فناوری مالی یا فینتک (FinTech) طی سالهای گذشته از یک صنعت مکمل برای بانکها به یکی از مهمترین موتورهای تحول خدمات مالی تبدیل شده است. در مرحله اول، دیجیتالی شدن پرداختها و خدمات بانکی مطرح بود؛ اما امروز بخش مهمتری از تحول مالی به داده، هوش مصنوعی و تصمیمگیری الگوریتمی مربوط میشود. یکی از مهمترین حوزههای این تحول، تأمین مالی کسبوکارها و بهخصوص شرکتهای کوچک و متوسط است.
برای یک بانک یا مؤسسه مالی، مهمترین سؤال هنگام اعطای اعتبار این است که آیا متقاضی توان بازپرداخت منابع را دارد یا خیر. در مدل سنتی، پاسخ این سؤال عمدتاً از طریق صورتهای مالی، سابقه بانکی، وثایق و بررسی کارشناسی به دست میآید. اما هوش مصنوعی میتواند حجم بسیار بیشتری از داده را با سرعت بالاتر تحلیل کند و تصویر دقیقتری از وضعیت مالی و اعتباری یک کسبوکار ارائه دهد.
به همین دلیل، AI در فینتک دیگر صرفاً یک موضوع فناورانه نیست؛ بلکه به مسئلهای اقتصادی و اعتباری تبدیل شده است. بانکها و فینتکها میتوانند از مدلهای یادگیری ماشین و هوش مصنوعی برای اعتبارسنجی، تشخیص تقلب، قیمتگذاری ریسک، پیشبینی جریان نقدی و پایش مشتریان استفاده کنند. بانک تسویه بینالمللی (BIS) نیز در پژوهشی در سال ۲۰۲۵ نشان داده است که استفاده از AI در اعتبارسنجی میتواند در کنار روشهای سنتی رابطهمحور بانکها قرار گیرد و فرآیند ارزیابی و پایش اعتباری را تقویت کند.
چرا هوش مصنوعی برای تأمین مالی کسبوکارها اهمیت دارد؟
مشکل بسیاری از کسبوکارهای کوچک و متوسط، الزاماً نبود فرصت اقتصادی نیست؛ بلکه نبود اطلاعات کافی برای اثبات اعتبار آنهاست. یک شرکت ممکن است فروش مناسبی داشته باشد، مشتریان معتبر داشته باشد و سفارشهای قابل اتکایی دریافت کند، اما در سیستم سنتی اعتبارسنجی نتواند تمام این اطلاعات را به شکل قابل استفاده در اختیار تأمینکننده مالی قرار دهد.
هوش مصنوعی میتواند این شکاف اطلاعاتی را کاهش دهد. الگوریتمهای اعتبارسنجی میتوانند دادههایی مانند گردش حساب، سابقه بازپرداخت، الگوی فروش، مطالبات، بدهیها، فاکتورها و رفتار مالی شرکت را در کنار یکدیگر تحلیل کنند. در نتیجه، تصمیم اعتباری میتواند به جای اتکا به یک یا دو شاخص محدود، بر مبنای مجموعهای از دادهها گرفته شود.
بانک جهانی نیز در توضیح تحول اعتبار دیجیتال اشاره میکند که الگوریتمهای اعتبارسنجی و دادههای بزرگ امکان عبور از روشهای سنتی ارزیابی مشتری را فراهم کردهاند؛ هرچند همزمان ریسکهایی مانند سوگیری الگوریتمی، سوءاستفاده از داده و نیاز به نظارت مناسب نیز وجود دارد.
این مسئله برای SMEها اهمیت ویژهای دارد، زیرا دسترسی آنها به منابع مالی معمولاً با محدودیتهای بیشتری نسبت به شرکتهای بزرگ مواجه است. توسعه گزارشگری اعتباری و دادههای باکیفیت نیز یکی از موضوعاتی است که بانک جهانی برای بهبود دسترسی SMEها به منابع مالی بر آن تأکید کرده است.
AI چگونه اعتبار یک کسبوکار را ارزیابی میکند؟
در یک سیستم AI Credit Scoring، هدف این نیست که هوش مصنوعی صرفاً جای کارشناس اعتباری را بگیرد. هدف اصلی، تبدیل حجم بزرگی از اطلاعات به یک تصویر قابل استفاده برای تصمیمگیری است.
برای مثال، یک سیستم هوشمند میتواند روند فروش یک شرکت را در ماههای مختلف بررسی کند، رفتار پرداخت مشتریان آن را بسنجد، مطالبات سررسیدشده را تحلیل کند و نسبت بدهی به جریان نقدی را محاسبه کند. سپس با استفاده از دادههای تاریخی، احتمال نکول یا تأخیر در بازپرداخت را تخمین بزند.
تفاوت مهم این رویکرد با اعتبارسنجی سنتی، پویایی آن است. اعتبار یک شرکت الزاماً یک عدد ثابت نیست. وضعیت نقدینگی، فروش، بدهی و مطالبات آن میتواند هر ماه یا حتی هر هفته تغییر کند. بنابراین سیستم هوشمند میتواند به جای یک ارزیابی سالانه، امکان پایش مستمر ریسک اعتباری را فراهم کند.
