هوش مصنوعی و نقش بانک مرکزی

اقتصاد ایران:

وقتی هوش مصنوعی نشانه های اقتصاد را پیچیده می کند

بر اساس مطالعه ای که در جولای 2026 توسط بانک تسویه بین المللی منتشر شد، گسترش هوش مصنوعی منجر به افزایش سرمایه گذاری، رشد کسب و کار و افزایش ارزش بازارهای سهام شده است و اثرات آن در کشورها و بخش های مختلف یکسان نیست. از نقطه نظر این مطالعه، نکته مهم برای سیاست پولی این است که هوش مصنوعی می تواند به طور همزمان بر طرف عرضه و تقاضای اقتصاد تأثیر بگذارد. این موضوع می تواند تفسیر شاخص های اقتصادی را دشوارتر کند و ارزیابی وضعیت واقعی اقتصاد و تنظیم سیاست های پولی را برای بانک های مرکزی دشوارتر کند. به زبان ساده، بانک مرکزی ممکن است با اقتصادی مواجه شود که در آن چندین تغییر به طور همزمان رخ می دهد. شرکت‌ها روی فناوری‌های جدید سرمایه‌گذاری می‌کنند، بهره‌وری در برخی فعالیت‌ها افزایش می‌یابد، تقاضا برای برخی کالاها و خدمات تغییر می‌کند و بازارهای مالی به چشم‌انداز هوش مصنوعی واکنش نشان می‌دهند. BIS تأکید می کند که اندازه و سرعت تأثیر بهره وری هوش مصنوعی نامشخص است و در بخش ها و کشورها متفاوت است.

زمانی که اثر هوش مصنوعی هنوز در آمارهای اقتصادی قابل مشاهده نیست

بر اساس مطالعه مارس 2026 بانک مرکزی کانادا، یکی از معماهای فعلی هوش مصنوعی این است که علیرغم پیشرفت سریع فناوری، دستاوردهای بهره وری که در مطالعات سطح شرکت مشاهده می شود، هنوز در آمارهای کلان اقتصادی منعکس نشده است. نویسندگان این مطالعه از این وضعیت به عنوان “پارادوکس بهره وری هوش مصنوعی” یاد می کنند. به گفته آنها، بخشی از این شکاف می تواند مربوط به ماهیت زمان بر انتشار فناوری در اقتصاد، هزینه های شرکت ها برای انطباق با فناوری جدید و محدودیت های اندازه گیری باشد. به همین دلیل، بانک کانادا تاکید می کند که ارزیابی اثرات اقتصادی هوش مصنوعی در زمان این تغییرات با عدم قطعیت همراه است.

این مطالعه همچنین نشان می‌دهد که هوش مصنوعی می‌تواند ظرفیت تولید اقتصاد را در بلندمدت افزایش دهد و بر تورم فشار نزولی وارد کند، اما تأثیر آن بر تورم در دوره گذار مشخص نیست. به گفته نویسندگان، یکی از چالش های سیاست پولی این است که بانک مرکزی می تواند تشخیص دهد که تغییر شاخص های اقتصادی ریشه در تحول عمیق تر در ساختار اقتصاد دارد یا تنها بخشی از نوسانات معمول اقتصاد در مسیر رشد و رکود است. به بیان ساده، اقتصاد ممکن است در حال تغییر باشد، اما بانک مرکزی در آن لحظه نمی داند که آیا با تغییر دائمی در ساختار اقتصاد مواجه است یا با ضعف یا بهبود موقتی که پس از مدتی از بین می رود.

