MIT発：AIによる金融アドバイスは驚くほど良い

人々は金融アドバイスを求める際に、ますます人工知能に頼るようになっていますが、それに従うことで彼らの経済状況は改善されるのでしょうか？ AI at Work AIとビジネスの交差点に力を与えるリサーチとインサイトを毎月お届けします。はい、Thinking Forwardニュースレターにも購読を希望します Email このフィールドは空白のままにしてください 「アメリカ人の半数が金融アドバイスを得るためにAIを利用していると答えていますが、どのようなアドバイスを受けており、それに従っているのかについてはほとんどわかっていません」と、MITスローン経営大学院の金融学准教授で、大規模言語モデルが提供する金融アドバイスの質を測定・分析する新しい論文の共著者であるTaha Choukhmane氏は述べています。 Choukhmane氏と同僚の研究によると、AIの推奨に従うことで、30歳以上のほぼ全ての個人において、かなりの貯蓄バッファーが得られることが示されました。AIは一貫して、現役期間中の貯蓄、退職後の貯蓄の取り崩し、分散された株式ファンドへの多額の投資、そして45歳以降の株式エクスポージャーの削減を推奨しました。しかし、AIチャットボットは、失業のようなショックへの適応にはあまり成功せず、ポートフォリオを積極的に再調整するのではなく、漂流させてしまう傾向がありました。 研究者たちがより構造化されたプロンプトを導入したところ、LLMが提供する金融アドバイスの質は向上しましたが、AIは依然としてアクティブなポートフォリオ再調整を過少に行うことがよくありました。 研究の方法 研究者たちは、人々の収入、仕事、投資、税金が人生を通じてどのように進化するかを反映したモデルを構築し、それによって「良い」金融的意思決定がどのようなものかについてのベンチマークを得ました。次に、1,000人の成人を対象に、GPT-5.2、GPT-5.6、またはGemini 3 Flashから支出と投資に関するアドバイスを求めるプロンプトを作成してもらいました。その後、22歳から89歳までの人々が、これらの質問を繰り返し行い、支出、貯蓄、投資に関するAIのアドバイスに従った場合に何が起こるかをシミュレーションしました。最後に、完全な財務情報と明確な仮定を含む、よく書かれた学術的なプロンプトを使用して同様の演習を繰り返しました。これらのより詳細なプロンプトには、個人の年齢、職種、収入、貯蓄残高に関する情報と、経済環境に関する仮定が含まれていました。 著者らは、シミュレーションされたアドバイス（一般の人々が提供したプロンプトからのAIの推奨に従った場合に何が起こるか）を、AIの助けなしに人々がすでに financially 行っていることと比較しました。また、シミュレーションされたアドバイスを学術的なプロンプトと比較しました。 結果は、LLMが手頃で広くアクセス可能な金融ガイダンスのソースを提供でき、ユーザーが従来の人間のアドバイザーに伴う重大なコスト、バイアス、利益相反を克服するのに役立つことを示しました。 結果の分析 全体として、研究者たちは、LLMが提供する金融アドバイスは長期的には良好であるが、学術的な方法で質問された場合に改善され、モデルには強みと弱みがあることを見出しました。 1. AIは賢明な金融行動を促進する。 LLMのアドバイスは、プロンプトが一般ユーザーによって書かれたか、学術者によって書かれたかに関わらず、学者たちの予想よりも良かった。それは人々をより高い貯蓄、株式市場への参加の増加、分散された配分、そして年齢に適したリスクテイクへと導いた。「アドバイスがどれほど良かったかに私たちはいくぶん驚きました」とChoukhmane氏は述べています。「特に人々が尋ねた質問の種類を読むと、アドバイスが学術者が考える良い金融原則と一致するとは限りませんでした。」 2. AIは重要なニュアンスを見落とす。より良いプロンプトが役立つ。 LLMのアドバイスは、良い金融計画のより微妙な側面では不十分でした。それは貯蓄と支出に関して単純な経験則に頼る傾向があり、状況が変わったときに十分に調整されませんでした。例えば、失業を経験した人々に、貯蓄があっても支出を過度に削減するようにアドバイスしました。人々が質問する方法も問題の一部です。