AI财务建议出奇地好，但前提是问对问题

人工智能财务建议出奇地好——尤其是如果你问对了问题。你将学到：- 人工智能财务建议鼓励人们随着年龄增长增加储蓄、多元化投资并降低风险。- 然而，AI的建议往往无法妥善应对失业等冲击，并且允许投资组合漂移，而非主动再平衡。

- 提示词的差异会导致建议的差异，具体取决于性别、金融知识水平以及使用大型语言模型的熟悉程度。人们越来越多地转向人工智能寻求财务建议，但遵循这些建议能否改善他们的财务状况？

麻省理工学院斯隆管理学院金融学助理教授、一篇新论文的合著者塔哈·乔赫曼表示：“一半的美国人说他们正在使用AI获取财务建议，但我们对他们得到的建议类型以及他们是否采纳这些建议知之甚少。”该论文衡量并分析了大型语言模型提供的财务建议的质量。

乔赫曼及其合著者的研究表明，遵循AI建议可以为几乎所有30岁以上的人带来可观的储蓄缓冲。AI始终建议人们在工作期间储蓄、退休时提取储蓄、大量投资于多元化的股票基金，并在45岁后减少股票敞口。

然而，AI聊天机器人在适应失业等冲击方面表现不佳，并且允许投资组合漂移，而非主动再平衡。当研究人员引入更结构化的提示词时，LLM提供的财务建议质量有所提高，但AI仍然经常产生过少的主动投资组合再平衡。

研究是如何进行的研究人员构建了一个模型，反映人们的收入、工作、投资和税收在生命周期中通常如何演变，这为他们提供了“良好”财务决策的基准。然后，他们让1000名成年人样本撰写自己的提示词，向GPT-5.2、GPT-5.6或Gemini 3 Flash寻求支出和投资建议。

接下来，他们模拟了如果22岁至89岁的人随着时间的推移遵循这些建议会发生什么，反复向AI提出相同类型的问题，并遵循其关于支出、储蓄和投资的建议。最后，他们使用包含完整财务信息和明确假设的、撰写良好的学术性提示词重复了该实验。

这些更详细的提示词包括个人年龄、工作状况、收入和储蓄余额等信息，以及对经济环境的假设。作者将模拟建议（即普通人遵循其提示词中AI建议的结果）与人们在没有AI帮助的情况下已经进行的财务行为进行了比较。

他们还将模拟建议与学术性提示词的结果进行了比较。结果表明，LLM可以提供一种负担得起、广泛可及的财务指导来源，帮助用户克服与传统人类财务顾问相关的巨大成本、偏见和利益冲突。

研究结果详解总体而言，研究人员发现，LLM随时间推移提供的财务建议是好的，但当以学术方式提问时，建议质量会更好，并且这些模型有优点也有缺点。1. AI鼓励明智的财务行为。无论提示词是由普通用户还是学者撰写，LLM的建议都比学者预期的要好。

它引导人们增加储蓄、提高股市参与度，并促进多元化配置和适合年龄的风险承担。“我们对建议的质量感到有些惊讶，”乔赫曼说，“尤其是当你看到人们提出的问题时，建议能与学者认为的良好财务原则相吻合，这并非理所当然。

”2. AI忽略了重要的细微差别。更好的提示词可能有所帮助。LLM的建议在良好财务规划的更微妙方面有所欠缺。它往往依赖简单的储蓄和支出经验法则，并且在情况变化时调整得不够好。

例如，它建议经历过失业的人大幅削减支出，即使他们有储蓄。人们提问的方式是问题的一部分。一个典型的提示词可能是：“我应该从哪里开始投资，先投50美元，然后每月持续增加25美元？”当使用更详细、结构化的“学术”提示词时，LLM表现更好。

例如，学术提示词可能会告诉聊天机器人假设正常的预期寿命、生活支出、退休年龄、就业风险和收入风险，并假设当前的美国税法和社保规则不会改变。“普通人不会像金融学教授那样写提示词，”乔赫曼说。3. AI建议因用户而异，这可能导致财富差距。

作者发现，LLM的建议因提问者的性别、金融知识水平和经验而异，导致退休财富出现显著差距。遵循针对男性、金融知识更丰富或有AI使用经验的用户所写提示词的建议，在临近退休时能多积累约5%的财富。

具体而言：- LLM针对男性和金融知识水平较高的个人所写的提示词，推荐了更高的股票配置。在整个生命周期中，这种投资建议的差异导致女性和金融知识较低的用户在60岁时的财富减少约5万美元（4%）。

- LLM针对以前未使用过AI获取财务建议的个人所写的提示词，推荐了较低的储蓄率。遵循这些建议，他们在60岁时的财富比有AI使用经验的个人少了近10万美元（6%）。乔赫曼表示，这些差异来自两个来源。

首先，不同的用户会问不同类型的问题，并经常提出不同的主题。例如，女性更可能在提示词中使用“家庭”、“杂货”和“支付”等词，而男性则使用“策略”、“加密货币”和“增长”等词。

金融服务人工智能在麻省理工学院斯隆管理学院现场立即注册其次，即使基本问题相同，模型也可能给出不同的建议。就性别而言，财富结果中约三分之二的性别差距可归因于男性和女性撰写提示词方式的差异，而其余三分之一则来自模型在相同提示词被标记为来自女性而非男性时改变建议。

后一种模式可能反映了LLM对偏好或情况如何因性别而异的合理推断——乔赫曼表示，理想情况下，模型可以向用户明确说明这一点——或者它可能反映了从训练数据中学到的偏见。乔赫曼表示，AI财务建议的挑战在于没有明确的基准。

只有当存在一个公认的框架来规定建议应如何随人口统计特征变化时，LLM才能朝着正确的方向进步。他说，他仍然希望这会发生。此外，乔赫曼指出，重要的是要记住，并非所有的建议差异都是有问题的。

例如，“我们希望LLM有不同的偏见，因为男性和女性不同，预期寿命和收入风险也不同，”他说。给消费者的启示除了注意偏见，并暂时要求LLM防范偏见之外，成功归结为更明智的提示词。

基于生命周期规划、投资组合理论和现实世界财务假设的提示词，改善了支出和储蓄建议，并减少了基本的经验法则答案。“我认为真正的挑战是，我们如何确保AI财务建议能为那些没有……的人提供服务”