هوش مصنوعی و بازارهای مالی؛ روایت یک شرط‌بندی تریلیون دلاری

مقدمه

در آخرین هفته آوریل 2026، تابلوی معاملات وال‌استریت عددی را نشان داد که تا چند سال پیش بیشتر به یک شوخی شبیه بود. ارزش بازار شرکت انویدیا (Nvidia) به مرز 5.3 تریلیون دلار رسید و جایگاه این سازنده تراشه را به عنوان بزرگ‌ترین شرکت بورسی جهان تثبیت کرد. سه ماه بعد، در روزهای پایانی ژوئیه 2026، همان شاخص در محدوده 5 تریلیون دلار نوسان می‌کرد. فاصله میان این دو عدد، به تنهایی برابر با ارزش کل چندین شرکت بزرگ صنعتی است.
این نوسان، خلاصه فشرده‌ای از وضعیت امروز است. رابطه هوش مصنوعی و بازارهای مالی دیگر یک بحث آینده‌پژوهانه نیست؛ به موضوع اصلی ترازنامه‌ها، پرتفوی‌های سرمایه‌گذاری و گزارش‌های نهادهای ناظر تبدیل شده است. از یک سو، پول در مقیاسی وارد این حوزه شده که در تاریخ سرمایه‌گذاری فناوری سابقه نداشته است. از سوی دیگر، نهادهایی مانند بانک تسویه بین‌المللی (BIS) و صندوق بین‌المللی پول (IMF) در گزارش‌های رسمی خود از خطر تکرار الگوهای آشنای حباب سخن می‌گویند.
پرسش محوری این گزارش درباره هوش مصنوعی ساده اما دشوار است. آیا سرمایه‌گذاری در هوش مصنوعی یک بازتعریف بنیادین از بهره‌وری اقتصادی است یا مرحله‌ای از چرخه‌ای که پیش‌تر در راه‌آهن قرن نوزدهم و شرکت‌های دات‌کام سال 2000 دیده‌ایم؟ پاسخ، آن‌طور که داده‌های موجود نشان می‌دهند، در هیچ‌کدام از دو سر طیف قرار ندارد.
در این مقاله، مسیر پول را دنبال می‌کنیم. از ارزش‌گذاری شرکت‌های هوش مصنوعی و تمرکز بی‌سابقه در شاخص‌ها گرفته تا کاربرد واقعی این فناوری در اتاق‌های معاملات، هشدارهای نهادهای ناظر، سوءاستفاده‌های کلاهبردارانه و چهارچوب‌های قانونی که تازه در حال شکل‌گیری هستند.

 

ارزش‌گذاری شرکت‌های هوش مصنوعی؛ وقتی اعداد از تصور جلو می‌زنند

 

بازار سهام آمریکا در دو سال گذشته یک ویژگی متمایز پیدا کرده است. رشد شاخص‌ها دیگر روایت صدها شرکت نیست، بلکه روایت تعداد انگشت‌شماری از آنهاست که همگی به نوعی به زیرساخت یا کاربرد هوش مصنوعی گره خورده‌اند.

 

انویدیا و مرز 5 تریلیون دلاری

انویدیا نماد این دوره است. بر پایه داده‌های پایگاه StockAnalysis، ارزش بازار این شرکت در 24 ژوئیه 2026 حدود 5.01 تریلیون دلار گزارش شده است. این رقم در پایان دسامبر 2025 حدود 4.53 تریلیون دلار بود؛ یعنی رشدی نزدیک به 10 درصد در هفت ماه نخست سال. در مقیاس یک‌ساله، افزایش ارزش بازار این شرکت حدود 20 درصد بوده است.
مسیر رسیدن به این نقطه، خطی نبوده است. گزارش شبکه CNBC در 24 آوریل 2026 از عبور ارزش بازار انویدیا از 5 تریلیون دلار خبر داد و چند روز بعد، در 27 آوریل، مجله فوربس رکورد نزدیک به 5.3 تریلیون دلار را ثبت کرد. اما در فاصله میان این اوج و تابستان، بازار دوره‌هایی از اصلاح شدید را تجربه کرد. برخی گزارش‌ها از کاهش ارزش بازار این شرکت به میزان حدود یک تریلیون دلار در یک بازه کوتاه خبر داده‌اند؛ رقمی که نشان می‌دهد نوسان در این ابعاد، دیگر یک استثنا نیست.

