Can Regulation Curb AI Adoption Narrative–Practice Decoupling?An Agent-Based Model of the A-Share Market
Met behulp van een agent-gebaseerd model van de A-aandelenmarkt toont dit artikel aan dat hoewel marktwerking alleen de kloof tussen de AI-narratieven van bedrijven en de werkelijke implementatie zwak bestraft, een regulatoire combinatie van escalatie voor recidivisten en gerichte handhaving het meest effectief is bij het beteugelen van dergelijke ontkoppeling, terwijl mechanismen zoals short selling en eenvoudige onthullingslabels ineffectief blijken te zijn.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de financiën vertellen bedrijven voortdurend verhalen om investeerders aan te trekken. Ze spreken over toekomstige plannen, nieuwe technologieën en strategische verschuivingen, in de hoop dat deze narratieven mensen zullen overtuigen om hun aandelen te kopen. Al decennia lang begrijpen economen dat er vaak een kloof bestaat tussen wat een bedrijf zegt en wat het daadwerkelijk doet. Wanneer een bedrijf beweert zijn bedrijfsactiviteiten te transformeren, maar de budgetten of het personeel ontbreken om dat te onderbouwen, ontstaat er een disconnect. Dit is niet noodzakelijkerwijs een leugen, maar het is een mismatch tussen het verhaal dat aan het publiek wordt verteld en de realiteit van de bedrijfsoperaties. De vraag die regelgevers en marktwaarnemers al lang bezighoudt, is of de markt zelf deze kloof kan opmerken en de bedrijven die slechts praten straft, of dat beleggers zich gemakkelijk laten meeslepen door de opwinding van het verhaal, ongeacht de feiten.
Een nieuwe studie pakt dit probleem aan door naar de Chinese aandelenmarkt te kijken, specifiek de A-share markt, waar kunstmatige intelligentie een dominant onderwerp van gesprek is geworden. De onderzoekers wilden weten of de huidige spelregels voldoende zijn om bedrijven te stoits die de golf van hype meeliften zonder het harde werk van implementatie te verrichten. Om dit te achterhalen, keken ze niet alleen naar het verleden van de aandelenkoersen; ze bouwden een digitaal laboratorium. Ze creëerden een computersimulatie die het gedrag van duizenden echte bedrijven, miljoenen individuele beleggers en een toezichthoudende instantie nabootst. Door deze virtuele markt te voeden met echte gegevens van meer dan 3.000 beursgenoteerde bedrijven, konden ze observeren hoe verschillende regels zouden uitpakken wanneer een golf van enthousiasme over kunstmatige intelligentie door het systeem spoelde.
De onderzoekers begonnen door voor elk bedrijf twee afzonderlijke zaken te meten in hun simulatie. Eerst maten ze het "praten", wat de intensiteit van het narratief over kunstmatige intelligentie is dat in de jaarverslagen van een bedrijf wordt gevonden. Dit is de taal die wordt gebruikt om AI-ambities te beschrijven. Ten tweede maten ze het "doen", wat het werkelijke, waarneembare werk vertegenwoordigt. Dit werd bijgehouden door te tellen hoeveel bedrijven mensen met AI-vaardigheden aannamen en hoeveel zij patenten indienen die gerelateerd zijn aan de technologie. Wanneer een bedrijf veel over AI praatte maar weinig bewijs leverde van werving of patentering, markeerde de simulatie dit als een ontkoppeling (decoupling), een scheiding tussen het verhaal en de substantie.
De kern van het experiment bestond uit het injecteren van een plotselinge, enorme golf van enthousiasme over kunstmatige intelligentie in deze virtuele markt, vergelijkbaar met de echte opmars die plaatsvond toen nieuwe AI-tools algemeen bekend werden. De onderzoekers lieten de simulatie vervolgens herhaaldelijk draaien, waarbij ze telkens de spelregels aanpasten om te zien welke regelgevende aanpak het beste werkte. Ze testten negen verschillende methoden die wereldwijd door toezichthouders worden gebruikt. Sommige methoden waren als een algemene regel, die elk bedrijf strafte dat een kloof vertoonde tussen praten en doen, ongeacht de grootte van de kloof. Anderen waren meer als een gerichte spotlight, die zich alleen richtte op bedrijven die duidelijk overdreven. Sommige methoden vertrouwden op klokkenluiders om kwaadwillende actoren te melden, terwijl andere bedrijven simpelweg vroegen om hun acties uit te leggen als ze niet voldeden aan een standaard.
