Meidän ei tulisi yllättyä siitä, että tekoäly (AI) ennustaa voittoja keskimäärin paremmin kuin osakeanalyytikot. Tai että sääntöpohjaiset strategiat tarjoavat keskimäärin parempaa talousneuvontaa kuin henkilökohtainen pankkiiri. Jo ennen viimeisimpiä edistysaskelia generatiivisessa tekoälyssä systemaattisen sijoittamisen hyödyt olivat todettuja. Vaikka tällaiset tekniikat eivät ehkä löydäkään harvinaisia ​​huippuosakkeita tai markkinakäännekohtia, jotka tuottavat keskimääräistä parempia tuottoja, niillä on silti todistettu arvo.

KI-kehitykset osoittavat kuitenkin, että voimme mennä sääntöpohjaisten suositusten ulkopuolelle. Makrotalous, kirjanpito ja tilastot ovat sijoittamisen kolme tukipilaria. Suuret kielimallit saavuttavat huippupisteitä näiden alojen edistyneissä kokeissa. Lisäksi tiedämme, että LLM:t voivat tiivistää paljon enemmän kontekstia ja kollektiivista viisautta kuin ihminen, mikä voi olla erittäin hyödyllistä makrotaloudellisissa strategioissa. Jos tekoäly siis voi auttaa taloudellisissa päätöksissä, miksi analyytikoiden tai salkunhoitajien on niin vaikea hyväksyä tätä muutosta?

Joitakin viitteitä löydämme datatieteilijä César Hidalgon työstä siitä, kuinka ihmiset arvioivat koneita. Kun käytämme ohjelmaa, keskitymme työkalun suorituskykyyn. Jokainen tämän ohjelman ennustevirhe johtaa siihen, että rahoitusasiantuntijamme menettää luottamuksensa. Useimmissa tapauksissa ei ole väliä, onko algoritmi keskimäärin parempi kuin ihminen. Rahoitusneuvojamme luottaa intuitioonsa ja kokemukseensa.

Hidalgon tutkimus osoittaa, että arvioimme ihmisten antamia neuvoja eri tavoin. Suorituskyvyn lisäksi otamme huomioon neuvoja antavan henkilön tarkoitusperät. Kun teemme yhteistyötä yksityispankkiirin kanssa tai luovutamme rahamme rahastonhoitajan hoidettavaksi, oletamme heidän tavoitteidensa olevan linjassa omiemme kanssa, erityisesti silloin, kun sopimus sisältää tulosperusteisia palkkioita. Kun otamme nämä tarkoitusperät huomioon mielessämme, olemme suvaitsevaisempia huonon tuoton suhteen.

Ihmisten antama neuvonta voi siis useammin epäonnistua, ja sitä pidetään silti arvokkaana, varsinkin jos on olemassa tarina, joka selittää lopputuloksen. Hidalgon sanoin odotamme koneilta rationaalisuutta ja ihmisiltä inhimillisyyttä.

Vastustamme myös sellaisten tietojen vastaanottamista, jotka ovat ristiriidassa kokemuksemme kanssa. Kokeissa radiologien kanssa, jotka käyttivät tekoälyä, ei ollut selvää, miten he ottivat huomioon algoritmin näkemykset ennusteissaan. Työ kesti kauemmin ja yhdistettyjen diagnoosien tehokkuus oli kyseenalainen.

Jos tämä koskee radiologeja, sen täytyy olla vielä vaikeampaa jokaiselle, joka työskentelee rahoitusmarkkinoilla. Makrostrategia saattaa olla vaikein alue integroida tekoälyä. Ensinnäkin, koska markkinat, kuten sää, eivät ole stabiileja, mikä tarkoittaa, että ne eivät koskaan reagoi täsmälleen samalla tavalla esim. inflaatio- tai työllisyystietoihin, puhumattakaan mahdollisesta Donald Trumpin paluusta Valkoiseen taloon. Lisäksi jokaisella strategilla on vahvat alkuperäiset uskomukset – tai “identiteetti” aina optimistisena tai pessimistisenä –, jotka vaikuttavat hänen arvioonsa. On erittäin vaikeaa päästä eroon niistä tarinoista, joita asiakkaat sinulta odottavat.

Viime kädessä kaipaamme kontrollia. On olemassa radikaali ero mallin välillä, joka on luotu saatavilla olevien tietojen laskentataulukolla, ja esimerkiksi ChatGPT:llä. Kokemuksemme ja intuitiomme perusteella päätämme edellisen muodon ja komponentit, mutta emme jälkimmäistä. Useimmissa tapauksissa emme edes tiedä, kuinka LLM on päätynyt tiettyyn vastaukseen. Siksi on ymmärrettävää, että finanssineuvojamme tuntee olonsa epämukavaksi käyttäessään ennustetta, joka ei ole hänen omaansa.

Einige Überlegungen zur Anpassung von KI-Modellen durch Fachleute

Muutamia harkintoja siitä, että asiantuntijat voivat mukauttaa tekoälymalleja

Lopulta meidän on yritettävä tehdä tekoälystä ymmärrettävämpää. Tämä on oikeutettu odotus, sillä vaatimukset tarkastuksille ja lainsäädännön noudattamiselle kasvavat. Lisäksi jotkut johtavat mallit integroivat "Chain of Thought" -logiikan, joka koodaa asiantuntijatiedon raakamalliin. Tällä tavalla emme näe pelkästään suorituskyvyn parantumista, vaan meillä on myös joitain sääntöjä, joihin useimmat asiantuntijat voivat luottaa. Kukaan ei halua näyttää tyhmältä robotilta, joka vain toistaa mustan laatikon neuvoja. Luottamus ja arvostelukyky ovat ratkaisevia ominaisuuksia asiakassuhteessa. Lopulta odotamme, että ihmiset pysyvät inhimillisinä.