 

تمرکز بی‌سابقه در شاخص S&P 500

خطرِ واقعی جای دیگری است. بر پایهٔ گزارش فوربس در آغاز ژوئن ۲۰۲۶، هفت شرکتی که با نام Magnificent Seven شناخته می‌شوند، روی‌هم‌رفته حدود ۳۴ درصد از کل ارزش بازار شاخص S&P 500 را در دست داشتند؛ سهمی که تنها بخش انویدیا در آن نزدیک به ۸ درصد برآورد شده است. به بیان دیگر، ۶۶ درصد باقی‌ماندهٔ شاخص باید میان ۴۹۳ شرکت دیگر تقسیم شود.
این اندازه از تمرکز، پیامدی عملی و روشن دارد. سرمایه‌گذاری که گمان می‌کند با خرید یک صندوق شاخصی ریسک خود را میان ۵۰۰ شرکت پخش کرده، در واقعیت بخش بزرگی از سرنوشت پرتفوی‌اش را به عملکرد چند شرکت فناوری گره زده است. برخی تحلیل‌ها از عبور این نسبت از مرزهایی بالاتر در مقاطعی از سال ۲۰۲۶ سخن گفته‌اند، اما این ارقام بسته به روش محاسبه و تاریخ اندازه‌گیری تغییر می‌کنند و نباید آن‌ها را قطعی پنداشت.
نکتهٔ ظریف‌تر آنجاست که این هفت شرکت، در آنِ واحد هم رقیب یکدیگرند و هم مشتری هم. سازندهٔ تراشه محصولش را به فروشندهٔ خدمات ابری می‌فروشد، و فروشندهٔ خدمات ابری ظرفیت‌اش را به توسعه‌دهندهٔ مدل اجاره می‌دهد و سرمایه‌ای را که از همان شرکت‌ها گرفته دوباره صرف خرید توان پردازشی می‌کند. این چرخهٔ بسته، بخشی از رشد درآمدیِ گزارش‌شده در حوزهٔ هوش مصنوعی را می‌سازد و ارزیابی مستقل آن را دشوار می‌کند. تحلیلگران از این وضعیت با عنوان «تأمین مالی حلقوی» یاد می‌کنند و آن را یکی از دلایل احتیاط خود دربارهٔ ارزش‌گذاری شرکت‌های هوش مصنوعی می‌دانند.

 

رقابت پول خصوصی؛ OpenAI و Anthropic

بر پایه‌ی گزارشی که وب‌سایت Axios در 28 مه 2026 منتشر کرد، شرکت Anthropic در یک دورِ تأمین مالیِ سری H به ارزش 65 میلیارد دلار توانست ارزش‌گذاری پس از سرمایه‌گذاری خود را به 965 میلیارد دلار برساند و از این نظر از OpenAI پیشی بگیرد. سرمایه‌گذاران اصلی این دور — Altimeter Capital، Dragoneer، Greenoaks و Sequoia Capital — بوده‌اند، و بخشی از این رقم نیز به تعهدات پیشینِ شرکت‌های ارائه‌دهنده‌ی زیرساخت ابری بازمی‌گردد.
کریشنا رائو (Krishna Rao)، مدیر مالی Anthropic، درباره‌ی این دور گفته است که چنین تأمین مالی‌ای به شرکت کمک می‌کند تا هم به تقاضای بی‌سابقه‌ی موجود پاسخ دهد و هم در مرز پژوهش باقی بماند. در مقابل، ارقام مربوط به ارزش‌گذاری OpenAI در منابع گوناگون یکسان گزارش نشده‌اند و به همین دلیل باید با احتیاط به آن‌ها استناد کرد.
اما آنچه این اعداد را از دوره‌های پیشین متمایز می‌کند، جایگاه آن‌ها در بازار خصوصی است. در حباب دات‌کام، رشد ارزش عمدتاً پس از عرضه‌ی عمومی رخ می‌داد و سرمایه‌گذار خُرد به‌طور مستقیم درگیر ماجرا بود؛ این بار اما بخش بزرگی از افزایش ارزش، پیش از ورود شرکت به بورس اتفاق افتاده است. نتیجه، از یک سو شفافیت کمتر است و از سوی دیگر انتقال کمترِ ریسک به سرمایه‌گذار خرد. ارزیابیِ نهایی این تفاوت هنوز میان اقتصاددانان محل بحث است.

