AI กำลังเปลี่ยนระบบการเงินไทย : โอกาสหรือความเสี่ยงที่มองไม่เห็น ?

ในช่วงไม่กี่ปีที่ผ่านมา “ ปัญญาประดิษฐ์” (Artificial Intelligence: AI)  กลายเป็นคำที่ถูกกล่าวถึงแทบทุกวงการ ตั้งแต่การศึกษา การผลิต แพทย์ อุตสาหกรรม ไปจนถึงการลงทุน แต่ในภาคการเงิน ผลกระทบของ AI อาจลึกกว่าที่หลายคนคาดคิด เพราะมันไม่ได้เป็นเพียงเครื่องมือช่วยทำงานเร็วขึ้น หากกำลังเปลี่ยนโครงสร้างการตัดสินใจ ความเสี่ยง และสถาปัตยกรรมของระบบการเงินทั้งระบบ (The architecture of the entire financial ecosystem)

งานศึกษาขององค์กรระดับโลกอย่าง IMF, BIS, World Bank และธนาคารกลางสหรัฐ สะท้อนภาพตรงกันว่า AI มีผลกระทบหลัก 3 ด้าน ได้แก่ การเพิ่มประสิทธิภาพ การสร้างความเสี่ยงรูปแบบใหม่ และการเปลี่ยนแปลงโครงสร้างระบบชำระเงิน คำถามสำคัญจึงไม่ใช่ว่า “ควรใช้ AI หรือไม่” แต่คือ “จะกำกับดูแลอย่างไรให้ประโยชน์มากกว่าความเปราะบาง”

ประสิทธิภาพที่เพิ่มขึ้น (Efficiency gains) อย่างชัดเจน

ข้อดีของ AI ในภาคการเงินเห็นได้ชัดเจนที่สุดในเรื่องการวิเคราะห์ข้อมูลและการประเมินความเสี่ยง โมเดล machine learning สามารถวิเคราะห์ข้อมูลจำนวนมหาศาลและค้นหารูปแบบซับซ้อนได้ดีกว่าโมเดลสถิติแบบดั้งเดิม

ในภาคสินเชื่อ AI ช่วยให้ธนาคารประเมินความเสี่ยงของผู้กู้ได้แม่นยำขึ้น โดยเฉพาะในกลุ่มลูกค้าที่ไม่มีประวัติสินเชื่อยาวนาน เช่น ผู้ประกอบการ SME หรือผู้กู้รายย่อย งานวิจัยในหลายประเทศพบว่า AI สามารถลดอัตราการคาดการณ์ผิดพลาด เพิ่มความแม่นยำในการคาดการณ์การผิดนัดชำระ และลดต้นทุนการปล่อยสินเชื่อได้อย่างมีนัยสำคัญ

ผลลัพธ์ที่สำคัญอีกประการคือ “การเข้าถึงทางการเงิน” ที่กว้างขึ้น เพราะ AI สามารถใช้ข้อมูลทางเลือก เช่น พฤติกรรมการใช้จ่าย หรือข้อมูลธุรกรรมดิจิทัล มาเสริมการประเมินความเสี่ยงได้ นี่คือการลดความไม่สมดุลของข้อมูล ซึ่งเป็นข้อจำกัดสำคัญของระบบการเงินในประเทศกำลังพัฒนา

ในระบบชำระเงิน AI มีบทบาทสำคัญในการตรวจจับการทุจริตแบบเรียลไทม์ ระบบสามารถแยกแยะธุรกรรมผิดปกติได้รวดเร็วขึ้น ลดความเสียหายจากการโกง และลดต้นทุนการดำเนินงานของธนาคาร ขณะเดียวกัน AI ยังช่วยบริหารสภาพคล่องในระบบโอนเงินแบบทันทีได้ดีขึ้น ทำให้ระบบมีเสถียรภาพมากขึ้นในภาวะปกติ

กล่าวได้ว่า AI ทำให้ “ต้นทุนของข้อมูล” ลดลงอย่างมาก และในโลกการเงิน ต้นทุนข้อมูลคือหัวใจของประสิทธิภาพ

