FSB پیشنهاد 12 روش برای مدیریت هوش مصنوعی در مؤسسات مالی

در تاریخ 15 اکتبر 2026، شورای ثبات مالی (FSB) گزارش نهایی خود را تحت عنوان "روش‌های مناسب برای استفاده مسئولانه از هوش مصنوعی در مؤسسات مالی" منتشر کرد و 12 روش را برای مؤسسات مالی ارائه داد. این گزارش به استراتژی‌های هوش مصنوعی، ارزیابی ریسک، مدیریت داده‌ها، نظارت انسانی، امنیت سایبری و خدمات شخص ثالث می‌پردازد و به مشکلات مدیریتی ناشی از تسریع در استفاده از هوش مصنوعی مولد و هوش مصنوعی عامل در سال‌های اخیر پاسخ می‌دهد.

مدیریت هوش مصنوعی در مؤسسات مالی، مسئولان کسب‌وکار، تیم‌های ریسک و تأمین‌کنندگان خارجی را به هم متصل می‌کند.

این گزارش پس از مشاوره عمومی نهایی شده و یک چارچوب عملی بین‌المللی را ارائه می‌دهد که مؤسسات می‌توانند با توجه به کسب‌وکار و وضعیت ریسک خود از آن استفاده کنند. مؤسسات مالی هنگام پیاده‌سازی این روش‌ها باید به قوانین و الزامات نظارتی خاص منطقه خود توجه کنند.

چرا یک مجموعه روش باید شامل مراحل مختلفی از جمله هیئت مدیره، داده‌ها، مدل‌ها و تأمین‌کنندگان باشد؟ می‌توان این موضوع را از یک پروژه رایج درک کرد: بانک‌ها آماده‌اند تا از هوش مصنوعی برای کمک به پردازش وام‌های کوچک استفاده کنند. تیم کسب‌وکار می‌خواهد زمان بررسی را کاهش دهد، تیم مدل نگران دقت شناسایی است، تیم انطباق به اطلاعات مشتری و توضیحات تصمیمات توجه دارد و تیم عملیات باید اطمینان حاصل کند که حتی در صورت توقف خدمات تأمین‌کننده، کسب‌وکار وام همچنان ادامه یابد. فقط بررسی عملکرد مدل نمی‌تواند به سوالات دیگر طرف‌ها پاسخ دهد. گزارش FSB سعی دارد این تصمیمات را در یک فرآیند مدیریتی واحد قرار دهد.

یک، 12 روش از مدیریت مؤسسه به کل چرخه هوش مصنوعی گسترش می‌یابد

FSB 12 روش را به دو گروه تقسیم کرده است. چهار روش اول به مدیریت سطح مؤسسه مربوط می‌شود و هشت روش بعدی به مراحل مختلف هوش مصنوعی از جمله معرفی، توسعه، استقرار و استفاده مداوم می‌پردازد.

چهار روش مدیریت مؤسسه ابتدا مسئولیت‌ها، سوابق و تنظیمات مداوم را در چارچوب مدیریتی قرار می‌دهند.

بخش مدیریت مؤسسه ابتدا از هیئت مدیره و مدیریت ارشد می‌خواهد که استفاده از هوش مصنوعی را در کنار مدل کسب‌وکار، تمایلات ریسک و استراتژی کلی در نظر بگیرند. هنگامی که هوش مصنوعی در بررسی اعتبار، خدمات مشتری، نظارت بر معاملات یا تصمیم‌گیری داخلی شرکت می‌کند، مدیریت باید بداند که هوش مصنوعی در کجا استفاده می‌شود، چه وظایفی را بر عهده دارد و خطاها چه تأثیری خواهند داشت.

دومین روش بر تقسیم مسئولیت تأکید می‌کند. مؤسسات باید وظایف هر یک از تیم‌های کسب‌وکار، فناوری، ریسک، انطباق و حسابرسی را به وضوح مشخص کنند و ریسک‌های هوش مصنوعی را در چارچوب مدیریت ریسک موجود بگنجانند. سومین روش این ایده را ادامه می‌دهد و از مؤسسات می‌خواهد که نحوه استفاده از هوش مصنوعی، ارزیابی ریسک و کنترل‌های مربوطه را ثبت کنند.

