איך AI יכול לעזור לארגונים פיננסיים לקבל החלטות בנושא סיכוני אשראי?

חברות אשראי ובנקים פועלים בסביבה שבה פרופיל לווה, תנאי שוק ומדיניות סיכון משתנים מהר יותר מקצב עדכון המודלים. מערכות דירוג מסורתיות מצטיינות בזיהוי דפוסים, אבל מתקשות להפעיל היסק אדפטיבי, להציג נימוקים עקביים, ולהגיב בזמן אמת לשינויים בתמונה הכוללת. מסגרת Agentic AI מציעה מעבר ממודל יחיד שמחזיר ציון לתהליך החלטה מודולרי שמבצע סדרת בדיקות ופעולות, מתעד את נתיב ההחלטה, ומייצר הסברים שמתאימים לציות ולחקירה.

להבין Agentic AI בניהול סיכוני אשראי: מה המחקר מציע ומה משתנה בארכיטקטורת ההחלטה

מחקר שפורסם לאחרונה Agentic AI for Autonomous, Explainable, and Real-Time Credit Risk Decision-Making הציע מסגרת Agentic AI לקבלת החלטות סיכון אשראי בזמן אמת באופן אוטונומי ושקוף יותר ממודלים מסורתיים. גישת המחקר אינה מתמקדת בעוד אלגוריתם דירוג, אלא במערכת רב סוכנים שמרכיבה החלטה מתוך רצף של שלבים, תוך איסוף נתונים מתמשך, הפקת ציוני סיכון, יצירת הסברים, ותיעוד מלא של הסיבות והפעולות. גישת המחקר נועדה לענות על צורך עסקי ברור: קיצור זמני החלטה בלי לאבד שליטה, בקרה, ויכולת להסביר החלטות ללקוח ולרגולטור.

המחקר מיישם תפיסה פרקטית אותנו אנו מיישמים בשטח ובה מיושם תהליך החלטה תפעולי במקום תוצר סטטי, כלומר אורקסטרה של מודלים או אם תרצו סוכני AI. מערכת כזו מפעילה במקביל סוכן איסוף נתונים, סוכן בדיקות חריגות, סוכן סיכון שמחשב מדדים, סוכן ציות שמוודא עמידה במדיניות, וסוכן שמנסח הסברים בשפה טבעית. מערכת כזו מאפשרת גם עדכון החלטה כאשר נכנסים נתונים חדשים, לדוגמה שינוי בהכנסות, עדכון חשבון עו״ש, או תנודתיות מאקרו שמגדירה מחדש ספי סיכון.

מבחינה עסקית, המשמעות היא שהחלטת אשראי הופכת ממסך אחד של ציון לתזמור של מיקרו החלטות: אילו נתונים חסרים, אילו בדיקות לבצע, האם נדרש אימות נוסף, האם כדאי לשנות תמחור במקום לדחות, ואיך להסביר זאת בצורה עקבית. גישת המחקר מדגישה כי התיעוד המובנה של מסלול ההחלטה הוא נכס תפעולי, מאחר שהוא מאפשר ביקורת פנימית, שחזור תקלות, והתגוננות מול אתגרי ציות.

המבנה ההנדסי של המסגרת: שכבות וסוכנים

שישה רכיבים מרכזיים שמרכיבים יחד מערכת Agentic AI להחלטות אשראי.

1. רכיב ראשון הוא צינורות בליעת נתונים בזמן אמת ממקורות תפעוליים ודיגיטליים כדי לבנות תמונת מצב עדכנית של הלווה והסביבה.

2. רכיב שני הוא מנועי risk scoring שמייצרים מדדי סיכון כחלק מהתהליך, אבל לא משמשים כהחלטה סופית.

3. רכיב שלישי הוא שכבות פרשנות והסבר שמייצרות הסברים ברמת תכונות וסיבות, כך שהחלטה מסוג אישור, דחייה או שינוי תמחור ניתנת להצדקה.

4. רכיב רביעי הוא היסק בשפה טבעית שמאפשר לתאר את מסלול ההחלטה ולהפיק נימוקים אנושיים לצרכי תקשורת עם לקוחות ותיעוד פנימי.

5. רכיב חמישי הוא למידה מחיזוקים ולולאות למידה ממשוב שמטרתן לשפר מדיניות לאורך זמן בהתאם לתוצאות בפועל, לדוגמה ביצועי החזר ושיעורי פיגור.

6. רכיב שישי הוא פרוטוקול שיתוף פעולה בין הסוכנים שמגדיר חלוקת תפקידים, סנכרון ואיחוד תוצרים, כך שהמערכת פועלת כמו צוות דיגיטלי ולא כמו ציון בודד.

זה הוא מעבר מדירוג סטטי לשרשרת החלטה מתועדת. תוצאה כזו מייצרת יתרון גם בעולם ניהול הסיכון וגם בעולם ההפעלה, מאחר שאפשר לבודד היכן התקבלה החלטה שגויה, איזה נתון היה קריטי, ואיזו מדיניות נדרשת התאמה.