แต่เปิดช่องทางความเสี่ยงใหม่ (New risk channels)

อย่างไรก็ตาม ภาพของ AI ไม่ได้มีแต่ด้านบวก งานศึกษาระหว่างประเทศจำนวนมากเริ่มเตือนถึงความเสี่ยงรูปแบบใหม่ที่ซับซ้อนกว่าความเสี่ยงแบบดั้งเดิม

ประเด็นแรกคือ “ความเสี่ยงจากโมเดล” (model risk) โมเดล AI มีความซับซ้อนและอธิบายได้ยาก (black box) หากหลายสถาบันใช้โมเดลลักษณะใกล้เคียงกัน หรือใช้ข้อมูลชุดเดียวกัน ความผิดพลาดอาจเกิดขึ้นพร้อมกันทั้งระบบ ความเสี่ยงลักษณะนี้มองไม่เห็นในงบดุล แต่สามารถสะสมจนกลายเป็นปัญหาเชิงระบบได้

ประเด็นที่สองคือ พฤติกรรมแบบกลุ่ม (herding) โดยเฉพาะในตลาดทุน งานศึกษาของ BIS และธนาคารกลางสหรัฐชี้ว่าอัลกอริทึมการซื้อขายช่วยเพิ่มสภาพคล่องในภาวะปกติ แต่ในภาวะตึงตัวอาจเร่งความผันผวน ตลาดอาจตอบสนองต่อข่าวหรือแรงกระแทกเร็วขึ้น และรุนแรงขึ้น นั่นหมายความว่า distribution ของความเสี่ยงอาจกว้างขึ้น แม้ว่าค่าเฉลี่ยจะดีขึ้น ซึ่งอาจทำให้โครงสร้างความผันผวนของตลาดเปลี่ยนไป

ประเด็นที่สามคือ ความเสี่ยงจากการกระจุกตัวของข้อมูล (data concentration risk)  เนื่องจาก AI ต้องอาศัยข้อมูลจำนวนมหาศาล บริษัทเทคโนโลยีหรือแพลตฟอร์มที่ครอบครองข้อมูลขนาดใหญ่จึงมีความได้เปรียบเชิงโครงสร้าง สิ่งนี้อาจนำไปสู่การกระจุกตัวของอำนาจตลาด และสร้างความเสี่ยงเชิงระบบหากผู้เล่นรายใหญ่มีบทบาทสำคัญต่อโครงสร้างการเงิน

สุดท้ายคือ ความเสี่ยงด้านไซเบอร์ (Cyber-systemic risk) เมื่อระบบพึ่งพาอัลกอริทึมและเชื่อมโยงกันมากขึ้น การโจมตีหรือความล้มเหลวของระบบอาจขยายผลอย่างรวดเร็วและเป็นวงกว้าง

สิ่งที่น่ากังวลคือความเสี่ยงเหล่านี้มีลักษณะ “ไม่เป็นเส้นตรง” กล่าวคือเมื่อเกิดขึ้นอาจขยายตัวเร็วกว่าที่คาดการณ์ และกระทบหลายส่วนของระบบพร้อมกัน

ระบบชำระเงินกำลังเปลี่ยนโฉม (Payments transformation)

AI ยังเป็นแรงผลักดันให้ระบบชำระเงินเปลี่ยนแปลงเชิงโครงสร้าง จากเดิมที่เป็นเพียงกลไกโอนเงิน กลายเป็นโครงสร้างพื้นฐานเชิงข้อมูล (data-centric infrastructure) ที่มีความฉลาดมากขึ้น

ระบบชำระเงินยุคใหม่สามารถตรวจจับความเสี่ยงแบบเรียลไทม์ ปรับเส้นทางการชำระเงินตามระดับความเสี่ยง และบริหารสภาพคล่องเชิงคาดการณ์ได้ นอกจากนี้ การพัฒนาสกุลเงินดิจิทัลของธนาคารกลาง (CBDC) ในหลายประเทศ การผสาน AI อาจทำให้เกิดแนวคิด “เงินที่ตั้งโปรแกรมได้”(programmable) มากขึ้น  กล่าวคือสามารถกำหนดเงื่อนไขการใช้จ่ายหรือการโอนเงินได้ สิ่งนี้มีนัยต่อการดำเนินนโยบายการเงินในอนาคต