ارزش ثبت در این است که در صورت بروز مشکل، مؤسسات می‌توانند سیستم را بازسازی کنند و ببینند چه تصمیماتی گرفته شده، از چه داده‌هایی استفاده شده، چه کسی تصمیم گرفته و چه کنترل‌هایی در آن زمان فعال بوده‌اند. چهارمین روش به مؤسسات یادآوری می‌کند که محیط‌های فناوری و کسب‌وکار تغییر می‌کنند و ساختار مدیریت نیز باید به تبع آن تنظیم شود.

این چهار روش تعیین می‌کند که یک پروژه هوش مصنوعی توسط چه کسی تأیید می‌شود، چه کسی آن را نگهداری می‌کند و چه کسی حق توقف آن را دارد. هیئت مدیره نیازی به بررسی جزئیات پارامترهای مدل ندارد، اما باید بداند که مؤسسه هوش مصنوعی را در چه کسب‌وکارهای مهمی قرار داده، چه سودهایی را پیش‌بینی کرده و چه ریسک‌هایی را آماده است بپذیرد. مدیریت سپس الزامات کلی را به تأیید محصولات و مسئولیت‌های شغلی منتقل می‌کند. به عنوان مثال، مسئول کسب‌وکار وام تصمیم می‌گیرد که پیشنهاد هوش مصنوعی به کدام مرحله از تأیید وارد شود؛ تیم ریسک مدل تست‌هایی را طراحی می‌کند؛ افراد انطباق حقوق مشتری را بررسی می‌کنند؛ و حسابرسی داخلی ارزیابی می‌کند که آیا کنترل‌های فوق واقعاً اجرا شده‌اند یا خیر. اگر بین مسئولیت‌ها خلأی وجود داشته باشد، باید قبل از راه‌اندازی یک تصمیم‌گیرنده نهایی تعیین شود.

مدارک مورد اشاره FSB نیز به معنای نگهداری یک دفترچه راهنما نیست. یک مورد استفاده باید حداقل قادر به ردیابی هدف کسب‌وکار، منبع داده‌ها، نسخه مدل، نتایج تست، مکان‌های مداخله انسانی، وابستگی‌های شخص ثالث و سوابق تغییرات عمده باشد. اگر مشتری نتیجه تأیید را زیر سوال ببرد، مؤسسات می‌توانند بر اساس این مواد فرآیند را بازسازی کنند. برای نرم‌افزارهای اداری که قبلاً خریداری شده‌اند نیز همین‌طور است: اگر محصولی که در ابتدا شامل هوش مصنوعی نبوده، قابلیت‌های خلاصه‌سازی خودکار یا دسته‌بندی مشتری را اضافه کند، مؤسسات باید دوباره جریان داده‌های ورودی و دامنه استفاده را تأیید کنند.

هشت روش بعدی از سناریوهای استفاده خاص شروع می‌شود و به اهمیت و ارزیابی ریسک موارد استفاده هوش مصنوعی، انتخاب مدل‌ها و سیستم‌ها، مدیریت داده‌ها، قابلیت توضیح و شفافیت می‌پردازد. روش‌های بعدی همچنین شامل عملکرد سیستم، نظارت انسانی، ریسک‌های فناوری اطلاعات و ارتباطات (ICT) و وابستگی به هوش مصنوعی شخص ثالث می‌شود.

12 روش بر اساس موضوعات مدیریتی سازماندهی شده‌اند و بسیاری از الزامات در مراحل مختلف استفاده از هوش مصنوعی تکرار می‌شوند. مؤسسات می‌توانند با توجه به اندازه خود، پیچیدگی کسب‌وکار، نقش خود در سیستم مالی و میزان ورود هوش مصنوعی به کسب‌وکارهای کلیدی، عمق کنترل‌ها را تعیین کنند.

"ارزیابی اهمیت" (materiality assessment) در اینجا به سادگی به معنای تعیین این است که آیا یک کاربرد هوش مصنوعی می‌تواند بر کسب‌وکارهای کلیدی، حقوق مشتریان یا تصمیمات ریسک تأثیر بگذارد یا خیر. ابزاری که برای تنظیم صورتجلسات استفاده می‌شود، با سیستمی که در تأیید وام یا مدیریت دارایی‌های مشتری شرکت می‌کند، نیاز به تنظیمات بررسی متفاوتی دارد. FSB پیشنهاد می‌کند که بر اساس سناریوهای کاربرد و ریسک، شدت مدیریت را تنظیم کند تا مؤسسات منابع کنترلی بیشتری را به کاربردهای با تأثیر بیشتر اختصاص دهند.

