Δεν πρέπει να μας εκπλήσσει το γεγονός ότι η τεχνητή νοημοσύνη (ΤΝ) κατά μέσο όρο αποδίδει καλύτερα από τους αναλυτές μετοχών στην πρόβλεψη κερδών. Ούτε ότι οι στρατηγικές βασισμένες σε κανόνες παρέχουν κατά μέσο όρο καλύτερες οικονομικές συμβουλές από έναν προσωπικό τραπεζίτη. Πολύ πριν από τις πρόσφατες εξελίξεις στην γενετική ΤΝ, υπήρχαν ήδη αποδεδειγμένα πλεονεκτήματα στη συστηματική επένδυση. Ενώ τέτοιες τεχνικές ίσως να μην βρουν τις σπάνιες κορυφαίες μετοχές ή τα σημεία καμπής της αγοράς που φέρνουν υπερβολικές αποδόσεις, έχουν ωστόσο αποδεδειγμένη αξία.

Οι εξελίξεις της Τεχνητής Νοημοσύνης δείχνουν ότι μπορούμε να προχωρήσουμε πέρα ​​από τις συστάσεις που βασίζονται σε κανόνες. Η Μακροοικονομία, η Λογιστική και η Στατιστική αποτελούν τους τρεις πυλώνες της επένδυσης. Τα μεγάλα γλωσσικά μοντέλα επιτυγχάνουν κορυφαίες βαθμολογίες στις προηγμένες εξετάσεις αυτών των αντικειμένων. Επιπλέον, γνωρίζουμε ότι τα μεγάλα γλωσσικά Μοντέλα μπορούν να συνοψίσουν πολύ περισσότερο πλαίσιο και συλλογική σοφία από έναν άνθρωπο, κάτι που μπορεί να είναι πολύ χρήσιμο για μακροοικονομικές στρατηγικές. Επομένως, εάν η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στις χρηματοοικονομικές αποφάσεις, γιατί είναι τόσο δύσκολο για τους αναλυτές ή τους διαχειριστές χαρτοφυλακίων να δεχτούν αυτήν την αλλαγή;

Ορισμένες ενδείξεις βρίσκουμε στο έργο του επιστήμονα δεδομένων César Hidalgo σχετικά με το πώς οι άνθρωποι κρίνουν τις μηχανές. Όταν χρησιμοποιούμε ένα πρόγραμμα, εστιάζουμε στην απόδοση του εργαλείου. Κάθε σφάλμα πρόβλεψης αυτού του προγράμματος θα κάνει τον χρηματοοικονομικό μας επαγγελματία να χάσει την εμπιστοσύνη του. Στις περισσότερες περιπτώσεις δεν έχει σημασία αν ο αλγόριθμος είναι κατά μέσο όρο καλύτερος από τον άνθρωπο. Ο χρηματοοικονομικός μας σύμβουλος θα βασιστεί στη διαίσθηση και την εμπειρία του.

Η έρευνα του Hidalgo δείχνει ότι αξιολογούμε τη συμβουλή των ανθρώπων διαφορετικά. Κοιτάζουμε πέρα από την απόδοση και λαμβάνουμε υπόψη τις προθέσεις του ατόμου που μας συμβουλεύει. Όταν συνεργαζόμαστε με έναν ιδιωτικό τραπεζίτη ή εμπιστευόμαστε τα χρήματά μας σε έναν διαχειριστή κεφαλαίων, θεωρούμε ότι υπάρχει ταύτιση με τους στόχους μας, ειδικά όταν η σύμβαση περιλαμβάνει αμοιβές που εξαρτώνται από την απόδοση. Όταν λαμβάνουμε αυτές τις προθέσεις υπόψη στην πνευματική μας εξίσωση, είμαστε πιο ανεκτικοί απέναντι σε μια χαμηλή απόδοση.

Η ανθρώπινη συμβουλή μπορεί επομένως να αποτυγχάνει συχνότερα και παρ' όλα αυτά να θεωρείται πολύτιμη, ιδιαίτερα όταν υπάρχει μια ιστορία που εξηγεί το αποτέλεσμα. Σύμφωνα με τα λόγια του Hidalgo, περιμένουμε από τις μηχανές λογικότητα και από τους ανθρώπους ανθρωπιά.

