ปัญญาประดิษฐ์ได้ก้าวหน้าอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา ทำให้อุตสาหกรรมการลงทุนได้รับความคาดหวังเพิ่มขึ้นอย่างมากในด้านประสิทธิภาพการวิจัย การรายงาน และการบริหารความเสี่ยง การวิจัยทางวิชาการและอุตสาหกรรมที่เกิดขึ้นใหม่นำเสนอมุมมองที่เงียบขรึมมากขึ้นเกี่ยวกับเทคโนโลยีที่เคลื่อนไหวอย่างรวดเร็วนี้
การค้นพบล่าสุดชี้ไปที่ช่องว่างความน่าเชื่อถือที่ยังคงมีอยู่ ความต้องการอย่างต่อเนื่องในการตัดสินใจและการกำกับดูแลของมนุษย์ และข้อจำกัดในการสร้างมูลค่าในระยะสั้น ซึ่งบ่งชี้ว่าผลกระทบของ AI อาจถูกวัดได้มากกว่าความกระตือรือร้นในช่วงแรก ๆ ที่บอกเป็นนัย สำหรับนักลงทุน ข้อความดังกล่าวชัดเจน: AI ยังคงเป็นโอกาสระยะยาวที่ทรงพลัง แต่โอกาสที่ดีที่สุดคือการตระหนักรู้ผ่านการยอมรับที่มีระเบียบวินัยและอิงหลักฐานเชิงประจักษ์ มากกว่าการเติบโตอย่างล้นหลามในระยะเริ่มแรก
โพสต์นี้เป็นงวดที่สามของการสะท้อนถึงการพัฒนาล่าสุดใน AI สำหรับผู้เชี่ยวชาญด้านการจัดการการลงทุนทุกไตรมาส ดึงข้อมูลเชิงลึกจากผู้เชี่ยวชาญด้านการลงทุน นักวิชาการ และหน่วยงานกำกับดูแลที่มีส่วนร่วมในจดหมายข่าวรายสองเดือน ปัญญาประดิษฐ์ในการจัดการการลงทุนโดยต่อยอดจากบทความก่อนหน้านี้ที่สำรวจแล้ว คำมั่นสัญญาและข้อผิดพลาดของ AI และ เทคนิคการบริหารความเสี่ยง– งวดนี้มุ่งไปสู่ความเข้าใจเชิงปฏิบัติมากขึ้นเกี่ยวกับศักยภาพของมัน
การตรวจสอบเอกสารล่าสุดอย่างใกล้ชิดเผยให้เห็นประเด็นหลักสามประการที่อาจลดทอนการมองโลกในแง่ดีของอุตสาหกรรม
1. ความท้าทายด้านความน่าเชื่อถือ
แม้จะมีความก้าวหน้าที่น่าประทับใจ แต่ความน่าเชื่อถือของ AI ยังคงเป็นอุปสรรคหลักในการปรับใช้ในสภาพแวดล้อมทางการเงินที่มีเดิมพันสูง การวิเคราะห์ล่าสุดโดย NewsGuard (2025) บันทึกข้อความที่เป็นเท็จหรือทำให้เข้าใจผิดเพิ่มขึ้นอย่างรวดเร็วจากแชทบอท AI ชั้นนำ โดยมีอัตราข้อผิดพลาดเพิ่มขึ้นจากประมาณ 10% เป็นเกือบ 60%
การขยายตัวของ “ภาพหลอน” นี้ไม่ได้เป็นเพียงความผิดปกติทางสถิติเท่านั้น การศึกษาของ OpenAI ภายใน (2025) พบว่าภาพหลอนมักเป็นคุณลักษณะเชิงโครงสร้างของการฝึกแบบจำลอง เนื่องจากเกณฑ์มาตรฐานในปัจจุบันให้รางวัลแก่คำตอบที่มั่นใจเหนือความไม่แน่นอนที่ปรับเทียบแล้ว กระตุ้นให้เกิดข้อความที่น่าเชื่อถือแต่ไม่ถูกต้อง
