From Information to Delegation: Mapping Human-AI Financial Decision Making
تقدم هذه الورقة إطاراً سلوكياً لقياس سلطة اتخاذ القرار بين الإنسان والذكاء الاصطناي، حيث كشف تحليل لـ 1.5 مليون تفاعل أنه بينما يعتمد المستهلكون بشكل كبير على الذكاء الاصطناعي للحصول على المعلومات والأحكام المالية، إلا أنهم نادراً ما يفوضون إليه التنفيذ المالي الفعلي.
المؤلفون الأصليون:Iman Munire Bilal, Yingcan Carol Wang, Ajan Raj, Filippo Giovagnini, Pranav Tewari, Yuwei Zhang, Mei-Chen Zoe Liou, Qamar Zaman
تخيل أنك تقف في مكتبة ضخمة وصاخبة، حيث الرفوف مصنوعة من الضوء والكتب مصنوعة من المحادثات. لفترة طويلة، ظل الناس يطرحون على أمناء المكتبة (وهم في الواقع برامج حاسوبية فائقة الذكاء تُسمى الذكاء الاصطناعي) أسئلة بسيطة مثل: "أين قسم التاريخ؟" أو "كيف حال الطقس؟". هذا هو عالم استرجاع المعلومات: الحصول على الحقائق من الآلة. ولكن مؤخرًا، بدأ هؤلاء الأمناء يتصرفون كشركاء أكثر من كونهم مجرد موجهين؛ فهم لا يكتفون بالإشارة إلى كتاب فحسب، بل يبدأون في مساعدتك على كتابة القصة، أو التخطيط للحبكة، أو حتى اتخاذ قرار بشأن أي شخصية يجب إنقاذها. يحدث هذا التحول في عالم صنع القرار البشري المعتمد على الذكاء الاصطناعي، وهو مجال يدرس كيف نتشارك العبء الذهني لاتخاذ القرارات مع الحواسيب. السؤال الكبير ليس فقط "ماذا يعرف الذكاء الاصطناعي؟" بل "ما مقدار عجلة القيادة الذي نسمح للذكاء الاصطناعي بالإمساك به؟". هل نستخدمه كمجرد خريطة، أم نتركه يقود السيارة؟ هذا الأمر مهم لأننا مع تحسن قدرة الذكاء الاصطناعي على اتخاذ القرارات، نحتاج إلى فهم ما إذا كنا لا نزال قادة سفننا المالية أم أننا نسلم المفاتيح ببطء.
هذه الورقة البحثية، التي تحمل عنوان "من المعلومات إلى التفويض: رسم خارطة طريق لصنع القرار المالي بين الإنسان والذكاء الاصطناعي"، تغوص في أعماق المحفظة الرقمية للعصر الحديث لترى بالضبط كيف يستخدم الناس الذكاء الاصطناعي لإدارة أموالهم. قام المؤلفون، وهم فريق من "Stripe Partners"، بتحليل أكثر من 1.5 مليون محادثة حقيقية بين مستخدمين في الولايات المتحدة والهند ومساعدين ذكيين شهيرين هما ChatGPT وGemini. لم يكتفوا فقط بعدّ المرات التي سأل فيها الناس عن المال، بل بنوا نوعًا جديدًا من "المجاهر السلوكية" للنظر في كيفية تفاعل الناس مع الذكاء الاصطناعي. لقد صنفوا كل محادثة إلى ثلاثة مستويات من الثقة، تشبه إعدادات الصعوبة في ألعاب الفيديو:
المستوى 1 (الإخبار): الذकاء الاصطناعي هنا بمثابة أمين مكتبة. تسأل: "ما هو سعر الفائدة؟" فيجيب. أنت من يقوم بعملية التفكير.
المستوى 2 (التشكيل): الذكاء الاصطناعي هنا بمثابة مدرب. تسأل: "هل يجب أن أشتري هذا السهم؟" أو "كيف أحسن درجات الائتمان الخاصة بي؟" فيقدم لك الذكاء الاصطناعي نصيحة، أو يقارن بين الخيارات، أو يساعدك في التخطيط. أنت لا تزال تتخذ القرار النهائي، لكن الذكاء الاصطناعي يشكل قرارك.
المستوى 3 (التنفيذ): الذكاء الاصطناعي هنا بمثابة سائق. تقول: "انقل أموالي إلى أفضل حساب"، فيقوم الذكاء الاصطناعي بالعملية فعليًا.
