بناء طبقات التحكم في الذكاء الاصطناعي للبيانات المالية: بنية مرجعية

يطلب أحد المراقبين الماليين من مساعد الذكاء الاصطناعي رقم التدفق النقدي الحر للربع الماضي. فيجيب خلال ثانيتين، بثقة، بتنسيق أنيق، وبمظهر موثَّق المصدر. لكن الرقم خاطئ بنسبة 4%. ولا يلتقط أحد الخطأ، لأنه ببساطة لا توجد أداة تلتقطه. فالنموذج استخرج رقماً، وأجرى بعض العمليات الحسابية في “ذهنه”، ثم طبع النتيجة. لا عين ثانية تراجعه، ولا إعادة حساب، ولا سجل.

هذه هي الفجوة التي تُطرح بها أغلب تطبيقات “الذكاء الاصطناعي في التمويل”. النموذج نفسه لا غبار عليه؛ المفقود هو البنية المحيطة به. وعندما يكون السؤال هو ما إذا كان بإمكان المدير المالي أن يضع رقماً مولَّداً بالذكاء الاصطناعي أمام لجنة التدقيق، فإن الإجابة تتوقف بالكامل تقريباً على ما يقع بين النموذج اللغوي ودفتر الأستاذ.

هذه بنية مرجعية لذلك “الوسط”. تخيّلها على هيئة خمس طبقات تحكم، كل منها تلتقط نوعاً مختلفاً من الإخفاق، مرتّبة بحيث لا يمكن لرقم أن يصل إلى إنسان دون أن يمرّ عبرها جميعاً.

لماذا لا يُعدّ النموذج الواحد ضابطاً

لنبدأ من بيانات القياس المُحرجة. في مهام جداول البيانات المالية، تصل أقوى نماذج 2026 إلى سقف دقة يدور حول 82%، أي ما يقارب خطأً واحداً في كل ستة أسئلة. وفي الاستدلال المالي متعدد الخطوات الأكثر تعقيداً، تستقر حتى النماذج الرائدة في نطاق أواخر الثمانينيات إلى أوائل التسعينيات بالمئة، ثم تتهاوى عند الاستدلال الزمني وأعمال السيناريوهات (وهي بالضبط جوهر العمل المالي). ولا يصل أي نموذج لغوي قائم بذاته إلى معدلات خطأ منخفضة بما يكفي للاستخدام الإنتاجي دون إشراف. وهذه ليست مشكلة في صياغة الأوامر يمكن تجاوزها بالهندسة، بل خاصية متأصلة في طريقة توليد هذه الأنظمة للنص.

ولذلك فإن هدف التصميم ليس نموذجاً أفضل، بل جعل أضعف قدرات النموذج (وهي إجراء الحسابات بموثوقية) غير ذات أثر، وإحاطة أقوى قدراته (وهي القراءة والشرح) بالضوابط. وكل طبقة فيما يلي تؤدي مهمة واحدة.

الطبقة الأولى: جودة البيانات عند الحدود

ما زال إدخال البيانات الرديئة هو السبب الأبرز للإجابات الخاطئة، وهو أقل الجوانب بريقاً في المعالجة. فقبل أن يصل أي شيء إلى النموذج، يجب تسوية المدخلات لا مجرد توفّرها. وهذا يعني أن الأرقام المسحوبة من QuickBooks أو Xero أو NetSuite أو Sage أو من نسخة SAP أو Oracle أو من مستودع بيانات أو من كشف PDF مرفوع، يجب أن تنصهر جميعها في نموذج واحد يتطابق مع دفتر الأستاذ العام. حسابات مُطابَقة، وفترات متسقة، ومعاملات بينية مُستبعَدة، ودليل حسابات موثَّق.

الضابط هنا هو عملية التسوية نفسها: فحص تطابق يفشل بصوت عالٍ حين لا يتطابق النموذج المُجمَّع مع دفتر الأستاذ المصدر حتى آخر هلّلة. وإذا لم تجتَز الطبقة الأولى، فلا يعمل أي شيء في المراحل التالية. فالحساب النظيف على مدخلات ملوّثة ليس سوى إجابة خاطئة واثقة. وهذا الأساس المُسوَّى هو الجزء الذي تتخطاه أغلب الفرق، وهو السبب في انهيار عروضها التوضيحية لحظة ظهور بيانات حقيقية، وهي نقطة نفصّلها في لماذا يُعدّ جدول البيانات أساساً خاطئاً للذكاء الاصطناعي المالي.

