Από τα φορολογικά και τις επενδύσεις, έως τον οικογενειακό προϋπολογισμό και τις συντάξεις, όλο και περισσότεροι πολίτες στρέφονται στην τεχνητή νοημοσύνη για συμβουλές γύρω από τα προσωπικά τους οικονομικά. Η ποιότητα των απαντήσεων, όμως, εξαρτάται σε μεγάλο βαθμό από κάτι πολύ πιο απλό απ’ όσο φαίνεται: τον τρόπο με τον οποίο τίθεται η ερώτηση.
Όπως δήλωσε ο διευθυντής του Εργαστηρίου Χρηματοοικονομικής Μηχανικής του MIT και κύριος ερευνητής στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης, Άντριου Λο, σε πρόσφατη διαδικτυακή παρουσίαση για τη Μεταπτυχιακή Σχολή Τεχνών και Επιστημών Griffin του Πανεπιστημίου Χάρβαρντ, υπάρχει πραγματική «τέχνη και επιστήμη» στη διατύπωση των κατάλληλων prompts προς τα συστήματα AI.
Η άποψή του έρχεται σε μια περίοδο όπου η χρήση εργαλείων όπως το ChatGPT, το Claude και το Gemini για οικονομικές αποφάσεις αυξάνεται ταχύτατα, δημιουργώντας νέες δυνατότητες αλλά και σημαντικούς κινδύνους.
Πού βοηθά πραγματικά η τεχνητή νοημοσύνη
Σύμφωνα με τον Λο, η τεχνητή νοημοσύνη είναι ιδιαίτερα χρήσιμη όταν ο χρήστης αναζητά γενικές κατευθύνσεις και βασικές εξηγήσεις για οικονομικά ζητήματα.
Μπορεί, για παράδειγμα, να εξηγήσει γιατί η διαφοροποίηση επενδύσεων είναι σημαντική, ποια είναι τα πλεονεκτήματα και τα μειονεκτήματα των διαπραγματεύσιμων αμοιβαίων κεφαλαίων (ETF) ή πώς λειτουργούν βασικές στρατηγικές αποταμίευσης.
Ωστόσο, η εικόνα αλλάζει όταν το ερώτημα γίνεται προσωπικό και αριθμητικά σύνθετο.
Η φορολογία αποτελεί χαρακτηριστικό παράδειγμα. Παρά την εντύπωση ότι τα συστήματα AI «υπολογίζουν τα πάντα», ο Λο προειδοποιεί πως δεν είναι ιδανικά εργαλεία για ακριβείς υπολογισμούς ή λεπτομερή ανάλυση της ατομικής οικονομικής κατάστασης ενός ανθρώπου.
Με άλλα λόγια, άλλο πράγμα η γενική πληροφόρηση για πιθανές φοροαπαλλαγές και άλλο η ασφαλής εκτίμηση του τι ισχύει για το δικό σας εισόδημα, τις επενδύσεις ή την οικογενειακή σας δομή.
Το πρόβλημα των «πειστικών λαθών»
Ένας από τους μεγαλύτερους κινδύνους είναι ότι τα μεγάλα γλωσσικά μοντέλα συχνά δίνουν απαντήσεις με ύφος βεβαιότητας ακόμη και όταν είναι λανθασμένες.
Αυτό που ανησυχεί τους ειδικούς δεν είναι μόνο το ενδεχόμενο λάθος, αλλά το γεγονός ότι το λάθος ακούγεται πειστικό και καλογραμμένο. Για έναν χρήστη χωρίς οικονομική κατάρτιση, η διάκριση μεταξύ σωστής και εσφαλμένης πληροφορίας μπορεί να είναι εξαιρετικά δύσκολη.
Παρά τους κινδύνους, οι πολίτες χρησιμοποιούν ήδη μαζικά αυτά τα εργαλεία. Έρευνα της Intuit Credit Karma σε 1.019 ενήλικες έδειξε ότι το 66% όσων έχουν χρησιμοποιήσει γενετική τεχνητή νοημοσύνη την αξιοποίησαν και για οικονομικές συμβουλές. Στους Millennials και στη Generation Z το ποσοστό ξεπέρασε το 80%.
Ακόμη πιο εντυπωσιακό είναι ότι περίπου το 85% όσων έλαβαν τέτοιες συμβουλές, δήλωσαν πως ενήργησαν βάσει των απαντήσεων που έλαβαν.
Η διαφορά ανάμεσα σε κακή και σωστή ερώτηση
Οι ειδικοί επιμένουν ότι η ποιότητα του αποτελέσματος ξεκινά από την ποιότητα της ερώτησης. Ένα αόριστο prompt όπως «Πώς να βγω στη σύνταξη;» δύσκολα θα δώσει χρήσιμη απάντηση. Είναι πολύ γενικό, χωρίς στοιχεία για ηλικία, εισόδημα, στόχους, ανοχή ρίσκου ή χρονικό ορίζοντα.
