گزارش Skills in the AI age سازمان OECD در ۸ ژوئیه ۲۰۲۶ منتشر شد. این گزارش مسئله هوش مصنوعی و بازار کار را نه صرفاً حذف شغل، بلکه تغییر ترکیب وظایف و مهارتها صورتبندی میکند. در پژوهشهای مرتبط OECD، «متخصصان مالی» نیز در میان مشاغل با exposure بالاتر به AI قرار میگیرند. در همین حال، دادههای استفاده واقعی Anthropic در مارس ۲۰۲۶، financial analysts را در میان مشاغلی قرار داد که exposure بالایی دارند. بخش قابلتوجهی از وظایف این مشاغل با استفاده از مدلهای زبانی انجام میشود.
این شواهد بیشتر از آنکه پایان حرفه تحلیل مالی را نشان دهند، از بازطراحی آن خبر میدهند. AI بخشهایی از کار را که بر جمعآوری، خواندن، تبدیل، مقایسه و خلاصهسازی داده متکیاند، سریعتر انجام میدهد. در مقابل، تحلیلگر بیشتر به تعریف مسئله، تشخیص اهمیت داده، آزمودن فرضها و فهم زمینه کسبوکار میپردازد. او همچنین کیفیت خروجی را ارزیابی میکند و مسئولیت نتیجه را میپذیرد.
بنابراین تحلیلگر مالی آینده الزاماً کسی نیست که بیشترین زمان را صرف تولید مدل و گزارش کند. مزیت او بیشتر در این خواهد بود که بداند چه چیزی باید تحلیل شود، خروجی AI کجا قابل اعتماد نیست و کدام نتیجه واقعاً به تصمیم تبدیل میشود.
چه بخشی از کار تحلیلگر اول تغییر میکند؟
در ۸ ژوئیه ۲۰۲۶، OECD گزارشی درباره مهارتهای موردنیاز در عصر هوش مصنوعی منتشر کرد. نقطه شروع آن ساده اما مهم است: اثر AI بر بازار کار فقط از مسیر «حذف یا ایجاد شغل» عبور نمیکند. فناوری میتواند ترکیب وظایف داخل یک شغل را تغییر دهد و در نتیجه ارزش مهارتهای مختلف را جابهجا کند.
برای تحلیل مالی، این تغییر از همین حالا قابل مشاهده است. پژوهش OECD درباره مشاغل با exposure بالاتر به AI، گروه Finance Professionals را در میان مشاغل بیشتر در معرض قرار میدهد. پژوهش Anthropic نیز financial analysts را در مارس ۲۰۲۶ در میان مشاغل دارای observed exposure بالا قرار داد.
اما از «exposure بالا» نباید مستقیماً به «حذف تحلیلگر مالی» رسید.
موضوع دقیقتر این است که کدام قسمت تحلیل مالی در حال کالاییشدن است و کدام قسمت ارزش بیشتری پیدا میکند.
مرحله اول تغییر: پردازش اطلاعات دیگر مزیت کمیابی نیست
بخش قابلتوجهی از کار سنتی تحلیلگر مالی صرف پیدا کردن و مرتبکردن اطلاعات میشود:
- خواندن گزارشهای مالی
- استخراج ارقام
- مقایسه دورهها
- پیدا کردن تغییرات
- محاسبه نسبتها
- خلاصهکردن اسناد
- آمادهسازی اولین نسخه یک گزارش
AI دقیقاً در همین محیط مزیت طبیعی دارد.
مدلهای جدید حجم بزرگی از متن و داده را در زمان کوتاه میخوانند. آنها اطلاعات را ساختاربندی میکنند و روی مجموعهای از اسناد جستوجو و مقایسه انجام میدهند.
پژوهش Anthropic درباره بهرهوری وظایف، برای تفسیر دادههای مالی صرفهجویی زمانی بزرگی برآورد میکند. خود پژوهش نیز تأکید میکند این ارقام برآوردیاند. زمان لازم برای اصلاح خروجی، کار خارج از چت و کاملکردن محصول نهایی را بهطور کامل اندازه نمیگیرند.
