MIT発:AIによる金融アドバイスは驚くほど良い
From MIT: AI financial advice is surprisingly good (mitsloan.mit.edu)
要約
MITの研究によると、AI(特に大規模言語モデル)は、特に質問の仕方を工夫した場合、驚くほど質の高い金融アドバイスを提供できることが明らかになりました。AIは一般的に、貯蓄、投資、退職後の資産運用について賢明な助言をしますが、個々の状況への適応やポートフォリオの再調整には課題も残っています。また、ユーザーの性別や金融リテラシーによってアドバイスに差が生じ、潜在的な富の格差につながる可能性も指摘されています。
全文翻訳
AIによる金融アドバイスは驚くほど優秀 — 特に適切な質問をすれば
人々はますます金融アドバイスを人工知能に求めていますが、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?
「アメリカ人の半数が金融アドバイスを得るためにAIを利用していると言われていますが、どのようなアドバイスを得て、それに従っているのかについてはほとんど分かっていません」と、MITスローン経営大学院の准教授で、大規模言語モデル(LLM)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タハ・チョクマネ氏は述べています。
チョクマネ氏らの研究では、30歳以上のほぼ全ての個人において、AIの推奨に従うことでかなりの貯蓄バッファーを確保でき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積極的な投資、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リバランスするのではなく、そのまま放置する傾向がありました。
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は依然としてポートフォリオのリバランスが不十分な場合が多く見られました。
研究の実施方法
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典型的に変化するかを反映したモデルを構築し、それによって「良い」金融判断がどのようなものであるか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に支出と投資に関するアドバイスを求めるプロンプトを自分で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AIに同じような質問を繰り返し行い、支出、貯蓄、投資に関する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に加え、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(一般の人々が提示したプロンプトからAIの推奨に従った場合にどうなるか)を、AIの助けなしに人々がすでに financially 行っていた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。
その結果、LLMは、従来の人間によるファイナンシャルアドバイザーに伴う多大なコスト、バイアス、利益相反をユーザーが克服するのに役立つ、手頃で広く利用可能なガイダンスソースを提供できることが示されました。
調査結果の分析
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ものの、学術的な形式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発見しました。
1. AIは賢明な金融行動を奨励する。
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、学術関係者によって書かれたかに関わらず、研究者の予想よりも優れていました。それは人々をより高い貯蓄へと導き、株式市場への参加を増やし、分散されたアロケーションと年齢に応じたリスクテイクを促進しました。
「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」とチョクマネ氏は述べています。「特に人々が尋ねた質問の種類を読むと、アドバイスが学術界で良い金融原則と考えられているもの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可能性がある。
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適応しませんでした。例えば、失業を経験した人に対して、貯蓄がある場合で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。「毎月25ドルを継続的に追加しながら、50ドルから始める場合、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、所得リスクを仮定し、現在の米国税法と社会保障規則が変更されないと仮定するように指示することがあります。
「一般の人は、ファイナンスの教授のようにプロンプトを書いていません」とチョクマネ氏は述べています。
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、退職後の資産に有意な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、または以前にAIを使用した経験があるユーザーが書いたプロンプトに対するアドバイスに従った場合、退職年齢に近い時点で約5%多くの資産を生み出しました。具体的には、
- LLMは、男性や金融リテラシーの高い個人が書い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、60歳時点で女性や金融リテラシーの低いユーザーの資産を約5万ドル(4%)減少させる要因となりました。
- LLMは、以前にAIを金融アドバイスに利用したことがない個人が書いたプロンプトに対して、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場合、60歳時点での資産は、AI利用経験のある個人と比較して10万ドル(6%)近く少なくなりました。
これらの違いは2つの源泉から来ているとチョクマネ氏は述べています。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取り上げました。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スローンでの対面形式
今すぐ登録
第二に、同じ質問であっても、モデルが異なるアドバイスを出す可能性があります。性別の場合、資産結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、同じプロンプトが女性から来たとラベル付けされた場合と男性から来たとラベル付けされた場合で、モデルがアドバイスを変更したことに起因しました。
後者のパターンは、LLMが性別による好みや状況の違いについて合理的な推論を行っていることを反映している可能性があります — 理想的には、モデルはそれをユーザーに明示できるはずです — あるいは、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もあります。
AIによる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チョクマネ氏は述べています。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あって初めて、LLMは正しい方向に進歩できるようになります。彼は、それが起こることを楽観視しています。
さらに、すべての違いが問題であるわけではないことを覚えておくことが重要だとチョクマネ氏は述べています。例えば、「男性と女性は異なり、平均余命や所得リスクが異なるため、LLMに異なるバイアスを持たせたいのです」と彼は言います。
消費者向けのテイクアウェイ
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、成功はより賢い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、および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。
「本当の課題は、金融リテラシーレベルを持たず、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成果を上げられるようにするかだと思います」とチョクマネ氏は述べています。AIによる金融アドバイスの利用に関心のある人々にとって、一つのアイデアは、単にそのアドバイスに従うだけでなく、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から始めることです。
AIは、年に2回程度会うかもしれないファイナンシャルアドバイザーとの連携を補完するのに役立ちます。なぜなら、アドバイザーからのアドバイスをリアルタイムで実行するのに役立つからです。
そして、人間のファイナンシャルアドバイザーと協力するためのお金がない人々にとって、AIは安価にアドバイスを得る良い方法です。「金融アドバイスから恩恵を受けるであろう多くの人々は、まさに多くのリソースを持っていない人々です」と彼は述べています。
ビジネス向けのテイクアウェイ
消費者がますます金融アドバイスをLLMに求めるようになるにつれて、プロバイダーは顧客が自社製品についてどのように学ぶかを再考する必要があるかもしれません。この研究では、LLMが、回答者が言及しなかった特定の口座タイプ、金融商品、およびプロバイダーを推奨することが多いことがわかりました。(例えば、Vanguardの投資商品がLLMの回答の6%に、iSharesの商品が3.4%に登場しましたが、プロンプトの0.4%未満しかこれらの会社に言及していませんでした。)
これは、AIアドバイスが人々が金融商品をどのように見つけ、比較するかを変えている可能性を示唆しているとチョクマネ氏は述べています。金融企業にとって、顧客の注意を引くことは、伝統的なマーケティングや検索の可視性よりも、消費者がアドバイスを求める際にLLMがどのように製品を説明するかに依存するようになるかもしれません。
「AI金融アドバイス:供給、需要、およびライフサイクルへの影響」(Swiss Finance Institute Outstanding Paper Award 2026*を受賞)は、MITスローンのタハ・チョクマネ、ウェイ・ドン・リン、マシュー・アクーザワ、およびスタンフォード大学経営大学院のティム・デ・シルバによって執筆されました。
タハ・チョクマネ は、MITスローン経営大学院の金融学准教授です。チョクマネ氏は、2025年のTIAAポール・A・サミュエルソン賞(生涯金融セキュリティに関する優れた学術執筆)を受賞しました。彼の受賞論文は、ルーカス・グッドマン(米国財務省)およびコーマック・オデイ(イェール大学)との共著で、「家計意思決定における効率性:米国カップルの退職貯蓄からの証拠」です。