La paradoxa de l'analista financer

L’automatització transforma per definició tota feina que toca. La digitalització del darrer quart del segle passat i la IA del primer d’aquest també, malgrat que profundament transformadors només són casos particulars d'automatització. Des de la fabricació fins a la medicina, passant pel dret i la creació artística, no hi ha cap disciplina que no estigui exposada als efectes de la IA, efectes que en alguns casos són augmentatius i que en d’altres són substitutius.

"No hi ha cap disciplina que no estigui exposada als efectes de la IA"

Els caixers de Decathlon i McDonald’s són avui ja màquines. En canvi, en les professions on el valor afegit és la presa de decisions, la IA té una funció augmentativa: un analista financer veu millorades les seves competències qualitativament i quantitativament en contacte amb la tecnologia. La complexitat de la seva feina i la responsabilitat de les decisions requereixen una gran capacitat intel·lectual que fa que sigui difícilment substituïble per una màquina. No obstant això, un estudi recent de la Universitat de Chicago posa de manifest que aquesta percepció podria canviar aviat: models grans de llenguatge (LLM) com GPT-4 estan demostrant ser tant o més eficaços que els analistes humans en algunes tasques. L'estudi, titulat Financial Statement Analysis with Large Language Models investiga si un LLM pot realitzar anàlisis d'estats financers de manera similar a un analista humà.

Tot i que l’estudi és rigorós, hem d’anar amb molt de compte amb les comparacions. No estem parlant d’intel·ligència artificial versus intel·ligència humana; estem parlant de competències en la realització d’algunes tasques determinades. No ens hauria d’espantar; les calculadores fa dècades que són més competents que les persones fent arrels quadrades, entre moltes altres coses. Ho dic per evitar la trampa d’humanitzar la IA. A diferència de la IA, els analistes financers humans tenen un coneixement profund del context, intuïció, pensament crític i la capacitat d'integrar informació qualitativa amb dades quantitatives. Són capaços d'interpretar la narrativa dels informes financers i tenir en compte factors externs com les condicions del mercat i les tendències econòmiques. La seva experiència i coneixement acumulat els permeten fer judicis complexos que sovint van més enllà de les xifres. També saben quan, com i a qui mentir, això és, a diferència de la IA, tenir objectius i intencionalitat.

D'altra banda, els LLM, com GPT-4, són extraordinaris en l'anàlisi ràpida de grans quantitats de dades, en la identificació de patrons i la generació d'informes detallats a partir de fonts molt diverses. L'estudi de la Universitat de Chicago demostra que GPT-4 pot superar els analistes humans en la predicció de canvis futurs en els guanys d'una empresa.

"Si els LLM poden fer la feina dels analistes financers tan bé o millor, continuarem veient l’exercici d’aquesta professió com una mostra d'intel·ligència?"

Els resultats van ser sorprenents: malgrat no tenir accés a informació narrativa o específica de l’empresa, el LLM va superar els analistes financers en la seva capacitat de predir canvis en els guanys. En concret, mentre que els analistes humans van aconseguir una precisió del 52,71% en la predicció de guanys futurs, GPT-4 va aconseguir una precisió similar (52,33%). Però quan se li van fer les preguntes amb el mètode de Cadena de pensaments la precisió del model va augmentar a un impressionant 60,35%.

El mètode de Cadena de pensaments consisteix a estructurar els apunts —les preguntes que fem al xatbot— per tal que el model segueixi una seqüència lògica de pensament similar a la d'un analista humà: identificar canvis notables en els ítems dels estats financers, calcular ràtios financeres clau, interpretar aquestes ràtios i formar expectatives sobre els guanys futurs. És com quan el professor li demana a l’alumne de matemàtiques que li raoni cada pas de la resolució d'un problema fins a arribar al resultat final. És un mètode molt efectiu si feu servir ChatGPT.

Aquesta capacitat de la IA de realitzar tasques complexes tradicionalment associades a la intel·ligència humana ens porta a una paradoxa: si els LLM poden fer la feina dels analistes financers tan bé o millor, continuarem veient l’exercici d’aquesta professió com una mostra d'intel·ligència? JohnMcCarthy, un dels fundadors de la IA, va observar que "tan aviat com una màquina sap fer una feina, ja no la considerem intel·ligent". Aquesta afirmació, coneguda com la paradoxa de McCarthy, reflecteix el fenomen que quan una tasca esdevé automàtica gràcies a la tecnologia, deixa de ser vista com a intel·ligència artificial i passa a ser simplement una automatització més. Aquesta és també una de les raons de per què la definició d’IA és tan elusiva.

McCarthy: "Tan aviat com una màquina sap fer una feina, ja no la considerem intel·ligent"

L'estudi de la Universitat de Chicago ens obliga a reflexionar no només sobre el futur de la professió d'analista financer sinó sobre el de totes aquelles feines on la presa de decisions és un valor fonamental. Recordem que no estem parlant d’intel·ligència sinó de competències en tasques determinades. Si els LLM poden assumir moltes de les tasques que actualment considerem essencials per als analistes humans, com es redefinirà el seu paper? Continuarem valorant les seves habilitats úniques de raonament i intuïció, o arribarem al punt en què l’analista financer passi a competir per la feina amb l’ex-caixer del Decathlon?