AI pénzügyi tanácsadás meglepően jó, ha jól kérdezünk — MIT-kutatás

A kutatásban 1000 felnőttet vizsgáltak, akiknek arra kellett kérdéseket feltenniük GPT-5.2, GPT-5.6 vagy Gemini 3 Flash modelleknek, hogy milyen pénzügyi döntéseket hozzanak. A kutatók szimulálták, mi történik, ha az emberek követik az AI tanácsait, és összevetették ezt a hagyományos, AI nélküli pénzügyi döntésekkel, valamint a tudományos alapokon megfogalmazott kérdésekre adott válaszokkal. (Hacker News)

LLM-ek teljesítménye és korlátai

Az LLM-ek tanácsai meglepően jónak bizonyultak, függetlenül attól, hogy a felhasználók vagy az akadémikusok írták-e a kérdéseket. Irányították az embereket magasabb megtakarítások felé, növelték a részvételt a részvénypiacon, és elősegítették a jól diverzifikált allokációkat és az életkornak megfelelő kockázatvállalást. „Némileg meglepődtünk, hogy milyen jó volt a tanács” — mondta Taha Choukhmane, a kutatás társszerzője. „Különösen, ha elolvassuk az emberek által feltett kérdések típusát, nem volt magától értetődő, hogy a tanács összhangban lesz azzal, amit az akadémikusok jónak tartanak a pénzügyi elvek terén.”

Az LLM-ek tanácsai a jó pénzügyi tervezés finomabb szempontjaiban maradtak el. Hajlamosak voltak egyszerű „hüvelykujjszabályokra” támaszkodni a megtakarítás és a kiadások terén, és nem alkalmazkodtak eléggé a változó körülményekhez. Például tanácsolták a munkanélküliségen átesett embereknek, hogy túl élesen vágják vissza a kiadásaikat, még akkor is, ha volt megtakarításuk. Az emberek kérdésfeltevésének módja is problémát jelent. Egy tipikus kérdés így hangozhat: „Hol fektessek be 50 dollárral kezdve, és havonta további 25 dollárt hozzáadva?” Amikor egy részletesebb, strukturáltabb „akadémiai” kérdést használtak, az LLM jobban teljesített. Például egy ilyen kérdés feltételezhette a normál várható élettartamot, a kiadásokat, a nyugdíjkorhatárt, a foglalkoztatási és jövedelmi kockázatot, valamint azt, hogy az Egyesült Államok adótörvényei és a Social Security szabályai nem változnak.

Nemi és tudásbeli eltérések hatása

A kutatók azt találták, hogy az LLM-ek tanácsai eltérnek a kérdező nemétől, pénzügyi ismereteitől és tapasztalataitól függően, ami jelentős különbségeket eredményez a nyugdíjvagyonban. A férfiak, a jobban pénzügyileg képzett felhasználók vagy a korábbi AI-tapasztalattal rendelkezők által írt kérdésekre adott tanácsok követése közel 5%-kal több vagyont eredményezett a nyugdíjhoz közeledve. Az LLM magasabb részvényallokációt ajánlott a férfiak és a magas pénzügyi ismeretekkel rendelkező személyek által írt kérdésekre válaszul. Az életciklus során az ilyen befektetési tanácsadási különbségek nagyjából 50 000 dollárral (4%) alacsonyabb vagyont eredményeztek 60 éves korra a nők és a kevésbé pénzügyileg képzett felhasználók számára. Az LLM alacsonyabb megtakarítási rátát javasolt azoknak, akik korábban nem használtak AI-t pénzügyi tanácsadásra. Ezt követve nekik majdnem 100 000 dollárral (6%) kevesebb vagyonuk maradt 60 éves korukra, mint a korábbi AI-tapasztalattal rendelkezőknek. Choukhmane szerint ezek a különbségek két forrásból származnak: először is, a különböző felhasználók másfajta kérdéseket tettek fel, és gyakran más témákat hoztak fel. A nők például nagyobb valószínűséggel használtak olyan szavakat, mint „család”, „élelmiszer” és „fizetés” a kérdéseikben, míg a férfiak olyan szavakat, mint „stratégia”, „kripto” és „növekedés”. Másodszor, a modell akkor is adhat eltérő tanácsot, ha az alapvető kérdés ugyanaz. A nemek közötti különbség esetében a vagyonbeli kimenetelekben tapasztalható nemi különbség körülbelül kétharmada az eltérő kérdésfeltevésből adódott, míg a fennmaradó egyharmad abból, hogy a modell megváltoztatta a tanácsát, amikor ugyanazt a kérdést nőként, mint férfiként címkézték. Ez utóbbi minta tükrözheti az LLM ésszerű következtetéseit arról, hogy a preferenciák vagy körülmények nemek szerint változnak — amit ideálisan a modell felhasználók számára világossá tehetne —, vagy tükrözheti a képzési adatokból tanult elfogultságokat. Choukhmane szerint az AI pénzügyi tanácsadás kihívása az, hogy nincsenek világos teljesítménytesztek. Csak akkor tudnak az LLM-ek a megfelelő irányba haladni, ha elfogadott keretrendszer létezik arra, hogyan kell a tanácsnak a demográfiai adatokkal együtt változnia. Ezenkívül fontos megjegyezni, hogy nem minden tanácsban rejlő eltérés problémás. Például „szeretnénk, hogy [a LLM] más elfogultsággal rendelkezzen, mert a férfiak és a nők különböznek, és eltérő várható élettartammal és jövedelmi kockázattal rendelkeznek” — mondta.

A fogyasztók számára a legfontosabb tanulság, hogy legyenek tudatában az elfogultságnak, és kérjék meg az LLM-eket, hogy védekezzenek ellene. A siker az okosabb kérdésfeltevéstől függ. Az életciklus-tervezésen, a portfólióelméleten és a valós pénzügyi feltételezéseken alapuló kérdések javítottak a kiadásokra és megtakarításokra vonatkozó tanácsokon. A kutatást az MIT Sloan School of Management kutatói végezték.