این مجموعه مدیریت چرخه حیات از مؤسسات می‌خواهد که داده‌ها، مدل‌ها و سناریوهای کسب‌وکار را به طور همزمان بررسی کنند. کیفیت داده‌های آموزشی و عملیاتی می‌تواند بر خروجی مدل تأثیر بگذارد، به‌روزرسانی مدل ممکن است عملکرد قبلی را تغییر دهد و نحوه استفاده مشتریان و کارکنان نیز می‌تواند ریسک‌های جدیدی را به همراه داشته باشد. بنابراین، ارزیابی ریسک باید در تمام مراحل انتخاب، تست، راه‌اندازی و اجرای مداوم وجود داشته باشد.

پنجمین روش "ارزیابی اهمیت و ریسک" مناسب است که در مرحله پروژه اولیه انجام شود و سپس در صورت تغییر کاربرد، گسترش دامنه داده‌ها یا به‌روزرسانی مدل دوباره انجام شود. پایگاه داده‌های خدمات مشتری که ساعات کاری محصولات را پاسخ می‌دهد، با سیستمی که به‌طور خودکار مشتریان را به خرید محصولات سرمایه‌گذاری با ریسک بالا توصیه می‌کند، با عواقب متفاوتی برای مصرف‌کنندگان مواجه است. مؤسسات می‌توانند تعداد افراد تحت تأثیر، قابلیت برگشت تصمیم، حساسیت داده‌ها، ریسک مالی و قابلیت مداخله انسانی را در ارزیابی قرار دهند و سپس تصمیم بگیرند که به چه نوع تست و تأیید نیاز دارند. به این ترتیب، منابع به سمت سیستم‌هایی که واقعاً ممکن است به مشتری آسیب برسانند یا خدمات را مختل کنند، اولویت داده می‌شود.

ششمین روش انتخاب مدل است. در بازار، هم مدل‌های داخلی وجود دارد و هم API‌های خارجی و قابلیت‌های هوش مصنوعی که در نرم‌افزارهای معمولی گنجانده شده‌اند. تیم‌های کسب‌وکار معمولاً ابتدا قیمت و عملکرد را مشاهده می‌کنند، در حالی که تیم‌های ریسک باید بپرسند: آیا مدل می‌تواند در زبان، گروه مشتری و شرایط بازار مؤسسه ما به طور پایدار کار کند؟ آیا تأمین‌کننده در زمان به‌روزرسانی اطلاع‌رسانی می‌کند؟ آیا داده‌ها برای آموزش‌های بیشتر استفاده می‌شوند؟ اگر فقط اطلاعات فنی محدودی در دسترس باشد، مؤسسات می‌توانند ابتدا دامنه استفاده و داده‌ها را محدود کنند و پس از راه‌اندازی، با استفاده از نمونه‌های خود به‌طور مداوم تست کنند، نه اینکه نمایش خرید را به عنوان تأیید رسمی در نظر بگیرند.

هفتمین و هشتمین روش به داده‌ها و توضیحات مربوط می‌شود. اگر نمونه‌های تاریخی وام شامل نوع خاصی از مشتریان نباشد، مدل ممکن است در این نوع درخواست‌ها دقت خود را از دست بدهد؛ اگر کارکنان خط مقدم نتوانند نتایج توصیه‌ها را توضیح دهند، رسیدگی به اعتراضات مشتری دشوارتر خواهد بود. بنابراین، مدیریت داده‌ها شامل کامل بودن، دقت، مجوز منبع، دسترسی و امنیت است. الزامات قابلیت توضیح نیز باید بر اساس سناریو تنظیم شود: برای ارائه مراجع به جستجوهای داخلی و برای توضیح تصمیماتی که بر فرصت‌های تأمین مالی مشتری تأثیر می‌گذارد، نیاز به وضوح متفاوتی وجود دارد. FSB به مؤسسات اجازه می‌دهد که برای مدل‌های دشوار در توضیح، محدودیت‌های کاربرد، بازبینی و تست‌های اضافی را تعیین کنند، با تمرکز بر این که افرادی که مسئول تصمیم‌گیری هستند، اطلاعات کافی را در اختیار داشته باشند.

