جودة البيانات تتفوّق على النموذج: لماذا يفشل الذكاء الاصطناعي في المالية دون قاعدة مُسوّاة

اسأل أي مسؤول مالي ألماني عن سبب تعثّر مشروعه التجريبي للذكاء الاصطناعي، ونادرًا ما ستسمع عبارة “لم يكن النموذج ذكيًا بما يكفي”. ما ستسمعه هو أن البيانات كانت في حالة فوضى. لقد عمل المشروع التجريبي بصورة رائعة في العرض التوضيحي، على أرقام نموذجية نظيفة، ثم انهار في اللحظة التي اصطدم فيها بثلاث سنوات من القيود اليومية الحقيقية موزّعة على كيانين، ودليل حسابات تغيّر في منتصف العام.

وليست هذه مجرد حكاية عابرة، بل هي أكثر النتائج اتساقًا في الأبحاث الألمانية حول الذكاء الاصطناعي. فاستطلاعات Bitkom للشركات الألمانية تضع جودة البيانات وتوافرها وتكاملها مرارًا في صدارة العوائق أمام تبنّي الذكاء الاصطناعي، متقدمةً على التكلفة والمهارات والتنظيم. والدراسات الأخرى التي تتناول الإدارات المالية تحديدًا تصل إلى الخلاصة نفسها. العائق ليس ذكاء النموذج، بل حالة البيانات التي يقوم عليها.

وهذا ما ينبغي أن يغيّر طريقة إنفاقك في دورة الميزانية القادمة.

مشكلة النموذج ومشكلة البيانات معركتان مختلفتان

إذا كان الذكاء الاصطناعي يعطيك إجابات خاطئة لأن النموذج ضعيف، فأنت عالق في الانتظار. تنتظر الإصدار الرائد التالي، وتدفع مقابل قدرة حوسبة أكبر، وتأمل. لا سيطرة لك تقريبًا.

أما إذا كان يعطيك إجابات خاطئة لأن البيانات غير مُسوّاة، فأنت أمام مشكلة يمكنك حلّها فعليًا، بأدوات موجودة بالفعل، وبأساليب استخدمها المحاسبون منذ قرن. التسوية ليست أمرًا غريبًا، بل هي انضباط جعل الأرقام تتطابق فيما بينها ومع المصدر. والجزء المُحرج هو أن معظم مشاريع الذكاء الاصطناعي في المالية تتجاوزها بالكامل، لأن التسوية عمل لا بريق فيه، بينما ربط روبوت محادثة بمستودع بيانات لا يستغرق سوى عصر يوم واحد.

ولذلك تكتفي الفرق بذلك العصر. تربط نموذجًا لغويًا كبيرًا بدفتر الأستاذ الخام وتبدأ بسؤاله عن الهوامش والمدّة المتبقية من السيولة. الإجابات تأتي سلسة. وحصة جيدة منها صحيحة فعلًا. لكن لا توجد طريقة سريعة لمعرفة أيها صحيح، لأن النموذج يفسّر معاملات خامًا لم تُطابَق يومًا مع أي شيء. أنت لم تُؤتمت التحليل، بل أتمتت إنتاج أرقام واثقة لا يستطيع أحد التحقق منها.

لماذا يأتي “أعطِ الذكاء الاصطناعي البيانات الخام فحسب” بنتائج عكسية

يظهر نمطان من الفشل على الفور تقريبًا.

أولًا، النموذج يخترع. النماذج اللغوية الكبيرة آلات لاكتشاف الأنماط، لا آلات حاسبة. اطلب من أحدها جمع عمود من 400 بند، أو احتساب متوسط مرجّح عبر عملات مختلفة، فسيُنتج رقمًا يبدو معقولًا، ويكون أحيانًا بعيدًا عن الصواب بفارق كبير، يُقدَّم بالثقة نفسها التي تُقدَّم بها الإجابة الصحيحة. هو لا يدري أنه مخطئ، وأنت كذلك، حتى يقوم أحد بالتسوية يدويًا، وهو ما يُفرغ الغاية من مضمونها.

