برایان موینیهان، مدیر اجرایی، روز چهارشنبه به CNBC گفت، بانک آمریکا 1000 پیمانکار خارجی را برای کمک به اصلاح آسیب‌پذیری‌های نرم‌افزاری که توسط مدل‌های پیشرفته هوش مصنوعی از جمله Mythos آنتروپیک ظاهر شد، استخدام کرد. این افشاگری که در مصاحبه ای پس از انتشار درآمد سه ماهه سوم بانک انجام شد، یکی از اولین بارهایی است که یک شرکت بزرگ آمریکایی هزینه نیروی کار و دلار دفاع از سیستم های خود در برابر مدل های هوش مصنوعی مرزی را بیان می کند.

طبق گزارش CNBC، این پیمانکاران در سه ماهه دوم سال 2026 برای حمایت از حدود 3000 کارمند داخلی که در آن منطقه کار می کنند، استخدام شدند و آنها امروز در بانک باقی مانده اند. مونیهان به Leslie Picker از CNBC گفت: "ما 1000 پیمانکار را استخدام کردیم تا به ما کمک کنند تا کار وصله کاری را در سه ماهه دوم انجام دهیم و آن افراد امروز در اینجا هستند و به ما کمک می کنند، علاوه بر 3000 نفری که در آن منطقه داریم." For more context on this story, see our ongoing AI news.

صدها میلیون در هزینه های فصلی

فشار وصله ارزان نبود. موینیهان اوایل روز چهارشنبه به تحلیلگران گفت که اصلاح نرم افزار، همراه با کارهای نظارتی مرتبط با رعایت قوانین مبارزه با پولشویی، "یک دو صد میلیون به علاوه" به هزینه های بانک در سه ماهه سوم اضافه کرد. سهام این بانک در روز چهارشنبه به دنبال گزارش سود تا 8 درصد سقوط کرد و هزینه های جبرانی بخشی از گفتگوی گسترده تر با سرمایه گذاران در مورد فشار هزینه ها بود.

Mythos که آنتروپیک در ماه آوریل در اختیار گروه کوچکی از بانک‌ها، شرکت‌های فناوری و آژانس‌های دولتی قرار داد، به کشف و بهره‌برداری از نقص‌های نرم‌افزاری ده‌ها ساله اعتبار داده شده است - قابلیت‌هایی که شرکت‌های دارای داده‌های مالی حساس را مجبور به تقلای دفاعی پرهزینه کرده است. موینیهان گفت که بانک آمریکا در اوایل سال جاری برای تقویت طیف گسترده ای از کدهای داخلی و فروشنده خود عجله کرد و از هزاران کارمند و پرسنل خارجی استفاده کرد.

مونیهان در مصاحبه با CNBC گفت: «این ریسک یک ریسک واقعی است، و به همین دلیل است که وقتی مدل‌های مرزی ظاهر شدند... بسیاری از ما نشستیم و گفتیم: «چگونه بفهمیم که چگونه سریع از آن عبور کنیم؟»

ماهیت دو لبه هوش مصنوعی مرزی

این قسمت اقتصاد عجیب هوش مصنوعی مرزی را برای شرکت های بزرگ به تصویر می کشد. همان دسته از مدل‌هایی که به شرکت‌ها کمک می‌کند هزینه‌ها را با افزایش بهره‌وری کاهش دهند، همچنین می‌توانند ضعف‌های نرم‌افزاری را که برای دهه‌ها بی‌صدا انباشته شده‌اند، آشکار کند. موینیهان مستقیماً این تنش را تأیید کرد و خاطرنشان کرد که فروشندگانی که نرم‌افزار بانک را تأمین می‌کنند، خودشان برای تجهیز ابزارهای خود به هوش مصنوعی مرزی رقابت می‌کنند.

او گفت: "ما باید از آنها جلوتر بمانیم، و باید توجه داشته باشیم که افرادی که توسعه نرم افزار را انجام می دهند افرادی هستند که سعی می کنند خدمات را به ما بفروشند."

یک سنبله موقت، موینیهان استدلال می کند

مونیهان در حالی که سهام سقوط کرد، سعی کرد به سرمایه گذاران اطمینان دهد که افزایش هزینه ها موقتی خواهد بود. او گفت: «زمانی که وصله می‌کنید، نیازی به وصله ندارید... خط لوله از طریق آن حرکت می‌کند،» و افزود که بانک انتظار دارد هزینه‌های اصلاح در طول زمان کاهش یابد.