این محدودیت مهم است، اما جهت تغییر را از بین نمیبرد.
وقتی استخراج جدول، خلاصهسازی گزارش و اولین دور مقایسه سریعتر میشود، توانایی انجام دستی همین فعالیتها دیگر همان ارزش کمیاب گذشته را ندارد.
تفسیر: AI لزوماً تحلیل را حذف نمیکند؛ ابتدا هزینه بخش پردازشی تحلیل را پایین میآورد. وقتی هزینه یک بخش پایین میآید، ارزش حرفهای به قسمتهایی منتقل میشود که هنوز کمیاباند.
از ساخت گزارش به طراحی سؤال
تصور سنتی از تحلیلگر مالی اغلب با یک deliverable تعریف میشود: فایل اکسل، مدل ارزشگذاری، گزارش عملکرد یا investment memo.
اما AI میتواند رابطه میان تحلیلگر و deliverable را تغییر دهد.
OpenAI در نمونههای منتشرشده از workflowهای مالی خود، استفادههایی مانند جستوجو و اتصال دادهها، تحلیل API و ساخت داشبوردهای پویا را توصیف میکند. این نمونهها پردازش مکاتبات خزانهداری و هماهنگسازی agentهای تخصصی را نیز نشان میدهند.
اینها نمونههای داخلی یک vendor هستند و نباید نماینده کل صنعت تلقی شوند. اما جهت تحول workflow را نشان میدهند: بخشی از خروجی که قبلاً متخصص مستقیماً میساخت، اکنون سیستم میتواند تولید یا بهروزرسانی کند.
در چنین محیطی، نقش تحلیلگر یک سطح بالاتر میرود.
دیگر فقط سؤال این نیست که: «این مدل مالی را چطور بسازم؟»
بلکه:
- «کدام مدل برای این تصمیم مناسب است؟»
- «کدام فرض واقعاً نتیجه را میسازد؟»
- «کدام داده قابل مقایسه نیست؟»
- «اگر تعریف درآمد، نرخ رشد یا هزینه سرمایه تغییر کند، نتیجه چقدر حساس است؟»
این تغییر ظریف است، اما حرفه را عوض میکند.
AI میتواند سرعت تولید پاسخ را بالا ببرد؛ تحلیلگر باید کیفیت سؤال را بالا ببرد.
این پیشرفت در Pattern Recognition است؛ اما Pattern Recognition با Explanation یکی نیست.
یکی از جذابترین قابلیتهای AI در تحلیل مالی، پیدا کردن الگو میان مجموعه دادهها و اسناد متعدد است.
مدل میتواند تغییر حاشیه سود را در چند دوره پیدا کند و زبان مدیریت را میان گزارشهای مختلف مقایسه کند. همچنین میتواند تناقض میان presentation و filing را برجسته کند یا مجموعهای از سناریوها را سریعتر محاسبه کند.
اما مشاهده pattern هنوز explanation نیست.
برای مثال، شاید افت حاشیه سود از افزایش همزمان هزینه نیروی انسانی، تغییر mix محصول و کاهش نرخ ارز نشأت بگیرد. پیدا کردن همزمانی این متغیرها یک مرحله است. تعیین اینکه کدامیک علت غالب بوده، کدام موقتی است و کدام برای ارزش آینده شرکت اهمیت دارد، مسئله متفاوتی است.
این تفاوت به یکی از محدودیتهای بنیادی سیستمهای AI برمیگردد: مدل فقط با contextی کار میکند که در اختیارش قرار میگیرد.
NIST در چارچوب مدیریت ریسک AI هشدار میدهد که تبدیل پدیدههای پیچیده انسانی و سازمانی به بازنماییهای قابل محاسبه میتواند context لازم را از بین ببرد. این نهاد همچنین تأکید میکند سازمانها باید نقش انسانها را در تصمیمگیری، استفاده و نظارت بر سیستمهای AI صریح و روشن تعریف کنند.
