Generative AI for Analysts
من خلال الاستفادة من دمج الذكاء الاصطناق التوليدي في "فاكت سيت" (FactSet) عام 2023 كـتجربة طبيعية، تكشف هذه الدراسة أنه بينما تعمل هذه التكنولوجيا على إثراء اتساع وتوقيت تقارير المحللين الماليين بشكل كبير، فإنها تبرز في الوقت ذاته الانتباه البشري كعنق زجاجة جديد، مما يؤدي إلى انخفاض دقة التوقعات في ظل متطلبات معالجة المعلومات العالية رغم توافر بيانات أساسية فائقة الجودة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل، يعمل المحللون المهنيون كمرشدين أساسيين للمستثمرين. وتتمثل مهمتهم في أخذ تدفق هائل وفوضوي من البيانات المالية — مثل تقارير الأرباح، واتجاهات السوق، والأخبار الاقتصادية — وتلخيصها في نصائح واضحة وقابلة للتنفيذ. لعقود من الزمن، تم تحديد هذا العمل من خلال قيد بشري بسيط: هناك قدر محدود فقط من المعلومات التي يمكن للشخص قراءتها واستيعابها وتركيبها في يوم واحد. فحتى أكثر المحللين مهارة لديهم قدر محدود من الانتباه والوقت. وعندما ينمو حجم البيانات بسرعة أكبر مما يمكن للعقل البشري معالجته، قد تتأثر جودة النصيحة النهائية. وهذا هو اللغز المركزي الذي تعالجه دراسة جديدة: ماذا يحدث عندما تصل أداة جديدة قوية يمكنها جمع وتنظيم معلومات أكثر بك much مما يمكن لأي إنسان القيام به على الإطلاق؟
لقد بحث الباحثون، بقيادة جيان شيويه، وتشيان تشانغ، وو وو جو، في هذا السؤال من خلال النظر في لحظة محددة في أواخر عام 2023. حيث قدمت شركة كبرى لبيانات التمويل تدعى "فاكت سيت" (FactSet) نظاماً جديداً للذكاء الاصطناعي يسمى "ميركوري" (Mercury). صُممت هذه الأداة لمساعدة المحللين في العثور على المعلومات بشكل أسرع، وإنشاء الرسوم البيانية تلقائياً، وصياغة التقارير. ولأن "فاكت سيت" جعلت هذه الأداة متاحة لمستخدميها الحاليين دون تكلفة إضافية، فقد تمكن الباحثون من مراقبة تجربة طبيعية. لقد قارنوا بين التقارير البحثية التي كتبها المحللون الذين يستخدمون "فاكت سيت" قبل وصول الذكاء الاصطناعي، وتلك التي كُتبت بعده. ولم يكتفوا بالنظر إلى ما إذا كانت التقارير أطول فحسب؛ بل استخدموا نماذج لغوية متقدمة لقراءة كل كلمة وجدول ورسم بياني في آلاف التقارير لحساب عدد المصادر المختلفة من المعلومات المستخدمة بالضبط، وعدد المواضيع المختلفة التي تمت تغطيتها، وعدد أساليب التحليل المختلفة التي طُبقت.
كشفت النتائج عن تحول صارخ في طبيعة العمل نفسه. فبعد تقديم أداة الذكاء الاصطناعي، أصبحت التقارطة المرتبطة بـ "فاكت سيت" أغنى بكثير؛ حيث تضمنت 26 بالمئة أكثر من المصادر المتميزة للمعلومات، وغطت نطاقاً أوسع بنسبة 24 بالمئة من المواضيع، واستخدمت أساليب تحليلية أكثر بنسبة 21 بالمئة. كما وصلت التقارير بشكل أسرع، حيث نُشرت غالباً في غضون ثلاثة أيام من إعلان أرباح الشركة. لقد نجح الذكاء الاصطناعي في إزالة عقبة البحث عن البيانات وتنظيمها. لم يعد المحللون يعانون لتحديد الأرقام الصحيحة؛ بل أصبحوا يقدمون رؤية أوسع وأعمق للشركات التي يغطونها.