البته استفاده از AI به معنای حذف کامل قضاوت انسانی نیست. مدلهای اعتباری باید قابل توضیح، قابل کنترل و تحت نظارت باشند. اصول مدیریت ریسک اعتباری کمیته بال نیز بر فرآیند اعطای اعتبار، اندازهگیری و پایش ریسک و وجود کنترلهای کافی تأکید دارد.
نقش AI در وامدهی دیجیتال و Fintech Lending
یکی از مهمترین کاربردهای هوش مصنوعی، Digital Lending یا وامدهی دیجیتال است. در این مدل، بخش قابل توجهی از فرآیند درخواست، اعتبارسنجی و تصمیمگیری بهصورت دیجیتال انجام میشود.
فینتکها با دسترسی به دادههای متنوع میتوانند مدلهایی ایجاد کنند که ریسک مشتری را سریعتر ارزیابی کنند. این موضوع بهخصوص برای مبالغ کوچک و متوسط اهمیت دارد؛ جایی که هزینه بررسی دستی پرونده ممکن است نسبت به اندازه تسهیلات بالا باشد.
گزارشهای بینالمللی نیز نشان میدهند فینتک در حال گسترش دسترسی به خدمات مالی است. در Financial Access Survey 2025، صندوق بینالمللی پول تحولاتی مانند خدمات مالی دیجیتال و fintech lending را بهعنوان بخشهایی از تغییر ساختار دسترسی به خدمات مالی بررسی کرده است.
اما سرعت بیشتر نباید با حذف کنترلهای اعتباری اشتباه گرفته شود. BIS هشدار داده است که رشد وامدهی فینتکی در صورت نبود اشتراک مناسب اطلاعات اعتباری میتواند باعث انباشت ریسک خارج از چارچوبهای نظارتی شود.
AI در تأمین مالی زنجیره تأمین چه کاربردی دارد؟
یکی از جذابترین کاربردهای هوش مصنوعی در صنعت مالی، ترکیب آن با تأمین مالی زنجیره تأمین (SCF) است. SCF به خودی خود بر اطلاعات واقعی تجارت مانند سفارش خرید، فاکتور، تحویل کالا و مطالبات تجاری متکی است. اگر این اطلاعات در یک سیستم دیجیتال جمعآوری شود، AI میتواند لایه هوشمندی روی آن ایجاد کند.
فرض کنیم یک تأمینکننده برای یک شرکت بزرگ بهطور مستمر کالا ارسال میکند. در یک سیستم SCF هوشمند، اطلاعات سفارشها، فاکتورها، پرداختهای قبلی و وضعیت مطالبات میتواند به موتور تحلیل ریسک منتقل شود. سیستم AI میتواند الگوی معاملات را شناسایی کرده و تغییرات غیرعادی را نیز تشخیص دهد.
این موضوع دو مزیت مهم دارد. نخست، تصمیمگیری درباره تأمین مالی سریعتر میشود و دوم، ریسک میتواند بهصورت مستمر پایش شود. به جای اینکه بانک تنها هنگام درخواست تسهیلات وضعیت شرکت را بررسی کند، سیستم میتواند تغییرات جریان نقدی و رفتار معاملاتی را در طول دوره تأمین مالی دنبال کند.
در نتیجه، ترکیب AI + SCF میتواند از یک پلتفرم صرفاً دیجیتال، یک سیستم هوشمند مدیریت اعتبار و سرمایه در گردش ایجاد کند.
هوش مصنوعی در فین تک چگونه ریسک SCF را کاهش میدهد؟
ریسک در SCF فقط ریسک نکول خریدار یا فروشنده نیست. ریسک فاکتور جعلی، فاکتور تکراری، معاملات غیرواقعی، تغییر غیرعادی حجم فروش و انحراف مصرف منابع نیز اهمیت دارد.
AI میتواند برای کشف این الگوها مورد استفاده قرار گیرد. الگوریتمهای تشخیص ناهنجاری (Anomaly Detection) قادرند معاملاتی را که از الگوی معمول یک شرکت فاصله دارند شناسایی کنند. برای مثال، افزایش ناگهانی حجم فاکتورها یا تغییر غیرعادی در رفتار پرداخت میتواند برای بررسی بیشتر علامتگذاری شود.
در کنار آن، مدلهای پیشبینی میتوانند احتمال تأخیر در پرداخت یا کاهش جریان نقدی را تخمین بزنند. این یعنی مدیریت ریسک از یک فرآیند واکنشی به فرآیندی پیشنگر تبدیل میشود.
آیا AI جایگزین کارشناس اعتباری میشود؟
احتمالاً نه؛ و در سیستمهای مالی حرفهای نیز نباید چنین هدفی دنبال شود. مسئله اصلی، استفاده از AI برای افزایش توان تصمیمگیری انسان است.
هوش مصنوعی در تحلیل دادههای ساختاریافته بسیار قدرتمند است، اما تصمیم اعتباری گاهی به عوامل کیفی نیز وابسته است؛ عواملی که ممکن است بهراحتی در دادههای تاریخی ثبت نشده باشند. بنابراین مدل مناسب، ترکیبی از AI، سیاستهای اعتباری و نظارت انسانی است.