ข้อกังวลยังขยายไปสู่การจัดตำแหน่งทางจริยธรรมด้วย ในการจำลองการตัดสินใจทางการเงินที่ได้รับแรงบันดาลใจจากความล้มเหลวในการกำกับดูแลที่การแลกเปลี่ยนสกุลเงินดิจิทัลและกองทุนป้องกันความเสี่ยง FTX, Biancotti และคณะ (2025) แสดงให้เห็นว่าโมเดลชั้นนำหลายแบบมีความน่าจะเป็นอย่างมากในการแนะนำการดำเนินการที่น่าสงสัยด้านจริยธรรมหรือกฎหมาย เมื่อต้องเผชิญกับการแลกเปลี่ยนระหว่างผลประโยชน์ส่วนบุคคลและการปฏิบัติตามกฎระเบียบ สำหรับผู้เชี่ยวชาญด้านการลงทุนซึ่งงานขึ้นอยู่กับความแม่นยำ ความโปร่งใส และความรับผิดชอบ การศึกษาเหล่านี้เน้นย้ำโดยรวมว่า AI ยังไม่น่าเชื่อถือเพียงพอที่จะดำเนินการโดยอัตโนมัติในขั้นตอนการทำงานทางการเงินที่ได้รับการควบคุมจำนวนมาก
2. พรีเมี่ยมเกี่ยวกับการตัดสินของมนุษย์
หัวข้อที่สองในการวิจัยคือ AI ดูเหมือนจะเสริมมากกว่าแทนที่ความเชี่ยวชาญของมนุษย์ และอาจเพิ่มความสำคัญของการควบคุมดูแลมนุษย์คุณภาพสูงด้วยซ้ำ
การวิจัยด้านประสาทวิทยาศาสตร์จาก MIT (Kosmyna et al., 2025) พบว่าผู้เข้าร่วมที่มีปฏิสัมพันธ์กับ LLM มีการทำงานของสมองลดลงในภูมิภาคที่เกี่ยวข้องกับการดึงความทรงจำ ความคิดสร้างสรรค์ และการใช้เหตุผลของผู้บริหาร แม้ว่า AI อาจเร่งการวิเคราะห์เบื้องต้น แต่การพึ่งพาระบบเหล่านี้อย่างหนักอาจทำให้ความสามารถด้านการรับรู้ที่สนับสนุนการตัดสินใจลงทุนที่แข็งแกร่งลดน้อยลง
การนำ AI มาใช้ไม่ได้ลดความจำเป็นในการมีมนุษย์อยู่ในบริบทที่ต้องพบปะกับลูกค้า ยางและคณะ (2025) แสดงให้เห็นว่าลูกค้ารับรู้ว่าคำแนะนำการลงทุนที่สร้างโดย AI มีความน่าเชื่อถือมากขึ้นอย่างมากเมื่อมาพร้อมกับที่ปรึกษาที่เป็นมนุษย์ แม้ว่ามนุษย์จะไม่เพิ่มคุณค่าในการวิเคราะห์ก็ตาม ในทำนองเดียวกัน Le และคณะ (2025) พบว่าความพึงพอใจของลูกค้าดีขึ้นเมื่อมีการแสดงความร่วมมือระหว่างมนุษย์และ AI อย่างชัดเจน แทนที่จะปกปิดไว้
ระบบอัตโนมัติยังคงมีข้อจำกัดเช่นกัน ในการเปรียบเทียบงานขนาดใหญ่ Xu และคณะ (2025) สังเกตว่าเจ้าหน้าที่ AI ขั้นสูงทำงานที่ซับซ้อนหลายขั้นตอนได้เพียงประมาณ 30% เท่านั้น การศึกษาแยกต่างหากโดย Tomlinson (2025) ซึ่งวิเคราะห์ปฏิสัมพันธ์ของ Copilot มากกว่า 200,000 ครั้ง แสดงให้เห็นว่าในกรณีประมาณ 40% ของรูปแบบการกระทำแตกต่างอย่างมีความหมายจากความตั้งใจของผู้ใช้
เมื่อนำมารวมกัน การค้นพบเหล่านี้ชี้ให้เห็นว่าบริษัทด้านการลงทุนควรมองว่า AI เป็นเครื่องมือในการเพิ่มพูนมนุษย์ แทนที่จะแทนที่มนุษย์ โดยจำเป็นต้องตรวจสอบข้อเท็จจริงอย่างต่อเนื่องถึงคุณภาพของผลผลิตที่เครื่องจักรสร้างขึ้น การควบคุมดูแลที่มีโครงสร้างอย่างต่อเนื่องนี้จะช่วยลดมูลค่าที่เพิ่มขึ้นจากเครื่องจักร และเพิ่มความซับซ้อนและต้นทุน โดยเฉพาะอย่างยิ่งเนื่องจากเอาต์พุต AI มักจะดูเป็นไปได้แม้ว่าจะไม่ถูกต้องก็ตาม วรรณกรรมยังเน้นถึงความสำคัญของนโยบายองค์กรเพื่อป้องกันการรบกวนการรับรู้
3. ข้อจำกัดด้านโครงสร้างและเศรษฐกิจ