این بانک همچنین شرط می‌بندد که هوش مصنوعی برای کارهای دفاعی در جاهای دیگر بیش از هزینه پرداخت خواهد کرد. طبق گزارش CNBC، بانک آمریکا حدود 130 پروژه هوش مصنوعی داخلی را اجرا می‌کند که طبق پیش‌بینی‌هایش، در سال آینده تقریباً 700 میلیون دلار صرفه‌جویی خواهد شد - رقمی که صورت‌حساب کوتاه‌مدت اصلاح را کوچک‌تر می‌کند، حتی اگر زمان‌بندی این دو ناخوشایند باشد.

آنچه در مورد صنعت می گوید

افشای بانک آمریکا یکی از واضح‌ترین نقاط داده را ارائه می‌کند که کشف آسیب‌پذیری مبتنی بر هوش مصنوعی واقعاً چه هزینه‌ای برای یک موسسه بزرگ دارد. تحلیلگران از زمانی که مدل‌های امنیت سایبری مرزی شروع به حمل و نقل کردند، هشدار داده‌اند که پایگاه‌های کد قدیمی در بانک‌ها، بیمارستان‌ها و دولت‌ها سطح حمله گسترده‌ای را نشان می‌دهند که هوش مصنوعی می‌تواند بسیار سریع‌تر از حسابرسان انسانی نقشه‌برداری کند. تا کنون، بیشتر آن بحث نظری بوده است. موینیهان تعداد کار و برچسب قیمت را روی پاسخ قرار داد.

این نظرات همچنین بر موقعیت ظریف شرکت‌هایی مانند Anthropic تأکید می‌کند که مدل‌های امنیت سایبری قدرتمند را به گروهی از موسسات می‌فروشند، در حالی که صنعت گسترده‌تر در مورد چگونگی و سرعت گسترش چنین قابلیت‌هایی بحث می‌کند. گزارش‌های مربوط به تلاش‌های هک با کمک هوش مصنوعی، شیوه‌های کنترل و نظارت را تحت نظارت قرار داده است و مشتریان سازمانی اکنون با این فرض که آسیب‌پذیری‌های آن‌ها ابتدا پیدا می‌شود، بودجه‌بندی می‌کنند.

برای بانک‌ها، محاسبات ساده است: هزینه‌های وصله قابل اندازه‌گیری و محدود هستند، در حالی که هزینه یک بهره‌برداری موفق قابل اندازه‌گیری نیست. پیام Moynihan به سرمایه گذاران این بود که افزایش یک بار پاکسازی است، نه یک خط هزینه دائمی - اما این قسمت یادآوری می کند که هر جهشی در قابلیت مدل می تواند در سکوت وضعیت امنیتی هر شرکتی را که نرم افزار اجرا می کند دوباره قیمت گذاری کند.

همانطور که مدل‌های مرزی در یافتن نقص‌ها به بهبود ادامه می‌دهند، تجربه بانک آمریکا ممکن است کمتر به یک الگو تبدیل شود: هزاران کارمند، یک ارتش پیمانکاری، و یک فاکتور چند صد میلیون دلاری، که همگی توسط مدلی ایجاد شده‌اند که هرگز مستقیماً سیستم‌های بانک را لمس نکرده است.

تیم های امنیتی در سایر مؤسسات مالی بزرگ به دقت این کتاب را تماشا می کنند. اگر مدل‌های هوش مصنوعی بتوانند یک دهه آسیب‌پذیری‌های انباشته شده را در چند روز نشان دهند، سؤال هر بانکی دیگر این نیست که آیا کد آن نقص‌هایی دارد یا خیر، بلکه این است که چه کسی ابتدا آن‌ها را پیدا می‌کند و آیا مؤسسه ظرفیت اصلاح را دارد تا قبل از استفاده از آن نقص‌ها پاسخ دهد. افشای Moynihan نشان می‌دهد که برای دومین بانک بزرگ در ایالات متحده، پاسخ مستلزم این است که اصلاحات مبتنی بر هوش مصنوعی به‌عنوان یک هزینه تعیین‌کننده یک چهارم به‌جای یک خط روتین IT در نظر گرفته شود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →