The Innovation Tax: Generative AI Adoption, Productivity Paradox, and Systemic Risk in the U.S. Banking Sector
تكشف هذه الورقة أنه في حين أن تبني الذكاء الاصطنا التوليدي في البنوك الأمريكية يولد آثاراً شبكية إيجابية كبيرة، فإنه يفرض في الوقت ذاته "ضريبة تنفيذ" جسيمة تضر بشكل غير متناسب بربحية المؤسسات الأصغر حجماً وتخلق مخاطر نظامية جديدة من خلال الاقتران الخوارزمي لاتخاذ القرارات المالية.
تخيل النظام المصرفي الأمريكي كسباق تتابع ضخم وعالي المخاطر. لعقود من الزمن، تنافس العداؤون (البنوك) لمعرفة من يمكنه نقل الأموال بشكل أسرع وأكثر كفاءة. الآن، دخلت قطعة جديدة من التكنولوجيا إلى المضمار: الذكاء الاصطناعي التوليدي (مثل ChatGPT الذي غير وجه الإنترنت).
يسأل هذا البحث سؤالاً بسيطاً: هل منح هؤلاء العدائين حذاءً جديداً فائق السرعة سيجعلهم يفوزون بشكل أسرع حقاً، أم أنه سيتسبب فقط في تعثرهم بينما يحاولون تعلم كيفية ارتدائه؟
نظر الكاتب، تاتسورو كيكوتشي، في بيانات 809 بنكاً بين عامي 2018 و2025 لإيجاد الإجابة. والنتائج مفاجئة، ومخيفة بعض الشيء، وتحكي قصة ثلاثة أشياء رئيسية: "مفارقة الإنتاجية"، و"ضريبة الابتكار"، و"التزامن النسقي".
إليك تفصيل ذلك بلغة بسيطة:
1. "مفارقة الإنتاجية" (المظهر مقابل الواقع)
يجد البحث تناقضاً غريباً، يطلق عليه المؤلف اسم "مفارقة الإنتاجية".
المظهر (من يرتدي الأحذية؟): عندما تنظر إلى البنوك التي ترتدي بالفعل أحذية الذكاء الاصطناعي، فإنها تبدو كأفضل العدائين. إنهم "بنوك الطليعة" — كبرى، ومدارة جيداً، وغنية بالتكنولوجيا. ولأنهم الأفضل بالفعل، كانوا أول من اشترى أدوات الذكاء الاصطناعي الجديدة. لذا، إذا نظرت فقط إلى لقطة زمنية، يبدو أن الذكاء الاصطناعي يجعل البنوك أكثر ثراءً.
الواقع (ماذا يحدث عند ارتدائها؟): ولكن عندما ينظر البحث إلى "فعل" ارتداء الأحذية، تتغير القصة. في اللحظة التي يقرر فيها بنك ما اعتماد هذا الذكاء الاصطناعي، تنخفض أرباحه بشكل ملحوظ.
التشبيه: تخيل عداءً محترفاً يشتري زوجاً من الأحذية عالية التقنية بقيمة 5000 دولار. قبل شراء الأحذية، كان يفوز بالسباقات. في اليوم الذي يشتري فيه الأحذية، يضطر لإنفاق كل أمواله على الأحذية، ويقضي أسابيع في تعلم كيفية ربطها، ويصبح شكل ركضه فوضوياً أثناء فترة التكيف. تصبح أوقات سباقاته أسوأ مؤقتاً.
النتيجة: وجد البحث أن البنوك التي اعتمدت الذكاء الاصطناعي شهدت انخفاضاً في العائد على حقوق الملكية (وهو مقياس للربح) بنحو 428 نقطة أساس (وهذا جزء ضخم من أرباحها) لمجرد دفع تكاليف التجهيز، وتوظيف علماء البيانات، وشراء القدرة الحوسبية اللازمة.
2. "ضريبة الابتكار" (لماذا تعاني البنوك الصغيرة أكثر)
يطلق البحث على هذا الانخفاض في الأرباح اسم "ضريبة الابتكار". وهي التكلفة التي تدفعها لتكون مستعداً للمستقبل.
الكبير مقابل الصغير: هذه الضريبة تصيب الجميع، لكنها تؤذي الصغار أكثر بكثير.
البنوك الكبيرة: تمتلك جيوباً عميقة. يمكنها توزيع تكلفة تقنية الذكاء الاصطناعي الجديدة على أصولها الضخمة. الأمر يشبه شركة عملاقة تشتري أسطولاً من الشاحنات؛ حيث تكون التكلفة لكل شاحنة منخفضة.