ومع ذلك، تأخذ القصة منعطفاً مفاجئاً عندما نظر الباحثون في دقة التوقعات. فعلى الرغم من أن التقارير كانت أغنى وأسرع، إلا أن الدقة النسبية للتوقعات انخفضت في الواقع. كان المحللون الذين يستخدمون أداة الذكاء الاصطناعي أقل دقة في توقعات أرباحهم مقارنة بنظرائهم الذين لا يستخدمون الأداة. يتحدى هذا الاكتشاف الافتراض الشائع بأن المزيد من المعلومات يؤدي دائماً إلى قرارات أفضل. وقد تعمق الباحثون لفهم سبب حدوث ذلك، ووجدوا أن انخفاض الدقة لم يكن موحداً؛ بل تركز بين المحللين الذين كانوا بالفعل تحت ضغوط شديدة. أولئك الذين يغطون عدداً كبيراً من الشركات، أو يعملون في فرق صغيرة مع دعم ضئيل، أو يحاولون تحديث التوقعات لعدة شركات في نفس اليوم، شهدوا أكبر انخفاض في الأداء.
تشير الدراسة إلى أن المشكلة لم تكن في جودة المعلومات التي قدمها الذكاء الاصطناعي، بل في القدرة البشرية على معالجتها. فعندما قدمت أداة الذكاء الاصطناعي للمحللين كومة أكبر بكثير من البيانات، فقد سلمتهم أيضاً عبئاً معرفياً أثقل بكثير. كان على المحللين التحقق من المعلومات، وتحديد أولوياتها، وفهم الإشارات المتضاربة التي لم يضطروا أبداً للموازنة بينها من قبل. وبالنسبة لأولئك الذين لديهم وقت وانتباه محدودين، أدى هذا الحمل الزائد إلى الارتباك والأخطاء. ولإثبات ذلك، بنى الباحثون نموذجاً حاسوبياً يعالج نفس المعلومات الموجودة في التقارير بالضبط. وبخلاف المحللين البشر، لم يتعب الحاسوب أو يتشتت انتباهه. وعندما عالجت الآلة البيانات الجديدة والأغنى، لم تنخفض دقتها. وقد أكد هذا أن المعلومات نفسها كانت لا تزال جيدة؛ بل إن العقبة قد انتقلت ببساطة من مرحلة البحث عن البيانات إلى مرحلة فهمها.
كما استبعد الباحثون عدة احتمالات أخرى؛ فقد تحققوا مما إذا كان الذكاء الاصطناعي يولد معلومات غير منطقية أو "يهلوس" بالحقائق، لكنهم وجدوا أن البيانات في التقارير ظلت موثوقة تماماً كما كانت من قبل. وتحققوا مما إذا كانت التقاريم أصبحت أطول وأكثر تكراراً، لكنهم لم يجدوا أي زيادة في النصوص غير المفيدة. كما اختبروا ما إذا كان المحللون ينجزون العمل بسرعة للحصول عليه بشكل أسرع، لكن انخفاض الدقة لم يقتصر على التقارير الأسرع فقط. وقد أشارت الأدلة باستمرار إلى استنتاج واحد: لقد وسعت الأداة عرض المعلومات بسرعة أكبر مما يستطيع العقل البشري استيعابه.
تقدم هذه النتائج رؤية دقيقة للذكاء الاصطناعي في مكان العمل. فهي تشير إلى أنه بينما يمكن للذكاء الاصطناعي زيادة الإنتاجية بشكل كبير من خلال التعامل مع المهام الشاقة لجمع البيانات، فإنه لا يؤدي تلقائياً إلى تحسين اتخاذ القرار. في الواقع، إذا كان المستخدم البشري مستنزفاً بالفعل، فإن إضافة المزيد من المعلومات يمكن أن يجعل الأمور أسوأ. وتوحي الدراسة بأنه لكي يساعد الذكاء الاصطناعي حقاً، قد تحتاج المؤسسات إلى إعادة تصميم كيفية عمل موظفيها. فبدلاً من مجرد منح المحللين المزيد من الأدوات، قد يحتاجون إلى منحهم مزيداً من الوقت، أو أعباء عمل أصغر، أو أنظمة أفضل لمساعدتهم في فرز تدفق المعلومات الجديد. إن قيمة التكنولوجيا لا تعتمد فقط على ما يمكن للآلة توليده، بل على القدرة البشرية على فهمه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.