تصور کنید یک مشاور مالی رایگان دارید که هرگز نمی‌خوابد و میلیاردها داده را تحلیل می‌کند؛ اما در لحظه‌ای که شغل خود را از دست می‌دهید، نمی‌داند چه کند. این دقیقاً وضعیت فعلی مدیریت دارایی با هوش مصنوعی است.
طبق اعلام MIT Sloan در ۲ آگوست ۲۰۲۶، استفاده از مدل‌های GPT-5.2، GPT-5.6 یا Gemini 3 Flash برای هر بزرگسال بالای ۳۰ سال، بالشت پس‌اندازی به‌طور قابل‌توجهی بزرگ‌تر از مدیریت دستی ایجاد می‌کند. این یافته نشان می‌دهد که حتی چت‌بات‌های بدون مجوز رسمی، در خروجی‌های میان‌مدت بهتر از یک فرد عادی عمل می‌کنند.
برای ده‌های گذشته، برنامه‌ریزی مالی حرفه‌ای پشت کمیسیون‌های بالا و حداقل موجودی‌های کلان بود. اگرچه ربات‌های مشاور (Robo-advisors) یک دهه پیش برخی قوانین را خودکار کردند، اما محدود به محصولات داخلی خود بودند. اکنون هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — این دسترسی را دموکراتیزه کرده است. این روند بخشی از تغییر گسترده‌تر در بازار سرمایه است که در آن تأکید بر نرم‌افزارهای کاربردی AI نسبت به زیرساخت‌های سخت‌افزاری افزایش یافته است. بر اساس این مطالعه، ۵۰٪ از بزرگسالان آمریکایی هم‌اکنون از چت‌بات‌ها برای برنامه‌ریزی بازنشستگی استفاده می‌کنند.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اعتماد به ابزارهایی که لایه‌های نظارتی ندارند ریسک‌های خاص خود را دارد، اما در اینجا بهره‌وری بر ریسک غلبه کرده است.
چارچوب شبیه‌سازی
پروفسور تاها شوکمان (Taha Choukhmane) و تیمش در مدرسه مدیریت MIT Sloan صرفاً پاسخ‌های پراکنده را ارزیابی نکردند. آن‌ها زندگی مالی ۱,۰۰۰ بزرگسال را از ۲۲ تا ۸۹ سالگی شبیه‌سازی کردند. برای این کار، یک مدل مرجع ساختند تا «تصمیمات درست» در زمینه‌های درآمد، اشتغال، سرمایه‌گذاری و مالیات را تعریف کند. این نوع رویکرد پژوهشی شباهت زیادی به تلاش‌های گسترده‌تر دولتی دارد، مانندما که دولت آمریکا بودجه‌های کلانی را برای تبدیل AI به موتور اکتشافات علمی اختصاص داده است.
پژوهشگران ۱,۰۰۰ فرد واقعی را جذب کردند تا پرامپت‌های خود را بنویسند. این کاربران در طول زندگی شبیه‌سازی‌شده خود به‌طور مکرر با مدل‌ها تعامل داشتند و تمام توصیه‌های مربوط به هزینه و سرمایه‌گذاری را دقیقاً اجرا کردند.
یافته‌های کلیدی عملکرد
این مطالعه نشان داد که توصیه‌های AI به‌طور مداوم کاربران را به سمت پس‌انداز بیشتر و مشارکت گسترده‌تر در بازار سوق می‌دهد. مدل‌ها در دو حوزه درخشیدند:
- تنوع‌بخشی: هوش مصنوعی با موفقیت کاربران را ترغیب کرد تا ریسک را بین دارایی‌های مختلف پخش کنند.
- کاهش ریسک: مدل‌ها به‌درستی با رسیدن کاربر به سن ۴۵ سال، سطح ریسک سبد دارایی را پایین آوردند.