نهمین و دهمین روش به عملیات روزمره مربوط می‌شود. مؤسسات باید عملکرد مدل را در صورت تغییر محیط کسب‌وکار نظارت کنند و نرخ خطا، شکایات، فراخوانی‌های غیرمعمول و تغییرات دستی را مشاهده کنند؛ شاخص‌های نظارتی باید با کاربرد اصلی مرتبط باشند. نظارت انسانی نیز باید دارای قدرت واقعی باشد. اگر بازرس فقط بر روی صفحه نمایش "تأیید" را کلیک کند، نه تنها نمی‌تواند مبنای تصمیم را ببیند، بلکه نیز نمی‌تواند خروجی را تغییر دهد، نظارت به سختی می‌تواند مؤثر باشد. فرآیندهای با ریسک بالا می‌توانند تأیید دوباره اجباری، بازبینی نمونه‌ای و آستانه توقف خودکار را تنظیم کنند؛ ثبت اینکه چرا انسان توصیه‌های مدل را پذیرفته یا رد کرده است، می‌تواند به بهبود تست کمک کند.

دو روش آخر هوش مصنوعی را به محیط فناوری و زنجیره تأمین بازمی‌گرداند. رابط‌های مدل، اتصالات داده و ابزارهای عامل ممکن است به نقاط حمله جدیدی تبدیل شوند، و تمرینات امنیت سایبری باید شامل تزریق هشدار، نشت کلید، فراخوانی ابزارهای اشتباه و قطع خدمات خارجی باشد. ریسک‌های تأمین‌کننده همچنین شامل عملکرد مدل، شفافیت، کیفیت داده‌های آموزشی و عملیاتی، زنجیره‌های فرعی و وابستگی متمرکز است. اگر چندین بانک به طور همزمان از تعداد کمی از پلتفرم‌های ابری یا مدل‌های پایه استفاده کنند، نقص یک تأمین‌کننده می‌تواند تأثیرات تجاری وسیع‌تری داشته باشد. مؤسسات باید حداقل بدانند که وابستگی‌های کلیدی کجا هستند و در صورت قطع خدمات مهم چه کسی مسئولیت را بر عهده می‌گیرد.

دو، نظرات عمومی جزئیات عملیاتی را به نسخه نهایی اضافه کرد

FSB در ژوئن 2026 پیش‌نویس مشاوره‌ای را منتشر کرد و درخواست نظرات را تا 22 ژوئیه ادامه داد. در مجموع حدود 160 بازخورد دریافت شد که از بانک‌ها، شرکت‌های بیمه، سایر مؤسسات مالی، انجمن‌های صنعتی، ارائه‌دهندگان خدمات فناوری، دانشگاه‌ها و بخش عمومی آمده است. به طور کلی، پاسخ‌دهندگان از رویکرد مبتنی بر اصول و تأکید بر تناسب حمایت کردند؛ در عین حال، مشکلات عملی در پیاده‌سازی را نیز مطرح کردند.

نسخه نهایی چارچوب اصولی و بی‌طرفانه را حفظ کرده و توضیحاتی را درباره چگونگی استفاده مؤسسات کوچک از توانایی‌های موجود و تخصص‌های خارجی برای پیاده‌سازی مدیریت اضافه کرده است. بخش موارد شامل تجربیات شرکت‌های بیمه، مؤسسات مدیریت دارایی و ارائه‌دهندگان خدمات پرداخت است که این روش‌ها را برای انواع بیشتری از مؤسسات قابل استفاده می‌کند. FSB موارد را به عنوان نمایش مسیرهای عملیاتی در نظر می‌گیرد و تنظیمات خاص همچنان باید با توجه به وضعیت خاص مؤسسات انجام شود.

هوش مصنوعی شخص ثالث یکی از مسائل با بازخورد متمرکز است. هنگامی که مؤسسات مالی از مدل‌های خارجی یا محصولات هوش مصنوعی جاسازی شده استفاده می‌کنند، اطلاعات قابل مشاهده درباره مدل، داده‌ها و اطلاعات زنجیره تأمین معمولاً محدود است و این امر ارزیابی مستقل ریسک را دشوارتر می‌کند. سهم چند تأمین‌کننده کلیدی در زیرساخت‌های هوش مصنوعی به طور مداوم در حال افزایش است و این موضوع مؤسسات را نگران می‌کند که چگونه در صورت قطع خدمات، تأمین‌کننده را تغییر دهند و کسب‌وکار را بازیابی کنند.

