Revolut: هدفهای بلندپروازانهتر، بدون افت استانداردها
Revolut با مدلهای OpenAI و Codex به تیمهایش فرصت بیشتری برای حل مسائل پیچیده میدهد؛ از مهندسی نرمافزار تا جرایم مالی.
۳۰ تا ۶۰٪
کاهش زمان کدنویسی، از شروع کار تا ادغام کد قابلیت جدید
یک روز
برای تبدیل هفت سال مستندات طراحی به اطلاعات زمینهای قابلخواندن برای هوش مصنوعی
۱ تا ۲ روز
صرفهجویی در زمان بازبینی امنیتی کد با Codex
Revolut(در یک پنجره جدید باز میشود) شکل گرفت تا شیوهٔ تعامل مردم با پول را به چالش بکشد. این بلندپروازی اکنون بیش از ۴۰ بازار، ۸۰۰٬۰۰۰ کسبوکار و جمعیتی از مشتریان حقیقی را در بر میگیرد که طی ۱۲ ماه گذشته ۲۳ درصد رشد کرده است.
فرهنگ سازمانی شرکت را هم به اینها اضافه کنید که از تیمهای کوچک و چابک انتظار دارد سریع پیش بروند؛ آنوقت عجیب نیست که ChatGPT و Codex بهخوبی با شیوهٔ کار آن سازگار شدهاند.
کیم مانیوویچ، مدیر جهانی بازاریابی کسبوکار Revolut، میگوید: «بهترین توصیف یک نیروی توانمند در Revolut، کسی است که بتواند خیلی سریع مسئلهای را شناسایی کند، به راهحل برسد، چهار سناریو طراحی کند، بهترینِ آنها را انتخاب کند و بعد آن را به بازار عرضه کند.»
«همکاری با OpenAI به ما امکان میدهد بسیاری از این راهحلها را با کمترین منابع، بهصرفه و کاملاً متناسب با شیوهٔ منحصربهفرد کارمان بسازیم.»
اما سرعت بیشتر فقط بخشی از این فرصت است. برای Revolut، پرسش بزرگتر این است: وقتی افراد توانمند زمان کمتری صرف مراحل اجرایی کارها کنند و وقت بیشتری برای حل مسائلی بگذارند که میتوانند خدمات مالی را از اساس تغییر دهند، چه فرصتهایی پیش میآید؟
با رشد Revolut، محافظت از مشتریانش هم پیچیدهتر میشود. طبق یک گزارش(در یک پنجره جدید باز میشود)، بیش از نیمی از بزرگسالان جهان گفتهاند که در سال ۲۰۲۵ با کلاهبرداری مواجه شدهاند.
برای Revolut، هر تراکنش فرصتی دیگر است تا فعالیت مشکوک را شناسایی کند، خطرهای احتمالی را بررسی کند و تدابیر حفاظتی قوی و متناسبی برای مشتریانش به اجرا بگذارد. اما حجم عظیم این تراکنشها بسیار فراتر از ظرفیت نیروی انسانیِ در دسترس هر بانکی است.
دیوید ابیتبول، مسئول هوش مصنوعی، میگوید: «بزرگترین مسئلهای که امروز میتوانیم با هوش مصنوعی به آن بپردازیم، افزایش ظرفیت نیروی انسانی متناسب با تقاضایی است که با آن روبهرو هستیم.» به همین دلیل، یکی از بزرگترین کاربردهای هوش مصنوعی در Revolut، عامل FinCrime است که با مدلهای OpenAI کار میکند.
بهجای اینکه کارشناسان مجبور باشند تکتک پروندههای واجد شرایط را دستی بررسی کنند، این عامل میتواند اطلاعات را بررسی کند، قواعد Revolut را اعمال کند و فرایند تعریفشده را خودکار به پایان برساند.
عرضهٔ GPT‑5.5 نقطهٔ عطفی بود. به گفتهٔ ابیتبول، در آن زمان مدلها آنقدر توانمند و بهصرفه شده بودند که Revolut بتواند گردشکارهای غربالگری و بررسی را کاملاً به این عامل بسپارد. نتیجه، ظرفیت بیشتر برای پایش تراکنشهاست، بدون اینکه لازم باشد تعداد کارشناسان بررسی همپای تقاضا افزایش یابد.
