Generative AI for Analysts
Ao aproveitar a integração da GenAI na FACTSET em 2023 como um experimento natural, este estudo revela que, embora a tecnologia enriqueça significativamente a amplitude e a tempestividade dos relatórios dos analistas financeiros, ela simultaneamente expõe a atenção humana como um novo gargalo, levando à redução da precisão das previsões sob altas demandas de processamento de informações, apesar da disponibilidade de dados subjacentes superiores.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo das finanças, analistas profissionais atuam como guias essenciais para investidores. O trabalho deles é pegar um fluxo massivo e caótico de dados financeiros — relatórios de lucros, tendências de mercado e notícias econômicas — e destilá-lo em conselhos claros e acionáveis. Por décadas, este trabalho foi definido por uma limitação humana simples: há um limite para o quanto uma pessoa consegue ler, compreender e sintetizar em um único dia. Mesmo o analista mais qualificado possui uma quantidade finita de atenção e tempo. Quando o volume de dados cresce mais rápido do que a mente humana consegue processar, a qualidade do conselho final pode sofrer. Este é o enigma central que um novo estudo aborda: o que acontece quando uma nova ferramenta poderosa chega, capaz de reunir e organizar instantaneamente muito mais informações do que qualquer humano jamais poderia?
Os pesquisadores, liderados por Jian Xue, Qian Zhang e Wu Zhu, investigaram essa questão observando um momento específico no final de 2023. Uma grande empresa de dados financeiros chamada FactSet introduziu um novo sistema de inteligência artificial chamado Mercury. Essa ferramenta foi projetada para ajudar analistas a encontrar informações mais rapidamente, criar gráficos automaticamente e redigir relatórios. Como a FactSet disponibilizou essa ferramenta para seus usuários existentes sem custo adicional, os pesquisadores puderam observar um experimento natural. Eles compararam os relatórios de pesquisa escritos por analistas que utilizavam a FactSet antes da chegada da IA com aqueles escritos depois. Eles não se limitaram a observar se os relatórios eram mais longos; utilizaram modelos de linguagem avançados para ler cada palavra, tabela e gráfico em milhares de relatórios para contar exatamente quantas fontes diferentes de informação foram utilizadas, quantos tópicos diferentes foram cobertos e quantos métodos de análise diferentes foram aplicados.
Os resultados revelaram uma transformação impressionante no próprio trabalho. Após a introdução da ferramenta de IA, os relatórios associados à FactSet tornaram-se significativamente mais ricos. Eles incluíram 26% mais fontes distintas de informação, cobriram uma gama 24% mais ampla de tópicos e utilizaram 21% mais métodos analíticos. Os relatórios também chegavam mais rápido, sendo frequentemente publicados dentro de três dias após o anúncio de lucros de uma empresa. A IA havia removido com sucesso o gargalo de encontrar e organizar dados. Os analistas não estavam mais lutando para localizar os números certos; eles estavam apresentando uma visão muito mais ampla e profunda das empresas que cobriam.
No entanto, a história toma um rumo surpreendente quando os pesquisadores observaram a precisão das previsões. Apesar de os relatórios serem mais ricos e rápidos, a precisão relativa das previsões na verdade declinou. Os analistas que utilizavam a ferramenta de IA foram menos precisos em suas previsões de lucros do que seus pares que não utilizavam a ferramenta. Essa descoberta desafia a suposição comum de que mais informação sempre leva a melhores decisões. Os pesquisadores investigaram mais profundamente para entender por que isso aconteceu. Eles descobriram que a queda na precisão não foi uniforme; ela se concentrou entre os analistas que já estavam sob maior pressão. Aqueles que cobriam um grande número de empresas, trabalhavam em equipes pequenas com pouco suporte ou tentavam atualizar previsões para múltiplas firmas no mesmo dia, viram o maior declínio de desempenho.
O estudo sugere que o problema não era a qualidade da informação que a IA fornecia, mas a capacidade humana de processá-la. Quando a ferramenta de IA entregava aos analistas uma pilha de dados muito maior, ela também lhes entregava uma carga cognitiva muito mais pesada. Os analistas tinham que verificar, priorizar e dar sentido a sinais conflitantes que nunca haviam tido que gerenciar antes. Para aqueles com tempo e atenção limitados, esse excesso levou à confusão e a erros. Para provar isso, os pesquisadores construíram um modelo computacional que processava exatamente a mesma informação encontrada nos relatórios. Diferente dos analistas humanos, o computador não ficava cansado ou distraído. Quando a máquina processou os novos e mais ricos dados, sua precisão não caiu. Isso confirmou que a informação em si ainda era boa; o gargalo simplesmente havia mudado da busca pelos dados para a compreensão deles.
Os pesquisadores também descartaram outras possibilidades. Eles verificaram se a IA estava gerando absurdos ou "alucinando" fatos, mas descobriram que os dados nos relatórios permaneciam tão confiáveis quanto antes. Verificaram se os relatórios estavam apenas se tornando mais longos e repetitivos, mas não encontraram aumento de texto inútil. Eles até testaram se os analistas estavam apressando o trabalho para publicá-lo mais rápido, mas o declínio na precisão não se limitou aos relatórios mais rápidos. As evidências apontaram consistentemente para uma conclusão: a ferramenta expandiu a oferta de informação mais rápido do que a mente humana conseguia absorvê-la.
Esta descoberta oferece uma visão matizada da inteligência artificial no ambiente de trabalho. Sugere que, embora a IA possa aumentar dramaticamente a produtividade ao lidar com o trabalho pesado de coleta de dados, ela não melhora automaticamente a tomada de decisão. Na verdade, se o usuário humano já estiver sobrecarregado, adicionar mais informação pode piorar as coisas. O estudo implica que, para a IA realmente ajudar, as organizações podem precisar redesenhar a forma como seus funcionários trabalham. Em vez de apenas dar mais ferramentas aos analistas, elas podem precisar dar a eles mais tempo, cargas de trabalho menores ou melhores sistemas para ajudá-los a filtrar o fluxo de novas informações. O valor da tecnologia depende não apenas do que a máquina pode gerar, mas da capacidade humana de dar sentido a isso.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.