อีกแนวโน้มสำคัญคือการเงินแบบฝังตัว (embedded finance) เมื่อการชำระเงินกลายเป็นแหล่งข้อมูล ธุรกรรมแต่ละครั้งสามารถต่อยอดไปสู่สินเชื่อ ประกัน หรือบริการทางการเงินอื่น ๆ ได้โดยอัตโนมัติ เส้นแบ่งระหว่างธนาคารกับแพลตฟอร์มเทคโนโลยีจึงเริ่มเลือน

ไทยควรเดินอย่างไร?

ประเทศไทยมีการใช้ระบบชำระเงินดิจิทัลในระดับสูง และเศรษฐกิจพึ่งพา SME อย่างมาก AI จึงมีศักยภาพในการเพิ่มประสิทธิภาพและขยายการเข้าถึงสินเชื่ออย่างมีนัยสำคัญ

แต่ในขณะเดียวกัน โครงสร้างตลาดที่มีการกระจุกตัวระดับหนึ่ง และขนาดเศรษฐกิจที่สามารถรองรับแรงกระแทกจาก Shock ต่างๆ จำกัด ทำให้ความเสี่ยงเชิงระบบอาจส่งผลกระทบรุนแรงกว่าประเทศขนาดใหญ่

ลำดับความสำคัญเชิงนโยบายจึงควรเน้น “การบริหารความเสี่ยงก่อนการเร่งขยายตัว”

ประการแรก ควรยกระดับมาตรฐานการกำกับดูแลโมเดล AI ทั้งในด้านการทดสอบความแม่นยำ ความสามารถในการอธิบาย และการทดสอบภายใต้สถานการณ์วิกฤติ

ประการที่สอง ควรมองการกำกับดูแลข้อมูลเป็นส่วนหนึ่งของเสถียรภาพระบบ ไม่ใช่เพียงเรื่องการแข่งขัน การส่งเสริมการพกพาข้อมูล (data portability) และการกำกับดูแลแพลตฟอร์มขนาดใหญ่จึงมีความสำคัญ

ประการที่สาม ผู้กำกับดูแลต้องลงทุนใน SupTech และ RegTech เพื่อให้สามารถติดตามความเสี่ยงในระบบที่ขับเคลื่อนด้วย AI ได้อย่างทันท่วงที

บทสรุป

AI ไม่ใช่เพียงเครื่องมือเพิ่มประสิทธิภาพ แต่กำลังเปลี่ยนโครงสร้างของระบบการเงินทั้งระบบ มันสามารถเพิ่มผลิตภาพ ขยายการเข้าถึงบริการทางการเงิน และยกระดับความสามารถในการแข่งขันของประเทศ

แต่ในเวลาเดียวกัน มันอาจเพิ่มความเปราะบางเชิงระบบในรูปแบบที่มองไม่เห็น หากกรอบกำกับดูแลไม่ทันต่อการเปลี่ยนแปลง

สำหรับประเทศไทย เป้าหมายไม่ใช่การเร่งหรือชะลอการใช้ AI หากคือการสร้างสมดุลระหว่าง “นวัตกรรม” กับ “เสถียรภาพ” ให้เดินไปพร้อมกัน

ท้ายที่สุดแล้ว AI จะเป็นพลังขับเคลื่อนเศรษฐกิจ หรือกลายเป็นแหล่งความเสี่ยง ขึ้นอยู่กับคุณภาพของนโยบายและความพร้อมของสถาบัน มากกว่าตัวเทคโนโลยีเอง.

บทความ คอลัมน์ พิจารณ์นโยบายสาธารณะ
สมศักดิ์ วงศ์ปัญญาถาวร
กลุ่มนโยบายสาธารณะเพื่อสังคมและธรรมาภิบาล