 

اقتصاد مراکز داده؛ پول کجا خرج می‌شود

پشت هر مدل زبانی، ساختمانی پر از سرور، کابل و سامانه خنک‌کننده ایستاده است. این بخش، کمتر جذابیت رسانه‌ای دارد اما سنگین‌ترین بار مالی را بر دوش می‌کشد و به احتمال زیاد، نقطه شکست یا موفقیت کل این چرخه خواهد بود.

 

هزینه سرمایه‌ای در مقیاسی تازه

بانک تسویه‌ی بین‌المللی در گزارش اقتصادی سالانه‌ی خود که در 29 ژوئن 2026 منتشر شد، برآورد کرده است که پنج شرکت بزرگِ ارائه‌دهنده‌ی زیرساخت ابری، در بازه‌ی دوساله‌ی 2025 و 2026، روی‌هم‌رفته بیش از یک تریلیون دلار هزینه‌ی سرمایه‌ایِ مرتبط با هوش مصنوعی صرف خواهند کرد.
با این حال، برآوردهای منتشرشده درباره‌ی رقم دقیقِ سال 2026 یکدست نیستند و تحلیل‌های گوناگون، عددی میان حدود 600 تا بیش از 700 میلیارد دلار را مطرح کرده‌اند. همین پراکندگی، خود گویای نکته‌ای مهم است: هنوز میان تحلیلگران بر سرِ اینکه چه چیزی «هزینه‌ی سرمایه‌ایِ هوش مصنوعی» به شمار می‌آید، تعریف واحدی وجود ندارد. اما آنچه محل اختلاف نیست، جهتِ حرکت است؛ این ارقام سال‌به‌سال و با شتابی بالا رشد کرده‌اند.

 

شکاف میان مخارج و درآمد

مهم‌ترین هشدار بانک تسویه‌ی بین‌المللی به یک نکته‌ی حسابداریِ ساده بازمی‌گردد. بر پایه‌ی این گزارش، حجم مخارج سرمایه‌ای این شرکت‌ها از سود و جریان نقد آزادشان فراتر رفته است؛ به این معنا که بخشی از این سرمایه‌گذاری اساساً از محل درآمد جاری تأمین نمی‌شود.
همین شکاف است که پرسش کلیدیِ سرمایه‌گذاری در هوش مصنوعی را می‌سازد: تا کِی می‌توان هزینه‌ی امروز را با انتظارِ بازدهیِ فردا توجیه کرد؟ گزارش بانک تسویه‌ی بین‌المللی به‌روشنی از این خطر سخن گفته است که شرکت‌ها زیر فشار رقابت، منابعی بیش از اندازه را به پروژه‌هایی تخصیص دهند که بازدهی‌شان هنوز نامعلوم است.

 