البنوك الصغيرة: بالنسبة لبنك مجتمعي صغير، فإن شراء نفس تقنية الذكاء الاصطناعي يشبه شراء عائلة لطائرة خاصة. إنه يلتهم نسبة كبيرة من ميزانيتهم.
النتيجة: شهدت البنوك الصغيرة انخفاضاً في أرباحها بنسبة 517 نقطة أساس، بينما انخفضت البنوك الكبيرة بنسبة 129 نقطة أساس فقط. وهذا يشير إلى أن ثورة الذكاء الاصطناعي قد تخلق نظاماً "بمستويين" حيث تصبح البنوك الكبيرة أقوى وتكافح البنوك الصغيرة لمواكبة الركب، مما قد يؤدي إلى نظام مصرفي تهيمن عليه بضع شركات عملاقة فقط.
3. "الاقتران الخوارزمي" (خطر ركض الجميع في السباق نفسه)
هذه هي النتيجة الأكثر أهمية لسلامة النظام بأك ফুলه.
الأخبار الجيدة: عندما يكتشف بنك واحد كيفية استخدام الذكاء الاصطناعي بشكل جيد، فإن ذلك يساعد جيرانه فعلياً. الأمر يشبه عداءً يكتشف أفضل طريقة لربط حذائه ويشارك تلك النصيحة مع الفريق بأكمله. وجد البحث أنه عندما تتبنى البنوك الكبرى الذكاء الاصطناعي، فإن ذلك يعزز إنتاجية البنوك الأخرى المرتبطة بها.
الأخبار السيئة (المخاطر النسقية): المشكلة هي أن الجميع الآن يستخدم نفس الأحذية، ونفس الأربطة، ونفس نصائح الجري. يطلق البحث على هذا اسم "الاقتران الخوارزمي".
التشبيه: تخيل لو أن كل عداء في العالم بدأ يستخدم نفس العلامة التجارية من الأحذية التي تصنعها شركة واحدة. إذا ارتكبت تلك الشركة خطأً في التصميم، أو إذا كانت الأحذية بها عيب خفي، فإن كل عداء في العالم سيتعثر في اللحظة نفسها تماماً.
الخطر: نظرًا لأن أكبر البنوك مترابطة ومتزامنة للغاية في استخدامها للذكاء الاصطناعي، فإن خللاً تقنياً في نموذج ذكاء اصطناعي واحد (مثل خطأ في الكود البرمجي أو مجموعة بيانات سيئة) يمكن أن يسبب رد فعل متسلسلاً. بدلاً من فشل بنك واحد، يمكن للنظام بأكمله أن يتعثر معاً. وجد البحث أنه بالنسبة لأكبر البنوك، فإن تأثير هذا "التزامن" هائل.
الملخص: ماذا يعني هذا؟
يخلص البحث إلى أننا نمر حالياً بـ "وادي منحنى J" (J-Curve).
منحنى J: عندما تبدأ تقنية جديدة، تنخفض (تنخفض الأرباح بسبب التكاليف) قبل أن ترتفع (ترتفع الأرباح بسبب الكفاءة).
الوضع الحالي: نحن في قاع حرف الـ "V". البنوك تدفع ثمناً باهظاً لجعل التكنولوجيا تعمل.
المستقبل: من المرجح أن تنجو البنوك الكبيرة من هذا الانخفاض وتجني الثمار في النهاية. أما البنوك الصغيرة فهي تعاني تحت وطأة التكاليف. كما أن النظام بأكله أصبح الآن أكثر هشاشة لأنه إذا تعطل "محرك الذكاء الاصطناعي"، فقد يتوقف شبكة مصرفية كاملة عن العمل في وقت واحد.
باختصار: الذكاء الاصطناعي أداة قوية ستجعل البنوك أفضل على المدى الطويل على الأرجح، ولكن الوصول إلى ذلك مكلف، وهو يؤذي اللاعبين الصغار أكثر من غيرهم، وقد ربط جميع اللاعبين الكبار ببعضهم البعض بقوة شديدة لدرجة أنه إذا تعثر أحدهم، سيسقط الجميع.
ملخص تقني: ضريبة الابتكار: تبني الذكاء الاصطناومي التوليدي، مفارقة الإنتاجية، والمخاطر النظامية في قطاع البنوك الأمريكي
بيان المشكلة تبحث هذه الورقة في الأثر السببي لتبني الذكاء الاصطناعي التوليدي (GenAI) على الإنتاجية والمخاطر النظامية داخل قطاع البنوك في الولايات المتحدة. وتتناول الورقة توتراً مركزياً في الأدبيات: "مفارقة الإنتاجية"، حيث غالباً ما تفشل الإمكانات التكنولوجية في التحول الفوري إلى مكاسب إنتاجية ملموسة (Solow, 1987). وتحديداً، تدرس الدراسة ما إذا كان ظهور النماذج اللغوية الكبيرة (LLMs) في أعقاب إصدار ChatGPT في نوفمبر 2022 قد حل هذه المفارقة أم أنه أدخل تعقيدات جديدة. علاوة على ذلك، تبحث الدراسة فيما إذا كان تبني بنيات ذكاء اصطناعي مماثلة عبر المؤسسات المالية يخلق قناة جديدة للمخاطر النظامية، تُعرف بـ "الاقتران الخوارزمي" (algorithmic coupling)، وهي قناة تختلف عن الروابط الائتمانية والسيولة التقليدية.
