Быстрое внедрение искусственного интеллекта меняет финансовые системы по всему миру, и Египет не является исключением. В рамках своей программы «Видение 2030» по устойчивому и инклюзивному росту страна быстро внедряет технологии на основе ИИ для расширения доступа к финансовым услугам и повышения экономической эффективности и производительности, тем самым поддерживая более широкий экономический рост. Эта трансформация во многом опирается на западные финансовые модели, где ИИ уже интегрирован в основные институциональные практики. Однако эта зависимость от импортированных технологических решений вызывает серьезную обеспокоенность: внедряемые системы ИИ в значительной степени разработаны для совершенно иных экономических и социальных условий и могут не соответствовать уникальным финансовым реалиям Египта. В результате, вместо того чтобы решать структурные проблемы неравенства между населением, имеющим доступ к банковским услугам, и неформальной экономикой, эти технологии рискуют усугубить или даже углубить его.
Подавляющее большинство финансовых моделей на основе искусственного интеллекта, используемых сегодня в Египте, представляют собой генеративные модели обработки больших языковых данных (LLM), обученные на наборах данных, полученных преимущественно из западных экономик. В этих моделях исходные данные, используемые для прогнозирования результатов, основаны на заемщиках, имеющих формализованные банковские счета с документально подтвержденной историей заработной платы и отслеживаемой кредитной историей. В Египте, согласно недавнему отчету об ИИ, подготовленному Организацией экономического сотрудничества и развития (ОЭСР), формализованное банковское обслуживание не считается нормой. Примерно 67% взрослого населения Египта по-прежнему имеют неформальные банковские счета, что относит их к категориям лиц, не имеющих банковских счетов или имеющих ограниченный доступ к банковским услугам. Это несоответствие означает, что эти модели рискуют неправильно классифицировать или исключать именно те группы населения, которым они призваны служить.
Кроме того, значительная часть экономической активности страны проходит через неформальные каналы: уличные торговцы, семейные кредитные сети и сберегательные группы, известные в Египте как гамеи . Гамеи — это традиционная неформальная сберегательная схема в Египте, где группа людей ежемесячно вносит фиксированную сумму денег, а участники по очереди получают общую сумму. Эти незадокументированные сберегательные круги представляют собой сложную форму финансовой инфраструктуры, основанной на сообществе. Дисциплина погашения обеспечивается не контрактами или залогом, а общим социальным доверием, заложенным в неформальных договорных соглашениях. Высокая вовлеченность и низкий уровень неплатежей позволили системе поддерживать египетские домохозяйства на протяжении поколений, способствуя более широкому финансовому росту и инновациям. Однако ни одна из этих данных не фиксируется ни в одном кредитном бюро — следовательно, модель ИИ не может распознать кредитную историю участника гамеи, что приводит к систематически предвзятым оценкам кредитоспособности.
Исследователи называют эту проблему « алгоритмической слепой зоной », когда модель ИИ сталкивается с заемщиком, чей финансовый профиль не соответствует обучающим данным. Концепция моделей кредитного риска как стохастических попугаев , термин, введенный профессором социологии Эмили Бендер, предполагает, что они не учитывают существенные различия в контекстах, что приводит к систематическому наказанию заемщиков, чьи профили отклоняются от обучающих данных. Рассмотрим пример владельца малого бизнеса в Каире: даже если он постоянно своевременно погашает обязательства в рамках сообщества доверия, его все равно могут классифицировать как заемщика с высоким риском просто потому, что у него нет кредитной карты или официального расчетного листа. Модели кредитного риска измеряют не их кредитоспособность, а используют систему сравнения для оценки их сходства с западным заемщиком.
На системном уровне внедрение моделей ИИ, которые неверно интерпретируют или игнорируют динамику неформальной экономики Египта, рискует исказить распределение капитала в финансовой системе. Неточная оценка риска приводит к тому, что инвестиции с большей вероятностью направляются в уже сложившиеся и богатые данными сектора, в то время как неформальные, но экономически важные виды деятельности остаются без внимания. Это создает структурную предвзятость по отношению к малым и средним предприятиям, особенно к тем, которыми руководят сельские предприниматели и представители первого поколения, вышедшие на формальный рынок труда. Примерно 18% взрослого населения составляют самозанятые предприниматели . Вместо того чтобы способствовать социальной интеграции, использование плохо адаптированных систем ИИ может активно ограничивать социальную мобильность, лишая эти группы доступа к кредитам и финансовым услугам. Таким образом, внедрение моделей, разработанных на Западе, не просто приводит к неэффективности — оно будет способствовать усилению существующего неравенства под видом технологического прогресса.
Недавно исследователи Всемирного банка начали работу над моделью, учитывающей принципы справедливости , чтобы разработать методы, направленные именно на устранение такого рода структурной предвзятости. Выявляя и уменьшая вес характеристик, которые выступают в качестве косвенных показателей социальной изоляции — таких как отсутствие кредитной карты — вместо наличия финансовой безответственности, эти модели LLM можно перенастроить для более точной оценки кредитоспособности в условиях ограниченной формальной финансовой инфраструктуры. В настоящее время отсутствует институциональная воля к внедрению и принятию риска. Это область, где политическое вмешательство особенно важно. Центральный банк Египта (ЦБЕ) уже продемонстрировал перспективность такого рода инноваций благодаря своей системе регуляторной песочницы, которая позволила финтех-компаниям тестировать новые продукты в контролируемой среде, используя отброшенные данные. Расширение этой модели с целью обязательного использования локализованных обучающих данных и аудита предвзятости для любой модели кредитования на основе ИИ стало бы значительным первым шагом. Благодаря таким инициативам, как партнерство с крупными египетскими поставщиками мобильных кошельков , чьи данные о транзакциях гораздо лучше отражают состояние неформальной экономики, чем любые банковские выписки или крупные массивы данных, Египет может создавать более точные исходные наборы данных, которые действительно отражают его финансовые реалии.
Предположение о том, что генеративный ИИ без проблем модернизирует финансовую систему Египта, рискует упустить из виду, насколько глубоко эти модели формируются зарубежными экономическими структурами. Алгоритмы, определяющие принятие финансовых решений, не являются нейтральными; будучи обученными на западных данных, они по своей сути поощряют западное финансовое поведение, неверно интерпретируя или маргинализируя местные практики. Будучи одним из наиболее амбициозных стран, внедряющих ИИ в финансовую сферу, Египет имеет возможность не просто следовать существующим моделям, но и подвергать их сомнению и перестраивать, создавая важный прецедент для интеграции ИИ в развивающихся странах. Для достижения этой цели политикам потребуется выйти за рамки простого внедрения и перейти к адаптации, обеспечив построение этих систем на основе предположений, отражающих собственные экономические структуры Египта, а не импортируя предвзятость, которая может усугубить неравенство под видом прогресса. Ш. Лонг