الثقة أولاً ثم الأتمتة: قائمة المدير المالي للذكاء الاصطناعي في 2026

أخبرتني مديرة مالية في الربع الماضي أن مجلس إدارتها كان يكرّر السؤال نفسه في كل اجتماع: “هل تأخّرنا في الذكاء الاصطناعي؟” كانت تومئ برأسها، وتشير إلى المشاريع التجريبية، ثم تغيّر الموضوع. لكنها في قرارة نفسها كانت تعرف الحقيقة. المشاريع التجريبية موجودة فعلاً، وتنتج شرائح عرض، لكن لا واحد منها يلمس رقماً تضع توقيعها عليه فعلاً.

هذا هو الواقع الحقيقي للذكاء الاصطناعي في المالية اليوم. ليس رفضاً، ولا تبنّياً كاملاً. بل حالة جمود وانتظار.

والاستطلاعات تؤكد ذلك. عبر أحدث الأبحاث حول المدراء الماليين، يقول ما بين 85 و90 بالمئة تقريباً من قادة المالية إن الذكاء الاصطناعي حاسم أو مهم استراتيجياً لوظيفتهم. أما الشريحة التي تُبلغ عن عائد قابل للقياس منه فأصغر بكثير، وغالباً ما تُذكر في خانة العشرات المنخفضة. تختلف الدراسات في تحديد الأرقام بدقة، لكن الصورة لا تتغيّر: إيمان مرتفع وعوائد ضئيلة. الحماس حقيقي، أما الجدوى فلا.

والميل الغريزي هو إلقاء اللوم على النموذج. اختر نموذجاً أذكى، واكتب أمراً (prompt) أفضل، وانتظر الإصدار التالي. هذا تشخيص خاطئ. ما يقف بين المدير المالي وبين عائد الذكاء الاصطناعي ليس جودة النموذج، بل الثقة. والثقة في المالية ليست شعوراً، بل مجموعة من الخصائص التي يمكنك التحقّق منها.

لماذا يفشل نهج “الأتمتة أولاً” باستمرار

اتّبعت معظم المشاريع التجريبية الفاشلة السيناريو نفسه. يربط أحدهم روبوت محادثة بكومة من الملفات المصدّرة، ويطرح عليه أسئلة مالية، فيحصل على إجابات سلسة وواثقة ومعقولة الظاهر. ثم يدقّق أحد المراقبين الماليين في واحدة منها على سبيل الاختبار، فيجد أن الرقم خاطئ. ليس بفارق كبير، بل خاطئ بما يكفي. وما إن يخطئ رقم واحد، حتى يصبح كل رقم محلّ شك، لأنك لا تملك وسيلة لتمييز الصحيح من الخاطئ دون إعادة العمل بنفسك.

فيموت المشروع التجريبي بهدوء. لا في اجتماع، بل في ذهن المراقب المالي، في اللحظة التي يقرّر فيها أن استخراج الرقم بنفسه أسرع.

الدرس هنا هو الترتيب. لا يمكنك أن تشقّ طريقك إلى الثقة عبر الأتمتة. عليك أن تكسب الثقة أولاً، ثم تبني الأتمتة فوقها. أتمتة نظام غير موثوق لا تنتج سوى إجابات خاطئة بوتيرة أسرع، وعلى نطاق لا يراجعه أحد. هذا هو نمط الفشل الجدير بالخوف منه في 2026: ليس ذكاءً اصطناعياً يرفض المساعدة، بل ذكاءً اصطناعياً يساعدك بثقة على القفز من الهاوية.

مشكلة الترتيب هذه هي الخيط الناظم لـطبقة الموثوقية للذكاء الاصطناعي في المالية. إن أخطأت الترتيب، فلا قيمة لأي شيء بعده.

القائمة: خمسة أمور قبل أن تبدأ الأتمتة

تعامل مع بقية هذا المقال بوصفه مرشّحاً للمشتريات. فإن عجزت أداة أو مورّد أو حتى حلّك الداخلي عن اجتياز هذه الخمسة، فلا يقترب من رقم يصل إلى مجلس الإدارة. ليس بعد.

1. الترسيخ في البيانات: كل إجابة تأتي من بياناتك، لا من ذاكرة النموذج

النموذج اللغوي غير المرسّخ يجيب من تدريبه، أي أنه سينتج بكل سرور رقم إيرادات لا علاقة له بدفتر أستاذك. الشرط الأول غير القابل للتفاوض هو أن يسترجع النظام من بياناتك المالية المطابَقة أنت، وأن يرفض الإجابة حين تكون البيانات غير متوفّرة.

والاختبار حادّ ومباشر. اطلب منه مؤشراً تعرف أنه غير موجود في البيانات المتّصلة. النظام الموثوق يقول إنه لا يستطيع العثور عليه. أما النظام الخطير فيخترع شيئاً يبدو صحيحاً. فإن حصلت على إجابة واثقة عن سؤال لا إجابة له، فأوقف التقييم. انتهى الأمر.

2. الاستشهادات: كل رقم يعود إلى مصدره

الرقم الذي لا يمكنك تتبّعه ليس إلا إشاعة بفاصلة عشرية. لأي رقم ينتهي به المطاف في عرض لمجلس الإدارة أو في توقّع مالي، ينبغي أن تتمكّن من النقر عليه ورؤية مصدره: السطر المصدري، والفترة، والمستند.