المنهجية تستخدم الدراسة مجموعة بيانات بانل (Panel Dataset) ربع سنوية مبتكرة (2018–2025) تربط بين ملفات 809 من الشركات القابضة للبنوك الأمريكية (SEC 10-Q) وبيانات الاحتياطي الفيدرالي التنظيمية (FR Y-9C و FFIEC Call Reports). يتم تحديد تبني الذكاء الاصطناعي التوليدي من خلال تحليل النصوص في ملفات SEC، عبر البحث عن كلمات مفتاحية محددة (مثل "generative AI"، "LLM"، "GPT-4").
نموذج دوربن المكاني الديناميكي (DSDM): يُستخدم لقياس الآثار المتسربة عبر الشبكة والارتباطات المقطعية. يدمج النموذج الديناميكيات الزمنية والاعتماد المكاني المحدد من خلال مصفوفتي أوزان:
مصفوفة وزن الشبكة (Wnetwork): تعتمد على تشابه الأصول لالتقاط العلاقات التنافسية.
مصفوفة الوزن الجغرافي (Wgeo): تعتمد على قرب المقرات الرئيسية لالتقاط تأثيرات العمالة المحلية ونظم الموردين البيئية. يقدر النموذج الأثر المباشر للتبني الذاتي (β) وأثر التسرب من تبني الأقران (θ). وتتم عملية التقدير عبر طريقة الإمكان الأعظم (MLE)، وQuasi-MLE، وBayesian MCMC.
طريقة الفرق في الفروق الاصطناعية (SDID): تُستخدم لإثبات الاستدلال السببي فيما يتعلق بـ "ضريبة التنفيذ". تستغل هذه الطريقة إصدار ChatGPT في نوفمبر 2022 كصدمة خارجية. تقوم SDID ببناء نموذج مضاد اصطناعي للبنوك المعالجة (التي ذكرت الذكاء الاصطناعي التوليدي في 2023Q1 أو لاحقاً) عن طريق إعادة وزن البنوك الضابطة لتتطابق مع مسارات ما قبل المعالجة. وتخفف هذه الطريقة من فرضية الاتجاهات المتوازية الصارمة لنموذج DiD التقليدي وتتعامل مع التبني المتدرج.
المساهمات الرئيسية
حل مفارقة الإنتاجية في الذكاء الاصطناعي التوليدي: توثق الورقة واقعاً مزدوجاً: فالبنوك المتبنية هي شركات "رائدة" ذات إنتاجية أساسية أعلى (أثر الاختيار)، ومع ذلك، فإن عملية التبني نفسها تسبب انخفاضاً قصير المدى في الإنتاجية (أثر المعالجة).
تكميم "ضريبة الابتكار": تقدم الورقة أول تقديرات سببية للتكلفة المالية الفورية لدمج الذكاء الاصطناعي التوليدي، كاشفة عن عبء مؤقت وكبير على العوائد.
مفهوم "الاقتران الخوارزمي": تقدم الدراسة إطاراً نظرياً وتجريبياً لكيفية قيام بنيات الذكاء الاصطناعي المشتركة بمزامنة عمليات صنع القرار عبر البنوك، مما يخلق ناقلاً جديداً للعدوى النظامية بمعزل عن التعرضات الميزانية.
التكامل المنهجي: توضح مدى فائدة الجمع بين DSDM (للتسربات الشبكية) وSDID (للآثار العلاجية السببية) للفصل بين تحيز الاختيار والآثار السببية في دراسات تبني التكنولوجيا.
النتائج التجريبية
مفارقة الإنتاجية وضريبة الابتكار:
نتائج DSDM: تظهر أثراً مباشً إيجابياً (β>0)، مما يشير إلى أن البنوك التي تبنت الذكاء الاصطناعي التوليدي هي بالفعل ذات أداء عالٍ (معامل العائد على حقوق الملكة ROE ≈0.42).
