Generative AI for Analysts
2023 में FACTSET में GenAI के एकीकरण को एक स्वाभाविक प्रयोग (natural experiment) के रूप में उपयोग करते हुए, यह अध्ययन प्रकट करता है कि जहाँ यह तकनीक वित्तीय विश्लेषकों की रिपोर्टों की व्यापकता और सामयिकता को महत्वपूर्ण रूप से समृद्ध करती है, वहीं यह साथ ही मानवीय ध्यान को एक नए बाधा (bottleneck) के रूप में उजागर करती है, जिससे बेहतर अंतर्निहित डेटा की उपलब्धता के बावजूद उच्च सूचना-प्रसंस्करण मांगों के तहत पूर्वानुमान सटीकता में कमी आती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
वित्त की दुनिया में, पेशेवर विश्लेषक निवेशकों के लिए आवश्यक मार्गदर्शक के रूप में कार्य करते हैं। उनका काम वित्तीय डेटा के एक विशाल, अराजक प्रवाह—जैसे अर्निंग रिपोर्ट्स (आय विवरण), बाजार के रुझान और आर्थिक समाचार—को स्पष्ट, कार्रवाई योग्य सलाह में बदलना है। दशकों से, यह कार्य एक सरल, मानवीय सीमा द्वारा परिभाषित रहा है: एक व्यक्ति एक दिन में कितनी जानकारी पढ़, समझ और संश्लेषित कर सकता है, इसकी एक सीमा होती है। सबसे कुशल विश्लेषक के पास भी ध्यान और समय की एक सीमित मात्रा होती है। जब डेटा की मात्रा मानव मस्तिष्क द्वारा संसाधित की जा सकने वाली क्षमता से अधिक तेजी से बढ़ती है, तो अंतिम सलाह की गुणवत्ता प्रभावित हो सकती है। यह एक नया अध्ययन इस पहेली को सुलझाता है: क्या होता है जब एक शक्तिशाली नया उपकरण आता है जो किसी भी इंसान की तुलना में कहीं अधिक जानकारी को तुरंत एकत्र और व्यवस्थित कर सकता है?
शोधकर्ताओं ने, जिसका नेतृत्व जियान ज़्यू, कियान झांग और वू झू ने किया, इस प्रश्न की जांच करने के लिए 2023 के अंत के एक विशिष्ट क्षण को देखा। फैक्टसेट (FactSet) नामक एक प्रमुख वित्तीय डेटा कंपनी ने 'मरकरी' (Mercury) नामक एक नया आर्टिफिशियल इंटेलिजेंस सिस्टम पेश किया। इस टूल को विश्लेषकों को जानकारी तेजी से खोजने, स्वचालित रूप से चार्ट बनाने और रिपोर्ट का मसौदा तैयार करने में मदद करने के लिए डिज़ाइन किया गया था। चूंकि फैक्टसेट ने इस टूल को बिना किसी अतिरिक्त लागत के अपने मौजूदा उपयोगकर्ताओं के लिए उपलब्ध कराया था, इसलिए शोधकर्ता एक स्वाभाविक प्रयोग का अवलोकन कर सके। उन्होंने एआई के आगमन से पहले और बाद में फैक्टसेट का उपयोग करने वाले विश्लेषकों द्वारा लिखी गई शोध रिपोर्टों की तुलना की। उन्होंने केवल यह नहीं देखा कि रिपोर्ट लंबी हुई या नहीं; उन्होंने हजारों रिपोर्टों के हर शब्द, तालिका और चार्ट को पढ़ने के लिए उन्नत भाषा मॉडल (language models) का उपयोग किया ताकि यह सटीक रूप से गिना जा सके कि सूचना के कितने अलग-अलग स्रोतों का उपयोग किया गया, कितने अलग-अलग विषयों को कवर किया गया, और विश्लेषण की कितनी विभिन्न विधियों को लागू किया गया।
परिणामों ने स्वयं कार्य में एक उल्लेखनीय परिवर्तन का खुलासा किया। एआई टूल के आने के बाद, फैक्टसेट से जुड़ी रिपोर्टें काफी समृद्ध हो गईं। उनमें 26 प्रतिशत अधिक विशिष्ट सूचना स्रोत शामिल थे, विषयों की सीमा 24 प्रतिशत व्यापक हो गई, और 21 प्रतिशत अधिक विश्लेषणात्मक विधियों का उपयोग किया गया। रिपोर्टें तेजी से भी आईं, जो अक्सर किसी कंपनी की अर्निंग घोषणा के तीन दिनों के भीतर प्रकाशित हो जाती थीं। एआई ने सफलतापूर्वक डेटा को खोजने और व्यवस्थित करने की बाधा (bottleneck) को दूर कर दिया था। विश्लेषक अब सही नंबरों को खोजने के लिए संघर्ष नहीं कर रहे थे; वे जिन कंपनियों को कवर कर रहे थे, उनका एक बहुत व्यापक और गहरा दृष्टिकोण प्रस्तुत कर रहे थे।