De resultaten toonden aan dat de markt, als deze aan haar lot wordt overgelaten, verrassend zwak is in het straffen van deze overdrijvingen. Zelfs zonder nieuwe regels lieten de simulaties zien dat beleggers niet effectief het onderscheid maakten tussen de bedrijven die echt AI aan het bouwen waren en de bedrijven die er alleen maar over praatten. De kloof tussen het verhaal en de realiteit leidde op zichzelf niet tot een significante daling van de aandelenkoersen. Dit suggereert dat het vertrouwen op de natuurlijke discipline van de markt niet voldoende is om de hype te stoppen.
Toen de onderzoekers verschillende regelgevende instrumenten introduceerden, varieerden de uitkomsten drastisch. De meest effectieve aanpak was een systeem van oplopende sancties voor recidivisten. In dit scenario, als een bedrijf werd betrapt op het overdrijven van zijn AI-inspanningen, zou de straf voor de volgende overtreding aanzienlijk hoger zijn dan de eerste. Dit creëerde een krachtige prikkel voor bedrijven om te stoppen met praten en te beginnen met doen, of in ieder geval om te stoppen met erover te liegen. De simulatie toonde aan dat deze methode veel succesvoller was dan simpelweg de initiële boete groter maken. Het was de structuur van de regel, niet alleen de omvang van de boete, die de verandering teweegbracht.
Een andere zeer effectieve methode was gerichte handhaving. In plaats van elk bedrijf te straffen dat een kloof vertoonde tussen praten en doen, richtten toezichthouders in dit scenario zich alleen op de bedrijven met een positieve kloof—bedrijven die meer praatten dan ze deden. Deze aanpak voorkwam dat bedrijven die daadwerkelijk meer deden dan ze praatten werden gestraft, waardoor de prikkels voor echte innovatie intact bleven. Wanneer deze twee methoden werden gecombineerd, leverden ze de sterkste resultaten op, waarbij de narratieve ontkoppeling effectief werd ingekaderd en de aandelenkoersen nauwer werden afgestemd op het werkelijke werk.
In contrast hiermee bleken verschillende populaire regelgevende ideeën ineffectief in deze specifieke omgeving. Het simpelweg vragen aan bedrijven om hun AI-plannen openbaar te maken of om uit te leggen waarom ze niet aan een standaard voldeden, deed weinig om het gedrag te veranderen. De simulatie toonde aan dat deze "comply or explain"-regels, die in veel markten gebruikelijk zijn, er niet in slaagden de hype te stoppen omdat de kosten van het praten te laag waren en het risico om betrapt te worden te klein was. Ook het toestaan van beleggers om tegen bedrijven te wedden door hun aandelen short te verkopen, had bijna geen effect. Dit kwam grotendeels doordat de regels van de Chinese markt het beleggers erg moeilijk maken om deze short-posities in te nemen, waardoor het mechanisme simpelweg niet kon functioneren als een controle op slecht gedrag.
De studie vond ook dat het ontwerp van de regulering belangrijker is dan de loutere omvang van de straf. Een systeem dat bedrijven straft op basis van een vaste drempelwaarde, ongeacht of ze daadwerkelijk innoveren of gewoon opscheppen, kan de markt zelfs schaden. Het kan echte bedrijven ontmoedigen om te investeren omdat ze vrezen gestraft te worden voor een kloof die eigenlijk te wijten is aan het trage tempo van de real-world implementatie. De meest succesvolle regels waren die welke slim genoeg waren om te onderscheiden tussen een bedrijf dat echt probeert en een bedrijf dat simpelweg liegt.
Uiteindelijk suggereert het onderzoek dat om de disconnect tussen AI-narratieven en de realiteit te stoppen, toezichthouders moeten afstappen van brede, eenheidsregels. In plaats daarvan zouden ze een systeem moeten adopteren dat strenger wordt naarmate een bedrijf vaker wordt betrapt op overdrijving, en dat de controle specifiek richt op degenen die meer praten dan ze doen. De studie geeft aan dat een combinatie van deze twee benaderingen de beste weg vooruit biedt. Het is een bevinding die rust op een computermodel van de markt, niet op een directe observatie van de toekomst, maar het biedt een duidelijke kaart van hoe verschillende regels het gedrag van bedrijven in het tijdperk van kunstmatige intelligentie kunnen vormen. De simulatie laat zien dat zonder het juiste soort druk, de markt zal blijven belonen wat de meest welbespraakte vertellers zijn in plaats van de meest substantiële bouwers.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.