وابستگی به شخص ثالث و امنیت سایبری نیز به مدیریت چرخه کامل هوش مصنوعی وارد شده است.

نسخه نهایی بنابراین بحث درباره هوش مصنوعی شخص ثالث را بیشتر گسترش داده و شامل هوش مصنوعی جاسازی شده، خدمات زیرمجموعه و وابستگی‌های زنجیره تأمین می‌شود و بر مدیریت تمرکز، تداوم کسب‌وکار و ترتیبات خروج تأکید می‌کند. ترتیبات خروج برای خدمات کلیدی به سادگی به این معناست که در صورت قطع خدمات تأمین‌کننده، پایان قرارداد یا ریسک‌های فراتر از تحمل مؤسسه، مؤسسات چگونه خدمات را تغییر دهند یا کسب‌وکار را حفظ کنند.

در مذاکرات قرارداد، مؤسسات مالی می‌توانند درباره چهار موضوع اطلاعات کسب کنند: تأمین‌کننده چگونه ورودی و خروجی‌ها را مدیریت می‌کند، تغییرات عمده مدل یا خدمات چگونه اطلاع‌رسانی می‌شود، در صورت بروز حادثه چه لاگ‌هایی ارائه می‌شود و پس از پایان همکاری، داده‌ها چگونه بازگردانده یا حذف می‌شوند. تأمین‌کنندگان بزرگ ممکن است هر یک از شرایط سفارشی مشتری را نپذیرند، اما مؤسسات همچنان می‌توانند با محدود کردن دامنه دسترسی، حفظ فرآیندهای پشتیبان داخلی و آزمایش مسیرهای جایگزین به کاهش وابستگی‌های نقطه‌ای بپردازند. به اصطلاح ترتیبات خروج باید در نهایت به افراد، فرمت داده‌ها و زمان لازم برای تبدیل مربوط شود و نباید فقط در قرارداد به "قابل پایان" باقی بماند.

هوش مصنوعی عامل نیز به عنوان یک نقطه تمرکز برای اصلاحات مطرح شده است. این نوع هوش مصنوعی با ابزارهای تولید متن عمومی متفاوت است و می‌تواند پس از تعیین هدف، چندین مرحله را به طور مداوم اجرا کند و برخی سیستم‌ها همچنین ممکن است ابزارهای خارجی را فراخوانی کنند یا به داده‌های کسب‌وکار دسترسی پیدا کنند. نظرات بازخوردی کنترل‌هایی مانند مجوز قبل از اجرا، حداقل دسترسی، سوابق عملیاتی غیرقابل تغییر و نظارت در زمان اجرا را پیشنهاد کرده‌اند. گزارش نهایی این ملاحظات را اضافه کرده و توضیح می‌دهد که این بخش از عمل هنوز در حال توسعه است و ممکن است در آینده به راهنمایی‌های عمیق‌تری نیاز داشته باشد.

بازخورد مشاوره همچنین اشاره کرده است که اگر چندین مؤسسه به یک مدل یا تعداد کمی از تأمین‌کنندگان وابسته باشند، رفتار بازار ممکن است همگرا شود و ریسک‌ها نیز ممکن است متقابلاً افزایش یابند. گزارش نهایی بر این تمرکز دارد که چگونه یک مؤسسه مالی به طور مسئولانه از هوش مصنوعی استفاده کند؛ ریسک‌های سیستماتیک وسیع‌تر از طریق ارزیابی‌های ثبات مالی دیگر همچنان تحت نظارت خواهد بود.

سه، برای مؤسسات مالی، کار کلیدی این است که اصول را در فرآیندهای روزمره قرار دهند

این 12 روش در داخل مؤسسات، ابتدا به یک فهرست استفاده از هوش مصنوعی که به طور مداوم به‌روزرسانی می‌شود، نیاز دارد. این فهرست باید توضیح دهد که سیستم چه کسب‌وکاری را خدمت می‌کند، چه کسی مسئول است، بر کدام مشتریان یا فرآیندهای کلیدی تأثیر می‌گذارد، به کدام مدل‌ها و خدمات ابری خارجی وابسته است و در صورت بروز اختلال چگونه می‌توان آن را متوقف یا تغییر داد. قابلیت‌های هوش مصنوعی همچنین ممکن است در نرم‌افزارهای اداری، خدمات مشتری یا محصولات تحلیلی معمولی گنجانده شوند، بنابراین فهرست باید نرم‌افزارها و ابزارهای کسب‌وکار روزمره را که خارج از پروژه‌های خریداری شده هستند، پوشش دهد.

