Ми не повинні дивуватися, що штучний інтелект (ШІ) в середньому краще прогнозує прибутки ніж акціонерні аналітики. Або що стратегії, засновані на правилах, в середньому забезпечують кращі фінансові поради, ніж особистий банкір. Ще до нещодавніх досягнень у сфері генеративного ШІ існували випробувані переваги систематичного інвестування. Хоча такі техніки, можливо, не знайдуть рідкісні топ-акції чи ринкові поворотні моменти, що приносять прибутки вище середнього, вони все ж мають доведену цінність.

Однак розробки в сфері штучного інтелекту показують, що ми можемо вийти за рамки лише правилових рекомендацій. Макроекономіка, бухгалтерський облік та статистика є трьома стовпами інвестицій. Великі мовні моделі демонструють найкращі результати на просунутих іспитах з цих предметів. Крім того, ми знаємо, що великі мовні моделі можуть узагальнити набагато більше контексту та колективної мудрості, ніж людина, що може бути дуже корисним для макроекономічних стратегій. Отже, якщо штучний інтелект може допомогти у фінансових рішеннях, чому аналітикам або портфельним менеджерам так важко прийняти ці зміни?

Деякі підказки ми знаходимо в роботі науковця з даних Сезара Ідальго про те, як люди оцінюють машини. Коли ми використовуємо програму, ми зосереджуємось на результативності інструменту. Кожна помилка прогнозування цієї програми призведе до того, що наш фінансовий професіонал втратить довіру. У більшості випадків не має значення, чи є алгоритм у середньому кращим за людину. Наш фінансовий консультант буде покладатися на свою інтуїцію та досвід.

Дослідження Ідальго показує, що ми інакше оцінюємо людські поради. Ми дивимося не лише на результати, а й враховуємо наміри особи, яка дає нам поради. Коли ми взаємодіємо з приватним банкіром чи довіряємо свої гроші керуючому фондом, ми припускаємо відповідність наших цілей, особливо якщо договір містить винагороду, залежну від результатів. Коли ми враховуємо ці наміри у своїх міркуваннях, ми стаємо більш толерантними до поганої віддачі.

Людські консультації частіше за машинні виходять невдалими, але все одно сприймаються як цінні, особливо коли є пояснювальна історія. Як сказав Ідальго: ми очікуємо раціональності від машин і людяності від людей.

Ми також протистоїмо сприйняттю інформації, яка суперечить нашому досвіду. В експериментах з радіологами, які використовували штучний інтелект, було незрозуміло, як вони враховували думки алгоритму у своїх прогнозах. Робота тривала довше, і ефективність комбінованої діагностики була сумнівною.

Якщо це стосується радіологів, то для кожного, хто працює на фінансових ринках, це має бути ще складніше. Макростратегія може бути найскладнішою сферою для інтеграції штучного інтелекту. По-перше, тому що ринок, як і погода, не є стаціонарним, що означає, що він ніколи не буде точно однаково реагувати, наприклад, на дані про інфляцію чи зайнятість, не кажучи вже про можливе повернення Дональда Трампа до Білого дому. Крім того, кожен стратег має сильні початкові переконання – або "ідентичність" як завжди оптиміст або песиміст, – які впливають на його судження. Дуже важко позбутися наративів, яких від вас очікують клієнти.

Зрештою, ми прагнемо контролю. Існує радикальна різниця між моделлю, створеною за допомогою електронної таблиці на основі доступних даних, та, наприклад, ChatGPT. Спираючись на наш досвід та інтуїцію, ми визначаємо форму та компоненти першої, але не другої. І в більшості випадків ми навіть не знаємо, як LLM прийшов до тієї чи іншої відповіді. Тому зрозуміло, що наш фінансовий консультант відчуває себе ніяково, користуючись прогнозом, який не є його власним.

Є кілька міркувань, які варто врахувати. Ми повинні дозволити людям налаштовувати деякі параметри моделі. Іншими словами, ми повинні дозволити фахівцям приймати рекомендації штучного інтелекту, наче це їхні власні. У кращому випадку модель може бути поліпшена, коли експерт додає контекст, який може бути недоступний моделі. Це можуть бути приватні обставини клієнта або інші важко оцінювані фактори та обмеження. Альтернативно, ми могли б прийняти зниження продуктивності, якщо це дозволить більшій кількості людей приймати висновки завдяки людському дотику. Це може бути розумним компромісом у таких сферах, як консультації з управління активами.

Нарешті, ми повинні спробувати зробити ШІ більш зрозумілим. Це обґрунтоване очікування, оскільки вимоги до перевірки та дотримання зростають. Крім того, деякі з провідних моделей інтегрують «логіку розумового ланцюга», яка кодує експертні знання в базовій моделі. Таким чином, ми не тільки бачимо підвищення продуктивності, але й встановлюємо деякі правила, яким довіряють більшість експертів. Ніхто не хоче виглядати як дурний робот, який просто повторює поради чорного ящика. Довіра та судження є вирішальними характеристиками у відносинах з клієнтами. Врешті-решт, ми очікуємо, що люди залишатимуться людьми.