Tuy nhiên, sự phát triển của AI cho thấy chúng ta có thể vượt xa những khuyến nghị dựa trên quy tắc đơn thuần. Kinh tế vĩ mô, kế toán và thống kê là ba trụ cột của đầu tư. Các mô hình ngôn ngữ lớn (Large Language Model) đạt điểm cao trong các bài kiểm tra nâng cao về những môn học này. Chúng ta cũng biết rằng LLM có thể tổng hợp bối cảnh và trí tuệ đám đông vượt xa khả năng của con người, điều này rất hữu ích cho chiến lược vĩ mô. Vậy nếu AI có thể hỗ trợ trong các quyết định tài chính, tại sao các nhà phân tích hay quản lý danh mục đầu tư lại khó khăn trong việc đón nhận sự thay đổi này?

Chúng ta có thể tìm thấy một số manh mối trong công trình nghiên cứu của nhà khoa học dữ liệu César Hidalgo về cách con người đánh giá máy móc. Khi sử dụng một chương trình, chúng ta tập trung vào hiệu suất của công cụ đó. Do đó, bất kỳ lỗi dự đoán nào của chương trình sẽ khiến các chuyên gia tài chính mất niềm tin vào công cụ. Và trong hầu hết các trường hợp, việc thuật toán trung bình tốt hơn con người cũng không quan trọng. Các cố vấn tài chính của chúng ta sẽ để trực giác và kinh nghiệm của họ lên ngôi.

Nghiên cứu của Hidalgo cho thấy chúng ta có cách ứng xử khác khi đánh giá lời khuyên từ con người. Chúng ta nhìn xa hơn hiệu suất, bằng cách cân nhắc ý định của người đưa ra lời khuyên. Khi giao dịch với một chuyên viên ngân hàng tư nhân hoặc giao phó tiền bạc cho một quản lý quỹ, chúng ta sẽ giả định rằng mục đích của họ phù hợp với chúng ta, đặc biệt nếu hợp đồng có phí khuyến khích hiệu suất. Khi đã cân nhắc những ý định này trong phương trình tâm lý, chúng ta sẽ dễ dàng chấp nhận hơn một kết quả đầu tư kém. Do đó, lời khuyên của con người có thể thất bại thường xuyên hơn nhưng vẫn được khách hàng coi là có giá trị, đặc biệt khi có một câu chuyện giải thích cho kết quả đó. Theo lời Hidalgo, chúng ta kỳ vọng máy móc phải hợp lý và con người được phép là con người.

Chúng ta cũng có xu hướng chống lại việc tiếp nhận thông tin trái với kinh nghiệm của mình. Trong các thí nghiệm với bác sĩ X-quang sử dụng AI, không rõ họ đã tích hợp quan điểm của thuật toán vào dự đoán của mình như thế nào nhưng công việc sẽ mất nhiều thời gian hơn, và hiệu quả của việc chẩn đoán kết hợp vẫn còn gây tranh cãi.

Chiến lược vĩ mô có thể là lĩnh vực khó khăn nhất để tích hợp AI. Thứ nhất, bởi vì thị trường, giống như thời tiết, là không đứng yên, nghĩa là thị trường sẽ không bao giờ phản ứng chính xác theo cùng một cách, chẳng hạn, đối với cùng một dữ liệu lạm phát hoặc việc làm được công bố, chứ đừng nói đến việc Donald Trump tái đắc cử Tổng thống. Nhưng cũng bởi vì mỗi chiến lược gia đều có những niềm tin ban đầu mạnh mẽ - hoặc một "bản sắc" lạc quan hay bi quan - sẽ ảnh hưởng đến phán đoán của họ. Rất khó để thoát khỏi những câu chuyện mà khách hàng kỳ vọng ở bạn.

Cuối cùng, chúng ta khao khát sự kiểm soát. Có một sự khác biệt căn bản giữa mô hình được xây dựng bằng bảng tính từ dữ liệu có sẵn so với, chẳng hạn như ChatGPT. Dựa trên kinh nghiệm và trực giác, chúng ta quyết định hình dạng, các thành phần của mô hình trước, nhưng không phải mô hình sau. Và trong hầu hết các trường hợp, chúng ta thậm chí không biết LLM đã đi đến một câu trả lời nhất định bằng cách nào. Do đó, có thể hiểu được khi cố vấn tài chính của chúng ta cảm thấy không thoải mái khi sử dụng một dự đoán không phải của họ.

Vậy có một số ý tưởng cần cân nhắc. Chúng ta nên cho phép con người điều chỉnh một số tham số của mô hình. Nói cách khác, chúng ta phải trao quyền cho các chuyên gia để họ có thể đưa ra các khuyến nghị AI như thể đó là của chính họ. Mô hình có thể được cải thiện khi chuyên gia bổ sung một số bối cảnh mà mô hình có thể không tiếp cận được. Đây có thể là một số hoàn cảnh riêng tư của khách hàng, hoặc các yếu tố và hạn chế khác có thể khó định lượng. Tuy nhiên, chúng ta có thể chấp nhận một sự giảm sút về hiệu suất nếu như chúng ta chấp nhận dựa vào sự hiểu biết sâu sắc của con người nhiều hơn. Đó có thể là một sự đánh đổi hợp lý trong các lĩnh vực như tư vấn quản lý tài sản.

Và cuối cùng, chúng ta phải cố gắng làm cho AI dễ giải thích hơn. Đây là một kỳ vọng hợp lý khi nhu cầu kiểm toán và tuân thủ ngày càng tăng. Ngoài ra, một số mô hình hàng đầu đang tích hợp logic "chuỗi suy nghĩ", theo cách nào đó mã hóa kiến thức chuyên gia vào một mô hình thô. Bằng cách này, chúng ta không chỉ thấy hiệu suất tăng lên mà còn có một số quy tắc mà hầu hết các chuyên gia có thể tin tưởng. Không ai muốn trở thành một cỗ máy vô hồn, chỉ biết lặp lại những lời khuyên từ một "hộp đen". Sự tin tưởng và khả năng phán đoán là yếu tố cốt lõi trong mối quan hệ với khách hàng. Cuối cùng, con người vẫn cần sự ấm áp và cảm xúc của con người với nhau.