آیا می توان معیارهای سنجش اقتصاد را تغییر داد؟

اما موضوع هوش مصنوعی تنها این نیست که تشخیص تغییرات اقتصادی برای بانک مرکزی دشوارتر می شود. مطالعه بانک مرکزی آمریکا در آوریل 2026 به نکته دیگری اشاره دارد. اگر هوش مصنوعی واقعاً فناوری تولید و ساختار اقتصاد را تغییر دهد، برخی از معیارهایی که بانک‌های مرکزی برای ارزیابی وضعیت اقتصاد به آن تکیه می‌کنند نیز ممکن است تغییر کند. یکی از این اقدامات ظرفیت تولید بالقوه اقتصاد است. یعنی سطحی از تولید که اقتصاد در شرایط عادی با در نظر گرفتن عواملی مانند فناوری، نیروی کار و سرمایه به آن برسد. اگر هوش مصنوعی بهره‌وری و فناوری تولید را افزایش دهد، این ظرفیت نیز می‌تواند تغییر کند. در چنین شرایطی، بانک مرکزی دیگر لزوما نمی تواند برای ارزیابی استفاده از ظرفیت اقتصاد به همان برآوردهای گذشته تکیه کند. معیار دیگر نرخ بهره طبیعی است. یعنی نرخی که با شرایط اقتصادی سازگار باشد و در بلندمدت به تثبیت تورم کمک کند.

مطالعه فدرال رزرو توضیح می دهد که تغییرات در فناوری، بهره وری و ساختار اقتصاد نیز می تواند نرخ را تغییر دهد. بنابراین تغییرات ناشی از هوش مصنوعی تنها محدود به تولید و بهره وری نیست و می تواند معیارهایی را که بانک مرکزی برای ارزیابی وضعیت نرخ بهره در نظر می گیرد نیز تحت تاثیر قرار دهد. این مطالعه همچنین نشان می‌دهد که هوش مصنوعی می‌تواند نحوه تأثیر تغییرات عرضه و تقاضا بر تورم را در کوتاه‌مدت تغییر دهد. به عنوان مثال، تغییرات در تکنولوژی تولید، هزینه های شرکت ها، نحوه قیمت گذاری و سرعت انتقال تغییرات هزینه به قیمت ها می تواند بر مسیر تورم تاثیر بگذارد. بنابراین، حتی اگر برخی از شاخص‌های معمولی اقتصاد تغییر زیادی نکرده باشند، ممکن است رابطه بین فعالیت اقتصادی، هزینه‌ها و قیمت‌ها در حال تغییر باشد. اما هوش مصنوعی همچنین می تواند به خواندن اقتصاد کمک کند

در کنار این چالش ها، هوش مصنوعی می تواند ابزارهای بانک های مرکزی برای نظارت بر اقتصاد را نیز تقویت کند. در مطالعه‌ای در سال 2026، بانک کانادا پیشنهاد می‌کند که ابزارهای هوش مصنوعی جدید به بانک‌های مرکزی امکان می‌دهند حجم بیشتری از داده‌ها را با سرعت بیشتری پردازش کنند. از اطلاعات متنی و خبری گرفته تا داده های اقتصادی و مالی که به صورت مستمر تولید می شوند. اهمیت این موضوع در این است که بسیاری از تحولات اقتصادی ممکن است ابتدا در داده های جدید و پراکنده دیده شود و با تاخیر در آمارهای رسمی منعکس شود. هوش مصنوعی می‌تواند به جمع‌آوری، طبقه‌بندی و استخراج الگوها از این حجم عظیم اطلاعات کمک کند و در نتیجه تصویری به‌روزتر از وضعیت اقتصاد به سیاست‌گذاران ارائه دهد.

تجربه بانک مرکزی اروپا (ECB)، نظارت بر ریسک تورم با یادگیری ماشین (Machine Learning یا ML)

بانک مرکزی اروپا یکی از نمونه های کاربردی استفاده از این ابزارها را ارائه کرده است. در یادداشتی که در آوریل 2026 منتشر شد، بانک مرکزی اروپا توضیح می دهد که از یک مدل مبتنی بر ML برای بررسی خطرات پیرامون پیش بینی های تورم استفاده می کند. این مدل می تواند تعداد بیشتری از شاخص های اقتصادی را به طور همزمان در نظر بگیرد و الگوهای پیچیده و روابط غیرخطی بین متغیرها را شناسایی کند. ویژگی هایی که ممکن است در مدل های اقتصادی مرسوم محدودتر باشد. اهمیت این نرم افزار این است که بانک مرکزی فقط به دنبال پیش بینی عددی برای تورم نیست. بلکه می خواهد بداند که احتمال اینکه تورم از مسیر پیش بینی شده بیشتر یا کمتر باشد چقدر است.