با این حال، محققان یک شکست سیستماتیک در «مدیریت فعال» شناسایی کردند. مدل‌ها به‌ندرت توصیه کردند که وقتی نسبت دارایی‌ها از برنامه اولیه فاصله می‌گیرد، سبد را بازتنظیم (Rebalancing) کنند. بحرانی‌تر از آن، واکنش ضعیف AI به شوک‌های اقتصادی مثل بیکاری ناگهانی بود؛ جایی که دخالت انسانی همچنان برتری دارد.
قدرت پرامپت‌نویسی آکادمیک
تیم تحقیقاتی برای بررسی اینکه آیا ورودی بهتر شکاف‌ها را پر می‌کند یا خیر، «پرامپت‌های آکادمیک» را معرفی کردند. برخلاف «پرامپت‌های خانگی» که کوتاه و مبهم هستند، پرامپت‌های آکادمیک یک پروفایل مالی کامل، مفروضات اقتصادی صریح و درخواستی برای برنامه‌ریزی چرخه زندگی ارائه می‌دهند. این تفاوت در نحوه تعامل با ابزار، یادآور تحلیل‌های ما درباره‌ی بهره‌وری مدرسانی است که با پذیرش ابزارهای جدید، عملکرد خود را ارتقا می‌دهند.
- نمونه خانگی: «من ۳۴ سال دارم و ۸,۰۰۰ دلار پس‌انداز کرده‌ام، چطور سرمایه‌گذاری کنم؟»
- نمونه آکادمیک: یک درخواست ساختارمند که نقش AI را به‌عنوان مشاور دارای گواهینامه تعریف می‌کند و شامل سن، درآمد سالانه (۶۲,۰۰۰ دلار)، افق بازنشستگی (۳۱ سال) و مفروضات تورم (۲.۵٪) است.
به گزارش این تیم، اگرچه پرامپت‌های آکادمیک کیفیت توصیه‌ها را به‌شدت بالا بردند، اما مشکل بازتنظیم سبد دارایی را حل نکردند. هوش مصنوعی حتی با داده‌های جامع نیز غیرفعال باقی ماند.
تحلیل استراتژیک
این نتیجه یک چالش مستقیم برای مدل کسب‌وکار مشاوران مالی سنتی است. ثابت شد که یک ابزار رایگان و بدون نظارت می‌تواند در تخصیص دارایی‌های پایه و انضباط پس‌انداز، شهود انسانی را شکست دهد. برای کاربر عادی، هزینه ورود به برنامه‌ریزی مالی مناسب عملاً به صفر رسیده است.
اما شکست در زمان شوک‌های مالی، یک مرز حیاتی را نشان می‌دهد. AI فعلاً یک برنامه‌ریز عالی برای «وضعیت‌های ایستا» است اما یک «مدیر بحران» ضعیف است. در اقتصادهای پرنوسان، نبود تعهد قانونی (Fiduciary obligation) و ناتوانی در واکنش به فقدان ناگهانی درآمد، نظارت انسانی را برای بقا در زمان سقوط‌های بازار ضروری می‌کند.
چشم‌انداز آینده
تکامل بعدی احتمالاً اتصال مستقیم مدل زبانی بزرگ (LLM) به داده‌های لحظه‌ای کارگزاری‌هاست. اگر مدل بتواند تغییرات موجودی حساب را به‌صورت زنده ببیند، احتمالاً بدون نیاز به یادآوری کاربر، مشکل بازتنظیم سبد را حل کند. رگولاتورها اکنون به‌سمت تعریف مرز بین «اطلاعات عمومی» و «مشاوره نظارت‌شده» حرکت خواهند کرد.
گام بعدی شما
- اگر از AI برای مدیریت پول استفاده می‌کنید، پرسش‌های تک‌جمله‌ای را کنار بگذارید.
- سن، درآمد، پس‌انداز فعلی و هدف بازنشستگی خود را در پرامپت بگنجانید تا از توصیه‌های کلی به استراتژی شخصی‌سازی‌شده برسید.
- برای تصمیمات مربوط به بحران‌های شغلی یا اقتصادی، حتماً با یک مشاور انسانی مشورت کنید.
این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این تصمیم بر اکوسیستم خدمات مالی در گزارش بعدی بررسی خواهیم کرد.
گفتگو