در تحلیل مالی، این context میتواند تعیینکننده باشد:
- یک عدد حسابداری شاید بدون شناخت تغییر استاندارد گزارشگری معنای متفاوتی داشته باشد
- رشد فروش میتواند از افزایش واقعی volume نیاید و در عوض صرفاً از تغییر قیمت یا acquisition سرچشمه بگیرد.
- یک افت موجودی میتواند نشانه تقاضای قوی باشد یا صرفاً نتیجه اختلال در تأمین
AI میتواند ارتباطها را پیدا کند. تحلیلگر باید تشخیص دهد کدام ارتباط معنا دارد.
مسئله بعدی: از تولید خروجی به اعتبارسنجی خروجی
هرچه AI بخش بیشتری از workflow را انجام دهد، یک وظیفه تازه بزرگتر میشود: verification.
اگر تحلیلگر خودش هر خط مدل را بسازد، دستکم میداند اعداد از کجا میآیند و فرضها کجا قرار دارند.
وقتی بخشی از کار توسط AI انجام میشود، سرعت بالاتر است اما مسئله provenance اهمیت بیشتری پیدا میکند:
- این عدد را از کدام سند استخراج کردهاید؟
- آیا دوره مالی را درست انتخاب کردهاید؟
- واحد پول و scale صحیح است؟
- آیا مدل میان actual و forecast تفاوت میگذارد؟
- یک تعریف حسابداری را در دو شرکت متفاوت یکسان فرض نکرده؟
- آیا دادهها ناقص هستند و مدل شکاف را با یک inference پر میکند؟
NIST در AI Risk Management Framework بر testing، evaluation، verification، validation و مستندسازی oversight انسانی تأکید میکند. Playbook آن نیز پیشنهاد میکند سطح نظارت انسان بر خروجی AI، خطاها، overrideها و تصمیمهای accountable بهشکل صریح ثبت شوند.
این نکته برای تحلیل مالی اهمیت مضاعف دارد.
چون یک متن ممکن است فقط به این دلیل غلط باشد که نویسنده آن را بد نوشته است؛ اما یک فرض اشتباه در valuation یا forecast میتواند مستقیماً تصمیم تخصیص منابع یا سرمایه را تغییر دهد.
بنابراین AI هرچه بیشتر «کار» کند، تحلیلگر حرفهای باید بیشتر زنجیره اعتبار خروجی را مدیریت کند.
آیا هوش مصنوعی تحلیلگر مالی را حذف میکند؟
Trigger این گزارش درباره تغییر مهارتهاست، نه اعلام پایان مشاغل.
دادههای Anthropic در مارس ۲۰۲۶ financial analysts را در گروه مشاغل با observed AI exposure بالا جای میدهند؛ با این حال همان پژوهش هیچ افزایش سیستماتیکی در بیکاری این گروه شغلی در بازار کار آمریکا پیدا نکرد. پژوهش نشانهای اولیه از کندشدن ورود افراد ۲۲ تا ۲۵ سال به مشاغل پر-exposure یاف خود پژوهش این نتیجه را tentative میداند و توضیحهای جایگزین ممکن را نیز ذکر میکند.
این تفکیک مهم است.
Exposure به وظایف، معادل حذف occupation نیست.
ممکن است یک شغل باقی بماند اما نسبت زمان صرفشده روی فعالیتهای مختلف آن کاملاً تغییر کند.
OECD نیز مسئله را در همین سطح میبیند: AI در بعضی وظایف جایگزین انسان و در برخی مکمل اوست. در مشاغل با exposure بالا، تقاضا برای مهارتهای مدیریتی، فرایندی، اجتماعی و شناختی همچنان قابلتوجه است.