زنجیره تامین؛ برق، تراشه و بدهی

بُعد سومِ این معادله، تأمین مالی است. بر اساس همین گزارش، اکوسیستمِ وام‌دهی مستقیم — که حجم آن از یک تریلیون دلار فراتر رفته — در پنج سال گذشته وام‌دهیِ خود به بخش هوش مصنوعی و فناوری اطلاعات را چهار برابر کرده است؛ چندان که این بخش اکنون حدود ۱۵ درصد از پرتفوی این وام‌دهندگان را تشکیل می‌دهد.
معنای این حرف آن است که ریسک دیگر در بازار سهام محبوس نمانده است. حالا اگر چرخه‌ی سرمایه‌گذاری کند شود، اثرش از مسیر بازار اعتباری به شرکت‌های کوچک‌تر و بخش‌های دیگر اقتصاد سرریز می‌کند. ژانگ تائو (Zhang Tao)، نماینده‌ی بانک تسویه‌ی بین‌المللی در آسیا و اقیانوسیه، نیز هشدار داده است که در چنین شرایطی، یک بحران می‌تواند بسیار سریع‌تر از بحران‌های بانکیِ پیشین سرایت کند و گسترش یابد.
اما قید دیگری هم در کار است که کمتر به چشم می‌آید: انرژی. مراکز داده‌ی ویژه‌ی هوش مصنوعی چند برابرِ مراکز داده‌ی سنتی برق مصرف می‌کنند، تا جایی که در چند منطقه، ظرفیت شبکه‌ی برق خود به گلوگاهِ توسعه بدل شده است. این محدودیتِ فیزیکی، برخلاف محدودیت مالی، با تزریق سرمایه به‌سرعت رفع نمی‌شود؛ ساختِ خط انتقال یا نیروگاه سال‌ها زمان می‌برد. به همین دلیل، بخشی از سرمایه‌گذاری در هوش مصنوعی در عمل به سرمایه‌گذاری در زیرساخت انرژی تبدیل شده است — حوزه‌ای که چرخه‌ی بازدهیِ بسیار کندتری دارد و به‌دشواری در مدل‌های ارزش‌گذاریِ کوتاه‌مدت جا می‌گیرد.

 

هوش مصنوعی در اتاق معاملات؛ از تحلیل تا تصمیم

 

 
تصویر رایج از هوش مصنوعی و بازارهای مالی، تصویر رباتی است که به جای انسان معامله می‌کند. داده‌های موجود، تصویر متفاوتی ارائه می‌دهند.

 

پذیرش فراگیر در صندوق‌های پوشش ریسک

بر پایه نظرسنجی انجمن مدیریت سرمایه‌گذاری جایگزین (AIMA) در سال 2026، حدود 95 درصد از صندوق‌های پوشش ریسک از هوش مصنوعی مولد در بخشی از فرایندهای کاری خود استفاده می‌کنند؛ رقمی که یک سال پیش از آن حدود 86 درصد بود. همچنین حدود 58 درصد از این صندوق‌ها اعلام کرده‌اند که قصد دارند دامنه استفاده از هوش مصنوعی را در فرایند سرمایه‌گذاری گسترش دهند.
جالب‌تر آنکه این موضوع به عاملی در جذب سرمایه تبدیل شده است. طبق همین گزارش، حدود 60 درصد از سرمایه‌گذاران نهادی گفته‌اند که تخصیص سرمایه به صندوق‌هایی که بودجه معناداری برای هوش مصنوعی دارند را محتمل‌تر می‌دانند. به بیان دیگر، داشتن یک برنامه مشخص در این حوزه از یک مزیت رقابتی به یک انتظار حداقلی تبدیل شده است.

 

مرز باریک میان دستیار و معامله‌گر خودمختار

اما اینکه مدل‌ها در فرایند حضور دارند، به معنای واگذاریِ تصمیم به آن‌ها نیست. بر اساس نظرسنجیِ مؤسسه‌ی Mercer در سال 2026، تنها حدود 5 درصد از مدیران دارایی به مدل‌ها اختیارِ تصمیم‌گیریِ خودمختار یا نیمه‌خودمختار داده‌اند؛ این در حالی است که حدود 55 درصد، دست‌کم در یکی از فرایندهای سرمایه‌گذاریِ خود از هوش مصنوعی بهره می‌برند.
نتیجه‌ی همین جداسازی، در ارقام بازدهی نیز پیداست. طبق همین نظرسنجی، تنها حدود 8 درصد از پاسخ‌دهندگان بهبودی قابل‌اندازه‌گیری در بازدهیِ سرمایه‌گذاری گزارش کرده‌اند، حال آنکه حدود 69 درصد از بهبود کارایی و صرفه‌جویی در زمان سخن گفته‌اند. کاربرد اصلیِ این ابزارها بر خلاصه‌سازیِ پژوهش، تحلیل کنفرانس‌های درآمدی، کدنویسی و آزمونِ استراتژی، و پایش موقعیت‌ها متمرکز شده است؛ اما تصمیم نهاییِ خرید و فروش همچنان امضای انسانی می‌خواهد.

