Drtivá většina mladých Američanů využívá generativní umělou inteligenci k získávání finančních rad, přičemž 85 % z nich se těmito doporučeními skutečně řídí. Odborníci varují před neschopností algoritmů provádět přesné matematické kalkulace a upozorňují na riziko halucinací, kdy model poskytuje suverénní, avšak zcela chybné odpovědi. Tajemství úspěchu spočívá v reverzním inženýrství dotazů a zadávání striktních mantinelů, včetně požadavku, aby umělá inteligence sama definovala své nejistoty a chybějící data.   Nástup algoritmů a iluze neomylnosti Stále více Američanů svěřuje své osobní finance do rukou umělé inteligence, přičemž kvalita získaných rad závisí primárně na jediné proměnné. Tou je schopnost uživatelů správně formulovat své instrukce, takzvané prompty. Podle Andrewa Loa, ředitele Laboratoře pro finanční inženýrství na prestižním Massachusettském technologickém institutu, se z tvorby těchto zadání stává skutečné umění a exaktní věda. Tento fenomén potvrzují i tvrdá data. Zářijový průzkum, který zastřešila společnost Intuit Inc. (INTU) prostřednictvím své platformy Credit Karma, oslovil přes tisícovku dospělých a přinesl fascinující zjištění. Plných 66 % Američanů, kteří mají zkušenost s generativní umělou inteligencí, ji využilo k získání finančního poradenství. U mladších generací je tento trend ještě výraznější. V demografických skupinách mileniálů a generace Z překračuje podíl uživatelů hledajících algoritmické finanční rady hranici 80 %. Zásadním zjištěním je pak fakt, že přibližně 85 % z těchto respondentů na základě obdržených doporučení skutečně jednalo a upravilo své finanční kroky. Odborníci však jedním dechem upozorňují na strukturální limity těchto technologií. Umělá inteligence exceluje v poskytování obecných přehledů o komplexních finančních tématech. Dokáže bravurně vysvětlit, proč je nezbytná diverzifikace investic, nebo analyzovat situace, kdy jsou burzovně obchodované fondy vhodnější volbou než tradiční podílové fondy. Na druhé straně spektra však leží oblasti, kde algoritmy fatálně selhávají. Typickým příkladem je daňové plánování. Může se to zdát paradoxní, ale umělá inteligence není příliš zdatná ve zpracování čísel a provádění precizních finančních kalkulací. Zatímco obecné rady ohledně daňových odpočtů zvládne bez problémů, svěřit jí numerickou analýzu vlastních daní představuje obrovské riziko. Technologie navíc trpí takzvanými halucinacemi. Andrew Lo během své nedávné webové prezentace pro Harvardovu univerzitu zdůraznil, že velké jazykové modely mají znepokojivou tendenci odpovídat s naprostou autoritou a suverenitou i v momentech, kdy se zcela mýlí. Právě při specifických kalkulacích osobní situace je proto namístě extrémní opatrnost. Anatomie dokonalého zadání a role fiduciáře Navzdory těmto rizikům není řešením technologii zcela ignorovat. Lidé by měli umělou inteligenci pro finanční plánování využívat, klíčový je však způsob jejich interakce. Brenton Harrison, certifikovaný finanční plánovač a zakladatel virtuální poradenské firmy New Money New Problems, k tomu dodává, že i ten nejdokonalejší model na světě selže, pokud je krmen špatnými daty. Silný a efektivní prompt nesmí být příliš široký. Musí obsahovat dostatečné množství detailů, aby umělá inteligence mohla vygenerovat skutečně relevantní informace. Obyčejný dotaz na to, jak by měl člověk odejít do důchodu, je podle expertů z MIT naprosto bezcenný. Je to ukázkový příklad pravidla, že špatný vstup zákonitě generuje špatný výstup. Mnohem sofistikovanější přístup vyžaduje komplexní definici rolí a parametrů. Uživatel by měl programu nařídit, aby vystupoval v roli fiduciárního finančního poradce odměňovaného pouze fixním poplatkem. Tento právní rámec totiž poradce zavazuje k tomu, aby činil doporučení výhradně v nejlepším zájmu svého klienta. Do takto definovaného prostředí pak uživatel vloží své osobní cíle, finanční omezení, daňové pásmo, státní příslušnost, soupis aktiv, toleranci k riziku a časový horizont. Tímto způsobem lze komunikovat s předními modely na trhu, mezi které patří ChatGPT od OpenAI, Claude od společnosti Anthropic nebo Gemini, za nímž stojí společnost Alphabet Inc. (GOOGL) . Po zadání těchto vstupních dat by měl uživatel od algoritmu striktně vyžadovat strukturovanou odpověď. Ta by měla zahrnovat definování základní strategie, výčet klíčových předpokladů, identifikaci rizik a analýzu faktorů, které by mohly celý plán znehodnotit. Zásadním krokem je pak požadavek, aby model sám určil, jaké informace mu chybí a v čem si není jistý. Reverzní inženýrství a lidský kontext Hledání ideální odpovědi je podle profesora Loa procesem pokusů a omylů. Často připomíná spíše rozvinutou konverzaci, která může zahrnovat i více než dvacet na sebe navazujících dotazů, než uživatel získá skutečně uspokojivý a hluboký výsledek. Všechny výstupy je přitom nutné opakovaně a pečlivě ověřovat. Existuje však způsob, jak tento zdlouhavý proces pro budoucí potřeby zkrátit. Uživatelé mohou využít takzvané reverzní inženýrství promptů. V praxi to znamená položit umělé inteligenci na závěr úspěšné konverzace otázku, jak přesně měl znít původní dotaz, aby model okamžitě vygeneroval požadovanou a vyladěnou odpověď. Jakmile uživatel tuto zpětnou vazbu získá, může si ideální strukturu uložit a v budoucnu ji aplikovat na podobné finanční problémy. Tím se celá interakce stává diametrálně efektivnější. Tím však analytická práce nekončí a experti doporučují učinit ještě několik dodatečných bezpečnostních kroků. I když se odpověď zdá být dokonalá, je kriticky důležité zkoumat limity samotného algoritmu. Uživatel by se měl cíleně ptát na to, jak moc je model o svém závěru přesvědčen, jaké má pochybnosti a jaká chybějící data by mohla vést k nespolehlivým výsledkům. Tímto způsobem lze odhalit skrytou míru nejistoty, která za zdánlivě sebevědomou odpovědí stojí. Finanční plánovač Brenton Harrison rovněž striktně doporučuje nařídit programu, aby uváděl své zdroje a omezil se pouze na ty, které splňují určitá kritéria kvality. Bez tohoto požadavku má umělá inteligence tendenci prezentovat pouhé názory, což je ve světě osobních financí neakceptovatelné. Nakonec je třeba mít na paměti, že každá individuální finanční situace obsahuje obrovské množství kontextu a nuancí. Zatímco živý finanční poradce dokáže tyto jemnosti ze svého klienta postupně dostat, uživatel komunikující s algoritmem si často ani neuvědomuje, že mu tyto kritické souvislosti ve vlastním zadání chybí. Očekávat od stroje hotové doporučení je tak krokem, před kterým zkušení profesionálové důrazně varují.