این موضوع بهخصوص در بازارهایی مانند ایران اهمیت دارد که دادهها ممکن است ناقص، پراکنده یا ناهمگون باشند. یک مدل بسیار پیچیده با داده ضعیف الزاماً مدل بهتری نیست.
چالشهای هوش مصنوعی در فین تک ایران
مهمترین چالش، خود فناوری نیست؛ داده است. اگر اطلاعات مالی شرکتها ناقص باشد یا در سامانههای مختلف و غیرقابل اتصال ذخیره شده باشد، هوش مصنوعی نیز نمیتواند خروجی قابل اتکایی ایجاد کند.
چالش دوم، کیفیت و استاندارد داده است. برای آموزش مدلهای اعتبارسنجی، باید اطلاعات تاریخی کافی درباره عملکرد مشتریان و بازپرداخت آنها وجود داشته باشد.
موضوع دیگر، حریم خصوصی و امنیت اطلاعات است. هرچه سیستمهای اعتباری به دادههای بیشتری دسترسی داشته باشند، ضرورت کنترل دسترسی، امنیت سایبری و حکمرانی داده نیز بیشتر میشود.
همچنین باید مراقب Bias یا سوگیری الگوریتمی بود. اگر دادههای آموزشی دارای سوگیری باشند، مدل نیز میتواند تصمیمهای ناعادلانه تولید کند. بنابراین استفاده از AI در فینتک نیازمند چارچوبهای مشخص برای کنترل مدل، توضیحپذیری و نظارت است. بانک جهانی نیز این مسئله را یکی از ریسکهای مهم استفاده از الگوریتمهای هوشمند در اعتبارسنجی میداند.
آینده AI در تأمین مالی ایران
در سالهای آینده، احتمالاً شاهد حرکت از Digital Lending به سمت Intelligent Lending خواهیم بود. تفاوت این دو در این است که سیستم دیجیتال صرفاً فرآیند کاغذی را آنلاین میکند، اما سیستم هوشمند میتواند داده را تحلیل کرده، ریسک را پیشبینی و رفتار مشتری را بهصورت مستمر پایش کند.
در حوزه SCF، این تحول حتی مهمتر است. ترکیب AI با فاکتورینگ، اوراق گام، برات الکترونیکی و سایر ابزارهای زنجیره تأمین میتواند امکان ایجاد یک AI Credit Engine را فراهم کند؛ موتوری که اطلاعات معاملاتی را دریافت کرده، اعتبار طرفین را ارزیابی کند، سقف تأمین مالی را پیشنهاد دهد و پس از پرداخت نیز وضعیت ریسک را پایش کند.
در چنین مدلی، پلتفرم SCF دیگر صرفاً یک محل ثبت درخواست تأمین مالی نیست؛ بلکه به یک زیرساخت تصمیمگیری مالی تبدیل میشود.
جمعبندی
هوش مصنوعی در فینتک دیگر یک فناوری آیندهنگرانه نیست و در حال تبدیل شدن به یکی از اجزای مهم زیرساخت مالی مدرن است. اعتبارسنجی، وامدهی دیجیتال، تشخیص تقلب، مدیریت ریسک و پایش نقدینگی از مهمترین حوزههایی هستند که AI میتواند در آنها ارزش ایجاد کند.
برای ایران، اهمیت این فناوری در حوزه تأمین مالی SME و SCF حتی بیشتر است. کسبوکارهای کوچک و متوسط به دسترسی سریعتر به سرمایه در گردش نیاز دارند و در عین حال، بانکها باید بتوانند ریسک این تأمین مالی را با دقت بیشتری مدیریت کنند. ترکیب دادههای تجاری، اعتبارسنجی هوشمند و ابزارهای SCF میتواند بخشی از این شکاف را پوشش دهد.
مسیر آینده احتمالاً نه حذف بانکها و کارشناسان اعتباری، بلکه ایجاد یک مدل ترکیبی خواهد بود؛ بانک + فینتک + داده + هوش مصنوعی + SCF. در این مدل، AI مسئول تحلیل و پیشبینی است، بانک مسئول تأمین و مدیریت منابع و پلتفرم SCF مسئول اتصال سرمایه به جریان واقعی تجارت خواهد بود.
برای مطالعه بیشتر، میتوانید مقالات «بلاکچین در تأمین مالی زنجیره تأمین»، «تأمین مالی بدون وثیقه برای کسبوکارهای کوچک» و «ابزارهای نوین تأمین مالی در ایران» را نیز در وبلاگ آرین تأمین مطالعه کنید.
منابع و مراجع
- World Bank – Digital Credit and AI in Credit Scoring
- BIS – Artificial Intelligence and Relationship Lending
- BIS – Principles for the Management of Credit Risk
- BIS – The Use and Disuse of FinTech Credit
- IMF – Financial Access Survey 2025
- IMF – Prometheus Unbound: What Makes Fintech Grow?
- World Bank – Facilitating SME Financing through Improved Credit Reporting
- World Bank – Fintech Overview