ثانیاً، ارزیابی ریسک هوش مصنوعی باید از مرحله خرید و آزمایش آغاز شود. تیم کسب‌وکار اهداف کاربرد را توضیح می‌دهد، تیم فناوری مدل و داده‌ها را ارزیابی می‌کند و افراد ریسک و انطباق تأثیر آن را بر تصمیمات مشتری، کسب‌وکارهای کلیدی یا الزامات قانونی ارزیابی می‌کنند. پس از راه‌اندازی سیستم، مؤسسات باید به طور مداوم عملکرد را نظارت کنند و بررسی کنند که آیا به‌روزرسانی‌های داده یا مدل ریسک‌های جدیدی را به همراه دارد یا خیر.

هنگامی که مسیر تصمیم‌گیری مدل به سختی قابل توضیح باشد، مؤسسات می‌توانند با محدود کردن کاربرد، افزایش بازبینی انسانی یا تنظیم تست‌های اضافی ریسک را کاهش دهند. این نوع "کنترل‌های جبرانی" برای کاهش ریسک ناشی از عدم شفافیت مدل و همچنین با الزامات قانونی مربوط به حفاظت از داده‌ها و حقوق مصرف‌کنندگان پیاده‌سازی می‌شود.

یک فرآیند داخلی قابل استفاده همچنین باید "آزمایش" و "تولید" را تفکیک کند. محیط آزمایش می‌تواند از داده‌های ناشناس یا مصنوعی استفاده کند و کاربران و تعداد فراخوانی‌ها را محدود کند؛ قبل از دسترسی به داده‌های واقعی مشتری و سیستم‌های کسب‌وکار، باید توسط تیم‌های کسب‌وکار، فناوری، امنیت و حقوقی داده‌ها و مجوزها تأیید شود. تأیید راه‌اندازی نباید به عنوان پایان کار تلقی شود. مؤسسات می‌توانند محرک‌های تغییر نسخه را تنظیم کنند: هنگام تغییر مدل پایه، دسترسی به ابزارهای خارجی جدید، گسترش به گروه‌های مشتری جدید یا تنظیم سطح خودکارسازی، بازبینی به‌طور خودکار آغاز می‌شود. بسیاری از ریسک‌های هوش مصنوعی پس از گسترش تدریجی کاربردها بروز می‌کنند، در حالی که مواد اولیه پروژه هنوز در سناریوهای کم‌خطر قبلی باقی مانده‌اند.

مدیریت شخص ثالث نیز باید به فرآیندهای خرید و قرارداد وارد شود. مؤسسات باید بدانند که تأمین‌کنندگان چه اطلاعاتی درباره مدل‌ها ارائه می‌دهند، داده‌ها چگونه مدیریت می‌شوند، خدمات توسط کدام شرکت‌های زیرمجموعه پشتیبانی می‌شوند، در صورت بروز به‌روزرسانی‌های عمده چگونه مشتریان را مطلع می‌کنند و در صورت قطع خدمات کلیدی چه گزینه‌های جایگزینی وجود دارد.

در شرایطی که تأمین‌کنندگان فقط اطلاعات فنی محدودی درباره مدل‌ها ارائه می‌دهند، مؤسسات مالی می‌توانند اطلاعاتی که به دست آمده، ریسک‌های در حال پردازش و ترتیبات عملیاتی را ثبت کنند تا به عنوان مبنای ارزیابی و مدیریت بعدی استفاده شود.

برای هوش مصنوعی عامل، همچنین باید مرزهای مجوز را به وضوح مشخص کرد: آن‌ها به چه داده‌هایی دسترسی دارند، می‌توانند از چه ابزارهایی استفاده کنند، کدام عملیات باید توسط کارکنان تأیید شود و چگونه در صورت بروز اختلال وظیفه متوقف می‌شود. ناظران باید دارای قدرت واقعی مداخله، زمان کافی و سوابق اجرایی قابل بررسی باشند.

