيث لا تأتي القيمة من عروض توضيحية منفردة، بل من الربط بين الوكلاء والبيانات وآليات الرقابة ودور المهندس الجديد.