Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity

In der Welt der Finanzen sind Unternehmen verpflichtet, detaillierte Berichte über ihr Geld, ihre Schulden und ihre Zukunftspläne zu veröffentlichen. Jahrzehntelang war die Annahme, dass die Schwierigkeit, diese Berichte zu verstehen, allein vom Dokument selbst abhing. Wenn ein Bericht lang war, komplexe Sätze enthielt oder mit dichten Tabellen vollgestopft war, galt er als „schwer lesbar“, und diese Schwierigkeit wurde als eine feste Eigenschaft des Papiers betrachtet. Diese Idee prägte die Art und Weise, wie Forscher das Verhalten von Investoren untersuchten, unter der Annahme, dass ein komplizierter Bericht jeden gleichermaßen verwirren würde, unabhängig davon, wer ihn las oder welche Werkzeuge er verwendete. Die Art und Weise, wie Informationen bereitgestellt werden, hat sich jedoch geändert. Unternehmen reichen diese Berichte heute gleichzeitig in zwei Formen ein: einem traditionellen Dokument für das menschliche Auge und einer strukturierten digitalen Datei, die von Computern sofort gelesen werden kann. Dieser Wandel wirft eine neue Frage auf: Bleibt die Schwierigkeit eines Berichts gleich, wenn ein Mensch ihn liest im Vergleich dazu, wenn eine Maschine ihn verarbeitet?

Ein Forschungsteam setzte sich zum Ziel, dies zu beantworten, indem es die Schwierigkeit eines Finanzberichts nicht als eine einzige Zahl betrachtete, sondern als ein Ergebnis aus drei zusammenwirkenden Faktoren: dem Leser, der Aufgabe und der Schnittstelle. Sie wollten sehen, ob die alten Regeln noch gelten in einem Zeitalter, in dem künstliche Intelligenz und automatisierte Software zunehmend diejenigen sind, die diese Dokumente lesen. Um dies zu tun, analysierten sie historische Daten der US-Börsenaufsichtsbehörde Securities and Exchange Commission, untersuchten tausende moderner Einreichungen und führten ein umfangreiches Experiment durch, bei dem sie Computermodelle baten, Fragen zu Unternehmensberichten unter Verwendung verschiedener Methoden zu beantworten. Ihre Arbeit zeigt, dass die Komplexität eines Finanzberichts keine stabile Eigenschaft des Dokuments ist. Stattdessen verändert sie sich, je nachdem, wer die Frage stellt und wie diese gestellt wird.

Die Forscher begannen damit, auf einen spezifischen Moment in der Geschichte zurückzublicken, als sich die Regeln für die Einreichung änderten. Um das Jahr 2009 wurden große Unternehmen verpflichtet, ihre Finanzdaten zusätzlich zu ihren Standardberichten in einem speziellen, maschinenlesbaren Format namens XBRL einzureichen. Das Team rekonstruierte die Traffic-Logs der Regierungswebsite, um zu sehen, wie Menschen und Computer auf diese Änderung reagierten. Sie fanden heraus, dass die Regel nicht wie ein einfacher An/Aus-Schalter wirkte. Während die Anforderung den Gebrauch der maschinenlesbaren Dateien erhöhte, führte sie nicht zu einem massiven Rückgang beim Lesen der Standarddokumente durch Menschen.ت Viel wichtiger war, dass die Daten darauf hindeuteten, dass die beiden Formate unterschiedliche Zwecke erfüllten. Die maschinenlesbaren Dateien wurden häufiger von automatisierten Systemen abgerufen, während die für Menschen lesbaren Dokumente die primäre Quelle für das direkte Lesen blieben. Dies deutete darauf hin, dass sich die „Last“ des Lesens eines Berichts verschob. Für einen Menschen bestand die Last weiterhin darin, lange Textseiten zu lesen. Für eine Maschine bestand die Last darin, die richtigen Zahlen innerhalb einer strukturierten Datei zu finden.

Um zu verstehen, wie diese beiden Welten heute interagieren, untersuchten die Forscher über 200.000 moderne Einreichungen. Sie entdeckten ein überraschendes Muster: Die Unternehmen, die die längsten, komplexesten Berichte für Menschen erstellten, waren oft dieselben Unternehmen, die auch die reichhaltigsten, detailliertesten Daten für Maschinen bereitstellten. In der Vergangenheit hätten Forscher vielleicht angenommen, dass ein langer Bericht einfach für alle „schwer“ sei. Die neuen Daten zeigten, dass ein Bericht für einen Menschen aufgrund seiner Länge und seines Vokabulars sehr schwierig zu lesen, für einen Computer jedoch extrem einfach sein kann, spezifische Fakten daraus zu extrahieren. Das bedeutet, dass die alte Art, Komplexität zu messen – das Zählen von Wörtern oder Satzlängen – nicht mehr die ganze Geschichte erzählt. Ein Bericht kann für einen Menschen „schwer“ und für eine Maschine gleichzeitig „leicht“ sein. Die Forscher fanden auch heraus, dass größere Unternehmen, die komplexere Geschäftsmodelle haben, dazu neigten, sowohl eine höhere menschliche Leselast als auch eine höhere maschinelle Zugänglichkeit aufzuweisen. Dies deutet darauf hin, dass die Kluft zwischen dem, was für einen Menschen einfach ist, und dem, was für einen Computer einfach ist, nicht zufällig ist, sondern ein strukturelles Merkmal des modernen Finanzsystems darstellt.