الطبقة الثانية: الحساب الحتمي

هذه هي الطبقة الحاملة للأثقال. فالنموذج اللغوي لا يحسب التدفق النقدي الحر إطلاقاً، ولا يعكس نسبة، ولا يقرر ما إذا كان التغير مطلقاً أم نسبياً. بل يحدد ما يطلبه المستخدم وما هي الأرقام المعنية، ثم يستدعي محرّكاً حتمياً يُجري المعادلة الفعلية على النموذج المُسوَّى.

المدخلات نفسها، والمخرجات نفسها، في كل مرة. ويستطيع المراقب المالي إثبات النتيجة كما يُثبت أي خلية في جدول بيانات: تتبّعها إلى مكوّناتها، ومراجعة المعادلة، وإعادة الحساب. فالعمليات الحسابية تعيش داخل الشيفرة بتعريف ثابت، لا داخل توزيع احتمالي على الرموز. وهذا هو التغيير الوحيد الذي ينقلك من “صحيح في الغالب” إلى “صحيح وقابل للإثبات”، وهو السبب في أن الحساب الحتمي القابل لإعادة التشغيل صار التوقع الذي يحمله المدققون تجاه مخرجات الذكاء الاصطناعي.

الطبقة الثالثة: تدقيق المخرجات

حتى مع مدخلات نظيفة وحسابات حتمية، تحتاج إلى فحص يقع بين نتيجة المحرّك والمستخدم. تدقيق المخرجات هو مجموعة قواعد تُطبَّق على كل إجابة قبل عرضها: هل يقع الرقم ضمن نطاق منطقي؟ هل تتوازن الميزانية العمومية؟ هل تتسق الإشارة مع تدفق نقدي خارج؟ هل تستقر إيرادات هذا الربع ضمن مجال معقول من الأرباع السابقة؟

هذه ليست أحكاماً صادرة عن ذكاء اصطناعي، بل هي ذات الفحوص المنطقية التي يجريها المحلل النبيه تلقائياً، مُشفَّرة على هيئة تأكيدات حتمية. وحين يفشل أحدها، تُحتجَز الإجابة ويُرفع عنها العلم بدلاً من إطلاقها. وتتزايد توقعات الجهات التنظيمية بالضبط لهذا النوع من التحقق السلوكي (أي اختبار ما يُخرجه النظام بدلاً من فحص النموذج وحده)، إذ إنك مع نموذج لغوي من مورّد خارجي لا تملك أصلاً صلاحية فحص أوزانه. وقد تناولنا هذا القيد في التحقق المعتمد على المخرجات لنماذج اللغة من الموردين.

الطبقة الرابعة: التحكم في الوصول

مَن يُسمح له بالسؤال، وما الذي يُسمح له برؤيته؟ إن واجهة ذكاء اصطناعي تُسطّح الصلاحيات هي اختراق للبيانات مزوَّد بصندوق محادثة. فعلى طبقة التحكم أن تفرض القيود ذاتها على مستوى الكيان والفترة والحقل التي تفرضها الأنظمة الأساسية، وأن تنسب كل استعلام إلى هوية بشرية حقيقية، لا إلى حساب خدمة مشترك يُفقد سجل التدقيق قيمته.

وهذا أكثر أهمية مع الذكاء الاصطناعي منه مع تقرير ثابت، لأن الواجهة تستدعي أسئلة مفتوحة. فالموظف في فريق إقليمي يطرح سؤالاً عاماً يجب ألا تعود إليه أرقام على مستوى المجموعة لمجرد أن النموذج أراد أن يكون مفيداً. التحكم في الوصول يقع في مسار الاستعلام نفسه، لا مُلحقاً به بعد فوات الأوان.