 

بانک‌ها و معادله بهره‌وری

در بانکداری، تصویر دوگانه است. طبق گزارشی که مجله‌ی فورچون در ابتدای آوریل ۲۰۲۶ بر پایه‌ی تحلیل گلدمن ساکس منتشر کرد، کارکنانی که از این ابزارها استفاده می‌کنند، تا حدود یک ساعت در روز صرفه‌جوییِ زمانی گزارش کرده‌اند؛ با این حال، همان تحلیل نشان می‌دهد که سهم بزرگی از شرکت‌ها هنوز استفاده‌ی معناداری از هوش مصنوعی ندارند.
همین فاصله‌ی میان امکان و اجراست که یکی از دلایل اصلیِ تردید تحلیلگران درباره‌ی سرعتِ تحققِ وعده‌های بهره‌وری به شمار می‌رود. فناوری در دسترس است؛ آنچه کند پیش می‌رود، بازطراحیِ فرایندهای سازمانی است.
در نهادهای مالی، در نهادهای مالی، مانع دیگری هم در کار است: الزامات انطباق. بانک باید بتواند هر تصمیم را در برابر نهاد ناظر توضیح دهد، و تصمیمی که مدل گرفته باشد، به‌سادگی توضیح‌پذیر نیست. به همین دلیل، نخستین کاربردهای پذیرفته‌شده‌ی هوش مصنوعی در بانکداری، همان حوزه‌هایی بوده‌اند که خطا در آن‌ها قابل جبران است: خلاصه‌سازیِ اسناد، پشتیبانیِ مشتری، تشخیص تقلب و مستندسازیِ داخلی. در مقابل، حرکت به‌سوی حوزه‌هایی مانند اعتبارسنجی یا مدیریت ریسک محتاطانه‌تر پیش می‌رود و به‌تدریج به چهارچوب‌های قانونیِ تازه گره خورده است.

 

هشدار نهادهای ناظر؛ از حباب تا اثر گله‌ای

 

وقتی نهادهای بین‌المللی‌ای که معمولاً محتاطانه سخن می‌گویند، دست به مقایسه با حباب‌های تاریخی می‌زنند، باید توجه کرد.

 

وقتی بانک مرکزی بانک‌های مرکزی هشدار می‌دهد

گزارش اقتصادی سالانه بانک تسویه بین‌المللی در ژوئن 2026، وضعیت کنونی را با سه دوره تاریخی مقایسه کرده است: تب کانال‌سازی در دهه 1830، حباب راه‌آهن در دهه 1840 و سقوط شرکت‌های دات‌کام در سال 2000. جمله کلیدی این گزارش صریح است: این دوره‌ها با یک بازگشت نهایی در سرمایه‌گذاری پایان یافتند که رکودهایی در سطح کل اقتصاد به همراه داشت.
نکته مهم اینجاست که این گزارش، اصالت خود فناوری را زیر سوال نمی‌برد. بر پایه همین سند، مطالعات در سطح وظایف مشخص، صرفه‌جویی زمانی میان 20 تا 50 درصد را نشان داده‌اند. تفکیک میان ارزش واقعی هوش مصنوعی و قیمت‌گذاری بازار برای آن، جان کلام این هشدار است. راه‌آهن هم فناوری واقعی بود؛ این مانع از ورشکستگی سرمایه‌گذاران آن نشد.