Der aufschlussreichste Teil der Studie war ein kontrolliertes Experiment, bei dem die Forscher testeten, wie gut künstliche Intelligenz Fragen zu diesen Berichten beantworten konnte. Sie nahmen 432 spezifische Fragen zu Unternehmensfinanzen, wie etwa „Wie hoch war der Nettogewinn?“ oder „Wie hoch ist die Liquidität?“ und baten sechs verschiedene KI-Modelle, diese zu beantworten. Sie testeten diese Fragen unter zwölf verschiedenen Bedingungen. In einigen Fällen wurde der KI das vollständige, unstrukturierte menschliche Dokument gegeben. In anderen Fällen erhielt sie eine perfekt organisierte Liste nur der benötigten Fakten. In einigen Fällen musste die KI die Fakten selbst finden, während sie in anderen Fällen die Fakten direkt vorgelegt bekam.

Die Ergebnisse waren klar und spezifisch. Wenn die KI das vollständige menschliche Dokument erhielt und die Zahlen selbst finden musste, beantwortete sie die Fragen nur in etwa 47 Prozent der Fälle korrekt. Wenn die Forscher der KI jedoch denselben Text gaben, aber ihn so organisierten, dass die relevanten Fakten leicht zu finden waren, stieg die Genauigkeit auf fast 100 Prozent. Dies bewies, dass das Hauptproblem für die KI nicht darin bestand, dass sie die Sprache oder die Mathematik nicht verstand. Das Problem war, dass sie die richtigen Zahlen inmitten von tausenden Wörtern nicht finden konnte. Die Forscher testeten auch, ob das spezielle maschinenlesbare Format (XBRL) inhärent besser als reiner Text sei. Sie fanden heraus, dass die Genauigkeit nahezu identisch war, sobald die KI die exakt gleichen Fakten in beiden Formaten erhalten hatte. Der Vorteil des maschinenlesbaren Formats lag nicht im Format selbst, sondern in der Tatsache, dass es es einfacher machte, die benötigten spezifischen Zahlen zu lokalisieren.

Dieses Ergebnis stellt die Vorstellung infrage, dass der bloße Wechsel zu einem maschinenlesbaren Format alle Probleme löst. Die Forscher zeigten, dass der eigentliche Engpass die „Evidenzlokalisierung“ ist – die Fähigkeit, die richtige Information in einem großen Dokument zu finden. Wenn ein Computer die Zahl finden kann, kann er die Antwort korrekt berechnen, unabhängig davon, ob die Zahl aus einer strukturierten Datei oder aus einem einfachen Textdokument stammt. Die Studie testete auch, ob die KI die Antworten lediglich aus ihren Trainingsdaten auswendig gelernt hatte. Sie änderten die Zahlen in den Berichten in neue, fiktive Werte und baten die KI erneut, die Fragen zu beantworten. Die KI lieferte immer noch die richtigen Antworten, was bewies, dass sie tatsächlich das Dokument las und die Arbeit verrichtete, anstatt nur alte Fakten abzurufen.

Die Studie kommt zu dem Schluss, dass wir die Komplexität eines Finanzberichts nicht länger als einen einzigen, feststehenden Wert betrachten können. Die Schwierigkeit eines Berichts hängt vom Leser, der Aufgabe und den verwendeten Werkzeugen zum Zugriff auf die Informationen ab. Für einen menschlichen Investor ist ein langer Bericht mit komplexer Sprache eine schwere Last. Für eine Maschine ist die Last das Finden eines Datenpunktes in einem Meer von Text. Die Forscher stellten fest, dass die Kluft zwischen menschlicher Schwierigkeit und maschineller Leichtigkeit größer wird und dass die Werkzeuge, mit denen wir auf Informationen zugreifen, wichtiger sind als das Dokument selbst. Dies bedeutet, dass wir, während wir uns weiter in eine Ära bewegen, in der künstliche Intelligenz uns bei Finanzentscheidungen hilft, aufhören müssen, Berichte als statische Objekte zu betrachten, und anfangen müssen, sie als dynamische Inputs zu begreifen, die sich je nach Art der Verarbeitung verändern. Die Schwierigkeit liegt nicht im Papier; sie liegt auf dem Pfad zwischen dem Papier und der Person oder Maschine, die versucht, es zu verstehen.