Αντίθετα, ένα πιο ολοκληρωμένο prompt μπορεί να ζητά από το AI να λειτουργήσει ως ανεξάρτητος χρηματοοικονομικός σύμβουλος και να λάβει υπόψη συγκεκριμένα δεδομένα: στόχους, φορολογική κλίμακα, περιουσιακά στοιχεία, πολιτεία κατοικίας, χρονικό ορίζοντα και επίπεδο κινδύνου.
Στη συνέχεια, ο χρήστης μπορεί να ζητήσει:
- βασική στρατηγική
- βασικές παραδοχές
- κύριους κινδύνους
- τι μπορεί να ακυρώσει το σχέδιο
- ποια στοιχεία λείπουν
- σε ποια σημεία υπάρχει αβεβαιότητα
Όσο περισσότερο πλαίσιο δίνεται, τόσο πιθανότερο είναι η απάντηση να είναι ουσιαστική.
Διάλογος, όχι μία ερώτηση
Ο Λο τονίζει ότι η χρήση AI για οικονομικά θέματα δεν είναι διαδικασία «μίας ερώτησης και μίας απάντησης». Μοιάζει περισσότερο με διάλογο που απαιτεί αλλεπάλληλες διευκρινίσεις. Σε πολλές περιπτώσεις, μπορεί να χρειαστούν 10 ή 20 συνεχόμενα prompts μέχρι ο χρήστης να φτάσει σε κάτι πραγματικά χρήσιμο.
Η πρακτική αυτή θυμίζει περισσότερο συνέντευξη με σύμβουλο παρά γρήγορη αναζήτηση στο διαδίκτυο.
Το έξυπνο τέχνασμα του reverse engineering
Ο καθηγητής του MIT προτείνει και μία πιο προχωρημένη τεχνική: όταν τελικά προκύψει μια ικανοποιητική απάντηση, ο χρήστης μπορεί να ρωτήσει το ίδιο το σύστημα:
«Ποια ερώτηση θα έπρεπε να σου είχα κάνει εξαρχής για να πάρω αυτή την απάντηση;»
Με αυτόν τον τρόπο, το AI βοηθά τον χρήστη να βελτιώσει τη μελλοντική του μεθοδολογία και να δημιουργήσει πιο αποδοτικά prompts για παρόμοια ζητήματα.
Να ζητάτε αβεβαιότητες και πηγές
Οι ειδικοί συνιστούν να μην αρκείται κανείς στην πρώτη απάντηση. Πρέπει να ακολουθούν κρίσιμες ερωτήσεις όπως:
- Ποια στοιχεία δεν γνωρίζεις;
- Σε τι βαθμό είσαι βέβαιο για την απάντηση;
- Ποιοι παράγοντες μπορούν να αλλάξουν το αποτέλεσμα;
- Ποιες είναι οι πηγές σου;
Ο οικονομικός σύμβουλος Μπρέντον Χάρισον προτείνει μάλιστα να ζητείται ρητά από το AI να παραθέτει πηγές και, ει δυνατόν, να περιορίζεται σε αξιόπιστες θεσμικές ή επιστημονικές αναφορές.
Όπως λέει, αν δεν του ζητηθεί τεκμηρίωση, το σύστημα συχνά θα δώσει απλώς μια γνώμη και όχι αυτό που πραγματικά χρειάζεται ένας πολίτης όταν λαμβάνει οικονομικές αποφάσεις.
Γιατί ο άνθρωπος παραμένει απαραίτητος
Παρά την πρόοδο της τεχνητής νοημοσύνης, οι επαγγελματίες του χώρου τονίζουν ότι τα προσωπικά οικονομικά είναι γεμάτα λεπτές αποχρώσεις: οικογενειακές ανάγκες, ψυχολογία, επαγγελματική αβεβαιότητα, κληρονομικά ζητήματα, στόχοι ζωής και ανοχή στο ρίσκο.
Πολλά από αυτά ο ίδιος ο χρήστης ίσως δεν γνωρίζει καν ότι πρέπει να τα αναφέρει.
Γι’ αυτό, η AI μπορεί να αποτελέσει ισχυρό εργαλείο πληροφόρησης και προετοιμασίας, αλλά δύσκολα αντικαθιστά πλήρως έναν έμπειρο ανθρώπινο σύμβουλο όταν διακυβεύονται σοβαρές οικονομικές αποφάσεις.
Το συμπέρασμα των ειδικών είναι σαφές: η τεχνητή νοημοσύνη μπορεί να βοηθήσει πολύ - αρκεί να ξέρει κανείς τι να ρωτήσει, πώς να ελέγξει την απάντηση και πότε να μην την εμπιστευθεί απόλυτα.