مو امیری، مهندس امنیت اطلاعات، اضافه میکند که این موضوع «مستقیماً به محافظت قویتر و سیستمی تابآورتر منجر میشود که مشتریانمان میتوانند به آن اعتماد کنند.»
«سریع پیش بروید، اما اعتماد بسازید» بهراحتی میتواند شعار داخلی تیم مهندسی Revolut باشد. ابیتبول ضمن اشاره به کاهش ۳۰ تا ۶۰ درصدی زمان کدنویسی با Codex، تأکید میکند که برخی الزامات حفاظتی بههیچوجه قابلچشمپوشی نیستند.
او میگوید: «چارچوبی نظاممند داریم که بر اساس آن، هر کسی در شرکت که چیزی با هوش مصنوعی میسازد، در توسعه، آزمون A/B و پیشبینی شاخصهای کسبوکار از مجموعهٔ یکسانی از استانداردها پیروی میکند.» «بنابراین، همهٔ مهندسان در سراسر شرکت موظف به رعایت استاندارد کیفیت یکسانی هستند. به سطح کافی از هوش با هزینهای معقول دست پیدا کردیم و توانستیم بررسیهای اولیه و غربالگریها را هرچه بیشتر به عامل واگذار کنیم.»
برای دمیتری پیتیک، مهندس ارشد پلتفرم، این کاهش ۳۰ تا ۶۰ درصدی زمان کدنویسی هنگام ساخت یک سرویس داخلی بازبینی کد ملموس شد. او سیستم را طراحی کرد، آن را به قابلیتهای مجزا تقسیم کرد و ابتدا تصور میکرد برای پیادهسازی آن به یک تیم توسعه نیاز دارد.
او به یاد میآورد: «متوجه شدم برای پیادهسازی این سیستم به یک تیم کامل از توسعهدهندگان نیاز ندارم.» «کافی است عاملهای مختلفی راهاندازی کنم و به هرکدام کار مشخصی بسپارم.» Codex به تیم پیادهسازی او تبدیل شد و دمیتری زمان بیشتری را صرف طراحی سیستم، برنامهریزی کار و بازبینی خروجیها کرد.
ابیتبول این الگو را در سراسر Revolut دیده است. Codex وقت مهندسان را آزاد میکند و آنها از این فرصت استفاده میکنند «تا زمان بیشتری را به گفتوگو دربارهٔ طراحی و بهترین راهحل اختصاص دهند. بنابراین بهجای پیادهسازی، وقت بیشتری صرف طراحی میکنیم.»
این موضوع نیاز به تخصص مهندسی را از بین نمیبرد؛ فقط محل بهکارگیری آن را تغییر میدهد. پیتیک میگوید: «هر توسعهدهنده مسئول کدی است که تولید میکند و ما چشمبسته به هوش مصنوعی اعتماد نمیکنیم.» نتیجه، شکل متفاوتی از تقسیم کار است: هوش مصنوعی در پیادهسازی کمک میکند و مهندسان توجه بیشتری به تصمیمهایی اختصاص میدهند که تعیین میکنند نرمافزار مفید و قابلاعتماد است و ارزش ساختن دارد یا نه.
این تلاش اضافه ارزشش را دارد. وقتی Codex روی یک کار متمرکز است، پیتیک میتواند همزمان کار دیگری را پیش ببرد. چنین پیشبرد همزمانی در شرکتی ضروری است که به گفتهٔ کیم مانیوویچ، هر کارمند معمولاً «سه شغل متفاوت» دارد. استفاده از Codex چرخهای پیشبرنده، هرچند چالشبرانگیز، ایجاد میکند که در آن «ماهبهماه هدفهایی که تعیین میکنیم بلندپروازانهتر، اما در عین حال دستیافتنیتر میشوند. به این ترتیب، سطح انتظارات مدام بالاتر میرود. هوش مصنوعی این را ممکن میکند.»
از جمله کارهایی که Revolut با این ظرفیت تازه توانسته انجام دهد، توسعهٔ ابزاری برای ساخت رابطهای کاربری وب برای برنامههای داخلی و محصولات عرضهشده به کاربران بیرونی است.