 

صندوق بین‌المللی پول و ریسک تمرکز

صندوق بین‌المللی پول نیز در گزارش ثبات مالی جهانی خود در آوریل 2026، ارزش‌گذاری‌های مرتبط با هوش مصنوعی را در کنار فشارهای بدهی و نااطمینانی سیاستی، در فهرست ریسک‌های کلیدی سال قرار داد. محور نگرانی این نهاد، تمرکز بازار است. وقتی سهم بزرگی از ارزش بازار در چند شرکت با مدل کسب‌وکار مشابه جمع شود، یک شوک مشترک می‌تواند همزمان بر همه آنها اثر بگذارد.
این نگرانی، بعد دیگری هم دارد که به زیرساخت خود نهادهای مالی بازمی‌گردد. اگر بخش بزرگی از بانک‌ها و صندوق‌ها برای پردازش، تحلیل و حتی نظارت داخلی خود به تعداد محدودی ارائه‌دهنده خدمات هوش مصنوعی متکی شوند، اختلال در یکی از آن ارائه‌دهندگان می‌تواند همزمان چند نهاد را از کار بیندازد. این همان مفهومی است که در ادبیات نظارتی با عنوان ریسک تمرکز عملیاتی شناخته می‌شود و در سال‌های اخیر به یکی از موضوعات ثابت گزارش‌های ثبات مالی تبدیل شده است.

 

ریسک همگرایی مدل‌ها و فروش زنجیره‌ای

نگرانی دیگری هم وجود دارد که ماهیت فنی‌تری دارد. گری گنسلر (Gary Gensler)، رئیس پیشین کمیسیون بورس و اوراق بهادار آمریکا، پیش‌تر هشدار داده بود که اگر بخش بزرگی از فعالان بازار از تعداد محدودی مدل پایه استفاده کنند، ممکن است یک اثر گله‌ای شکل بگیرد و بازار را به سمت پرتگاهی ناخواسته براند.
منطق این هشدار روشن است. تنوع تحلیل، همان چیزی است که نقدشوندگی بازار را ممکن می‌کند؛ خریدار وجود دارد چون کسی تحلیل متفاوتی دارد. اگر هزاران نهاد مالی از مدل‌های مشابه با داده‌های آموزشی مشابه استفاده کنند، احتمال آنکه همزمان به یک نتیجه برسند و همزمان دستور فروش بدهند افزایش می‌یابد. این سناریو هنوز در مقیاس بزرگ آزموده نشده است و نباید آن را قطعی دانست، اما در ادبیات نظارتی به یکی از موضوعات ثابت تبدیل شده است.

 

سوی تاریک ماجرا؛ کلاهبرداری‌های مبتنی بر هوش مصنوعی

هر موج سرمایه‌گذاری، موج موازی خود از سوءاستفاده را می‌سازد. این بار، ابزار کلاهبرداری هم خود هوش مصنوعی است.

 

دیپ‌فیک و طرح‌های سرمایه‌گذاری جعلی

الگوی رایج ساده است. ویدئویی کوتاه منتشر می‌شود که در آن چهره‌ای شناخته‌شده از دنیای مالی یا فناوری، سکو یا صندوقی را با بازدهی تضمین‌شده معرفی می‌کند. صدا و تصویر باورپذیر است، اما هیچ‌کدام واقعی نیست.
گزارش‌های تجمیعی متعددی از رشد چشمگیر این نوع کلاهبرداری در سال‌های 2025 و 2026 خبر داده‌اند. با این حال باید توجه داشت که این آمارها اغلب از روش‌شناسی یکسانی پیروی نمی‌کنند و ارقام منتشرشده در منابع مختلف تفاوت‌های زیادی دارد. آنچه قابل اتکاست، الگوی کلی است: کاهش شدید هزینه ساخت محتوای جعلی باورپذیر و افزایش متناسب دفعات استفاده از آن.