به عنوان مثال، اگر مؤسسه اجازه دهد که عامل مدارک درخواست مشتری را مرتب کند، می‌تواند به آن اجازه دهد که پوشه‌های مشخصی را بخواند و فهرست‌های تأیید را تولید کند، اما تغییر میزان اعتبار و ارسال تصمیم به خارج را به کارکنان واگذار کند. اگر همان عامل بخواهد سه عمل جستجو، نوشتن و اطلاع‌رسانی را انجام دهد، سیستم می‌تواند در مراحل مختلف گواهی‌های کوتاه‌مدت صادر کند و هر بار فراخوانی را ثبت کند. به این ترتیب، تیم ریسک دیگر با برچسب مبهم "استفاده از عامل" مواجه نیست، بلکه با زنجیره اجرایی که می‌توان آن را تست، حسابرسی و متوقف کرد، روبرو می‌شود.

در عمل، می‌توان این 12 روش را به چهار نوع تحویل تقسیم کرد: اصول استفاده از هوش مصنوعی که توسط هیئت مدیره تأیید شده، فهرست کاربردها و وابستگی‌ها که به‌طور مداوم به‌روزرسانی می‌شود، ارزیابی و سوابق تست هر مورد استفاده مهم و برنامه‌های توقف و بازیابی در صورت بروز اختلال. این چهار نوع مواد به هم متصل هستند. فهرست به مدیریت می‌گوید که چه پروژه‌هایی وجود دارد؛ ارزیابی تعیین می‌کند که کدام کنترل‌ها سخت‌تر هستند؛ تست‌ها اثبات می‌کنند که کنترل‌ها مؤثر هستند؛ و سوابق حوادث به اصلاح قوانین کمک می‌کند. مؤسسات کوچک نیز می‌توانند از جلسات ریسک و فرآیندهای خرید موجود استفاده کنند، نکته کلیدی این است که مسئولیت‌ها و شواهد قابل ردیابی باشند.

چهار، این یک مرجع مدیریتی است، پیاده‌سازی هنوز به حوزه قانونی بستگی دارد

FSB این 12 روش را به عنوان ابزاری عملی که می‌تواند با توجه به شرایط مؤسسات تنظیم شود، معرفی کرده است. مؤسسات هنگام استفاده از این چارچوب باید موارد استفاده هوش مصنوعی را با الزامات خاص حوزه قانونی خود در زمینه حفاظت از داده‌ها، حقوق مصرف‌کنندگان، مدیریت برون‌سپاری، ریسک مدل یا مدیریت مؤسسات مالی مقایسه کنند.

عملکرد واقعی آن در ارائه یک فهرست مشترک از مدیریت است: از مسئولیت‌های هیئت مدیره، مستندات داخلی، تا انتخاب مدل، نظارت انسانی و مدیریت تأمین‌کنندگان، مؤسسات می‌توانند بر اساس آن فرآیندهای موجود خود را برای پوشش جنبه‌های کلیدی بررسی کنند. با ورود بیشتر هوش مصنوعی به کسب‌وکارهای مالی، مسئولیت‌ها، اقدامات کنترلی و ترتیبات اضطراری پشت این فهرست نیز باید به‌طور مداوم به‌روزرسانی شوند.

از منظر سیاست‌های بین‌المللی، اقدام FSB همچنین یک ارزش دارد: حوزه‌های قانونی مختلف می‌توانند از طریق مسائل مشابه به کاربردهای هوش مصنوعی مؤسسات مالی نگاه کنند. ناظران ممکن است از یک جدول مشابه استفاده نکنند، اما همه آن‌ها نگران این هستند که ریسک‌ها به عهده چه کسی است، مدل‌ها در کسب‌وکارهای کلیدی چگونه عمل می‌کنند و آیا مشتریان در صورت بروز نقص در وابستگی‌های خارجی تحت تأثیر قرار می‌گیرند یا خیر. اگر مؤسسات بتوانند شواهد فوق را آماده کنند، در مواجهه با الزامات مختلف در زمینه حفاظت از داده‌ها، حقوق مصرف‌کنندگان و نظارت احتیاطی، توضیح کنترل‌های خود نیز آسان‌تر خواهد بود.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.