چگونه Chatham با ابزارهای OpenAI اعتبارسنجی معاملات را سریع‌تر کرد

هوش مصنوعی در بازارهای سرمایه برای Chatham Financial به ابزاری جهت بازطراحی فرایندهای کاری تبدیل شده است: این شرکت مشاوره‌ای با استفاده از Codex و مدل‌های OpenAI، ابزارهایی برای کارکنان و مشتریان می‌سازد و می‌گوید در سنجش اولیه، زمان بررسی اعتبار معاملات را از حدود ۳۰ دقیقه به کمتر از ۴ دقیقه رسانده است. OpenAI این تجربه را در گزارشی که در ۲ اکتبر ۲۰۲۶ منتشر شد شرح داده؛ با این حال، شرکت هنوز نتایج ابزار را با بررسی‌های متخصصان مقایسه می‌کند و گسترش خودکارسازی را به حفظ کنترل‌های حرفه‌ای مشروط می‌داند.

Chatham در حوزه تصمیم‌گیری‌های پیچیده بازار سرمایه به مشتریان مشاوره می‌دهد؛ حوزه‌ای که به گفته این شرکت، دقت و امکان حسابرسی اهمیت بالایی دارد. رویکردی که در گزارش OpenAI توصیف شده، صرفاً افزودن هوش مصنوعی به فرایندهای موجود نیست. Chatham می‌گوید تلاش کرده کارها را بر اساس نتیجه موردنیاز بازطراحی کند، مشخص کند کجا قضاوت انسانی ضروری است و سپس تعیین کند مدل‌ها و ابزارهای ساخته‌شده با هوش مصنوعی چگونه می‌توانند به انجام کار کمک کنند.

اعتبارسنجی معاملات با کمک Codex

یکی از نمونه‌های این رویکرد در سرویس مشاوره‌ای Process Zero دیده می‌شود. این سرویس با بررسی هر فرایند، حداقل داده‌ها و شواهد لازم را مشخص می‌کند و میان کارهایی که می‌توان به ابزار سپرد و بخش‌هایی که نیازمند قضاوت متخصص هستند تمایز می‌گذارد. هدف، به گفته Chatham، ساخت گردش‌کارهایی تکرارپذیر و تحت کنترل است تا زمان متخصصان کمتر صرف اجرای کارهای معمول شود.

اعتبارسنجی معامله یکی از فرایندهایی است که Chatham برای این بازطراحی انتخاب کرده است. تیم Controls and Data Integrity این شرکت بررسی می‌کند که اطلاعات ثبت‌شده در سامانه با آنچه مشتری مجاز کرده و آنچه در عمل اجرا شده مطابقت داشته باشد. این کار به بررسی مستندات پشتیبان و مقایسه جزئیات معامله نیاز دارد.

Chatham با استفاده از Codex برنامه‌ای ساخته که شواهد مرتبط با هر معامله را جمع‌آوری می‌کند، مفاد کلیدی را کنار هم می‌گذارد و موارد ناسازگار را برای بررسی بیشتر علامت می‌زند. Codex ابزار OpenAI برای کمک به کارهای برنامه‌نویسی است؛ در این کاربرد، به ساخت نرم‌افزاری کمک کرده که بخش‌هایی از فرایند بررسی را سامان می‌دهد، نه اینکه جایگزین کامل بررسی تخصصی شود.

طبق اندازه‌گیری اولیه‌ای که Chatham اعلام کرده، زمان بررسی هر مورد از حدود ۳۰ دقیقه به کمتر از ۴ دقیقه رسیده است. این عدد هنوز نتیجه نهایی ارزیابی یا تضمینی برای همه انواع معاملات نیست. شرکت می‌گوید خروجی برنامه را با معاملات واقعی و ارزیابی بازبین‌های باتجربه می‌سنجد و پیش از توسعه بیشتر خودکارسازی، عملکرد ابزار را اعتبارسنجی می‌کند. برنامه بعدی، گسترش آن به انواع دیگر معاملات و خودکارکردن بخش‌های بیشتری از گردش‌کار، همراه با حفظ نظارت حرفه‌ای و کنترل‌های مناسب است.