الطبقة الخامسة: التسجيل غير القابل للتعديل

تسجّل الطبقة الأخيرة كل ما فعلته الطبقات الأربع الأخرى، بصورة لا يمكن تحريرها خفيةً. فلكل إجابة: مَن سأل، وما الذي سُئل عنه، وأي بيانات مصدر وأي إصدار غذّى الحساب، وأي معادلة عملت، وما الذي أعادته فحوص تدقيق المخرجات، وأي رقم تم إرجاعه. سجل بالإضافة فقط، موسوم بالتوقيت، ومحفوظ.

هذا ما يحوّل الرقم إلى رقم قابل للدفاع عنه. فبعد أشهر، حين يستفسر عضو في مجلس الإدارة عن رقم أو يطلب مدقق ما يسنده، تعيد تشغيل القيد وتستنسخ النتيجة ذاتها من المدخلات ذاتها. والسجل هو أيضاً حيث تتقارب التوقعات التنظيمية بهدوء: فأطر مخاطر النماذج لعام 2026 التي حلّت محل SR 11-7 تستند بقوة إلى القابلية للتتبع وإعادة الإنتاج، ومتطلبات التسجيل في قانون الذكاء الاصطناعي الأوروبي (EU AI Act) تشير إلى الاتجاه نفسه.

كيف تُخفِق الطبقات معاً على نحو سليم

الغاية من التكديس هي الدفاع المتعمّق. فالقيمة المصدرية الخاطئة تُلتقَط عند الطبقة الأولى. والزلّة في الاستدلال لا تحدث أصلاً لأن الطبقة الثانية نزعت الاستدلال عن الحساب. والنتيجة الخارجة عن النطاق تُحتجَز عند الطبقة الثالثة. والمستخدم الذي يرى بيانات لا يحق له رؤيتها يُوقَف عند الطبقة الرابعة. وإذا حدث خطأ رغم كل ذلك، فإن الطبقة الخامسة تتيح لك أن تعرف بدقة ماذا حدث ومتى.

ولنكن صادقين بشأن الحدود. هذه البنية لا تجعل النموذج اللغوي دقيقاً، بل تجعل عدم دقته غير قاتل. وهي لا تُلغي الحاجة إلى مراجعة بشرية للأرقام ذات الأثر الكبير، بل تجعل تلك المراجعة سريعة وراسخة بدلاً من أن تكون قفزة في المجهول. كما أنها تضيف زمن استجابة وتكلفة هندسية، فالمحرّك الحتمي والتسوية والتسجيل عملٌ حقيقي. والمقايضة هي أن المخرَج يصبح مخرجاً يوقّع عليه المراقب المالي فعلاً.

وهناك اختصار مُغرٍ يستحق الذكر: اربط نموذجاً لغوياً بنظام ERP لديك عبر بروتوكول مثل MCP واعتبر المهمة منجزة. هذا يمنح النموذج وصولاً محكوماً إلى بيانات حيّة، وهو ما يشبه الطبقة الرابعة، لكنه يترك النموذج يُجري عمليات حسابية هشّة على حقول دفتر الأستاذ الخام دون تسوية ودون حساب حتمي. فالاسترجاع ليس هو الجزء الصعب، بل الطبقات الوسطى هي الصعبة.

الخلاصة

إن كنت ستتذكر شيئاً واحداً فليكن هذا: النموذج هو المكوّن الأقل أهمية في نظام ذكاء اصطناعي مالي جدير بالثقة. فالقيمة كامنة في الأساس المُسوَّى الذي تحته وفي الضوابط المحيطة به. ابنِ تلك الطبقات الخمس، وعندها يستطيع الذكاء الاصطناعي أن يسترجع ويشرح ويُنمذج السيناريوهات طوال الوقت، مع إمكان تتبّع كل رقم إلى مصدره. وتجاهَلها، فتكون قد حصلت على وسيلة سريعة لتوليد أخطاء واثقة.

إن Rexfin هي الطبقة التي تقوم بهذا العمل: نموذج مُسوَّى واحد، ومحرّك حساب حتمي، وتسجيل غير قابل للتعديل، مع إبقاء النموذج اللغوي على الاستدلال والاسترجاع حيث يكون قوياً. وإن أردت أن ترى رقماً متتبَّعاً من إجابة في عرض مجلس الإدارة وصولاً إلى قيد دفتر الأستاذ الذي أنتجه، احجز عرضاً توضيحياً.