OECD در بحث سیاست AI نیز judgment، تفکر انتقادی، خلاقیت و ارتباط انسانی را از مهارتهایی میداند که میتوانند مکمل سیستمهای AI باشند.
در نتیجه، سؤال مناسب برای تحلیلگر مالی این نیست: «آیا AI شغل من را میگیرد؟»
بلکه: «کدام بخش شغل من دیگر مزیت رقابتی نیست؟»
ارزش تحلیلگر کجا باقی میماند؟
اگر AI استخراج اطلاعات را ارزانتر کند و ساخت اولین نسخه تحلیل را سریعتر، ارزش انسانی کجا باقی میماند؟
ارزش تحلیلگر به سمت Judgment و Context حرکت میکند
در حداقل چهار نقطه.
۱.تعریف مسئله: دو تحلیلگر میتوانند با داده یکسان به سؤالهای متفاوت برسند. تحلیلگر باید پیش از هر محاسبه تصمیم بگیرد که مسئله اصلی رشد است، کیفیت سود، سرمایه در گردش، یا durability و leverage مزیت رقابتی.. AI میتواند سؤال را پاسخ دهد؛ اما judgment انسانی تعیین میکند کدام سؤال برای تصمیم اهمیت دارد.
۲. تشخیص اهمیت: یک مدل میتواند دهها anomaly پیدا کند. تحلیلگر باید بداند کدام anomaly واقعاً material است. در تحلیل حرفهای، ارزش از پیدا کردن هر تفاوتی نمیآید؛ از تشخیص تفاوتی میآید که thesis را تغییر میدهد.
۳. استدلال زمینهای: عدد بدون زمینه بهراحتی گمراهکننده است. صنعت، چرخه اقتصادی، ساختار قراردادها، کیفیت مدیریت، incentives، مقررات و رفتار رقبا ممکن است تفسیر همان عدد را عوض کنند. NIST دقیقاً همین خطر از دسترفتن context را در سیستمهای مبتنی بر داده برجسته میکند.
۴. پاسخگویی: مهمترین تفاوت شاید همین باشد. وقتی یک تصمیم سرمایهگذاری، بودجهای یا مالی اشتباه از آب درمیآید، نمیتوان responsibility را به «مدل» منتقل کرد. NIST در بخش governance بر تعریف روشن نقشها، مسئولیتها و ساختارهای accountability در استفاده از AI تأکید میکند. در ساختار مالی، این یعنی مدل میتواند recommendation تولید کند، اما کسی باید مسئول فرضها، محدودیتها و تصمیم نهایی باشد.
سرعت را میتوان به ماشین واگذار کرد. پاسخگویی را نه.
تحلیلگر مالی آینده چه کاری کمتر و چه کاری بیشتر انجام میدهد؟
برآیند trigger OECD و شواهد فعلی درباره usage را میتوان به یک تغییر workflow تبدیل کرد:
- از جستوجوی دستی اطلاعات ← به طراحی universe داده و کنترل منبع
- از استخراج ارقام ← به اعتبارسنجی extraction و provenance
- از ساخت اولین نسخه مدل ← به تعریف architecture و assumptions
- از مقایسه دستی سناریوها ← به طراحی سناریو و آزمون حساسیت
- از خلاصهکردن اسناد ← به تشخیص materiality و تناقض
- از تولید گزارش ← به ساخت argument و decision narrative
- از کنترل محاسبات ← به کنترل منطق، context و failure modes
- از پاسخدادن به سؤال ← به تعیین اینکه چه سؤالی ارزش پرسیدن دارد
این فهرست به معنی حذف مهارتهای فنی نیست.
برعکس، برای ارزیابی خروجی AI باید آنقدر حسابداری، مالی و مدلسازی بدانید که متوجه شوید سیستم کجا اشتباه میکند.
پارادوکس همینجاست: هرچه تولید فنی آسانتر شود، توانایی قضاوت درباره کیفیت تولید فنی ارزشمندتر میشود.
