Disagreement Is Not Debiasing: Human–AI Views in Portfolio Decisions

In der hochriskanten Welt des Investierens fühlt sich eine Entscheidung oft so an, als versuche man, ein bewegliches Ziel zu treffen, während man auf einer schwankenden Plattform steht. Anleger verlassen sich auf Prognosen, um zu schätzen, wie viel Geld ein Unternehmen verdienen wird, aber diese Schätzungen sind selten perfekt. Über Jahrzehnte hinweg war ein Standardansatz, die Meinungen menschlicher Experten mit den Berechnungen von Computermodellen zu kombinieren, in der Hoffnung, dass sich die Fehler des einen die Fehler des anderen ausgleichen würden. Diese Idee, bekannt als Prognosekombination, legt nahe, dass, wenn man zwei unvollkommene Vorhersagen mittelt, das Ergebnis genauer sein sollte als jede einzelne für sich allein. Diese Logik setzt jedoch voraus, dass die beiden Quellen unterschiedliche Arten von Fehlern machen. Wenn sowohl der Mensch als auch die Maschine dieselben Dokumente betrachten und von derselben optimistischen Stimmung beeinflusst werden, könnten sie exakt denselben Fehler zur gleichen Zeit begehen. In einem solchen Fall korrigiert das einfache Mitteln ihrer Ansichten das Problem nicht; es verstärkt den Fehler lediglich.

Diese Realität bildet den Hintergrund für eine neue Studie von Forschern der Xiamen University Tan Kah Kee College, die darauf abzielten zu testen, ob ein System der künstlichen Intelligenz die systematischen Verzerrungen menschlicher Finanzanalysten korrigieren kann. Die Forscher konzentrierten sich auf den chinesischen Aktienmarkt, eine riesige und aktive Arena, in der Tausende von Unternehmen von professionellen Analysten verfolgt werden. Sie sammelten Jahrzehnte an Daten, untersuchten die Gewinnprognosen menschlicher Experten und verglichen diese mit Prognosen, die von einem Large Language Model generiert wurden – einer Art fortgeschrittener KI, die dieselben Unternehmensberichte liest, aber strikt daran gehindert wird, die Prognosen der Analysten selbst zu sehen. Das Ziel war zu sehen, ob die KI als unabhängige Zweitmeinung fungieren konnte, um den menschlichen Fehler zu bereinigen, oder ob beide Quellen einfach in dieselbe Richtung verzerrt waren, was ihre Uneinigkeit nutzlos für die Behebung des Kernproblems machte.

Die Studie begann mit der Anerkennung einer bekannten Tatsache: Menschliche Finanzanalysten sind konsistent zu optimistisch. In den untersuchten Daten prognostizierten diese Experten Gewinne, die in etwa drei Vierteln der Fälle höher lagen, als sie tatsächlich eintraten. Die Forscher führten daraufhin die KI ein, die mit denselben Rohdaten gefüttert wurde, aber so konzipiert war, dass sie informationell unabhängig blieb, was bedeutet, dass sie den menschlichen Konsens nicht einsehen konnte. Eine natürliche Annahme wäre, dass die Differenz zwischen der menschlichen und der KI-Prognose die menschliche Verzerrung offenbart, wenn Mensch und KI uneins sind. Wenn der Mensch sagt, ein Unternehmen werde viel verdienen, und die KI weniger, könnte man annehmen, der Mensch liege falsch. Die Forscher fanden jedoch heraus, dass diese Intuition fehlerhaft ist. Da sowohl der Mensch als auch die KI dieselben zugrunde liegenden Berichte lasen, teilten sie eine gemeinsame Schwachstelle. Sie waren beide in dieselbe Richtung verzerrt, wenn auch in unterschiedlichem Maße.

Die zentrale Erkenntnis der Arbeit ist, dass die Uneinigkeit zwischen zwei verzerrten Quellen die Verzerrung nicht automatisch korrigiert. Wenn zwei Prognostiker einen gemeinsamen Fehler teilen, sagt Ihnen die Uneinigkeit zwischen ihnen nur, wie sehr sie voneinander abweichen, nicht aber, wo die Wahrheit tatsächlich liegt. Um die Wahrheit zu finden, muss man sich ansehen, was in der Vergangenheit tatsächlich passiert ist, und nicht nur auf den Unterschied zwischen den beiden aktuellen Vermutungen schauen. Die Forscher entwickelten ein ausgeklügeltes Modell, um dies zu testen. Zuerst passten sie sowohl die menschlichen als auch die KI-Prognosen basierend auf historischen Daten an, indem sie dem Modell im Wesentlichen beibrachten, den typischen Optimismus zu erkennen und abzuziehen, der in jeder Quelle zu finden war. Sobald diese Kalibrierung erfolgt war, kombinierten sie die beiden Ansichten, um zu sehen, ob das Ergebnis besser war als die Verwendung der menschlichen Prognose allein.