Αντιστέκουμε επίσης στη λήψη πληροφοριών που αντιβαίνουν στην εμπειρία μας. Σε πειράματα με ακτινολόγους που χρησιμοποιούσαν την τεχνητή νοημοσύνη, ήταν ασαφές πώς ενσωμάτωναν τις απόψεις του αλγόριθμου στις προβλέψεις τους. Η εργασία διαρκούσε περισσότερο και η αποτελεσματικότητα της συνδυασμένης διάγνωσης ήταν αμφίβολη.

Αν αυτό ισχύει για τους ακτινολόγους, θα πρέπει να είναι ακόμη πιο δύσκολο για καθέναν που εργάζεται στις χρηματοπιστωτικές αγορές. Η μακροοικονομική στρατηγική θα μπορούσε να είναι ο δυσκολότερος τομέας για την ενσωμάτωση της Τεχνητής Νοημοσύνης. Πρώτον, επειδή η αγορά, όπως και ο καιρός, δεν είναι σταθερή, που σημαίνει ότι ποτέ δεν θα αντιδράσει με τον ίδιο ακριβώς τρόπο, π.χ. σε δεδομένα για τον πληθωρισμό ή την απασχόληση, πόσο μάλλον σε μια πιθανή επιστροφή του Ντόναλντ Τραμπ στον Λευκό Οίκο. Επιπλέον, κάθε στρατηγός έχει ισχυρές αρχικές πεποιθήσεις – ή μια «ταυτότητα» ως αιωνίως αισιόδοξος ή απαισιόδοξος – που επηρεάζει την κρίση του. Είναι πολύ δύσκολο να ξεφύγει από τις αφηγήσεις που οι πελάτες αναμένουν από αυτόν.

Τελευταία επιθυμούμε τον έλεγχο. Υπάρχει μια ριζική διαφορά μεταξύ ενός μοντέλου, που έχει δημιουργηθεί με ένα υπολογιστικό φύλλο από διαθέσιμα δεδομένα, και π.χ. του ChatGPT. Βάσει της εμπειρίας και της διαίσθησής μας, αποφασίζουμε για τη μορφή και τα συστατικά του πρώτου, αλλά όχι του δεύτερου. Και στις περισσότερες περιπτώσεις δεν γνωρίζουμε καν πώς το LLM κατέληξε σε μια συγκεκριμένη απάντηση. Ως εκ τούτου, είναι κατανοητό ότι ο χρηματοοικονομικός μας σύμβουλος αισθάνεται άβολα να χρησιμοποιήσει μια πρόβλεψη που δεν είναι δική του.

Υπάρχουν μερικές σκέψεις που πρέπει να ληφθούν υπόψη. Πρέπει να επιτρέψουμε στους ανθρώπους να προσαρμόζουν ορισμένες παραμέτρους του μοντέλου. Με άλλα λόγια, πρέπει να επιτρέψουμε στους επαγγελματίες να δέχονται τις συστάσεις της τεχνητής νοημοσύνης σαν να ήταν δικές τους. Στην καλύτερη περίπτωση, το μοντέλο μπορεί να βελτιωθεί όταν ο ειδικός προσθέτει πλαίσιο που ίσως δεν είναι προσβάσιμο στο μοντέλο. Αυτά μπορεί να είναι προσωπικές περιστάσεις του πελάτη ή άλλοι παράγοντες και περιορισμοί που είναι δύσκολο να ποσοτικοποιηθούν. Εναλλακτικά, θα μπορούσαμε να αποδεχτούμε μια πτώση στην απόδοση, εάν αυτό επιτρέψει σε περισσότερους ανθρώπους να αποδεχτούν τα ευρήματα λόγω της ανθρώπινης πινελιάς. Αυτό θα μπορούσε να είναι ένας λογικός συμβιβασμός σε τομείς όπως η συμβουλευτική διαχείρισης περιουσίας.

Τελικά, πρέπει να προσπαθήσουμε να κάνουμε την Τεχνητή Νοημοσύνη πιο κατανοητή.