نمونهٔ دیگر، تبدیل هفت سال مستندات طراحی به اطلاعات زمینهای قابلخواندن برای هوش مصنوعی، تنها در یک روز است؛ کاری که پایهای برای ابزارهایی فراهم میکند که قرار است به طراحان در انجام مؤثرتر کارشان کمک کنند. این تجربه نشان میدهد هوش مصنوعی چگونه میتواند دانش انباشتهٔ سازمانی را در دسترستر کند و از زحمت کار با سیستمهای پیچیده بکاهد. دیمیترو پاولوف، طراح ارشد، میگوید: «میتوانیم تمرکزمان را از کارهایی که مهماند اما انجامشان بدون هوش مصنوعی دشوار است، به چیزهایی معطوف کنیم که برای مشتریان اهمیت دارند.»
«متوجه شدم به یک تیم کامل از توسعهدهندگان نیاز ندارم. کافی است عاملهای مختلفی راهاندازی کنم و به آنها کاری بسپارم.»
وظیفهٔ مو امیری این است که مطمئن شود امنیت همپای این سرعت پیش میرود؛ نه فقط برای مشتریان، بلکه برای کارکنان خود Revolut. به همین دلیل، او همزمان از دو زاویه به هوش مصنوعی نگاه میکند: اینکه چگونه میتواند به Revolut در بررسی یک مسئله کمک کند و اینکه تیمها پیش از بهکارگیری امن آن به چه چیزهایی نیاز دارند.
برای مثال، در بررسی یک مورد فیشینگ، پیشتر تحلیلگر مجبور بود ایمیل را جمعآوری کند، پیوندها و پیوستهایش را بررسی کند، فرستنده را ردیابی کند و شواهد را دستی کنار هم بگذارد. او میگوید: «با ابزارهای قویتر هوش مصنوعی میتوانیم این ارتباطها را فوراً کشف کنیم و پرسشهایی را که واقعاً اهمیت دارند، عمیقتر بررسی کنیم.»
هوش مصنوعی کارهای مقدماتی را انجام میدهد و پروندهای ساختاریافته در اختیار کارشناس بررسی میگذارد، اما همچنان خود فرد باید سوابق اصلی را بازبینی کند، دربارهٔ منطقی بودن توضیحات تصمیم بگیرد و هر اقدامی را تأیید کند.
امیری هنگام ورود کاربردهای تازهٔ هوش مصنوعی به Revolut نیز همین رویکرد را به کار میگیرد. او کل زنجیره را دنبال میکند: سیستم چه اطلاعاتی را میبیند، آن اطلاعات به کجا میروند، به چه ابزارهایی دسترسی دارد، با این دسترسی چه کارهایی میتواند انجام دهد و اگر مشکلی پیش بیاید چه اتفاقی میافتد. او همچنین میآزماید که آیا نتیجهگیریهای ظاهراً قانعکننده واقعاً پشتوانهای در شواهد دارند یا نه.
او میگوید: «مهمترین تصمیم همیشه دربارهٔ مسئولیت پاسخگویی است.» «اگر ابزار هوش مصنوعی تغییری در کد پیشنهاد دهد، یک مهندس انسانی باید آن تغییر را آنقدر خوب درک کند که بتواند مسئولیتش را بپذیرد. این اصل مستقیماً طراحی فرایند بازبینی ما را شکل میدهد تا اطلاعات زمینهای لازم را بدون شلوغ کردن گردشکار روزمرهٔ توسعهدهندگان در اختیارشان بگذاریم.»
از نگاه Revolut، تدابیر حفاظتی از نوآوری جدا نیستند. این تدابیر به فراهم شدن شرایطی کمک میکنند که تیمها بتوانند با اطمینان فناوری توانمندتری را به کار بگیرند. او توضیح میدهد: «اعتماد واقعی به هوش مصنوعی اینطور به دست میآید: با تصمیمهای سنجیده از همان ابتدا و آزمودن در طول مسیر.»