وجد الباحثون أنه بينما تعد الخدمات المالية جزءًا كبيرًا من كيفية استخدام الناس للذكاء الاصطناعي (حوالي نصف المستخدمين في دراستهم تحدثوا عن المال في مرحلة ما)، فإننا لا نزال عالقين في منطقتي "أمين المكتبة" و"المدرب". تُظهر البيانات أن المستهلكين يستخدمون الذكاء الاصطناعي بشكل غامر لـ إخبارهم بخياراتهم (حوالي 63.5% من المحادثات في الولايات المتحدة و72.1% في الهند) ولـ تشكيل استراتيجياتهم (حوالي 58.6% في الولايات المتحدة و49.7% في الهند). يحب الناس سؤال الذكاء الاصطناعي لمقارنة بطاقات الائتمان، أو شرح قواعد الضرائب، أو معرفة أفضل طريقة لسداد الديون.
ومع ذلك، تستبعد الورقة البحثية صراحةً فكرة أن الناس مستعدون لترك الذكاء الاصطناعي يتولى القيادة. فمستوى "السائق"، حيث يقوم الذكاء الاصطناعي بالفعل بتنفيذ معاملة مالية أو اتخاذ قرار من تلقاء نفسه، نادر للغاية. في الولايات المتحدة، كانت 0.3% فقط من المحادثات المالية تتعلق بالتفويض، وفي الهند، كانت نسبة ضئيلة بلغت 0.1%. لم تكن أي من هذه المحادثات تتعلق باتخاذ قرارات مستقلة وكبيرة؛ بل كانت معظمها مهام بسيطة قائمة على التعليمات، مثل ضبط تنبيه للميزانية أو تتبع الإنفاق. يشير المؤلفون إلى أنه رغم الضجيج حول "الذكاء الاصطناعي الوكيل" (الذكاء الاصطناعي الذي يعمل من تلقاء نفسه)، إلا أن الناس حذرون للغاية في الوقت الحالي. إنهم يريدون مساعدًا ذكيًا يساعدهم على التفكير، لكنهم ليسوا مستعدين لترك الروبوت يوقع على الشيكات.
كما تسلط الدراسة الضوء على بعض الاختلافات الممتعة بين البلدين. في الولايات المتحدة، استخدم الناس الذكاء الاصطناعي بشكل أساسي لحل المشكلات المتعلقة بحساباتهم المصرفية، أو إصلاح مشكلات الدفع، أو التعامل مع التأمين والمساعدات العامة. أما في الهند، فقد ركزت المحادثات أكثر على الاستثات، وأبحاث سوق الأسهم، والتعلم عن التمويل. لكن النتيجة الرئيسية هي نفسها لكلا البلدين: نحن في عصر "التشكيل". نحن نستخدم الذكاء الاصطناعي لبناء خرائط مالية أفضل وتخطيط مساراتنا، لكننا لا نزال نحن من يمسك بعجلة القيادة، ومستعدون للتدخل إذا أصبح الطريق صعبًا. ويخلص المؤلفون إلى أن هذا الإطار يوفر لنا خط أساس لمراقبة كيفية تغير الأمور في المستقبل، مما يشير إلى أن الذكاء الاصطناعي، في الوقت الحالي، هو أداة قوية للحكم، وليس بديلًا عنه.
ملخص تقني: من المعلومات إلى التفويض: رسم خرائط اتخاذ القرار المالي بين الإنسان والذكاء الاصطناين
بيان المشكلة
مع تطور النماذج اللغوية الكبيرة (LLMs) من أدوات سلبية لاسترجاع المعلومات إلى شركاء نشطين لدعم اتخاذ القرار، توجد فجوة حرجة في فهم كيفية توزيع سلطة اتخاذ القرار بين البشر والذكاء الاصطناعي في المجالات عالية المخاطر مثل التمويل. لقد وصفت الأبحاث السابقة بشكل كبير التفاعلات المالية للذكاء الاصطناعي من خلال مواضيعها (مثل "الاستثمار" أو "الضرائب") أو من خلال تقييم جودة مخرجات الذكاء الاصطناعي بمعزل عن غيرها. وتفشل هذه النهج في التقاط الدور السلوكي للذكاء الاصطناعي ضمن عملية اتخاذ القرار البشري الأوسع. وتحديداً، هناك نقص في البيانات التجريبية التي تحدد كمياً ما إذا كان المستخدمون يستخدمون الذكاء الاصطناعي لمجرد إعلام خياراتهم، أو تشكيل استراتيجياتهم، أو تفويض التنفيذ واتخاذ القرار المستقل للنظام. تعالج هذه الورقة الحاجة إلى إطار قياس سلوكي يتجاوز التصنيف الموضوعي لتحليل تخصيص سلطة اتخاذ القرار.
المنهجية
جمع البيانات والمعالجة المسبقة
تستخدم الدراسة مجموعة بيانات مكونة من 1.53 مليون مطالبة مستخدم حقيقية من 6,304 مستخدم في الولايات المتحدة والهند، تم جمعها من تفاعلات ChatGPT وGemini بين أغسطس وأكتوبر 2025.
الديموغرافيا: تميل عينة الولايات المتحدة (2,499 مستخدماً) نحو الإناث، والفئات العمرية الأصغر، والدخل المنخفض مقارنة بمعايير التعداد السكاني. أما العينة الهندية (3,805 مستخدم) فهي يغلب عليها الذكور والفئات العمرية الأصغر.
المعالجة المسبقة:
الترجمة: تمت ترجمة المحادثات غير الإنجليزية من المجموعة الهندية (144 ألف رسالة) إلى الإنجليزية باستخدام ترجمة جوجل لضمان قابلية المقارنة عبر الأسواق.
تقسيم الدردشة: لمعالجة "انحراف الموضوع" داخل الجلسة الواحدة، تم تقسيم المحادثات الخام إلى "دردشات فرعية" (وحدات محددة الموضوع). تم تطبيق قواعد التقسيم بناءً على تداخل المصطلات منخفضة التكرار وطول المطالبة، مما نتج عنه حوالي 505 ألف دردشة فرعية إجمالاً.
إطار النمذجة
يقترح المؤلفون خط معالجة لغوية طبيعية (NLP) مكون من ثلاث مراحل لتصنيف التفاعلات المالية:
تحديد المجموعة الفرعية للتمويل:
المهمة: تصنيف ثنائي للكشف عما إذا كانت الدردشة الفرعية تناقش الخدمات المالية، أو توليد الدخل، أو القضايا المتعلقة بالمال.
النموذج: نموذج LongFormer (تم اختياره بسبب نافذة سياق تبلغ 4,096 رمزاً) تم ضبطه بدقة على 5.8 ألف دردشة فرعية تم وسمها يدوياً.
الأداء: حقق دقة 96.5% وF1 بنسبة 97.3% على مجموعة الاختبار.
وسم الخدمات المالية (FS):
المهمة: ربط الكيانات داخل الدردشات المالية بتصنيف MECE (متمايز وشامل كلياً) يتكون من 9 فئات (مثل الخدمات المصرفية للأفراد، الاستثمارات، الضرائب، التأمين) وفئات فرعية لها.
الطريقة: عملية من مرحلتين باستخدام GPT-4o-mini لاستخراج الكيانات وتوحيدها، يتبعها ربط حتمي بالتصنيف.
التحقق: مراجعة يدوية للكلمات المفتاحية المتكررة لتصفية النتائج الإيجابية الخاطئة، مما أدى إلى قاموس منسق يحتوي على 2.7 ألف كلمة مفتاحية مطابقة للخدمات المالية.
تصنيف النية وسلطة القرار:
المهمة: تصنيف متعدد الملصقات ومتعدد الفئات لنية المستخدم عبر 12 فئة، مرتبطة بثلاث مستويات من سلطة القرار (DA):
المستوى 1 (الإعلام): تقديم المعلومات/التفسيرات.
المستوى 2 (التشكيل): أدوار تحليلية/استشارية للتأثير على خيار المستخدم.
المستوى 3 (العمل): أدوار معاملات/مستقلة لتنفيذ الإجراءات.
النموذج: نموذج BigBird (محول ذو انتباه متفرق) تم ضبطه بدقة على 3.4 ألف دردشة فرعية موسومة. تم تعزيز مجموعة البيانات ببيانات اصطناعية (تم إنشاؤها بواسطة GPT-5.5) لمعالجة ندرة الأمثلة الواقعية ذات الوكالة العالية (المستوى 3).
الأداء: أدى تحسين عتبة الاحتمالية الخاصة بكل ملصق إلى رفع الـ Micro-F1 من 68.0 إلى 70.6.
نمذجة المواضيع:
الطريقة: تم تطبيق BERTopic على الدردشات الفرعية الملخصة باستخدام نموذج التضمين Harrier لتحديد الأنشطة المالية الملموسة والاختلافات الخاصة بالسوق.
المساهمات الرئيسية
إطار قياس سلوكي: تقدم الورقة إطاراً جديداً يجمع بين النية السلوكية (ما يسعى إليه المستخدمون) وسلطة القرار المفوضة (مقدار التحكم الذي يمنحونه للذكاء الاصطناعي). وهذا ينقل العدسة التحليلية من "ما هي المواضيع التي تتم مناقشتها" إلى "ما هو الدور الذي يلعبه الذكاء الاصطناعي في عملية اتخاذ القرار".
خط أساس تجريبي واسع النطاق: توفر الدراسة أول توصيف واسع النطاق للتفاعلات المالية بين الإنسان والذكاء الاصطناعي عبر سوقين متميزين (الولايات المتحدة والهند)، مما يضع خط أساس لتقييم الانتقال نحو أنظمة الذكاء الاصطناعي الأكثر وكالة (Agentic).
