قانون الذكاء الاصطناعي الأوروبي 2026: ما الذي يجب على الإدارات المالية فعله الآن

الأداة التي تستخدمها اليوم لفحص الجدارة الائتمانية قد تُصنَّف غداً كنظام عالي المخاطر. لا لأن الذكاء الاصطناعي تغيّر، بل لأن القانون هو الذي تغيّر.

وهذا تحديداً ما تستهين به الكثير من الإدارات المالية في قانون الذكاء الاصطناعي الأوروبي. الأمر لا يتعلق بروبوتات مستقبلية في قسم المحاسبة، بل ببرمجيات ملموسة جداً تعمل اليوم: تحسب الدرجات، وتحدد سقوف الائتمان، وتصنّف الذمم المدينة. ففي اللحظة التي تقيّم فيها هذه البرمجيات سلوك شخص ما، تقع ضمن أشد الفئات صرامةً التي يحددها التشريع.

لماذا يُعدّ التقييم الائتماني عالي المخاطر

يُعدّد الملحق الثالث من التشريع حالات الاستخدام التي تُصنَّف تلقائياً كأنظمة عالية المخاطر. ويغطي البند 5 منها النفاذ إلى الخدمات الأساسية، وهو يشمل صراحةً الذكاء الاصطناعي المستخدَم لتقييم الجدارة الائتمانية للأشخاص الطبيعيين أو لتحديد درجة ائتمانية لهم.

المنطق وراء ذلك واضح وسهل التتبّع: درجة خاطئة قد تكلّف شخصاً قرضاً، أو سكناً، أو صفقة عمل. والمشرّع يريد أن تكون قرارات من هذا النوع قابلة للتفسير، وموثَّقة، وقابلة للتحقّق منها. وثمة استثناء واحد: الذكاء الاصطناعي المستخدَم حصراً لكشف الاحتيال المالي لا يقع ضمن هذه القاعدة.

بالنسبة للإدارات المالية في الشركات المتوسطة، الخلاصة العملية بسيطة: في اللحظة التي تستخدم فيها الذكاء الاصطناعي لتصنيف العملاء أو المورّدين أو المتقدّمين ضمن فئات ائتمانية، تصبح محتملاً ضمن نطاق التطبيق. ويبقى ذلك صحيحاً حتى لو كان النموذج مجرد لبنة واحدة داخل عملية أكبر.

ما الذي يتطلبه تصنيف “عالي المخاطر” عملياً

هذه الالتزامات ليست قائمة أمنيات نظرية، بل هي تشغيلية وقابلة للتدقيق. وأهمها:

• إدارة المخاطر. عملية موثَّقة ومستمرة تحدّد مخاطر النظام وتخفّفها. ليست إجراءً يُنفَّذ مرة واحدة، بل على امتداد دورة الحياة الكاملة.
• جودة البيانات وحوكمتها. يجب أن تكون بيانات التدريب والإدخال ذات صلة، وممثِّلة للواقع، وخالية من الأخطاء قدر الإمكان. وهنا تحديداً تتعثّر معظم المشاريع، وسنعود إلى هذه النقطة لاحقاً.
• التوثيق الفني. يجب أن تكون قادراً على إثبات كيفية بناء النظام وكيفية وصوله إلى نتائجه.
• التسجيل (Logging). يجب أن يسجّل النظام الأحداث تلقائياً كي يتسنى إعادة بناء القرارات لاحقاً.
• الشفافية. يحتاج المستخدمون إلى فهم ما يفعله النظام وبأي درجة من الثقة.
• الإشراف البشري. يجب أن يكون بمقدور شخص حقيقي التدخّل والتجاوز والإيقاف. لا اعتماد آلي على الطيار التلقائي بمجرد التوقيع الشكلي.

اقرأ هذه القائمة وأنت تستحضر نموذجاً لغوياً كبيراً (LLM) عادياً، فيصبح الإشكال واضحاً: نموذج يتنبّأ بالأرقام بوصفها نصاً ولا ينتج سلسلة حسابية قابلة للتتبّع لا يفي وحده تقريباً بأي من هذه النقاط. ولمعرفة لماذا تفشل نماذج LLM بنيوياً في هذا النوع تحديداً من المهام، راجع مقالتنا المحورية حول الذكاء الاصطناعي في القطاع المالي.

الموعد النهائي الذي لا يتحدث عنه أحد بصراحة

هنا تصبح الأمور صريحة على نحو غير مريح. كانت التزامات الأنظمة عالية المخاطر المنصوص عليها في الملحق الثالث مقرَّرة في الأصل لتدخل حيّز التطبيق اعتباراً من 2 أغسطس 2026. وفي إطار ما يُعرف بـ Digital Omnibus، دار نقاش حول تأجيل هذا الموعد بشكل كبير نحو نهاية عام 2027. ويبقى الوضع الدقيق رهناً بالعملية التشريعية النهائية.

