هل يمكنك الوثوق بالذكاء الاصطناعي في بياناتك المالية؟ دليل المدير المالي لمخاطر الهلوسة في 2026

اطلب من نموذج ذكاء اصطناعي رائد أن يلخّص مستنداً، وسيخطئ في نسبة صغيرة لكنها حقيقية من المرات. اطلب منه أن يجمع عموداً من الأرقام، وسيقدّم لك رقماً بكامل الثقة لم يحسبه فعلياً قط. وبالنسبة للمدير المالي، فإن السلوك الثاني هو الذي ينهي المسيرات المهنية، لأن الخطأ خفيّ، وسلس، ومقترن باسمك على الشريحة.

إذن، فالسؤال ليس ما إذا كان الذكاء الاصطناعي مفيداً في التمويل. فهو مفيد بلا شك. السؤال هو ما إذا كان بإمكانك الوثوق بالأرقام التي ينتجها بما يكفي لعرضها أمام مجلس الإدارة، أو ممول، أو فريق فحص نافٍ للجهالة. والجواب يتوقف كلياً على كيفية بناء الأداة، ومعظم الأدوات ليست مبنية لهذا الغرض.

كم مرة يختلق الذكاء الاصطناعي الأرقام فعلاً

لنبدأ بالبيانات، لأن المبالغة تجري في الاتجاهين.

على أقوى النماذج متعددة الأغراض، تراجعت معدلات الهلوسة في المهام الواقعية الموثّقة إلى أرقام أحادية منخفضة تقريباً، نحو 2% لدى الأداء الأفضل في معايير القياس الأخيرة. وهذا جيد بالفعل. لكن المجال ككل أكثر فوضى بكثير: على امتداد كامل طيف النماذج المستخدمة، بما فيها الأقدم والأرخص، تتسلق معدلات الهلوسة المقيسة إلى خانة العشرات، متجاوزة 10% في بعض التقييمات.

وإليك النتيجة التي يجدر بأي مدير مالي أن يتوقف عندها قبل أن يندفع نحو أحدث نموذج. الأنظمة المُحسَّنة للاستدلال (reasoning)، تلك التي تُسوَّق على أنها أذكى، هلوست في عدة اختبارات أكثر في الأسئلة الواقعية، لا أقل. فخطوات الاستدلال الإضافية تخلق فرصاً أكبر للانحراف عن المصدر. “أكثر قدرة” لا يعني “أكثر صدقاً”، وفي التمويل هذا التمييز هو محور اللعبة بأكمله.

والآن قم بالحساب الذي يهم. حتى عند معدل خطأ يبلغ 2%، فإن عرضاً تقديمياً لمجلس الإدارة يحوي أربعين رقماً يحمل احتمالاً ذا دلالة بأن واحداً منها على الأقل خاطئ. ويكفي رقم واحد خاطئ، يلتقطه الشخص الخطأ، ليجعل كل رقم آخر على الشريحة موضع شك.

لماذا يكون هذا الإخفاق بالغ الخطورة في التمويل

الرقم المُهلوس لا يبدو كخطأ. بل يبدو كإجابة.

الإحصائية المنسوبة خطأً في بريد إلكتروني تُكتشف لأنها تبدو غير منطقية. أما رقم إيرادات مرتفع بنسبة 4% فيُقرأ على أنه طبيعي تماماً، خصوصاً حين يعرضه النموذج بالثقة الهادئة نفسها التي يعرض بها الأرقام الصحيحة من حوله. لا ارتعاش في المُخرَج، ولا تحفّظ. الخطأ لا يُميَّز عن الصواب إلى أن يطابقه أحدهم مع دفتر الأستاذ، وعندها قد يكون قد عُرض أمام الجمهور بالفعل.

والمواضع التي يؤلم فيها هذا أكثر ما يكون متوقعة:

• عروض مجلس الإدارة، حيث يرتكز أعضاء المجلس على الأرقام ويتذكرون تلك التي انهارت.
• التوقعات ونماذج جمع التمويل، التي تختبرها فرق الفحص النافي للجهالة بنداً بنداً. لقد تناولنا أحد هذه الانهيارات في درس الـ 15 مليون دولار.
• حسابات التعهدات المالية (covenants) والتقارير التنظيمية، حيث لا وجود لفئة اسمها “قريب بما يكفي”.

قائمة التحقق الرباعية للثقة

يمكنك استخدام الذكاء الاصطناعي في بياناتك المالية بأمان. لكن لا يمكنك ذلك عبر الوثوق بالإجابة السلسة. اشترط أربعة أمور، وابتعد عن أي أداة عاجزة عن أن تُريك الأربعة جميعها.