ממצאים בולטים ותועלת עסקית צפויה

תהליך כזה מייצר יתרונות ברמה איכותית וקונספטואלית ולא כסט תוצאות ניסויי עם מדדים מספריים. בצורה כזו נוכל לקבל שיפור במהירות החלטה בזכות אוטומציה וסוכנים שפועלים במקביל, לשיפור בשקיפות באמצעות שכבות XAI ותיעוד נתיב החלטה, ולשיפור בתגובתיות לשינויים בזמן אמת בפרופיל הלווה ובנתוני השוק. מסגרת זו רלוונטית במיוחד לתהליכים שבהם עיכוב של דקות או שעות משנה המרה עסקית, לדוגמה אשראי צרכני דיגיטלי או אשראי לעסקים קטנים.

מהניסיון שלנו בשטח, רוב התועלת הכלכלית באימוץ מסגרות מסוג זה מגיעה מצמצום חיכוך תפעולי ולא רק משיפור AUC של מודל. ארגון שמקצר זמן החלטה, מפחית בדיקות ידניות, ומגדיל שיעור אישור מבוקר יכול להעלות הכנסות בלי להגדיל מצבת אנליסטים באותו קצב. הנהלה פיננסית יכולה למדוד ROI דרך שלושה משתנים: שיפור זמן מחזור אישור, ירידה בשיעור טיפול ידני בתיקים, ושיפור בהפסדי אשראי ביחס לתיק דומה בתקופת בסיס.

סיכונים, מגבלות ואיך מתכננים אימוץ אחראי

עם זאת, ארבעה אתגרים תפעוליים שחייבים להיות חלק מתוכנית היישום.

1. אתגר ראשון הוא ה- drift, כלומר הידרדרות ביצועים כאשר התפלגויות נתונים משתנות.

2. אתגר שני הוא קושי בפרשנות עקבית של נתונים רב ממדיים, במיוחד כאשר שילוב מקורות יוצר תרחישים שבהם ההסבר משתנה בין מקרים דומים.

3. אתגר שלישי הוא אי ודאות רגולטורית סביב שימוש בסוכני AI אוטונומיים והצגת הסברים.

4. אתגר רביעי הוא מגבלות תשתית, כולל זמינות נתונים, זמני השהיה ועלויות חישוב, בעיקר בארגונים עם מערכות ליבה מורכבות.

ארגון שמאמץ מסגרת רב סוכנית צריך להגדיר מראש גבולות אוטונומיה. החלטות מסוימות יכולות להיות אוטונומיות מקצה לקצה, והחלטות אחרות צריכות מעבר דרך אישור אנושי, במיוחד בחריגים ובהלוואות גדולות. הנהלה יכולה להפחית סיכון רגולטורי באמצעות מנגנון שמייצר הסבר תואם מדיניות, שומר גרסאות של כל סוכן, ומתעד כל שינוי במדיניות ובספים.

איך לאמץ מסגרת דומה בארגון פיננסי: תוכנית פרקטית

שלב ראשון צריך להיות בחירת מסלול החלטה אחד בעל השפעה גבוהה ומורכבות מוגבלת, לדוגמה חידוש מסגרת אשראי או הלוואה דיגיטלית בסכומים קטנים. שלב זה צריך לכלול מיפוי של מקורות נתונים, הגדרת בדיקות חריגות, והחלטה אילו חלקים נשארים מודליים ואילו חלקים הופכים סוכנים.

שלב שני צריך לבנות שכבת תיעוד החלטה אחידה שמרכזת קלטים, פעולות, תוצרים ונימוקים, כך שכל החלטה ניתנת לשחזור.

שלב שלישי צריך להגדיר מדדי תפעול ומדדי סיכון יחד. מדדי תפעול צריכים לכלול זמני השהיה מקצה לקצה, שיעור תיקים שעברו מסלול אוטונומי, וסטיית החלטה מול אנליסט. מדדי סיכון צריכים לכלול יציבות ציונים לאורך זמן, שיעור חריגים, ובדיקות הוגנות כדי לוודא שהמערכת אינה מייצרת אפליה עקיפה.

שלב רביעי צריך להפעיל ניטור drift עם טריגרים עסקיים, כך שמדיניות תעודכן רק כאשר מתקיימים תנאים מוגדרים מראש ולא בצורה לא מבוקרת.

שלב חמישי צריך להגדיר מודל תפעול שבו יחידת סיכון, יחידת ציות ויחידת מוצר משתפות בעלות על המערכת. גישה זו מאפשרת להגדיר תרחישי בדיקה, נהלי חריגה, ותהליך אישור גרסאות לפני עלייה לייצור.

ארגון שמיישם כך יכול ליהנות ממנוע החלטות שמסביר את עצמו, מתאים את עצמו לנתונים חדשים, ומאפשר צמיחה תוך שליטה בסיכון.

למסגרות Agentic AI מרובות סוכנים מייצרים הזדמנות, במקום להסתמך על ציון אחד, ארגון בונה מערכת החלטה מתוזמרת שמחברת נתונים בזמן אמת, מסבירה את עצמה, ומתעדת כל שלב. חברות פיננסיות שמחפשות יתרון תחרותי יכולות להתחיל בפיילוט ממוקד, למדוד ROI תפעולי וסיכוני, ולהרחיב בהדרגה לתהליכים נוספים. צוות מקצועי יכול לסייע בהגדרת ארכיטקטורה, ממשל סיכונים, ומודל תפעול שמאפשר אוטונומיה מבוקרת לאורך זמן.