نتائج SDID: تكشف عن أثر سببي سلبي (ATT < 0). يتسبب التبني في انخفاض قدره 428 نقطة أساس في العائد على حقوق الملكية (ROE) و46 نقطة أساس في العائد على الأصول (ROA). ويُعزى هذا الانخفاض إلى "ضريبة الابتكار"—وهي المصاريف الحالية الهائلة لـ GPUs، وعلماء البيانات، والبنية التحتية التي تخفض صافي الدخل خلال مرحلة التنفيذ.
ديناميكيات منحنى J: يؤكد تحليل دراسة الحدث نمط منحنى J، حيث تنخفض الإنتاجية في الفصول التي تسبق التبني وفي فترة ما بعد التبني مباشرة، قبل التعافي المحتمل.
تباين الحجم (الفجوة الرقمية):
تتحمل المؤسسات الأصغر ضريبة التنفيذ بشكل غير متناسب. فالبنوك التي تقع في أدنى 75% من حيث الأصول شهدت انخفاضاً في العائد على حقوق الملكة (ROE) قدره 517 نقطة أساس، مقارنة بـ انخفاض قدره 129 نقطة أساس للبنوك في أعلى 25% (البنوك الكبيرة).
يشير هذا إلى وجود وفورات حجم كبيرة في تنفيذ الذكاء الاصطناعي، حيث تستطيع البنوك الكبيرة توزيع التكاليف الثابتة والاستفادة من بنية تحتية للبيانات متفوقة، بينما تواجه البنوك الصغيرة أعباءً أثقل نسبياً.
التسربات الشبكية والمخاطر النظامية:
التسربات الإيجابية: تظهر تقديرات DSDM معاملات تسرب إيجابية كبيرة (θ). بالنسبة للعينة الكاملة، θ=0.161 للعائد على الأصول (ROA) وθ=0.679 للعائد على حقوق الملكية (ROE). وهذا يشير إلى أن انتشار المعرفة (عبر تنقل المواهب، ونظم الموردين، وواجهات برمجة التطبيقات الموحدة) يتفوق على آثار سلب الأعمال.
الاقتران الخوارزمي: تتضاعف التسربات بشكل كبير بين البنوك الكبيرة، حيث θ=3.13 للعائد على حقوق الملكية (ROE). وهذا يشير إلى أن "اللب النظامي" لقطاع البنوك أصبح متزامناً للغاية.
الآثار على المخاطر: تخلق هذه المزامنة ضعفاً حيث يمكن للفشل التقني في نموذج ذكاء اصطناعي واسع الانتشار أو مورد معين أن يؤدي إلى صدمات مترابطة عبر الشبكة بأكملها، وهو ميكانزم مختلف عن العدوى المالية التقليدية.
الأهمية والادعاءات تدعي الورقة أنها تقدم أول تحليل تجريبي شامل لتبني الذكاء الاصطناعي التوليدي في العمل المصرفي، مع الربط بين أدبيات مفارقة الإنتاجية، وتكنولوجيا البنوك، والشبكات المالية.
الأهمية النظرية: تحل الورقة التناقض الظاهري بين الشركات المتبنية ذات الأداء العالي والأثر السلبي للتبني من خلال التمييز بين الاختيار (الشركات الرائدة تتبنى أولاً) والمعالجة (التبني يترتب عليه تكاليف فورية). وهذا يتوافق مع فرضية "منحنى J للابتكار"، مما يشير إلى أن القطاع المصرفي يمر حالياً بمرحلة الاستثمار في تكنولوجيا عامة الغرض.
الأهمية السياساتية: تشير النتائج إلى أن النظام المصرفي الأمريكي أصبح "مقترناً خوارزمياً". ويرى المؤلفون أن هذا الشكل الجديد من الترابط يستدعي أطر عمل تنظيمية محدثة. وتحديداً، يقترحون أن اختبارات الضغط يجب أن تتضمن سيناريوهات لفشل أنظمة الذكاء الاصطناعي المنسقة، وأن السياسة الكلية (macroprudational policy) يجب أن تعالج المخاطر النظامية التي تفرضها بنيات الذكاء الاصطناعي "أكبر من أن تفشل" (too connected to fail).
المشهد التنافسي: تسلط النتائج الضوء على نظام ناشئ مكون من مستويين، حيث تسمح مزايا الحجم للبنوك الكبيرة باستيعاب تكاليف التنفيذ بكفاءة أكبر، مما قد يؤدي إلى زيادة التركز السوقي وحواجز الدخول أمام المؤسسات الأصغر.
تخلص الورقة إلى أنه بينما يضع تبني الذكاء الاصطناعي التوليدي البنوك في موقع الهيمنة المستقبلية، فإن المرحلة الانتقالية الفورية تنطوي على خسائر إنتاجية كبيرة وخلق مخاطر نظامية متزامنة وجديدة تتطلب مراقبة دقيقة من قبل المنظمين والمشاركين في السوق.