الترسيخ في البيانات: النموذج يجيب من بياناتك فقط

ينبغي ألّا يجيب الذكاء الاصطناعي أبداً عن سؤال يخص إيراداتك انطلاقاً من ذاكرة تدريبه أو من تخمين إحصائي. عليه أن يجيب من بياناتك المالية الفعلية، من منصتك المحاسبية، أو مستودع بياناتك، أو قوائمك المطابَقة. فإن استطاعت أداة أن تتحدث عن هوامشك دون أن تكون موصولة بحيث تُسجَّل تلك الهوامش، فهي لا تُعدّ تقارير؛ بل ترتجل.

الحساب الحتمي: الرياضيات تخرج من نموذج اللغة

هذا هو الضابط الأكثر أهمية، وهو الذي تتجاوزه معظم الأدوات. لا ينبغي أن يُجري نموذج اللغة العمليات الحسابية. الهوامش، ومعدلات النمو، ومدة بقاء السيولة (runway)، والنِّسَب، وحسابات السيناريوهات، كل ذلك ينبغي أن يجري عبر محرك حتمي يُعيد الإجابة نفسها في كل مرة. نموذج اللغة يفهم السؤال ويعرض النتيجة. ومحرك الحساب يُنتج الرقم. افصل بين هاتين المهمتين فتقضي على أكبر مصدر منفرد للخطأ الرقمي.

الاستشهادات: كل رقم يتتبَّع إلى مصدره

ينبغي أن يرتبط كل رقم رجوعاً ببند محدد، في فترة محددة، في مصدر محدد. لا عبارة غامضة من نوع “استناداً إلى بياناتك المالية”، بل نقرة تنقلك إلى القيد الكامن خلفه. فإن لم تستطع تتبُّع رقم إلى أصله، فلن تستطيع الدفاع عنه.

مسار التدقيق: الإجابة تصمد أمام التمحيص اللاحق

بعد ستة أشهر، سيسأل أحدهم من أين جاء رقم ما. أنت بحاجة إلى إجابة قابلة لإعادة الإنتاج، لا إلى هزّة كتفين. كل عملية استرجاع وحساب وافتراض ينبغي أن تُسجَّل في سجل. وهذا موضوع مقالنا عن بناء مسارات تدقيق للذكاء الاصطناعي في التمويل.

كيف يبدو “الجدير بالثقة” فعلاً

طبّق قائمة التحقق على مساعد ذكاء اصطناعي نمطي مُركَّب على برنامجك المحاسبي، وستجد أن معظمها يفشل في معيارين على الأقل: الرياضيات تجري داخل النموذج، والأرقام لا تستشهد بمصدر.

البنية التي تجتاز الاختبار محددة. اربط أنظمتك المالية أو ارفع قوائمك. طابِق كل شيء في نموذج واحد يتصل بدفتر الأستاذ، مصدر واحد للحقيقة. ثم دع الذكاء الاصطناعي يسترجع ويصيغ، ودع محركاً حتمياً يحسب، واجعل كل مُخرَج يحمل استشهاداً. عندئذ يصبح نموذج اللغة هو الطريقة التي تطرح بها الأسئلة، لا المكان الذي تأتي منه الأرقام.

هذا هو التصميم الذي بُنيت حوله Rexfin: طبقة نمذجة مالية بين بياناتك وأي ذكاء اصطناعي يعلوها، بحيث تأتي السرعة من النموذج وتأتي الثقة من المحرك. يمكنك رؤية كيف تتلاءم الأجزاء في الدليل الأشمل لوقف اختلاق الذكاء الاصطناعي للأرقام.

أين يجب أن تحطّ الصراحة

لا شيء من هذا يجعل الذكاء الاصطناعي مثالياً. الترسيخ في البيانات لا يصلح قيداً خاطئاً في دفتر الأستاذ. والمحرك الحتمي يحسب بصواب لكنه لن ينقذ سؤالاً سيئ الصياغة. والاستشهادات تُثبت من أين جاء الرقم، لا ما إذا كان الرقم الصحيح الذي ينبغي طلبه. هذه الضوابط لا تمنح العصمة من الخطأ؛ بل تمنح القابلية للتحقق، وهي الشيء الوحيد الذي يستطيع فريق مالي التوقيع عليه فعلاً.

إذن، هل يمكنك الوثوق بالذكاء الاصطناعي في بياناتك المالية؟ نعم، حين يكون مرسَّخاً في بياناتك، ويحسب حتمياً، ويستشهد بمصادره، ويترك مساراً. أزِل أياً من هذه فتكون قد وثقت بتخمين واثق يحمل اسمك على العرض. وهذا ليس قراراً يخص الأدوات. بل حكمٌ بشأن ما أنت مستعد للدفاع عنه.

إن أردت أن ترى أرقاماً مرسَّخة وقابلة لتتبُّع المصدر تجري على دفتر أستاذك أنت، احجز عرضاً توضيحياً.