النتائج الرئيسية
انتشار التفاعلات المالية
تشكل الخدمات المالية حالة استخدام جوهرية للذكاء الاصطناعي الحواري. شارك ما يقرب من 50% من مستخدمي الولايات المتحدة و44.3% من المستخدمين الهنود في محادثة واحدة على الأقل متعلقة بالتمويل خلال فترة الدراسة. شكل التمويل 5.1% من الدردشات الفرعية في الولايات المتحدة و6.3% في الهند.
توزيع سلطة القرار
النتيجة الأكثر أهمية هي الهيمنة الساحقة لـ الأدوار المعلوماتية والاستشارية على التنفيذ:
المستوى 1 (الإعلام): غالبية التفاعلات. 63.5% من الدردشات المالية في الولايات المتحدة و72.1% في الهند كانت معلوماتية بحتة (مثلاً: "ما هو حد مخصص ISA؟").
المستوى 2 (التشكيل): جزء كبير من التفاعلات. 58.6% من الولايات المتحدة و49.7% من الهند تضمنت دور الذكاء الاصطناعي في تشكيل القرارات (مثلاً: "هل يجب أن أعيد التمويل؟"، "قارن بين هذه البنوك").
المستوى 3 (العمل): تفويض التنفيذ نادر جداً. انخرط فقط 0.3% من مستخدمي الولايات المتحدة و0.1% من المستخدمين الهنود في مهام تتطلب من الذكاء الاصطناعي العمل نيابة عن المستخدم. كانت هذه المهام مقتصرة تقريباً على التعليمات الموجهة (مثلاً: "حول 500 دولار") أو قواعد الميزانية، مع عدم وجود دليل على تفويض المستخدمين لقرارات مالية مستقلة (مثلاً: "استثمر أموالي في أفضل خيار").
خصوصية المجال والنية
الخدمات المصرفية للأفراد والائتمان والمدفوعات هي الفئات المهيمنة في كلا السوقين.
الاستثمارات أكثر انتشاراً في الهند (34.8% من الدردشات) مقارنة بالولايات المتحدة (24.6%).
نقاشات التأمين والمساعدات العامة أعلى بكثير في الولايات المتحدة، مما يعكس نضج السوق وهياكل شبكة الأمان الاجتماعي المحددة.
الاختلافات السلوكية: يستخدم المستخدمون الهندون الذكاء الاصطناعي أكثر في التعلم والتعليم المالي، بينما يعتمد مستخدمو الولايات المتحدة بشكل أكبر على الذكاء الاصطناعي في حل المشكلات المالية (مثل الاحتيال، الوصول إلى الحساب) والتحليل المالي الشخصي.
الأنشطة الملموسة
كشفت نمذجة المواضيع أنه بينما تتداخل الفئات عالية المستوى، فإن الأنشطة المحددة تختلف. يناقش مستخدمو الولايات المتحدة بشكل متكرر تغطية التأمين وتمويل التعليم، بينما يركز المستخدمون الهنود أكثر على تحليل الأسهم، التداول، وأمن البطاقات.
الأهمية والادعاءات
تدعي الورقة أن أهميتها الأساسية تكمن في وضع خط أساس سلوكي للدور المتطور للذكاء الاصطناعي في التمويل.
الوضع الحالي: يؤكد المؤلفون أن نماذج LLM الحالية تعمل في المقام الأول كـ تقنيات دعم القرار التي تعزز الحكم البشري بدلاً من كونها وكلاء مستقلين. "المساحة السلوكية المتوسطة" حيث يشكل الذكاء الاصطناعي القرارات دون تنفيذها هي النمط السائد حالياً في التفاعل.
الآثار المترتبة: يسمح هذا الإطار للباحثين والمنظمين والمؤسسات المالية بتتبع التحول من استرجاع المعلومات إلى التفويض بشكل منهجي. ويشير المؤلفون إلى أن أطر حماية المستهلك الحالية قد تحتاج إلى التطور لمعالجة "تشكيل" القرارات (المستوى 2)، وليس فقط "تنفيذ" القرارات (المستوى 3).
التواضع: لا تدعي الورقة أن الذكاء الاصطناعي جاهز للإدارة المالية المستقلة. بدلاً من ذلك، تسلط الضوء على أنه بينما تعد الخدمات المالية حالة استخدام رئيسية، فإن تفويض التنفيذ لا يزال نادراً، مما يشير إلى أن الانتقال نحو الذكاء الاصطناعي الوكيل (Agentic AI) لا يزال في مراحله الأولى. يُقدم الإطار كأداة لقياس هذا التحول أثناء حدوثه.