وهذا أيضاً هو الفارق بين “الذكاء الاصطناعي قال ذلك” وبين “هذا هو مسار التدقيق”، وهو بالضبط ما سيطلبه جهة تنظيمية أو فريق فحص نافٍ للجهالة (due diligence). نتعمّق في الآليات في لماذا يحتاج الاسترجاع وحده إلى طبقة حساب حتمية، لأن الاستشهاد دون حساب صحيح ليس سوى نصف المهمة.

3. الحساب الحتمي: النموذج يسترجع، والمحرّك يحسب

هذا هو الأمر الذي تغفل عنه معظم الفرق. النماذج اللغوية سيئة فعلاً في الحساب، وليس بطريقة يصلحها أمر (prompt) أفضل. فهي تجزّئ الأرقام بوصفها أجزاءً من نص، وتطابق الأنماط نحو نتيجة معقولة بدل أن تحسبها فعلاً. أظهرت معايير قياس عامة انهيارات حادة في الدقة عند الحسابات متعدّدة الأرقام والخطوات، وهي العمليات التي يتضمّنها تجميع قائمة أرباح وخسائر (P&L) واحدة عشرات المرات.

والحل ليس نموذجاً أذكى، بل البنية المعمارية. النموذج يقرّر ماذا يُحسب، ومحرّك حتمي يتولّى الحساب فعلاً، تماماً كما يفعل جدول البيانات، بحيث يكون 2.4 مليون زائد 1.1 مليون يساوي 3.5 مليون في كل مرة، لا “نحو 3.5” مع احتمال 4 بالمئة أن يكون 3.6. وإن أردت السبب الجوهري وراء أهمية ذلك إلى هذا الحد، فإن لماذا يخطئ الذكاء الاصطناعي في الحسابات المالية يشرح مشكلة التجزئة (tokenization) بالتفصيل.

شغّل الاستعلام نفسه عشر مرات. فإن تذبذبت الإجابة، فالحساب يجري داخل النموذج. وهذا فشل.

4. مسارات التدقيق: العمل قابل لإعادة الإنتاج بعد أشهر

الرقم الذي كان صحيحاً في يونيو يجب أن يظل قابلاً للدفاع عنه في سبتمبر حين يسأل المدقّق. وهذا يعني سجلاً ثابتاً غير قابل للتغيير لما استُخدم من بيانات، وما حُسب، وما كانت الإجابة، مجمّداً في لحظة إنتاجه. قابلية إعادة الإنتاج ليست ترفاً امتثالياً، بل هي ما يتيح لك الوقوف خلف رقم أبلغت عنه قبل ربع سنة دون أن تعيد اشتقاقه من الصفر.

5. إشراف بشري على كل ما يغادر المؤسسة

الثقة متدرّجة لا ثنائية. الاستعلامات الاستكشافية الداخلية يمكن أن تجري بحرية. أما رقم يدخل في حساب تعهّد مالي لجهة مقرضة فينبغي أن يمرّ عبر نقطة تفتيش بشرية. اربط حالات استخدامك بمستويات المخاطر، واشترط مصادقة تتناسب مع حجم المخاطر. والغاية من البنود الأربعة الأولى هي جعل تلك المراجعة البشرية سريعة، لأن المصدر والحساب مبسوطان أمامك أصلاً. فيغدو الإشراف نظرة عابرة، لا إعادة تدقيق.

كيف يبدو هذا في الواقع العملي

لاحظ القاسم المشترك بين البنود الخمسة جميعاً: لا يتعلّق أيّ منها بأن يصبح الذكاء الاصطناعي أذكى، بل بأن يكون الأساس الذي تحته صحيحاً وقابلاً للتتبّع ومستقراً. النموذج هو الميل الأخير من الرحلة، أما الموثوقية فتعيش في الطبقة التي تحته.

هذه هي الحجّة الكاملة لبناء كل شيء على نموذج مالي مطابَق. مصدر واحد للحقيقة يتطابق مع دفتر الأستاذ، يسترجع منه الذكاء الاصطناعي، ويحسب عليه محرّك حتمي، مع عودة كل مخرَج إلى مصدره. أتقن ذلك، وتجد القائمة تجيب عن نفسها في معظمها. تجاوزه، وتعود إلى الواثق والخاطئ والسريع.

وسأعترف بالحدّ بصدق: هذا لا يجعل الذكاء الاصطناعي معصوماً، بل يجعل أخطاءه مرئية ومحدودة، وهذا ملف مخاطر مختلف تماماً عن صندوق أسود يصيب في معظم الأحيان ويصمت عن الباقي. وبالنسبة لفريق مالي، فإن المحدود القابل للفحص يتفوّق على الباهر المعتم في كل مرة.

خطأ 2026 سيكون المدير المالي الذي يؤتمت نظاماً غير موثوق لأن مجلس الإدارة أراد عنواناً صحفياً. والفوز يذهب لمن يبني طبقة الثقة أولاً، ثم يترك الأتمتة تتراكم فوق أساس صلب. الثقة أولاً، ثم الأتمتة. لا العكس.

وإن أردت أن ترى كيف يبدو فعلاً أساسٌ مطابَق وقابل للاستشهاد ومحسوب حتمياً على بيانات مالية حقيقية، احجز عرضاً توضيحياً وأحضر أصعب رقم لديك.