کاربردهای ساخته‌شده به دست کارکنان

به گفته OpenAI، کاربردهای مشتری‌محور Chatham تا حدی از تجربه روزمره کارکنان شرکت شکل گرفته‌اند. اعضای تیم از ChatGPT و Codex در پژوهش، تحلیل، نگارش، توسعه نرم‌افزار و کارهای دیگر استفاده می‌کنند. پلتفرم داخلی Chatham Vibes نیز به کارکنان امکان می‌دهد برنامه‌هایی متناسب با نیازهای کاری خود بسازند. به این ترتیب، نقش کارکنان فقط استفاده از ابزارهای آماده نیست و بخشی از آنان در ساخت نرم‌افزارهای موردنیازشان مشارکت می‌کنند.

کاربران Chatham Vibes می‌توانند از میان چند مدل انتخاب کنند. طبق توضیح OpenAI، قابلیت‌های هوش مصنوعی برنامه‌های این پلتفرم به‌طور پیش‌فرض با GPT-5.6 Terra کار می‌کنند و امکان انتخاب GPT-5.6 Sol نیز بر اساس تنظیمات هر برنامه وجود دارد. این برنامه‌ها به‌تدریج برای فرایندهایی به کار می‌روند که با مشتریان ارتباط دارند.

نمونه‌های ذکرشده شامل کمک به تیم‌ها برای مرور معاملات cap و تهیه کاربرگ‌های قیمت‌گذاری و پیام‌های مشتریان است. ابزارهای دیگر در آماده‌سازی برگه نرخ اوراق با درآمد ثابت، ساخت داشبوردهای پوشش ریسک و بررسی تأییدیه‌های معاملات کاربرد دارند. پوشش ریسک به اقدام‌هایی گفته می‌شود که برای مدیریت یا کاهش اثر تغییرات بازار بر یک موقعیت مالی انجام می‌شوند.

در این فرایندها، خروجی مدل به‌تنهایی تصمیم نهایی نیست. متخصصان Chatham زمینه بازار و شناخت مشتری را به کار می‌گیرند تا نتیجه را ارزیابی کنند، در صورت نیاز آن را اصلاح کنند و تعیین کنند چه چیزی به مشتری ارائه شود. این تقسیم کار اهمیت ویژه‌ای دارد، زیرا اسناد و محاسبات مالی ممکن است نیازمند تفسیر تخصصی باشند و پاسخ خودکار همیشه برای تصمیم‌گیری کافی نیست.

Chatham Onyx و انتخاب مدل بر اساس نوع کار

Chatham همچنین از Codex و مدل‌های OpenAI در توسعه Chatham Onyx استفاده می‌کند؛ پلتفرمی که دارایی‌ها، بدهی‌ها و مشتقه‌ها را در محیطی مشترک گرد هم می‌آورد. مشتقه‌ها قراردادهای مالی‌ای هستند که ارزش آن‌ها به دارایی یا شاخص دیگری وابسته است. طبق توضیحات شرکت، هدف Onyx فراهم‌کردن دسترسی مشتریان و مشاوران به داده‌های مرتبط و تحت کنترل است، درحالی‌که امکان پیگیری منبع اطلاعات نیز حفظ می‌شود.

تیم‌های توسعه Onyx از Codex در مراحل مختلف ساخت نرم‌افزار، از برنامه‌ریزی و پیاده‌سازی گرفته تا آزمایش، مستندسازی و بازبینی کد، کمک می‌گیرند. Chatham می‌گوید این کار می‌تواند فاصله میان طرح اولیه و تبدیل آن به قابلیتی پایدار در محصول را کوتاه کند؛ اما این سرعت‌بخشی قرار نیست معیارهای شرکت درباره دقت، امنیت و پاسخ‌گویی را تغییر دهد.

در خود پلتفرم، GPT-5.6 Sol، GPT-5.6 Terra، GPT-5.4 و GPT-4.1 به کار گرفته می‌شوند. بنا بر توضیح OpenAI، کارهای ساده‌تر مانند تحلیل‌های ابتدایی یا آزمایش‌های غیرتولیدی به مدل‌هایی سپرده می‌شوند که از نظر هزینه مناسب‌ترند؛ برای کارهای پیچیده‌ای که دقت بالاتری می‌طلبند، GPT-5.6 به کار می‌رود. منظور از محیط غیرتولیدی، محیط آزمایشی یا توسعه‌ای است که مستقیماً برای ارائه خدمت نهایی به مشتری استفاده نمی‌شود.