جمعبندی
چیزی که این گزارش هنوز روشن نمیکند
گزارش OECD یک مسیر تحول را نشان میدهد، نه نقطه پایان آن. چند مسئله هنوز باز است.
اول، exposure به AI با adoption واقعی در سازمانها فرق دارد؛ زیرساخت داده، محرمانگی، مقررات، کنترل داخلی و تحمل ریسک هر سازمان، سرعت استفاده را تعیین میکنند.
دوم، داده Anthropic فقط رفتار کاربران محصولات Anthropic را میسنجد؛ نماینده کل بازار کار یا تمام workflowهای مالی نیست. خود پژوهش هم این محدودیت را میپذیرد.
سوم، benchmarkها اغلب task مشخص و context آماده در اختیار مدل قرار میدهند. حتی GDPval، ارزیابی OpenAI از وظایف حرفهای واقعی، تصریح میکند نسخه اولیه آن بیشتر بر knowledge work قابل انجام پشت کامپیوتر متمرکز است. بخشهایی مانند tacit knowledge، تعاملات انسانی و context ناقص را بهطور کامل پوشش نمیدهد.
این محدودیت برای تحلیل مالی حیاتی است، چون بخش دشوار تحلیل حرفهای اغلب زمانی آغاز میشود که مسئله دقیقاً تعریف نشده.
چه چیزی باید بعد از این گزارش رصد شود
اگر thesis این گزارش درست باشد، تحول نقش تحلیلگر مالی باید در چند نشانه قابل مشاهده باشد:
- چه مقدار از workflowهای استخراج، reconciliation و draft analysis به AI منتقل میشود؟
- نسبت automation به augmentation چگونه تغییر میکند؟
- شرکتها چه کنترلهایی برای provenance، validation و approval ایجاد میکنند؟
- آیا شرح شغلهای مالی بیشتر روی AI literacy، judgment و communication تأکید میکنند؟
- آیا استخدام junior analyst کاهش مییابد یا وظایف entry-level بازطراحی میشوند؟
- آیا بهرهوری بالاتر به تحلیل عمیقتر منجر میشود یا فقط حجم خروجی را بیشتر میکند؟
پژوهش Anthropic در ۲۰۲۶ نیز نشان میدهد حتی در داده استفاده از یک مدل واحد، نسبت automation و augmentation ثابت نیست. این نسبت با نوع محیط استفاده تغییر میکند.
بنابراین تغییر نقش تحلیلگر مالی یک رویداد یکباره نیست؛ یک بازطراحی تدریجی تقسیم کار میان انسان و سیستم است.
گزارش OECD در ژوئیه ۲۰۲۶ و دادههای استفاده واقعی AI یک پیام مشترک دارند: نقشهای مالی در معرض تغییر جدی در سطح وظایف قرار دارند. اما این تغییر را نباید با حذف ساده حرفه تحلیل مالی یکی دانست.
AI میتواند بخشی از فرایند جمعآوری، خواندن، مقایسه، محاسبه و تولید اولین نسخه تحلیل را سریعتر کند. همین اتفاق ارزش حرفهای را جابهجا میکند.
تحلیلگر کمتر بابت «تولید اطلاعات» متمایز میشود. بیشتر بابت تعریف مسئله، تشخیص اهمیت، آزمودن خروجی، قرار دادن داده در context و پذیرفتن مسئولیت تصمیم متمایز میشود.
در نتیجه، آینده تحلیلگر مالی احتمالاً رقابت میان «انسان و AI» نیست.
رقابت اصلی میان دو نوع تحلیلگر خواهد بود: کسی که AI را صرفاً برای سریعتر تولیدکردن همان خروجیهای قدیمی به کار میگیرد، و کسی که workflow را از نو طراحی میکند و زمان آزادشده را به قضاوتی اختصاص میدهد که هنوز نمیتوان به ماشین واگذار کرد.