Ne bismo trebali biti iznenađeni da umjetna inteligencija (UI) u prosjeku bolje predviđa dobitke nego burzovni analitičari. Ili da su strategije temeljene na pravilima u prosjeku bolji financijski savjetnici od osobnog bankara. Čak i prije nedavnih napredaka u generativnoj UI, postojale su dokazane prednosti sustavnog ulaganja. Iako takve tehnike možda ne pronađu rijetke vrhunske dionice ili preokrete na tržištu koje donose iznadprosječne prinose, one i dalje imaju dokazanu vrijednost.
Eskaliranje AI razotkriva da možemo nadmašiti preporuke temeljene na pravilima. Makroekonomija, računovodstvo i statistika čine tri stupa ulaganja. Veliki jezični modeli postižu vrhunske rezultate u naprednim ispitima iz ovih područja. Nadalje, znamo da LLM-i mogu sažeti daleko više konteksta i kolektivne mudrosti nego ljudsko biće, što može biti veoma korisno za makroekonomske strategije. Ako umjetna inteligencija može pomagati pri financijskim odlukama, zašto onda analitičarima ili upraviteljima portfelja teško prihvatiti ovu promjenu?
Evo nekoliko informacija iz rada podatkovnog znanstvenika Césara Hidalga o tome kako ljudi ocjenjuju strojeve. Kada koristimo program, fokusiramo se na njegovu učinkovitost. Svaka pogreška u predviđanju koju program napravi uzrokovat će gubitak povjerenja našeg financijskog stručnjaka. U većini slučajeva nije važno je li algoritam u prosjeku bolji od čovjeka. Naš financijski savjetnik će se osloniti na svoju intuiciju i iskustvo.
Istraživanje Hidalga pokazuje da drugačije ocjenjujemo ljudsko savjetovanje. Gledamo izvan učinka i uzimamo u obzir namjere osobe koja nam savjetuje. Kada se upuštamo u privatnog bankara ili povjeravamo svoj novac upravitelju fonda, pretpostavljamo podudarnost s našim ciljevima, posebno ako ugovor sadrži naknade ovisne o učinku. Kada uključimo te namjere u našu mentalnu jednadžbu, tolerantniji smo prema lošem povratu.
Ljudsko savjetovanje može češće propasti, ali se i dalje smatra vrijednim, posebno kada postoji priča koja objašnjava rezultat. Prema riječima Hidalgosa, očekujemo racionalnost od strojeva, a čovječnost od ljudi.
Otporni smo i na primanje informacija koje proturječe našem iskustvu. U eksperimentima s radiolozima koji su koristili AI, nije bilo jasno kako su integrirali stavove algoritma u svoja predviđanja. Rad je trajao dulje, a učinkovitost kombinirane dijagnostike bila je upitna.
Ako to vrijedi za radiologe, mora biti još teže za svakoga tko radi na financijskim tržištima. Makro strategija bi mogla biti najteže područje za integraciju umjetne inteligencije. Prvo, jer tržište, poput vremenskih prilika, nije stacionarno, što znači da nikada neće na isti način reagirati na, primjerice, podatke o inflaciji ili zapošljavanju, a kamoli na mogući povratak Donalda Trumpa u Bijelu kuću. Osim toga, svaki strateg ima jake početne uvjerenosti – ili "identitet" kao uvijek optimističan ili pesimističan – što utječe na njegovu prosudbu. Vrlo je teško pobjeći od priča koje klijenti očekuju od vas.
Zuletzt sehnen wir uns nach Kontrolle. Es gibt einen radikalen Unterschied zwischen einem Modell, das mit einer Tabellenkalkulation aus verfügbaren Daten erstellt wurde, und z.B. ChatGPT. Basierend auf unserer Erfahrung und Intuition entscheiden wir über die Form und Komponenten des ersteren, aber nicht des letzteren. Und in den meisten Fällen wissen wir nicht einmal, wie das LLM zu einer bestimmten Antwort gekommen ist. Daher ist es verständlich, dass unser Finanzberater sich unwohl fühlt, eine Vorhersage zu nutzen, die nicht seine eigene ist.
Na kraju, čeznemo za kontrolom. Postoji radikalna razlika između modela koji je stvoren pomoću proračunske tablice iz dostupnih podataka i, na primjer, ChatGPT-a. Na temelju našeg iskustva i intuicije odlučujemo o obliku i komponentama prvog modela, ali ne i drugog. I u većini slučajeva čak ni ne znamo kako je LLM došao do određenog odgovora. Stoga je razumljivo da se naš financijski savjetnik osjeća nelagodno koristeći predviđanje koje nije njegovo vlastito.
Postoji nekoliko razmatranja koja treba uzeti u obzir. Trebamo omogućiti ljudima da prilagode neke parametre modela. Drugim riječima, moramo omogućiti stručnjacima da prihvate AI preporuke kao da su njihove vlastite. U najboljem slučaju, model se može poboljšati kada stručnjak doda kontekst koji možda nije dostupan modelu. To mogu biti privatne okolnosti korisnika ili drugi teško kvantificirajući faktori i ograničenja. Alternativno, mogli bismo prihvatiti pad performansi ako to znači da će zbog ljudskog pristupa više ljudi prihvatiti uvide. Ovo bi mogao biti razuman kompromis u područjima kao što je savjetovanje o upravljanju imovinom.
Schließlich müssen wir versuchen, KI verständlicher zu machen. Dies ist eine berechtigte Erwartung, da die Anforderungen an Prüfung und Compliance wachsen. Darüber hinaus integrieren einige der führenden Modelle „Chain of Thought“-Logik, die das Expertenwissen in einem Rohmodell kodifiziert. Auf diese Weise sehen wir nicht nur Leistungssteigerungen, sondern haben auch einige Regeln, denen die meisten Experten vertrauen können. Niemand möchte wie ein dummer Roboter aussehen, der nur den Rat einer Black Box wiederholt. Vertrauen und Urteilskraft sind entscheidende Merkmale in einer Kundenbeziehung. Am Ende erwarten wir, dass Menschen menschlich bleiben.
Konačno, moramo pokušati učiniti KI razumljivijim. Ovo je opravdano očekivanje, jer zahtjevi za ispitivanje i usklađenost rastu. Osim toga, neki od vodećih modela integriraju "Chain of Thought" logiku, koja kodificira stručna znanja u sirovom modelu. Na ovaj način ne samo da vidimo poboljšanja u performansama, već imamo i neka pravila kojima većina stručnjaka može vjerovati. Nitko ne želi izgledati kao glupi robot koji samo ponavlja savjete crne kutije. Povjerenje i prosudba su ključne karakteristike u odnosu s klijentima. Na kraju, očekujemo da ljudi ostanu ljudski.
