گزارش ۲۰۲۶ مرکز مالی جایگزین کمبریج (CCAF) با مشارکت BIS، IMF، WEF و نهادهای دیگر نشان می‌دهد ۸۱٪ شرکت‌های مالی هوش مصنوعی را به‌کار گرفته‌اند و مهندسی نرم‌افزار بالغ‌ترین کاربرد است؛ اما نگرانی از از‌دست‌رفتن نظارت انسانی و ضعف توضیح‌پذیری جدی است.
«گزارش جهانی هوش مصنوعی در خدمات مالی ۲۰۲۶» را مرکز مالی جایگزین کمبریج (CCAF) در دانشکدهٔ کسب‌وکار کمبریج و با مشارکت BIS، IMF، مجمع جهانی اقتصاد، IDB، CGAP و AMF منتشر کرده است. دامنهٔ نظرسنجی شامل شرکت‌های خدمات مالی، تأمین‌کنندگان هوش مصنوعی و ۱۳۰ نهاد نظارتی در سراسر جهان بوده است.
پذیرش: ۸۱٪ شرکت‌های مالی در سطحی از هوش مصنوعی استفاده می‌کنند و ۴۰٪ در مراحل پیشرفته (مقیاس‌دهی یا تحول) قرار دارند. در مقابل، فقط ۲۰٪ نهادهای ناظر به پذیرش پیشرفته رسیده‌اند. ۷۱٪ از هوش مصنوعی مولد استفاده می‌کنند و ۵۲٪ به‌طور فعال عامل‌های هوشمند (agentic AI) را مستقر می‌کنند. فین‌تک‌ها از نهادهای سنتی جلوترند: ۴۷٪ در برابر ۳۰٪ در پذیرش پیشرفته.
بالغ‌ترین کاربرد، مهندسی نرم‌افزار است: ۴۲٪ کاملاً مستقر کرده‌اند و ۳۳٪ در حال توسعه‌اند. اتوماسیون فرآیندها (۷۹٪) و مصورسازی داده (۷۵٪) هم از کاربردهای برجستهٔ گزارش‌شده‌اند.
ریسک‌های اصلی میان همهٔ گروه‌ها مشابه است: حریم خصوصی و حفاظت داده (۶۵ تا ۸۰٪ بسته به گروه)، توهم و خروجی‌های نامطمئن مدل (۶۷ تا ۷۰٪) و تاب‌آوری عملیاتی (۴۶ تا ۵۹٪). ۵۱٪ پاسخ‌دهندگان «از دست رفتن نظارت انسانی» را سومین ریسک بزرگ هوش مصنوعی می‌دانند و تنها حدود نیمی از صنعت روش‌های هوش مصنوعی توضیح‌پذیر را به‌کار گرفته است.
از منظر نظارتی، ۶۹ تا ۷۹٪ پاسخ‌دهندگان (بسته به گروه) خواستار راهنمایی روشن‌تر تنظیم‌گران‌اند. گزارش بر رفع محدودیت‌های کیفیت داده، بازآموزی نیروی کار و تقویت چارچوب‌های نظارتی برای استقرار عامل‌های هوشمند تأکید می‌کند.
یک برداشت تحلیلی از کنار هم گذاشتن این اعداد (تفسیر ماست): وقتی بیش از نیمی از سازمان‌ها در حال استقرار عامل‌های هوشمندند، اما فقط حدود نیمی روش‌های توضیح‌پذیر دارند و تنها ۲۰٪ ناظران خودشان به پذیرش پیشرفته رسیده‌اند، شکافی میان سرعت استقرار و سرعت حاکمیت دیده می‌شود. انتظار معقول این است که الزامات نظارتی در آینده سخت‌گیرانه‌تر شود.
برای مدیران فناوری در مؤسسات مالی، پیام عملی این است که حاکمیت را باید پیش از مقیاس‌دهی ساخت، نه پس از آن: طبقه‌بندی داده، تأیید انسانی برای تصمیم‌های پرریسک، لاگ و ردیابی‌پذیری کامل تصمیم‌های مدل، و ارزیابی مداوم کیفیت خروجی‌ها. سازمانی که این زیرساخت را دارد، هنگام سخت‌گیرترشدن مقررات در موقعیت بهتری است.
این یادداشت خلاصه و بازنویسی‌شده بر پایه گزارش زیر است؛ برای مطالعه گزارش کامل به منبع اصلی مراجعه کنید.
Cambridge Centre for Alternative Finance (CCAF)بر اساس گزارش SiliconANGLE در ۱۸ سپتامبر ۲۰۲۶، هفته‌ای که همزمان شاهد سرمایه‌گذاری‌های میلیاردی در زیرساخت هوش مصنوعی و عرضهٔ ابزارهای ایمنی برای مهار عامل‌های سرکش بود — پارادوکس صنعت عامل‌های هوشمند.
پژوهشی از مدرانو، ورما و چابرا نشان می‌دهد در یک سامانهٔ RAG شبیه محیط تولید، تکنیک RAG Fusion هرچند recall را بالا می‌برد، اما پس از re-ranking و برش زمینه بخش بزرگی از سود از بین می‌رود و دقت حتی اندکی افت می‌کند.
مایکروسافت در ۷ مه ۲۰۲۶ دو آسیب‌پذیری CVE-2026-26030 و CVE-2026-25592 را در Semantic Kernel افشا کرد که در آن‌ها یک prompt injection ساده به اجرای کد روی میزبان ختم می‌شد؛ نمونه‌ای روشن از اینکه هر ابزار در دسترس مدل، یک سطح حملهٔ تازه است.
