Generative AI for Analysts
Indem diese Studie die Integration von GenAI in FACTSET im Jahr 2023 als natürliches Experiment nutzt, zeigt sie auf, dass die Technologie zwar die Breite und Aktualität der Berichte von Finanzanalysten signifikant bereichert, gleichzeitig aber die menschliche Aufmerksamkeit als neuen Engpass offenbart, was unter hohen Informationsverarbeitungsanforderungen trotz der Verfügbarkeit überlegener zugrunde liegender Daten zu einer verringerten Prognosegenauigkeit führt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Finanzen fungieren professionelle Analysten als essenzielle Wegweiser für Investoren. Ihre Aufgabe besteht darin, eine massive, chaotische Flut von Finanzdaten – Quartalsberichte, Markttrends und Wirtschaftsnachrichten – zu nehmen und sie in klare, handlungsorientierte Ratschläge zu destillieren. Jahrzehntelang wurde diese Arbeit durch eine einfache, menschliche Einschränkung definiert: Ein Mensch kann in einem einzigen Tag nur eine begrenzte Menge an Informationen lesen, verstehen und synthetisieren. Selbst der geschickteste Analyst verfügt über eine endliche Menge an Aufmerksamkeit und Zeit. Wenn das Volumen der Daten schneller wächst, als der menschliche Geist sie verarbeiten kann, kann die Qualität des fertigen Ratschlusses leiden. Dies ist das zentrale Rätsel, das eine neue Studie untersucht: Was passiert, wenn ein mächtiges neues Werkzeug eintrifft, das in der Lage ist, weitaus mehr Informationen zu sammeln und zu organisieren, als ein Mensch jemals könnte?
Die Forscher, angeführt von Jian Xue, Qian Zhang und Wu Zhu, untersuchten diese Frage anhand eines spezifischen Zeitpunkts Ende 2023. Ein großes Finanzdatenunternehmen namens FactSet führte ein neues KI-System namens Mercury ein. Dieses Tool wurde entwickelt, um Analysten dabei zu helfen, Informationen schneller zu finden, Diagramme automatisch zu erstellen und Berichte zu entwerfen. Da FactSet dieses Tool seinen bestehenden Nutzern ohne zusätzliche Kosten zur Verfügung stellte, konnten die Forscher ein natürliches Experiment beobachten. Sie verglichen die Forschungsberichte, die von Analysten unter Verwendung von FactSet vor der Ankunft der KI geschrieben wurden, mit denen, die nach der Ankunft der KI verfasst wurden. Sie schauten nicht nur darauf, ob die Berichte länger wurden; sie nutzten fortschrittliche Sprachmodelle, um jedes Wort, jede Tabelle und jedes Diagramm in tausenden von Berichten zu lesen und genau zu zählen, wie viele verschiedene Informationsquellen verwendet wurden, wie viele verschiedene Themen abgedeckt wurden und wie viele verschiedene Analysemethoden angewandt wurden.
Die Ergebnisse zeigten eine bemerkenswerte Transformation der Arbeit selbst. Nach der Einführung des KI-Tools wurden die mit FactSet assoziierten Berichte signifikant reichhaltiger. Sie enthielten 26 Prozent mehr unterschiedliche Informationsquellen, deckten eine um 24 Prozent breitere Themenspanne ab und nutzten 21 Prozent mehr Analysemethoden. Die Berichte trafen auch schneller ein, oft innerhalb von drei Tagen nach einer Unternehmensbekanntgabe. Die KI hatte den Engpass bei der Suche und Organisation von Daten erfolgreich beseitigt. Die Analysten kämpften nicht mehr damit, die richtigen Zahlen zu finden; sie präsentierten eine viel breitere und tiefere Sicht auf die Unternehmen, die sie abdeckten.