«اعتماد واقعی به هوش مصنوعی با تصمیمهای سنجیده از همان ابتدا و آزمودن در طول مسیر به دست میآید.»
کاهش ۳۰ تا ۶۰ درصدی زمان کدنویسی، از شروع کار تا ادغام کد قابلیت جدید
ساخت سرویس داخلی بازبینی کد توسط یک مهندس، با واگذاری کارهای پیادهسازی به چند عامل Codex
تبدیل مستندات موجود سیستم طراحی، حاصل حدود هفت سال کار، به اطلاعات زمینهای قابلخواندن برای هوش مصنوعی تنها در یک روز
صرفهجویی یک تا دو روزه در یک بازبینی امنیتی گستردهٔ کد
غربالگری تراکنشهای بیشتر با عامل FinCrime، بدون نیاز به افزایش متناسب تعداد کارشناسان بررسی
از مسئلهای شروع کنید که ارزش حل کردن دارد. Revolut هوش مصنوعی را در حوزههایی به کار گرفته که تقاضا در آنها سریعتر رشد میکند و بیشترین اهمیت را برای مشتریان دارند.
از سرعت بیشتر برای بلندپروازانهتر کردن هدفها استفاده کنید، نه پایین آوردن استانداردها. زمانی که در کدنویسی و بررسیها صرفهجویی میشود، فرصتی برای طراحی بهتر، طرح پرسشهای دشوارتر و انجام کارهای اثرگذارتر فراهم میکند.
مسئولیت پاسخگویی را همچنان بر عهدهٔ انسانها بگذارید. هوش مصنوعی میتواند شواهد جمع کند، کد بنویسد و اقدام پیشنهاد دهد. اما همچنان باید انسانی کار را آنقدر خوب بفهمد که بتواند مسئولیتش را بپذیرد.
پیش از گسترش استفاده، اعتماد ایجاد کنید. روشن کنید سیستم چه اطلاعاتی را میبیند، چه کارهایی میتواند انجام دهد و هنگام بروز خطا چه اتفاقی میافتد؛ سپس در طول مسیر این تصمیمها را بیازمایید.
دانش خود را قابلاستفاده کنید. هوش مصنوعی وقتی به اطلاعات زمینهای روشن و منظم دسترسی داشته باشد، بهتر کار میکند. همین فرایند اغلب نشان میدهد که خود سازمان هم در چه زمینههایی به شفافیت بیشتری نیاز دارد.
Revolut تاکنون نشان داده که هوش مصنوعی چگونه میتواند به تیمهایش امکان دهد کارهای بیشتر و پیچیدهتری را در پیش بگیرند. فرصت بعدی این شرکت، بهکارگیری همین ترکیب توانمندی، قضاوت و طراحی در نحوهٔ تعامل مشتریان با پولشان است.
ابیتبول رابطی گفتوگومحورتر را تصور میکند که در آن مشتریان بتوانند برای کارهای مالی روزمره از Revolut کمک بخواهند: مسدود کردن کارت، مدیریت اشتراک یا یافتن راههایی برای پسانداز سفر. پاولوف به چالش طراحیِ پشت این تجربه توجه دارد: تبدیل پیچیدگی به چیزی یکپارچه و آشنا که استفاده از آن آسان باشد.
کیم مانیوویچ این آینده را به فرهنگی پیوند میدهد که محرک این تلاشهاست. «امیدوارم بتوانیم ارزشهایی را که هر روز بر اساس آنها کار میکنیم—این بلندپروازی بیپروا و میل به هرگز قانع نشدن به وضع موجود—از طریق محصولاتی که برای مردم میسازیم، به آنها منتقل کنیم تا در زندگی خود به کار بگیرند.»
هرچه هوش مصنوعی ساختن را آسانتر میکند، عامل تمایز این میشود که بدانیم چه باید بسازیم و قضاوت درست، استانداردها و شناخت لازم از مشتری را برای ساختنِ درست آن حفظ کنیم. برای Revolut، چشمانداز بزرگترِ بهکارگیری هوش در محیط کار همین است: زمان کمتر برای مراحل اجرایی کارها و ظرفیت بیشتر برای امنتر، سادهتر و مفیدتر کردن خدمات مالی برای همه.


