چت‌جی‌پی‌تی وارد وال‌استریت شد؛ اُپن‌ای‌آی خدمات مالی اختصاصی راه‌اندازی کرد

اخبار · هوش مصنوعی

شرکت OpenAI با معرفی نسخه‌ای اختصاصی از چت‌جی‌پی‌تی برای صنعت مالی، رسماً پا به میدان بانکداری سرمایه‌گذاری گذاشت؛ ابزاری که قرار است کار تحلیل‌گران جوان وال‌استریت را برای همیشه تغییر دهد.

چکیده. روز ۱۹ شهریور ۱۴۰۵ (۱۰ سپتامبر ۲۰۲۶)، شرکت OpenAI از محصول تازه‌ای به نام «ChatGPT for Financial Services» رونمایی کرد؛ نسخه‌ای از چت‌جی‌پی‌تی که با موتور GPT-6 Astra و دسترسی مستقیم به پایگاه‌های داده مالی معتبر مثل Daloopa، PitchBook، LSEG و Crunchbase، برای بانکداران سرمایه‌گذاری و تحلیل‌گران مالی طراحی شده است. شرکای طراحی این پروژه، غول‌هایی مثل Morgan Stanley و Evercore بوده‌اند.
معرفی محصول ChatGPT for Financial Services توسط OpenAI برای بانکداری سرمایه‌گذاری

۱. چت‌جی‌پی‌تی برای خدمات مالی دقیقاً چیست؟

شرکت OpenAI محصول تازه‌ی خود را نسخه‌ای از ChatGPT Work معرفی کرده که مخصوص تیم‌های مالی طراحی شده است. برخلاف نسخه‌ی عمومی چت‌جی‌پی‌تی که اطلاعات مالی را از منابع پراکنده و گاه غیرمعتبر جمع‌آوری می‌کند، این نسخه از ابتدا به داده‌های مالی رسمی و معتبر متصل است. کاربران می‌توانند مستقیماً از داخل چت با گزارش‌های مالی شرکت‌ها، اسناد سرمایه‌گذاری خصوصی و صورت‌های سود و زیان کار کنند، بدون آنکه نیاز به جابه‌جایی بین چند نرم‌افزار جداگانه داشته باشند. برای آشنایی بیشتر با ماهیت این شرکت و محصولاتش، می‌توانید مقاله‌ی OpenAI چیست؟ را هم بخوانید.

۲. چرا OpenAI حالا سراغ وال‌استریت رفته است؟

رقابت میان غول‌های هوش مصنوعی برای تسخیر بازارهای سازمانی هر روز داغ‌تر می‌شود. صنعت مالی یکی از پرسودترین و در عین حال محافظه‌کارترین بازارهایی است که هنوز به‌طور کامل تسخیر ابزارهای هوش مصنوعی مولد نشده. بانک‌های سرمایه‌گذاری هرساله میلیون‌ها ساعت کار تحلیلی صرف تهیه‌ی گزارش، مدل مالی و ارائه‌ی مشتری می‌کنند؛ کاری که عمدتاً بر عهده‌ی تحلیل‌گران تازه‌کار است. با ورود OpenAI به این بازار، رقابت با Bloomberg Terminal، FactSet و حتی سرویس‌های داخلی خود بانک‌ها وارد فاز تازه‌ای شده است. برای درک بهتر جایگاه هوش مصنوعی در دنیای کسب‌وکار امروز، پیشنهاد می‌کنیم این مطلب درباره‌ی اهمیت هوش مصنوعی در کسب‌وکار را از دست ندهید.

نکته‌ی مهم دیگر این است که سرویس‌هایی مثل ترمینال بلومبرگ سالانه هزینه‌ای معادل چند هزار دلار برای هر کاربر دارند و به همین دلیل، بسیاری از تیم‌های کوچک‌تر یا مؤسسات نوپای مالی توان استفاده از آن‌ها را ندارند. با ورود یک بازیگر بزرگ مثل OpenAI که زیرساخت گسترده و مقیاس‌پذیری بالایی دارد، احتمال شکل‌گیری مدل‌های قیمت‌گذاری رقابتی‌تر در این صنعت افزایش پیدا می‌کند؛ موضوعی که می‌تواند در میان‌مدت ترکیب بازار ابزارهای تحلیل مالی را به‌کلی تغییر دهد.

۳. مورگان استنلی و اورکور؛ شریکان طراحی این پروژه

دو نام بزرگ صنعت بانکداری سرمایه‌گذاری یعنی Morgan Stanley و Evercore، از همان مراحل اولیه در طراحی این محصول همکاری داشته‌اند. مسئولان مورگان استنلی در بیانیه‌ای گفته‌اند وعده‌ی تحقیقات پیشرفته زمانی محقق می‌شود که به کارکنانشان کمک کند روی کارهایی تمرکز کنند که واقعاً برای مشتریان اهمیت دارد. اورکور هم اعلام کرده تمرکزش روی پرسش‌هایی است که برای مشتریانش حیاتی‌اند و اکنون فرصتی پیدا کرده تا هوش مصنوعی پیشرفته را مستقیماً برای پاسخ به همان پرسش‌ها به کار بگیرد.

۴. کدام دیتاست‌های مالی این ابزار را متفاوت می‌کنند؟

مهم‌ترین تفاوت این محصول با چت‌جی‌پی‌تی معمولی، اتصال مستقیم آن به منابع داده‌ی تخصصی صنعت مالی است. از جمله‌ی این منابع می‌توان به Daloopa برای رونوشت گزارش‌های سود شرکت‌ها، PitchBook برای اطلاعات سرمایه‌گذاری خصوصی، LSEG News برای اخبار لحظه‌ای بازار، Crunchbase برای داده‌های شرکت‌های نوپا و Fiscal.ai برای صورت‌های مالی ساختاریافته اشاره کرد. علاوه بر این، کاربرانی که پیش‌تر مشترک سرویس‌هایی مثل S&P Capital IQ، LSEG، MSCI، Dow Jones Factiva و Moody’s بوده‌اند، می‌توانند با همان حساب کاربری وارد چت‌جی‌پی‌تی شوند و به داده‌های خودشان دسترسی داشته باشند.

در کنار این دیتاست‌ها، بیش از پنجاه رابط اتصال (MCP Connector) بهینه‌سازی‌شده هم به این محصول اضافه شده که امکان اتصال مستقیم به ابزارهایی مثل Datasite، Box، Preqin، FactSet و Intapp را فراهم می‌کند. مدیر عامل Crunchbase در این‌باره گفته است داده‌های ساختاریافته‌ی شرکت‌های خصوصی این مجموعه، از این پس مستقیماً در دسترس تیم‌های مالی‌ای خواهد بود که از چت‌جی‌پی‌تی استفاده می‌کنند. یکی از مدیران ارشد S&P Global هم تأکید کرده که داده‌ی قابل‌اعتماد، پایه‌ی هر گردش‌کار هوش مصنوعی محسوب می‌شود و همین موضوع اهمیت این همکاری‌ها را دوچندان می‌کند.

۵. نقش موتور GPT-6 Astra در تحلیل مالی

موتور اصلی این محصول همان GPT-6 Astra است؛ مدلی که OpenAI پیش‌تر آن را به‌عنوان پیشرفته‌ترین موتور استدلالی خود معرفی کرده بود. این مدل توانایی استخراج اطلاعات از اسناد پیچیده‌ی مالی، تحلیل روندهای بازار و حتی تولید نمودارها و گزارش‌های تعاملی را دارد. نکته‌ی جالب اینجاست که هر عدد یا رقمی که مدل در پاسخ‌هایش ارائه می‌دهد، قابل ردیابی تا منبع اصلی است؛ یعنی تحلیل‌گران دیگر مجبور نیستند برای اطمینان از صحت یک رقم، ساعت‌ها وقت صرف بازبینی دستی کنند.