ท้ายที่สุด ข้อจำกัดทางเศรษฐกิจมหภาคยังส่งผลต่อความคาดหวังอีกด้วย Acemoglu (2024) ชี้ให้เห็นว่าแม้จะอยู่ภายใต้สมมติฐานในแง่ดี ประสิทธิภาพการผลิตโดยรวมที่ได้รับจาก AI ในทศวรรษหน้าก็มีแนวโน้มเพียงเล็กน้อย หลักฐานเบื้องต้นส่วนใหญ่มาจากงานที่ “เรียนรู้ได้ง่าย” ในขณะที่งานที่ยากขึ้นและขึ้นอยู่กับบริบทจะแสดงขอบเขตที่จำกัดมากขึ้นสำหรับระบบอัตโนมัติ
กฎระเบียบเพิ่มความขัดแย้งเพิ่มเติม ฟูโกต์ และคณะ (2025) และ Prenio (2025) สังเกตว่าการนำ AI มาใช้เป็นตัวกลางทางการเงินทำให้เกิดความเสี่ยงใหม่ๆ การกระจุกตัว การพึ่งพาโครงสร้างพื้นฐาน และความท้าทายในการกำกับดูแล ส่งผลให้หน่วยงานกำกับดูแลดำเนินการด้วยความระมัดระวัง สิ่งนี้จะเพิ่มต้นทุนการปฏิบัติตามกฎระเบียบและอาจชะลอการยอมรับทั่วทั้งอุตสาหกรรม ปัจจัยเชิงโครงสร้างเหล่านี้บ่งชี้ว่าผลกระทบของ AI อาจเพิ่มขึ้นและก่อกวนน้อยกว่าที่คิดกันโดยทั่วไป
การติดตามความก้าวหน้าของ AI
คำมั่นสัญญาของ AI นั้นเป็นจริง แต่ผลกระทบของมันจะขึ้นอยู่กับว่าอุตสาหกรรมจะบูรณาการ AI อย่างรอบคอบและมีความรับผิดชอบอย่างไร มันจะมีบทบาทสำคัญในอนาคตของอุตสาหกรรม แต่วิถีของมันมีแนวโน้มที่จะซับซ้อนมากขึ้นและขึ้นอยู่กับการดูแลมนุษย์ที่มีประสิทธิผลมากกว่าที่คาดไว้ในตอนแรก
อ้างอิง
Acemoglu, D. เศรษฐศาสตร์มหภาคอย่างง่ายของ AI สำนักงานวิจัยเศรษฐกิจแห่งชาติเอกสารการทำงาน 32487, พฤษภาคม 2567
Biancotti และคณะ Chat Bankman-Fried: การสำรวจการจัดตำแหน่ง LLM ในด้านการเงิน อาร์เอ็กซ์2024
Foucault, T, L Gambacorta, W Jiang และ X Vives (2025), Barcelona 7: ปัญญาประดิษฐ์ในด้านการเงิน, สำนักพิมพ์ CEPRปารีสและลอนดอน
คอสมีนา และคณะ Your Mind on ChatGPT: การสะสมหนี้ทางปัญญาเมื่อใช้ผู้ช่วย AI สำหรับงานเขียนเรียงความ เอ็มไอที มีเดีย แล็บมิถุนายน 2568
Le et al., อนาคตของการทำงาน: การทำความเข้าใจประสิทธิผลของการทำงานร่วมกันระหว่างพนักงานมนุษย์และพนักงานดิจิทัลในการให้บริการ วารสารวิจัยบริการเล่มที่ 28(1) 186-205, 2025
NewsGuard, Chatbots แพร่กระจายความเท็จ 35% ของเวลา, กันยายน 2025
Prenio, J. เริ่มต้นด้วยพื้นฐาน: การตรวจนับแอปพลิเคชัน Gen AI ในการกำกับดูแล ทวิมิถุนายน 2568
Tomlinson และคณะ การทำงานกับ AI: การวัดความสามารถในการประยุกต์ AI ทั่วไปกับอาชีพ การวิจัยของไมโครซอฟต์2025
Xu et al, TheAgentCompany: การเปรียบเทียบตัวแทน LLM กับงานในโลกแห่งความเป็นจริงที่ตามมา อาร์เอ็กซ์ธันวาคม 2567
Yang และคณะ ที่ปรึกษาของฉัน AI และฉัน: หลักฐานจากการทดลองภาคสนามเกี่ยวกับการทำงานร่วมกันระหว่างมนุษย์กับ AI และการตัดสินใจลงทุน อาร์เอ็กซ์มิถุนายน 2568