 

پروژه‌هایی که فقط نام هوش مصنوعی را یدک می‌کشند

در بازار دارایی‌های دیجیتال، شکل دیگری از همین پدیده دیده می‌شود. پروژه‌هایی که با افزودن پیشوند مرتبط با هوش مصنوعی به نام خود، سرمایه جذب می‌کنند بدون آنکه محصول قابل ارزیابی یا تیم فنی شناخته‌شده‌ای داشته باشند. این الگو تازه نیست؛ در دوره‌های پیشین با واژه‌های دیگری تکرار شده بود.
نشانه‌های هشدار نیز عمدتا همان نشانه‌های همیشگی است. وعده بازدهی ثابت و بالا، نبود مستندات فنی قابل بررسی، تیم ناشناس یا با هویت تاییدنشده، فشار برای سرمایه‌گذاری سریع و ساختار درآمدی که بیشتر به جذب اعضای جدید وابسته است تا به محصول.

 

سرمایه‌گذار خرد چگونه از خود محافظت کند؟

چند اصل عملی همچنان بهترین دفاع است. اول، راستی‌آزمایی هویت افراد و شرکت‌ها از مسیر منابع رسمی و نه از مسیر همان ویدئو یا لینک. دوم، بی‌اعتمادی نظام‌مند به هر وعده بازدهی تضمین‌شده. سوم، بررسی مجوز فعالیت پلتفرم در حوزه قضایی مربوطه. چهارم، توجه به این نکته که فوریت و فشار زمانی، رایج‌ترین ابزار روانی در این طرح‌هاست.
نکته پنجم شاید مهم‌تر از بقیه باشد. در دوره‌ای که ساخت تصویر و صدای جعلی ارزان شده است، اعتبار یک ادعا را نباید از کیفیت ارائه آن نتیجه گرفت. ویدئوی حرفه‌ای، وب‌سایت مرتب و گزارش تحلیلی خوش‌نگارش، همگی اکنون با هزینه‌ای اندک قابل تولید هستند. آنچه همچنان جعل آن دشوار است، سابقه قابل ردیابی، مجوز رسمی و حساب‌های مالی حسابرسی‌شده است. تمرکز بر همین سه مورد، ساده‌ترین فیلتری است که سرمایه‌گذار می‌تواند در اختیار داشته باشد.

 

 

قانون‌گذاری و آنچه پیش رو است 

چهارچوب حقوقی، همیشه با تاخیر به دنبال فناوری می‌آید و هوش مصنوعی هم از این قاعده مستثنا نبوده است. سال 2026 نقطه‌ای است که این فاصله کمی کمتر شده، هرچند نه به اندازه‌ای که ناظران انتظار داشتند.

 

قانون هوش مصنوعی اتحادیه اروپا و تعویق الزامات پرریسک

قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) مسیر پلکانی خود را طی می‌کند. ممنوعیت‌های مشخص و الزامات مربوط به سواد هوش مصنوعی از 2 فوریه 2025 لازم‌الاجرا شده‌اند و تعهدات مربوط به ارائه‌دهندگان مدل‌های همه‌منظوره از 2 اوت 2025 اعمال می‌شود.
مرحله بعدی، 2 اوت 2026 است. از این تاریخ، الزامات شفافیت اجرایی می‌شود؛ یعنی سازمان‌ها باید روشن کنند که کاربر با یک سامانه هوش مصنوعی در تعامل است، محتوای تولیدشده با ماشین را به شکل قابل خواندن توسط ماشین علامت‌گذاری کنند و درباره محتوای دیپ‌فیک اطلاع‌رسانی کنند. همین تاریخ، مهلت کشورهای عضو برای استقرار مراجع نظارت بر بازار نیز هست.
اما مهم‌ترین بخش، به تعویق افتاده است. بر پایه اصلاحاتی که در سال 2026 تصویب شد، الزامات مربوط به سامانه‌های پرریسک مستقل تا 2 دسامبر 2027 و سامانه‌های تعبیه‌شده در محصولات تا 2 اوت 2028 به تعویق افتاده‌اند. بسیاری از کاربردهای مالی، از جمله اعتبارسنجی، دقیقا در همین دسته قرار می‌گیرند.