हालांकि, कहानी एक आश्चर्यजनक मोड़ लेती है जब शोधकर्ताओं ने भविष्यवाणियों की सटीकता को देखा। रिपोर्टें समृद्ध और तेज होने के बावजूद, पूर्वानुमानों की सापेक्ष सटीकता वास्तव में घट गई। एआई टूल का उपयोग करने वाले विश्लेषक उस टूल का उपयोग न करने वाले अपने साथियों की तुलना में अर्निंग प्रेडिक्शन (कमाई के पूर्वानुमान) में कम सटीक थे। यह निष्कर्ष इस सामान्य धारणा को चुनौती देता है कि अधिक जानकारी हमेशा बेहतर निर्णय की ओर ले जाती है। शोधकर्ताओं ने यह समझने के लिए गहराई से जांच की कि ऐसा क्यों हुआ। उन्होंने पाया कि सटीकता में गिरावट समान नहीं थी; यह उन विश्लेषकों के बीच केंद्रित थी जो पहले से ही अत्यधिक दबाव में थे। जो लोग बड़ी संख्या में कंपनियों को कवर कर रहे थे, छोटी टीमों में काम कर रहे थे जिनमें सहायता कम थी, या एक ही दिन में कई फर्मों के लिए पूर्वानुमान अपडेट करने की कोशिश कर रहे थे, उनके प्रदर्शन में सबसे बड़ी गिरावट देखी गई।
अध्ययन सुझाव देता है कि समस्या सूचना की गुणवत्ता में नहीं थी, बल्कि उसे संसाधित करने की मानवीय क्षमता में थी। जब एआई टूल ने विश्लेषकों को डेटा का एक बहुत बड़ा ढेर थमाया, तो उसने उन्हें एक बहुत भारी संज्ञानात्मक भार (cognitive load) भी दिया। विश्लेषकों को उन विरोधाभासी संकेतों को सत्यापित, प्राथमिकता देने और समझने की आवश्यकता थी जिन्हें उन्हें पहले कभी संभालना नहीं पड़ा था। सीमित समय और ध्यान वाले लोगों के लिए, इस ओवरलोड ने भ्रम और त्रुटियों को जन्म दिया। इसे सिद्ध करने के लिए, शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया जिसने रिपोर्टों में पाई गई बिल्कुल उसी जानकारी को संसाधित किया। कंप्यूटर के विपरीत, मशीन थकती या विचलित नहीं होती। जब मशीन ने नए, समृद्ध डेटा को संसाח किया, तो उसकी सटीकता नहीं गिरी। इसने पुष्टि की कि जानकारी स्वयं अभी भी अच्छी थी; बाधा केवल डेटा खोजने से बदलकर उसे समझने में स्थानांतरित हो गई थी।
शोधकर्ताओं ने कई अन्य संभावनाओं को भी खारिज कर दिया। उन्होंने यह जांचा कि क्या एआई निरर्थक तथ्य उत्पन्न कर रहा था या तथ्यों का "भ्रम" (hallucination) पैदा कर रहा था, लेकिन पाया कि रिपोर्टों में डेटा पहले की तरह ही विश्वसनीय बना हुआ था। उन्होंने यह भी जांचा कि क्या रिपोर्ट केवल लंबी और दोहराव वाली हो रही थी, लेकिन पाया कि बेकार टेक्स्ट में कोई वृद्धि नहीं हुई थी। उन्होंने यह भी परीक्षण किया कि क्या विश्लेषक काम को तेजी से बाहर निकालने के लिए जल्दबाजी कर रहे थे, लेकिन सटीकता में गिरावट सबसे तेज रिपोर्टों तक सीमित नहीं थी। साक्ष्य लगातार एक ही निष्कर्ष की ओर इशारा करते थे: टूल ने सूचना की आपूर्ति को मानव मस्तिष्क द्वारा अवशोषित की जा सकने वाली क्षमता से अधिक तेजी से बढ़ा दिया था।
यह निष्कर्ष कार्यस्थल में आर्टिफिशियल इंटेलिजेंस के बारे में एक सूक्ष्म दृष्टिकोण प्रदान करता है। यह सुझाव देता है कि जबकि एआई डेटा संग्रह के भारी काम को संभालकर उत्पादकता को नाटकीय रूप रूप से बढ़ा सकता है, यह स्वतः ही निर्णय लेने में सुधार नहीं करता है। वास्तव में, यदि मानव उपयोगकर्ता पहले से ही दबाव में है, तो अधिक जानकारी जोड़ना चीजों को बदतर बना सकता है। अध्ययन का तात्पर्य है कि एआई को वास्तव में मदद करने के लिए, संगठनों को अपने कर्मचारियों के काम करने के तरीके को फिर से डिजाइन करने की आवश्यकता हो सकती है। केवल विश्लेषकों को अधिक उपकरण देने के बजाय, उन्हें अधिक समय, छोटा कार्यभार, या सूचना के इस नए प्रवाह को छांटने में मदद करने के लिए बेहतर सिस्टम देने की आवश्यकता हो सकती है। तकनीक का मूल्य केवल इस बात पर निर्भर नहीं करता कि मशीन क्या उत्पन्न कर सकती है, बल्कि इस पर निर्भर करता है कि मानव उसे समझने की कितनी क्षमता रखता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।