یکی از قابلیت‌های نام‌برده‌شده در Onyx، ChatFIN است. این ابزار الگوهایی را در داده‌های تاریخی بازار خلاصه می‌کند، به کاربران در فهم پرتفوی‌شان کمک می‌کند و اسناد حقوقی مرتبط با شرایط بدهی، مشتقه و اجاره را پیدا می‌کند و به آن‌ها ارجاع می‌دهد. Chatham می‌گوید دسترسی سریع‌تر به اطلاعات و بینش‌ها می‌تواند به مشتریان و مشاوران کمک کند؛ بااین‌حال، تفسیر داده‌ها و تطبیق آن‌ها با وضعیت هر مشتری همچنان به تخصص مشاوران وابسته است.

کاهش کارهای تکراری، بدون حذف نظارت انسانی

تصویر کلی از نمونه‌های Chatham این است که هوش مصنوعی در چند مرحله متفاوت به کار گرفته شده است: از جمع‌آوری و مقایسه داده‌ها در اعتبارسنجی معاملات تا کمک به توسعه نرم‌افزار و دسترسی به اطلاعات مالی. شرکت می‌گوید این ابزارها به تیم‌ها در سامان‌دادن شواهد، تشخیص موارد استثنا و بررسی سریع‌تر اطلاعات کمک می‌کنند. نتیجه مورد انتظار، صرف وقت کمتر برای گردآوری و آماده‌سازی داده‌ها و وقت بیشتر برای تحلیل، مدیریت موارد دشوار و مشاوره به مشتریان است.

در عین حال، گزارش OpenAI یک نمونه موردی است که خود این شرکت از استفاده یک مشتری سازمانی ارائه کرده و اطلاعات آن را از تجربه Chatham نقل می‌کند. بنابراین کاهش زمان اعلام‌شده، اندازه‌گیری اولیه در یک کاربرد مشخص است و به‌تنهایی نشان نمی‌دهد همین میزان بهبود در همه فرایندها یا شرکت‌ها به دست می‌آید. خود Chatham نیز از مقایسه با بازبین‌های انسانی و حفظ کنترل‌های حرفه‌ای به‌عنوان بخشی از مسیر توسعه نام می‌برد.

برنامه‌های بعدی شرکت، طبق اعلام آن، شامل توسعه اعتبارسنجی به انواع بیشتری از معامله، بهبود برنامه‌های ساخته‌شده توسط کارکنان و افزودن قابلیت‌های تازه به Onyx با کمک Codex است. در نتیجه، معیار موفقیت این تجربه تنها سرعت اجرای کار نیست؛ دقت خروجی، امکان پیگیری شواهد و روشن‌بودن نقش متخصصان نیز در چگونگی گسترش ابزارها اهمیت دارد.

این خبر برای چه کسانی اهمیت دارد

تجربه Chatham برای شرکت‌های مالی و مشاوره‌ای که با معاملات، اسناد حقوقی و داده‌های حساس سروکار دارند، نمونه‌ای از نحوه به‌کارگیری مدل‌های هوش مصنوعی در گردش‌کارهای تخصصی است. همچنین برای مدیران فناوری اطلاعات و تیم‌های توسعه سازمانی اهمیت دارد که ببینند ابزارهایی مانند Codex و مدل‌های زبانی چگونه می‌توانند هم در ساخت نرم‌افزار و هم در اجرای بخشی از فرایندهای عملیاتی حضور داشته باشند.

اما نکته محوری برای این گروه‌ها، صرفاً وعده سرعت بیشتر نیست. آن‌ها باید به تفاوت میان کارهای قابل‌خودکارسازی و تصمیم‌هایی که نیازمند قضاوت انسانی‌اند، کیفیت داده‌های ورودی، امکان حسابرسی نتایج و نحوه نظارت بر خروجی‌ها توجه کنند. خود Chatham نیز توسعه ابزارهایش را با مقایسه عملکرد و حفظ مشارکت متخصصان همراه می‌داند؛ رویکردی که نشان می‌دهد در کاربردهای مالی، سرعت زمانی ارزشمند است که با دقت و پاسخ‌گویی همراه بماند.