 

سه سناریو پیش روی بازار

با کنار هم گذاشتن داده‌ها، سه مسیر محتمل قابل تصور است. در سناریوی نخست، بهره‌وری وعده‌داده‌شده به تدریج در صورت‌های مالی شرکت‌ها ظاهر می‌شود و ارزش‌گذاری‌های امروز، در گذر زمان توجیه می‌شوند. در سناریوی دوم، اصلاحی مقطعی رخ می‌دهد که بخشی از ارزش‌گذاری‌ها را تعدیل می‌کند بدون آنکه به بحرانی سیستمی بینجامد. در سناریوی سوم که هشدار بانک تسویه بین‌المللی به آن اشاره دارد، کندی چرخه سرمایه‌گذاری از مسیر بازار اعتباری به اقتصاد واقعی منتقل می‌شود.
هیچ‌یک از این سه، قطعی نیست. آنچه می‌توان گفت این است که وزن سناریوها به یک متغیر گره خورده: سرعت تبدیل‌شدن قابلیت فنی به درآمد پایدار.

 

پرسش‌هایی که هنوز پاسخی ندارند

چند پرسش کلیدی همچنان باز است. منبع تامین برق مراکز داده در مقیاس مورد نیاز کجاست؟ آیا مدل‌های تجاری فعلی، قدرت قیمت‌گذاری بلندمدت دارند یا رقابت، حاشیه سود را خواهد فشرد؟ و در نهایت، اگر بخشی از این سرمایه‌گذاری با بدهی تامین شده، افزایش نرخ‌ها چه اثری بر آن خواهد داشت؟ پاسخ این پرسش‌ها، بیش از هر تحلیل تکنیکالی، مسیر سال‌های آینده را تعیین می‌کند.

 

 

نتیجه‌گیری

روایت هوش مصنوعی و بازارهای مالی در سال 2026، روایت یک دوگانگی است. در یک سو، شواهد قابل اتکایی از ارزش واقعی این فناوری وجود دارد. گزارش بانک تسویه بین‌المللی خود به صرفه‌جویی زمانی 20 تا 50 درصدی در سطح وظایف مشخص اشاره می‌کند و نظرسنجی Mercer نشان می‌دهد حدود 69 درصد از مدیران دارایی، بهبود کارایی را تجربه کرده‌اند. این ارقام، توهم نیستند.
در سوی دیگر، فاصله میان همین بهبود کارایی و بهبود بازدهی سرمایه‌گذاری، آشکار است. تنها حدود 8 درصد از همان پاسخ‌دهندگان، اثری قابل اندازه‌گیری بر بازدهی گزارش کرده‌اند. صندوق‌ها از هوش مصنوعی استفاده می‌کنند، اما در عمل تنها حدود 5 درصد حاضر شده‌اند اختیار تصمیم را به مدل‌ها بسپارند. این محافظه‌کاری، خود یک داده مهم است.
تمرکز 34 درصدی ارزش بازار شاخص S&P 500 در هفت شرکت، هزینه سرمایه‌ای بیش از یک تریلیون دلاری در دو سال و چهار برابر شدن وام‌دهی به این بخش، سه عددی هستند که کنار هم معنای متفاوتی پیدا می‌کنند. نه لزوما معنای فروپاشی، اما قطعا معنای شکنندگی.
برای سرمایه‌گذار، درس عملی روشن است. تفکیک میان اصالت یک فناوری و درستی قیمت‌گذاری آن، مهم‌ترین تمرین این دوره است. تاریخ بازارها نشان داده که این دو می‌توانند سال‌ها از هم فاصله بگیرند. تنوع‌بخشی واقعی به پرتفوی، بررسی میزان مواجهه غیرمستقیم از طریق صندوق‌های شاخصی و حفظ فاصله از هر وعده بازدهی تضمین‌شده، سه اقدامی هستند که مستقل از اینکه کدام سناریو محقق شود، ارزش خود را حفظ می‌کنند.
پرسش نهایی این نیست که آیا هوش مصنوعی اقتصاد را تغییر می‌دهد. شواهد نشان می‌دهد که این اتفاق در حال رخ دادن است. پرسش این است که این تغییر با چه سرعتی و به سود چه کسانی محقق می‌شود، و آیا قیمت امروز، پاسخ درستی به این پرسش داده است؟