ثانيًا، حتى حين تصحّ العملية الحسابية مصادفةً، تكون القاعدة خاطئة. قيود ما بين الشركات مُحتسَبة مرتين. إعادة تصنيف من الربع السابق لم تُطبَّق. نظامان يبلّغان عن الإيراد نفسه وفق قواعد قطع مختلفة. يحسب النموذج بأمانة على مدخلات سيئة فيناولك كذبة تبدو نظيفة. مدخلات رديئة، ومخرجات رديئة واثقة، وبسرعة الآلة.

وبالنسبة لفريق مالي ألماني، لا تقتصر هذه على مشكلة دقة. فمعايير GoBD تشترط أن تكون الأرقام قابلة للتتبّع إلى مصدرها، واعتبارًا من أغسطس 2026 يضيف قانون الاتحاد الأوروبي للذكاء الاصطناعي (EU AI Act) التزامات على حالات استخدام مالية معيّنة. الرقم الذي لا يمكنك تتبّعه هو رقم لا يمكنك الدفاع عنه. نتعمّق في ذلك في الذكاء الاصطناعي في المحاسبة وقابلية التتبّع وفق GoBD، وفي الساعة التنظيمية في ماذا يعني قانون الاتحاد الأوروبي للذكاء الاصطناعي للإدارات المالية.

الحل طبقة، لا نموذج أذكى

الحلقة المفقودة هي طبقة تسوية ونمذجة تقع بين بياناتك المحاسبية والذكاء الاصطناعي، وتؤدي عملها قبل أن يُسمح للنموذج بالإجابة عن أي شيء.

عمليًا، يعني ذلك ثلاثة أمور. تربط مصادرك: منصات محاسبية مثل QuickBooks وXero وNetSuite وSage، أو مستودع بيانات، أو كشوفات مرفوعة. ثم تبني منها نموذجًا ماليًا واحدًا مُسوّى، مصدرًا واحدًا للحقيقة يتطابق مع دفتر الأستاذ، وتُعالَج فيه عمليات ما بين الشركات والعملات وقواعد القطع مرة واحدة وبشكل صحيح. بعدها يعمل الذكاء الاصطناعي على هذا النموذج بدلًا من البيانات الخام: يسترجع أرقامًا سبق أن سُوّيت، ويُجري العمليات الحسابية عبر محرّك حتمي بدلًا من تخمينها، ويُنمذج سيناريوهات “ماذا لو” على القاعدة الموثوقة نفسها، ويُنتج كل إجابة مع أثرٍ يعود إلى المصدر.

والتقسيم مهم. النموذج اللغوي بارع في فهم سؤالك وشرح النتيجة بكلمات واضحة. لكنه سيئ في الحساب، وأسوأ في إدراك متى يكون مخطئًا. لذا تدعه يتولّى اللغة وتُسلّم الحساب إلى محرّك صحيح بحكم بنائه. هذا هو التصميم الكامن وراء Rexfin، وتعرض صفحة كيف يعمل المسار من بدايته إلى نهايته.

ما الذي لا يصلحه هذا

يستحق القول بوضوح: طبقة التسوية لا تنظّف بشكل سحري دفتر أستاذ معطوبًا حقًا. إذا كانت بياناتك المصدرية تحوي أخطاء، فالتسوية تُظهرها، ولا تخترع الحقيقة. وهذه ميزة لا نقص، لأن إظهار التباين هو بالضبط ما تريده قبل أن يصل رقم إلى عرض تقديمي أمام مجلس الإدارة. لكن هذا يعني أن الطبقة انضباط، لا زرّ تضغطه. والمكافأة أنه ما إن تصحّ القاعدة، يرث كل ما يُبنى فوقها هذه السلامة، بما في ذلك التوقعات وتحليل السيناريوهات.

الخلاصة

غريزة انتظار نموذج أفضل هي الخطأ المكلِف. النموذج ليس عنق الزجاجة لديك، وربما لم يكن كذلك يومًا. عنق الزجاجة هو البيانات المُسوّاة والقابلة للتتبّع. أصلح القاعدة أولًا، وضع محرّكًا حتميًا بين الذكاء الاصطناعي والحساب، عندها يكفّ الذكاء الاصطناعي عن كونه تجربة مكلفة، ويبدأ في أن يكون شيئًا يمكنك أن تضع رقمًا أمامه أمام مدقّقك.

وإن أردت رؤيته يعمل على دفاترك أنت، احجز عرضًا توضيحيًا واصطحب معك سؤالًا أخطأ فيه مشروعك التجريبي الأخير.