典型的なプロンプトは次のようなものかもしれません。「50ドルから始めて毎月25ドルを追加していく場合、どこに投資すべきですか？」 より詳細で構造化された「学術的」プロンプトが使用された場合、LLMのパフォーマンスは向上しました。例えば、学術的なプロンプトでは、チャットボットに通常の平均余命、生活費、退職年齢、雇用リスク、収入リスクを仮定し、現在の米国税法と社会保障規則は変更されないと仮定するように指示することができました。「一般の人々は、金融学の教授が書くような方法でプロンプトを書いていません」とChoukhmane氏は述べています。 3. AIのアドバイスはユーザーによって異なり、それが富の格差につながる可能性がある。 著者らは、LLMのアドバイスが、プロンプターの性別、金融リテラシー、経験によって異なり、退職後の富に意味のある格差を生むことを発見しました。男性、より金融リテラシーの高いユーザー、または以前AIを使用した経験のあるユーザーによって書かれたプロンプトに対するアドバイスに従うと、退職間近で約5％多くの富が得られました。具体的には、LLMは男性や金融リテラシーの高い個人によって書かれたプロンプトに対して、より高い株式配分を推奨しました。ライフサイクル全体で見ると、投資アドバイスにおけるこのような違いは、女性や金融リテラシーの低いユーザーにとって、60歳時点で約5万ドル（4％）少ない富へと累積しました。 AIで金融アドバイスを利用したことがない個人によって書かれたプロンプトに対して、LLMはより低い貯蓄率を推奨しました。そのアドバイスに従った結果、AI経験のある個人と比較して、60歳時点で10万ドル近く（6％）少ない富しか得られませんでした。Choukhmane氏によると、これらの違いは2つの源泉から来ています。第一に、異なるユーザーは異なる種類の質問をし、しばしば異なるトピックを持ち出しました。例えば、女性はプロンプトに「家族」「食料品」「支払い」といった言葉を使いがちでしたが、男性は「戦略」「仮想通貨」「成長」といった言葉を使いました。金融サービスのための人工知能 MITスローンでの対面登録はこちら 第二に、モデルは同じ質問であっても異なるアドバイスをすることがあります。性別の場合、富の成果における性別格差の約3分の2は、男性と女性がプロンプトを書く方法の違いに起因していましたが、残りの3分の1は、同じプロンプトが男性ではなく女性からのものとしてラベル付けされたときにモデルがアドバイスを変更したことから来ていました。後者のパターンは、LLMが性別によって好みや状況が異なるという合理的な推論を行っている可能性（理想的には、モデルがユーザーにそれを明確にできるはずだとChoukhmane氏は述べています）または、トレーニングデータから学習したバイアスを反映している可能性があります。 AI金融アドバイスの課題は、明確なベンチマークがないことだとChoukhmane氏は述べています。アドバイスが人口統計によってどのように変化すべきかについての受け入れられたフレームワークが存在しない限り、LLMは正しい方向に進むことはできません。彼は、それが起こることを楽観視しています。さらに、全てのアドバイスのばらつきが問題であるとは限らないことを覚えておくことが重要だとChoukhmane氏は述べています。例えば、「男性と女性は異なり、平均余命や収入リスクが異なるため、LLMに異なるバイアスを持たせたい」と彼は言います。 消費者向けの注意点 バイアスに注意し、現時点ではLLMにそれを防ぐように求めることに加えて、成功はよりスマートなプロンプトにかかっています。ライフサイクル計画、ポートフォリオ理論、現実世界の金融仮定に基づいたプロンプトは、支出と貯蓄に関するアドバイスを改善し、基本的な経験則に基づいた回答を減らしました。「金融リテラシーのレベルがなく、完璧なプロンプトを書けない人々のために、AI金融アドバイスがどのように役立つのか、それが本当の課題だと思います」とChoukhmane氏は述べています。AIで金融アドバイスを利用することに興味がある人々のための1つのアイデアは、単にそのアドバイスに従うのではなく、まずAIを金融理解を構築するためのツールとして使用することです。AIは、金融アドバイザーとの共同作業の優れた補完として役立ちます。これは、あなたが会うかもしれない誰かです。