Дослідження MIT Sloan: фінансові поради ШІ несподівано добрі

Приблизно половина американців каже, що звертається по фінансові поради до штучного інтелекту, проте якість цих порад майже не вивчали. Дослідники MIT Sloan виміряли її безпосередньо. Працю "AI Financial Advice: Supply, Demand, and Life Cycle Implications" написали Таха Чухмане, Вейдун Лінь і Метью Акудзава з MIT Sloan та Тім де Сілва зі Стенфордської школи бізнесу; вона отримала нагороду Swiss Finance Institute Outstanding Paper Award 2026.

Як проводили дослідження

Спершу автори побудували модель життєвого циклу, яка описує, як зазвичай змінюються дохід, робота, інвестиції та податки, і використали її як еталон правильних рішень. Далі 1000 дорослих склали власні запити щодо витрат та інвестування до GPT-5.2, GPT-5.6 або Gemini 3 Flash, і дослідники змоделювали, що сталося б, якби люди віком від 22 до 89 років постійно діяли за цими порадами. Нарешті вправу повторили з детальними академічними запитами, які містили вік, статус зайнятості, дохід і заощадження та чіткі припущення про економіку.

Добрі поради й пропущені нюанси

"Ми були дещо здивовані, наскільки добрими виявилися поради", — каже Чухмане. Моделі радили більше заощаджувати в робочі роки, витрачати заощадження на пенсії, інвестувати в диверсифіковані фонди акцій і зменшувати частку акцій після 45 років. Водночас вони спиралися на прості правила й погано реагували на потрясіння: після втрати роботи ШІ радив надто різко скорочувати витрати навіть тим, хто мав заощадження. Портфелі також залишалися без активного ребалансування. Детальніші академічні запити покращували результат.

Різні запити — різні статки

Поради залежали від того, хто запитував. Якщо слідувати відповідям на запити чоловіків, фінансово обізнаних користувачів або людей із досвідом роботи з ШІ, статок ближче до пенсії був приблизно на 5% більшим. Запити жінок і менш обізнаних користувачів давали близько $50 000 (4%) менше статку у 60 років, а ті, хто раніше не користувався ШІ, мали майже на $100 000 (6%) менше. Дві третини гендерного розриву пояснюються формулюванням запитань, а третина — тим, що модель змінює пораду для однакового запиту.

Що це означає для користувачів

Дослідження також показало, що моделі часто радили продукти, які користувачі не згадували: Vanguard з'являвся у 6% відповідей, iShares — у 3,4%, хоча менш ніж 0,4% запитів називали ці компанії. Головний висновок — ставити запитання так, як це робить фахівець: з опорою на планування життєвого циклу, теорію портфеля та реальні припущення. Чухмане радить спершу використовувати ШІ для розуміння фінансів, а далі — як дешеве доповнення до людського радника, особливо для тих, хто не може його собі дозволити.