Die Ergebnisse waren nuanciert und stellten die Hoffnung infrage, dass das Hinzufügen einer KI einfach alles verbessert. Auf der Ebene der reinen Prognosegenauigkeit verbesserte die Kombination der kalibrierten menschlichen und KI-Prognosen die statistische Beschreibung der Unsicherheit. Das Modell wurde besser darin, den Bereich möglicher Ergebnisse zu beschreiben, vor allem weil die Uneinigkeit zwischen den beiden Quellen dem Modell half zu verstehen, wann es vorsichtiger sein sollte. Wenn der Mensch und die KI uneins waren, interpretierte das Modell dies korrekt als Zeichen dafür, dass die Situation unsicher war, und weitete seine Sicherheitsmargen aus. Dies verbesserte die probabilistische Genauigkeit der Prognose und machte sie zu einem besseren Werkzeug für das Verständnis von Risiken.

Als die Forscher jedoch testeten, ob diese verbesserte Prognose zu besseren Anlageentscheidungen führte, änderte sich die Geschichte. Sie simulierten eine Portfoliostrategie, die ein spezifisches, absolutes Ziel für die Renditen erforderte. In diesem Szenario bot das Hinzufügen der KI-Prognose keinen nachweisbaren Vorteil gegenüber der Verwendung der kalibrierten menschlichen Prognose allein. Der Grund liegt in der Natur der geteilten Verzerrung. Während die KI dem Modell half, die Breite der möglichen Ergebnisse zu verstehen, konnte sie das Niveau der Prognose nicht korrigieren. Da sowohl der Mensch als auch die KI im Durchschnitt immer noch etwas zu optimistisch waren, blieb die kombinierte Prognose zu hoch. Für eine Entscheidung, die davon abhängt, ein bestimmtes Ziel zu erreichen, war dieser kleine verbleibende Fehler ausreichend, um jegliche Verbesserung zu verhindern. Die Uneinigkeit zwischen den beiden Quellen konnte die harte Arbeit der Kalibrierung gegen reale Ergebnisse nicht ersetzen.

Die Studie zeigte auch auf, dass die KI-Prognose selbst kein neutraler, unvoreingenommener Orakel war. Wie die menschlichen Analysten war auch die KI nach oben verzerrt und sagte Gewinne voraus, die höher waren, als sie tatsächlich eintraten. Dieser Befund ist entscheidend, da er die Vorstellung entkräftet, dass eine KI automatisch ein „Wahrheitssprecher“ ist, der den menschlichen Fehler korrigieren kann. Stattdessen war die KI eine weitere Informationsquelle, die ihre eigenen systematischen Fehler in sich trug. Die Forscher fanden heraus, dass die Verzerrung der KI etwa ein Prozentpunkt betrug, im Gegensatz zur Analystenverzerrung von 1,45 Prozentpunkten. Dies bedeutet, dass das bloße Hinzufügen einer KI zur Mischung den Optimismus, der die Finanzprognosen plagt, nicht magisch entfernt.

Letztlich zeigt die Arbeit, dass der Wert einer Zweitmeinung vollständig von der Art der getroffenen Entscheidung abhängt. Wenn das Ziel darin besteht, Unternehmen von gut zu schlecht zu ranken, spielt die gemeinsame Verzerrung keine Rolle, da sowohl der Mensch als auch die KI wahrscheinlich in derselben Reihenfolge ranken werden. Aber wenn das Ziel darin besteht, ein spezifisches Ziel zu erreichen, wie etwa eine Mindestrendite, wird diese gemeinsame Verzerrung zu einem kritischen Hindernis. Die Forschung zeigt, dass man sich nicht auf den Unterschied zwischen zwei Prognosen verlassen kann, um einen gemeinsamen Fehler zu beheben; man muss aus den tatsächlichen Ergebnissen der Vergangenheit lernen. Die Studie kommt zu dem Schluss, dass künstliche Intelligenz zwar das Verständnis von Unsicherheit und die Beschreibung von Risiko verbessern kann, aber nicht die Notwendigkeit einer rigorosen Kalibrierung gegenüber der historischen Realität ersetzen kann. Letztendlich muss ein kollaboratives Intelligenzdesign die Aufgabe des Lernens aus Ergebnissen von der Aufgabe des Sammelns neuer Informationen trennen und erkennen, dass Uneinigkeit ein Signal für Unsicherheit ist, nicht ein Heilmittel für Verzerrung.