ماذا يعني ذلك بالنسبة لك؟ لا تعوّل على فترة سماح. أولاً، القرار الرسمي ليس نهائياً حتى لحظة كتابة هذه السطور. وثانياً (وهذه هي النقطة الجوهرية) تأجيل الموعد لا يغيّر شيئاً في المتطلبات الموضوعية. فجودة البيانات، وقابلية التتبّع، والإشراف البشري ليست عبئاً امتثالياً، بل هي ما يمنع الذكاء الاصطناعي لديك من اختلاق رقم ستضطر شخصياً إلى تحمّل مسؤوليته.

المدير المالي الذي يكتفي بترتيب البنية المعمارية في عام 2027 لم يُزِل المخاطرة، بل اكتفى بتأجيلها.

الفخ الحقيقي: جودة البيانات، لا النموذج

تدور معظم النقاشات حول قانون الذكاء الاصطناعي حول النموذج: أي نموذج LLM، وأي مورّد، وأي بلد. وهذه هي الطبقة الخاطئة من النقاش.

يشترط التشريع جودة البيانات، وهنا تحديداً تتعثّر الإدارات المالية، قبل أن يدخل النموذج إلى الصورة بوقت طويل. فإن كانت أرقامك تأتي من ثلاثة أنظمة، وتتناقض فيما بينها، ولا يستطيع أحد أن يجزم أي نسخة هي الصحيحة، فإن كل مخرَج من الذكاء الاصطناعي يصبح مخاطرة موثَّقة. يمكنك تشغيل نموذج من الطراز الأول على أساس فوضوي، وتنتهي رغم ذلك بنظام غير ممتثل.

كتبنا مقالة منفصلة عن هذا الأمر لأهميته البالغة: جودة البيانات تتفوّق على النموذج. والفكرة الجوهرية في جملة واحدة: قبل أن يمسّ الذكاء الاصطناعي أرقامك، يجب أن يوجد أساس بياني مُسوّى ومطابق لدفتر الأستاذ العام.

كيف تفي طبقة النمذجة بالالتزامات، نقطة بنقطة

هنا يأتي دور منهج Rexfin، لا بوصفه شعاراً تسويقياً، بل التزاماً تلو الآخر.

يربط Rexfin مصادر بياناتك المحاسبية والمالية (مثل DATEV أو QuickBooks أو Xero أو NetSuite، أو الكشوف المرفوعة) ويصوغها في نموذج مالي واحد مُسوّى. مصدر واحد للحقيقة يطابق دفتر الأستاذ. وهذا يعالج متطلب جودة البيانات من جذوره.

الحساب الفعلي لا يتولاه نموذج LLM، بل يتولاه محرّك حتمي (deterministic engine). فالذكاء الاصطناعي يستدعي القيم ويصوغ السؤال، لكن العمليات الحسابية تجري عبر آلية قابلة للتدقيق. والنموذج نفسه يعيد النتيجة نفسها للسؤال نفسه. وهذا هو أساس الشفافية والتوثيق القابل لإعادة الإنتاج.

كل رقم يحمل معه مصدره. انقر على أي قيمة فترى المستند المصدر ومسار الحساب. وهذا تحديداً هو التسجيل وقابلية التتبّع اللذان يطالب بهما قانون الذكاء الاصطناعي، وبموازاته معايير GoBD. ولمعرفة كيفية عمل ذلك تقنياً، راجع كيف يعمل.

ولأن كل مخرَج مرتبط بمصدره، يستطيع الإنسان مراجعته بدلاً من الوثوق به على عماية. وهذا هو الإشراف البشري الجدير بهذا الاسم. لا صندوق أسود تكتفي بإيماءة الموافقة عليه.

ما الذي يمكنك فعله هذا الأسبوع

لست مضطراً لانتظار النص القانوني النهائي كي تبدأ. ثلاث خطوات منطقية بصرف النظر عن الموعد النهائي:

1. الجرد. أحصِ كل أداة في وظيفتك المالية تقوم بتقييم أو تصنيف الأشخاص أو الشركاء التجاريين. وأدرِج ضمنها “الذكاء الاصطناعي الظلّي” غير الرسمي القابع في متصفح أحد الموظفين.
2. اختبار المصدر. خذ أي رقم وُلّد بالذكاء الاصطناعي من دورة التقارير الأخيرة لديك، وحاول تتبّعه رجوعاً إلى المستند المصدر. هل تستطيع ذلك في أقل من دقيقة؟ إن لم تستطع، فقد وجدت الثغرة.
3. الأساس قبل الأتمتة. ثبّت الأساس البياني المُسوّى قبل أن تفعّل المزيد من ميزات الذكاء الاصطناعي. فالترتيب هو ما يحدّد ما إذا كنت ستبقى ممتثلاً أم لا.

قانون الذكاء الاصطناعي لا يعاقب استخدام الذكاء الاصطناعي، بل يعاقب استخدام ذكاء اصطناعي لا يستطيع أحد تفسيره. والفارق ليس في النموذج، بل في الطبقة التي تقبع تحته.

إن أردت أن ترى كيف يتتبّع كل رقم طريقه رجوعاً إلى مصدره، احجز عرضاً توضيحياً. سنستعرض معاً بياناتك أنت، ونُريك ما تعنيه عبارة “قابل للتدقيق” فعلاً.