Die Geschichte nimmt jedoch eine überraschende Wendung, wenn die Forscher die Genauigkeit der Vorhersagen betrachteten. Trotz der Tatsache, dass die Berichte reichhaltiger und schneller waren, sank die relative Genauigkeit der Prognosen tatsächlich. Die Analysten, die das KI-Tool verwendeten, waren weniger präzise in ihren Gewinnprognosen als ihre Kollegen, die das Tool nicht verwendeten. Dieser Befund stellt die verbreitete Annahme infrage, dass mehr Informationen zwangsläufig zu besseren Entscheidungen führen. Die Forscher gruben tiefer, um zu verstehen, warum dies geschah. Sie fanden heraus, dass der Rückgang der Genauigkeit nicht gleichmäßig verteilt war; er konzentrierte sich auf jene Analysten, die bereits unter dem größten Druck standen. Jene, die eine große Anzahl von Unternehmen betreuten, in kleinen Teams mit wenig Unterstützung arbeiteten oder versuchten, die Prognosen für mehrere Firmen am selben Tag zu aktualisieren, verzeichneten den stärksten Leistungsabfall.
Die Studie legt nahe, dass das Problem nicht die Qualität der von der KI bereitgestellten Informationen war, sondern die menschliche Kapazität, diese zu verarbeiten. Als das KI-Tool den Analysten einen viel größeren Stapel an Daten überreichte, händigte es ihnen auch eine viel schwerere kognitive Last aus. Die Analysten mussten Informationen verifizieren, priorisieren und widersprüchliche Signale sinnvoll interpretieren, die sie zuvor nie in diesem Maße bewältigen mussten. Für diejenigen mit begrenzter Zeit und Aufmerksamkeit führte diese Überlastung zu Verwirrung und Fehlern. Um dies zu beweisen, bauten die Forscher ein Computermodell, das exakt dieselben Informationen verarbeitete, die in den Berichten enthalten waren. Im Gegensatz zu den menschlichen Analysten wurde der Computer weder müde noch abgelenkt. Als die Maschine die neuen, reichhaltigeren Daten verarbeitete, sank deren Genauigkeit nicht. Dies bestätigte, dass die Informationen selbst immer noch gut waren; der Engpass hatte sich lediglich vom Finden der Daten hin zum Verständnis der Daten verschoben.
Die Forscher schlossen zudem mehrere andere Möglichkeiten aus. Sie prüften, ob die KI Unsinn generierte oder Fakten „halluzinierte“, fanden jedoch heraus, dass die Daten in den Berichten genauso zuverlässig blieben wie zuvor. Sie prüften, ob die Berichte einfach nur länger und repetitiver wurden, stellten aber keinen Anstieg an nutzlosem Text fest. Sie testeten sogar, ob die Analysten die Arbeit überstürzten, um sie schneller zu veröffentlichen, aber der Rückgang der Genauigkeit war nicht auf die schnellsten Berichte beschränkt. Die Beweise deuteten konsistent auf einen Schluss hin: Das Werkzeug hatte das Angebot an Informationen schneller ausgeweitet, als der menschliche Geist sie absorbieren konnte.
Dieser Befund bietet eine nuancierte Sicht auf künstliche Intelligenz am Arbeitsplatz. Er legt nahe, dass KI zwar die Produktivität drastisch steigern kann, indem sie die schwere Arbeit der Datenerhebung übernimmt, dies aber nicht automatisch die Entscheidungsfindung verbessert. In der Tat kann das Hinzufügen von mehr Informationen die Situation verschlechtern, wenn der menschliche Nutzer bereits an seine Grenzen stößt. Die Studie impliziert, dass Organisationen, damit KI wirklich helfen kann, ihre Arbeitsweise neu gestalten müssen. Anstatt den Analysten lediglich mehr Werkzeuge zu geben, müssten sie ihnen vielleicht mehr Zeit, kleinere Arbeitsbelastungen oder bessere Systeme zur Verfügung stellen, die ihnen helfen, die Flut der neuen Informationen zu sortieren. Der Wert der Technologie hängt nicht nur davon ab, was die Maschine generieren kann, sondern von der menschlichen Fähigkeit, daraus Sinn zu stiften.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.