بانک مرکزی اروپا از این ابزار برای تقویت ارزیابی ریسک پیرامون پیش بینی تورم استفاده می کند. وقتی داده های زیادی وجود دارد، مشکل تبدیل داده ها به اطلاعات است. اما مشکل بانک های مرکزی فقط کمبود اطلاعات نیست. گاهی اوقات اطلاعات آنقدر زیاد است که استفاده از آن دشوار می شود. یک مثال جالب پروژه مشترک بین بانک تسویه حساب های بین المللی، بانک مرکزی اروپا و بانک مرکزی آلمان است که در سال 2026 انجام شد. در این پروژه، محققان به سراغ داده های بسیار گسترده ای از قیمت محصولات رفتند. داده ها از وب سایت های فروش و منابع آنلاین جمع آوری شده و شامل میلیاردها مشاهدات روزانه قیمت و حدود 34 میلیون محصول مختلف است. اما داشتن این مقدار داده به تنهایی کافی نبود.

برای تجزیه و تحلیل تورم، ابتدا لازم بود مشخص شود که هر محصول دقیقاً به کدام گروه تعلق دارد. عملا امکان انجام دستی وجود نداشت. این پروژه نشان داد که می‌توان این داده‌های خام و پراکنده را با استفاده متفاوت از هوش مصنوعی به اطلاعات منظم و قابل استفاده برای تحلیل قیمت تبدیل کرد. در این روش از هوش مصنوعی برای تبدیل توضیحات محصول به اطلاعات قابل پردازش استفاده شد و سپس محصولات به کمک الگوریتم های یادگیری ماشینی در گروه های مختلف دسته بندی شدند. از نظر دقت، این روش عملکردی مشابه با استفاده مستقیم از مدل های زبان بزرگ داشت، اما به زمان و هزینه بسیار کمتری نیاز داشت. اهمیت این تفاوت در نحوه به کارگیری هوش مصنوعی زمانی آشکارتر می شود که مقیاس داده ها را در نظر بگیریم.

محققان تخمین زدند که اگر 34 میلیون محصول این مجموعه به طور مستقیم با یک مدل زبان بزرگ طبقه بندی شوند، به بیش از 6 ماه زمان محاسباتی و بیش از 500000 یورو نیاز دارد. در مقابل، روش مورد استفاده در این پروژه توانست کل مجموعه داده ها را در حدود پنج روز و با هزینه ای نزدیک به 1500 یورو طبقه بندی کند. اهمیت این مثال برای سیاست پولی روشن است. بانک های مرکزی فقط به داده های بیشتری نیاز ندارند. باید بتواند علائمی را که می تواند برای تجزیه و تحلیل اقتصادی استفاده شود از حجم زیادی از اطلاعات استخراج کند. هوش مصنوعی می تواند در این مرحله نقش داشته باشد، یعنی تبدیل داده های خام و پراکنده به اطلاعاتی که بتوان از آن برای رصد تورم و اقتصاد استفاده کرد.

چالش جدید؛ اقتصاد در حال تغییر و ابزارهای اندازه گیری آن

گسترش هوش مصنوعی چالشی دوگانه برای بانک های مرکزی ایجاد می کند. از یک طرف، خود اقتصاد در حال تغییر است. از نحوه تولید و بهره وری گرفته تا رفتار شرکت ها، هزینه ها و نحوه شکل گیری قیمت ها همگی در حال تغییر هستند. از سوی دیگر ابزارهای جدیدی در اختیار بانک های مرکزی قرار گرفته است که می توانند حجم بیشتری از اطلاعات را با سرعت بیشتری پردازش کنند. در چنین شرایطی استفاده از هوش مصنوعی می تواند به بانک مرکزی کمک کند تا برخی تغییرات اقتصادی را زودتر مشاهده و تحلیل کند. با این حال، این سوال باقی است که آیا آنچه در داده ها مشاهده می شود، تغییری موقتی است یا نشانه ای از تغییر عمیق تر در ساختار اقتصاد؟ به این ترتیب، چالش پیش روی بانک‌های مرکزی فقط پیش‌بینی تأثیر هوش مصنوعی بر تورم، تولید یا اشتغال نیست. آنها همچنین باید روش های اندازه گیری و تجزیه و تحلیل خود را با تغییر اقتصاد به روز کنند.

مونا موسی پور / کارشناس بانک مرکزی