همکاری Morgan Stanley و Evercore با OpenAI در توسعه چت‌جی‌پی‌تی مخصوص خدمات مالی

۶. کاربردهای عملی: از مدل‌سازی LBO تا پیچ‌بوک

شرکت OpenAI فهرستی از کاربردهای اولیه‌ی این ابزار را هم منتشر کرده است. از جمله می‌توان به تحلیل ارزش‌گذاری شرکت‌ها، مدل‌سازی خریدهای اهرمی (LBO)، غربالگری خریداران بالقوه در معاملات ادغام و تملک، تحلیل گزارش‌های فصلی سود و آماده‌سازی خودکار پیچ‌بوک برای جلسات با مشتریان اشاره کرد. مدیران بانک‌ها می‌توانند قالب‌های اکسل، ورد و پاورپوینت سازمان خود را در سیستم بارگذاری کنند تا خروجی‌های هوش مصنوعی دقیقاً با استانداردهای بصری و نگارشی شرکت هم‌خوانی داشته باشد. برای مثال، یک تحلیل‌گر می‌تواند از ابزار بخواهد گزارش سود سه‌ماهه‌ی یک شرکت هدف را استخراج کند، آن را با میانگین صنعت مقایسه کند و در نهایت خروجی را در قالب اسلایدهای آماده‌ی ارائه، مطابق با هویت بصری بانک، تحویل دهد؛ کاری که پیش از این ممکن بود چند ساعت زمان ببرد.

مقایسه با ابزارهای مشابه در بازار

پیش از این هم شرکت‌های دیگری مثل بلومبرگ و فکت‌ست تلاش کرده بودند نسخه‌های هوشمندی از سرویس‌های خود ارائه دهند، اما هیچ‌کدام به اندازه‌ی این محصول به یک مدل زبانی عمومی و قدرتمند مثل GPT-6 Astra مجهز نبوده‌اند. برای علاقه‌مندانی که می‌خواهند بدانند رقبایی مثل مدل‌های دیگر در مقایسه با چت‌جی‌پی‌تی در چه جایگاهی قرار دارند، می‌توانند نگاهی به مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک در سایت ما بیندازند.

۷. امنیت و حریم داده در نسخه‌ی مالی چت‌جی‌پی‌تی

با توجه به حساسیت بسیار بالای داده‌های مالی و سرمایه‌گذاری، OpenAI فهرست بلندی از قابلیت‌های امنیتی را برای این محصول در نظر گرفته است. از جمله می‌توان به ورود یکپارچه از طریق SAML، مدیریت هویت کاربران با SCIM، کنترل دسترسی بر اساس نقش سازمانی، رمزگذاری داده در حالت ذخیره و انتقال، و امکان خروجی گرفتن از گزارش‌های تطبیقی برای تیم‌های حقوقی و کامپلاینس اشاره کرد. طبق اعلام رسمی OpenAI، داده‌های سازمانی به‌صورت پیش‌فرض برای آموزش مدل‌ها استفاده نمی‌شوند و هر سازمان می‌تواند به‌صورت جداگانه فضای کاری مستقلی برای بخش‌های مختلف خود ایجاد کند تا مرزهای اطلاعاتی میان تیم‌ها حفظ شود.

۸. آینده‌ی تحلیل‌گران جوان بانکی در سایه‌ی هوش مصنوعی

یکی از پرسش‌های جدی‌ای که با انتشار این خبر مطرح شده، آینده‌ی شغلی تحلیل‌گران تازه‌کار در بانک‌های سرمایه‌گذاری است. بسیاری از وظایفی که تاکنون بر عهده‌ی این افراد بوده؛ از جمع‌آوری داده گرفته تا آماده‌سازی اسلایدهای اولیه، اکنون می‌تواند در چند دقیقه توسط هوش مصنوعی انجام شود. برخی تحلیل‌گران این روند را فرصتی برای تمرکز بیشتر روی تصمیم‌گیری‌های استراتژیک می‌دانند، اما گروهی دیگر نگران کاهش فرصت‌های آموزشی برای نیروهای تازه‌وارد صنعت هستند. برای بررسی دقیق‌تر توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی در چنین کارهایی، مطالعه‌ی این مقاله درباره‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی خالی از لطف نیست. همچنین بحث مشابهی درباره‌ی جایگزینی نیروی متخصص انسانی با هوش مصنوعی را می‌توانید در این تحلیل درباره‌ی توهم هوش مصنوعی در برابر مهندس واقعی بخوانید.

