Goldman Sachs تسرّع من نشر وكلاء الذكاء الاصطناعي وتحول عمل المطورين

لم تعد Goldman Sachs تقتصر على روبوتات الذكاء الاصطناعي الداخلية للمهام الفردية. وفقاً لكلام الرئيس التنفيذي للعمليات ماركو أرجنتي، يعيد البنك هيكلة نهجه لتطبيق الذكاء الاصطناعي في أعقاب النمو السريع لمنصات الوكلاء والأدوات الجديدة للتطوير.

من المشاريع التجريبية إلى النظام

قبل سنة ونصف، كان النقاش حول الذكاء الاصطناعي في Goldman Sachs يدور في الأساس حول الأدوات الداخلية وسيناريوهات الأتمتة الفردية. الآن التركيز أوسع: ينظر البنك إلى الذكاء الاصطناعي كطبقة بنية تحتية يجب أن تندمج في سير العمل اليومي للفريق، بدلاً من أن تكون مجموعة من الخدمات التجريبية.

ظهور منصات وكلاء مثل Claude Code رفع سقف التوقعات: الأعمال تحتاج ليس فقط إلى استجابات النموذج، بل إلى أنظمة يمكنها تنفيذ سلاسل من الإجراءات والعمل مع الأكواد وتسريع العمليات الحقيقية.

بالنسبة لبنك كبير، هذا يعني متطلبات معمارية أكثر صرامة. لا يمكنك ببساطة منح الوصول إلى نموذج جديد والانتظار للحصول على نتائج. تحتاج إلى فهم أين يُسمح للوكيل بالتصرف بشكل مستقل، وما البيانات التي يمكنه الوصول إليها، وكيف يتم تسجيل إجراءاته، ومن يتحمل المسؤولية عن النتائج.

لذلك، تطبيق الذكاء الاصطناعي في البنك لا يبدو وكأنه إطلاق سريع لميزة عصرية، بل كبناء تدريجي لمنصة محكومة مع قواعد وتسجيل أحداث وقيود داخلية.

كيف يتغير التطوير

موضوع منفصل هو AI coding. الأدوات التي تساعد على كتابة ومراجعة وإعادة كتابة الأكواد تغير بالفعل بشكل ملحوظ طريقة عمل المطورين والمهندسين. الحديث ليس فقط عن تسريع المهام الروتينية، بل عن توزيع مختلف للوقت: جهد أقل يذهب إلى أكواد النموذج والمسودات الأولية والبحث عن الحلول القياسية، والمزيد يذهب إلى المراجعة وتحديد المهام والعمارة والتحقق مما أنتجه الوكيل.

بالنسبة لبنك يضم فريق هندسة كبير، هذا ليس تحسيناً سطحياً، بل تغيير في سير الإنتاج.

• النماذج الأولية لأدوات داخلية تظهر بشكل أسرع
• يعمل المهندسون بشكل متزايد كمراجعين ومحددي مهام للوكلاء
• تزداد قيمة الوثائق والاختبارات والمعايير عالية الجودة للأكواد
• الأخطاء تنتقل من كتابة الأكواد إلى المراجعة والأمان والتحكم في الوصول

لكن الفائدة لا تأتي تلقائياً. إذا كان لدى الفريق اختبارات ضعيفة أو أكواد معقدة أو قواعد تطوير غير رسمية، يبدأ AI coding في تكرار الفوضى بنفس السرعة التي ينتج بها الحلول المفيدة.

لذلك، تراجع الشركات الكبيرة العمليات بالتوازي: حيث يكون human-in-the-loop إلزامياً، أي التغييرات يمكن أن تُقترح تلقائياً، كيفية التحقق من أمان الأكواد وكيفية قياس الإنتاجية الفعلية بدلاً من عدد الأسطر المُنتجة.

هذا هو السبب في أن تطبيق هذه الأدوات يصطدم بسرعة بانضباط الفريق.

البيانات والتنظيم

الجزء الأكثر تعقيداً في توسيع نطاق الذكاء الاصطناعي في البنك—ليس الواجهة أو اختيار النموذج، بل البيانات. لكي يكون الوكيل أو المساعد مفيداً، يحتاج إلى الوصول إلى السياق الداخلي: الوثائق والأنظمة والسياسات والأكواد المصدرية وسجل المعاملات.

لكن هنا بالضبط تواجه الصناعة المالية أكثر القيود صرامة. كل سيناريو جديد يواجه تصنيف البيانات وحدود الأذونات ومتطلبات التخزين والتدقيق وقابلية تفسير القرارات. كلما كان الوكيل أقوى، كلما كان سعر الخطأ أعلى وكلما كان يجب أن يكون المحيط أكثر صرامة.

من هنا المسألة التنظيمية. لا يكفي للبنك أن يثبت أن النموذج يعمل بسرعة وبراحة. يجب أن يوضح أن استخدامه قابل للتكرار والتحكم فيه ويتوافق مع المتطلبات الداخلية والخارجية.

في التطبيق الفعلي، هذا يعني سجلات الإجراءات والقيود على استخدام البيانات الحساسة والتحقق من موردي النماذج ومسارات التصعيد الواضحة عندما يخطئ الذكاء الاصطناعي أو يتجاوز الحدود المسموحة.

بالنسبة إلى Goldman Sachs، فإن تطبيق الذكاء الاصطناعي هو في نفس الوقت مشروع هندسي ومشروع إدارة المخاطر والعمل على الامتثال طويل الأجل.

ما الذي يعنيه هذا

الخلاصة الرئيسية من موقف Goldman Sachs بسيطة: عصر "روبوت الدردشة للتجارب" ينتهي. المرحلة التالية هي الذكاء الاصطناعي كبنية تحتية شركات محكومة، حيث تأتي القيمة ليس من عروض توضيحية فردية، بل من مجموعة من الوكلاء والبيانات وعمليات التحكم والدور الجديد للمهندسين.