او ادامه می‌دهد: «همچنین، خودکارسازی فرآیندهای مرتبط با شناسایی و مدیریت ریسک با استفاده از این فناوری، نیاز به نیروی انسانی را کاهش داده و باعث افزایش کارایی سیستم‌ها می‌شود که در نتیجه، هزینه‌های عملیاتی به طور قابل ملاحظه‌ای کاهش می‌یابد.»
حکاک توصیه می‌کند از آنجا که فناوری هوش مصنوعی مولد در ایران هنوز در مراحل اولیه پیاده‌سازی قرار دارد، بهتر است ابتدا سرویس‌هایی با ریسک پایین به اجرا گذاشته شوند: «این رویکرد فرصت مناسبی را برای آزمایش و بهینه‌سازی فناوری در محیط‌های کنترل‌شده فراهم می‌آورد تا با کسب تجربه و بهبود عملکرد، بعدها بتوان آن را به حوزه‌های حساس‌تر و پرریسک‌تر گسترش داد.»
او درباره تجربه کاری خود در رابطه با تأثیر استفاده از هوش مصنوعی مولد در ایجاد نوآوری برای شرکت‌های ارائه‌کننده خدمات مالی به مشتریان توضیح می‌دهد: «موفقیت این فناوری به حل چالش‌هایی مانند به‌روزرسانی زیرساخت‌ها، آموزش نیروی انسانی و تدوین مقررات شفاف وابسته است. نمونه‌های ارائه شده تاکنون نشان می‌دهند که ادغام هوش مصنوعی با نیازهای بومی می‌تواند نوآوری‌های کاربردی ایجاد کند، اما این روند هنوز در مراحل اولیه است و نیازمند سرمایه‌گذاری بیشتر است.»
چالش‌های فنی استفاده از هوش مصنوعی مولد در ایران
استفاده از این فناوری در ایران بدون چالش فنی نیست. حکاک دراین‌باره توضیح می‌دهد: «سیستم‌های هوش مصنوعی مولد امروزه اغلب به‌صورت چندعاملی (Multi Agent) طراحی می‌شوند تا بتوانند وظایف پیچیده‌ای مانند پردازش زبان طبیعی، تحلیل داده‌های مالی و تولید محتوا را به‌طور همزمان و هماهنگ انجام دهند. بهینه‌سازی تعامل و هماهنگی میان عامل‌های مختلف چالشی فنی محسوب شود.»
او اضافه می‌کند: «تولید خروجی‌های با کیفیت بالا توسط هوش مصنوعی مولد نیازمند استفاده از مدل‌های پیچیده و محاسبات سنگین است که همواره هزینه‌های بالایی را در بر دارد. در ایران، علاوه بر محدودیت‌های اقتصادی، تأمین داده‌های باکیفیت و زیرساخت‌های پردازشی مدرن به‌عنوان چالش مهم مطرح است. لذا، شرکت‌ها باید بین هزینه‌های توسعه و نگهداری سیستم‌های هوش مصنوعی مولد و کیفیت خروجی‌های تولید شده تعادل برقرار کنند. این تعادل اغلب به معنای کاهش هزینه‌های عملیاتی از یک سو و حفظ یا ارتقای دقت و کیفیت خروجی از سوی دیگر است.»
داده‌های ورودی و کیفیت آن‌ها مورد دیگری است که حکاک به آن اشاره می‌کند: «موفقیت هر مدل هوش مصنوعی مولد به کیفیت و تنوع داده‌های ورودی وابسته است. در ایران، دسترسی به مجموعه داده‌های جامع، به‌روز و استاندارد برای حوزه‌های مالی و فین‌تک هنوز با چالش‌هایی مواجه است که این امر می‌تواند کیفیت خروجی‌های تولیدی را تحت تأثیر قرار دهد.»
او همچنین به «چالش قراردادها» اشاره می‌کند و می‌گوید: «در قراردادهای سنتی نرم‌افزار، پیش‌بینی دقیق عملکرد مدل‌های هوش مصنوعی در زمان عقد قرارداد دشوار است که این امر می‌تواند به وابستگی کارایی مدل‌ها به شرایط غیرمنتظره و افزایش ریسک پروژه منجر شود. برای مقابله با این چالش، پیشنهاد می‌شود به‌جای استفاده از قراردادهای مرسوم، رویکرد «اکتشافی چندمرحله‌ای» اتخاذ شود. در این روش، کارفرما با ارائه داده‌های آموزشی، امکان بهبود تدریجی مدل را فراهم می‌کند و تعهدات پیمانکار نیز به‌صورت واقع‌بینانه‌تری تعیین می‌شود. توسعه مدل‌های هوش مصنوعی در این رویکرد به‌صورت مرحله‌به‌مرحله انجام می‌شود.»
همان‌طور که حکاک یادآوری می‌کند، در ایران، پیاده‌سازی این فناوری هنوز در مراحل اولیه خود قرار دارد اما از مزیت‌های مهم آن می‌توان به «افزایش دقت خروجی»، «کاهش زمان پاسخ‌دهی» و «کاهش هزینه‌های عملیاتی» اشاره کرد. او یادآوری می‌کند: «چیزی که باید به خاطر داشته باشیم این است که هوش مصنوعی یک مسابقه نیست، بلکه یک سفر است. به این معنا که باید مراقب باشیم و مثل هر چیزی که قصد داریم در سازمان‌ها پیاده کنیم، اصول اعتماد و هوشمندی را رعایت کنیم.»