به‌طور سنتی، سال‌های اول کار در بانکداری سرمایه‌گذاری به‌نوعی دوره‌ی کارآموزی عملی محسوب می‌شد؛ تحلیل‌گران جوان با ساعت‌ها کار روی اکسل و پاورپوینت، به‌مرور منطق مدل‌سازی مالی و ساختار معاملات را یاد می‌گرفتند. گزارش‌های رسانه‌ای از جمله تحلیل شبکه‌ی CNBC نشان می‌دهد نگرانی اصلی برخی مدیران ارشد بانکی این است که اگر بخش زیادی از این کارهای تکراری به هوش مصنوعی سپرده شود، مسیر یادگیری تدریجی نسل بعدی بانکداران هم دچار تغییرات اساسی خواهد شد. با این حال، حامیان این فناوری معتقدند تمرکز آموزش می‌تواند از انجام کارهای تکراری به سمت تحلیل و قضاوت حرفه‌ای، که همچنان نیازمند تجربه‌ی انسانی است، جابه‌جا شود.

تحلیل داده‌های مالی و مدل‌سازی سرمایه‌گذاری با هوش مصنوعی در بانکداری

۹. چگونه از ابزارهای هوش مصنوعی مالی بهتر استفاده کنیم؟

اگر شما هم در حوزه‌ی مالی یا تحلیل کسب‌وکار فعالیت می‌کنید، نوشتن پرامپت درست می‌تواند تفاوت بزرگی در کیفیت خروجی این ابزارها ایجاد کند. مشخص‌کردن دقیق نوع گزارش، منابع مدنظر و فرمت خروجی مورد نیاز، نتیجه‌ی کار را چند برابر دقیق‌تر می‌کند. برای یادگیری اصول نوشتن پرامپت حرفه‌ای، سری آموزشی آموزش‌های چت‌جی‌پی‌تی در سایت ما و همچنین راهنمای نوشتن پرامپت برای مبتدیان منابع خوبی برای شروع هستند. به‌طور کلی، هرچه پرامپت شما نقش، هدف و فرمت خروجی را دقیق‌تر مشخص کند، احتمال دریافت پاسخی قابل‌استفاده و آماده‌ی ارائه به مشتری هم بیشتر می‌شود؛ همین اصل ساده در بسیاری از حوزه‌های حرفه‌ای دیگر، از بازاریابی گرفته تا برنامه‌نویسی، هم صادق است.

سوالات متداول

آیا ChatGPT for Financial Services برای همه در دسترس است؟

خیر، این محصول در حال حاضر فقط برای مؤسسات مالی واجد شرایط ارائه می‌شود و علاقه‌مندان باید از طریق تیم فروش OpenAI درخواست دسترسی بدهند.

این ابزار چه تفاوتی با نسخه‌ی معمولی چت‌جی‌پی‌تی دارد؟

تفاوت اصلی در اتصال مستقیم به دیتاست‌های مالی معتبر، امکان ردیابی منبع هر رقم، و ابزارهای امنیتی و مدیریتی اختصاصی برای سازمان‌های بزرگ مالی است.

آیا این محصول جایگزین کامل تحلیل‌گران انسانی می‌شود؟

بر اساس اعلام شرکت‌های همکار، هدف اصلی این ابزار کمک به تحلیل‌گران برای صرفه‌جویی در زمان‌های تکراری است، نه حذف کامل نیروی انسانی از فرآیند تصمیم‌گیری‌های استراتژیک.

جمع‌بندی. ورود OpenAI به بازار خدمات مالی با محصولی اختصاصی و پرقدرت، نشانه‌ی روشنی از سرعت‌گرفتن رقابت هوش مصنوعی در صنایع تخصصی است. برای دنبال‌کردن جدیدترین اخبار هوش مصنوعی و تحلیل‌های تازه، ما را در کانال تلگرام @MrChatGPT_IR همراهی کنید.

نسخه‌ی فوری این مطلب در تلگراف: تلگرا.پی‌اچ

(0 رأی)

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *