Ερωτήσεις που ακούγονται όλο και συχνότερα: «Ποια μετοχή να αγοράσω;» «Πώς επιδρούν οι τιμές του πετρελαίου στις μετοχές τεχνολογίας;» «Μπορείς να μου φτιάξεις ένα πλάνο επενδύσεων με χαμηλό ρίσκο;» και άλλες παρόμοιες. Μόνο που πλέον δεν απευθύνονται σε έναν χρηματιστή, έναν αναλυτή ή έναν έμπειρο φίλο, αλλά στο ChatGPT, στο Gemini, στο Claude, στο Grok ή σε κάποιο εξειδικευμένο εργαλείο τεχνητής νοημοσύνης. Όλα φαίνονται εξαιρετικά ελκυστικά. Ένα σύστημα ΤΝ που μπορεί να διαβάσει σε λίγα δευτερόλεπτα οικονομικές καταστάσεις, εταιρικές ανακοινώσεις, πρακτικά τηλεδιασκέψεων, ειδήσεις και ιστορικές τιμές, μοιάζει να διαθέτει όλα όσα χρειάζεται για να εντοπίσει την επόμενη μεγάλη ευκαιρία. Ιδίως για τον ιδιώτη επενδυτή, ο οποίος δεν έχει ούτε τον χρόνο ούτε την υποδομή ενός μεγάλου fund, η ΤΝ φαίνεται να είναι η τέλεια λύση.
Η πραγματικότητα όμως είναι πολύ πιο σύνθετη. Η ΤΝ μπορεί πράγματι να κάνει την επενδυτική έρευνα ταχύτερη και πιο συστηματική. Δεν γνωρίζει, όμως, το μέλλον. Μπορεί να χρησιμοποιεί λανθασμένα ή παρωχημένα δεδομένα, να επινοεί πηγές, να συγχέει γεγονότα και να παρουσιάζει μια αδύναμη εκτίμηση με τον τόνο απόλυτης βεβαιότητας. Και όσο περισσότεροι επενδυτές βασίζονται σε παρόμοια μοντέλα, τόσο αυξάνεται ο κίνδυνος να καταλήγουν όλοι μαζί στην ίδια συναλλαγή την ίδια στιγμή.
Το κρίσιμο ερώτημα, επομένως, δεν είναι αν πρέπει να «εμπιστευτούμε» την ΤΝ αλλά να καταλάβουμε πως λειτουργεί και να καθορίσουμε ποιες εργασίες μπορούμε να της αναθέσουμε και πώς θα ελέγχουμε τις προτάσεις της.
Τι μπορεί να προσφέρει πραγματικά η τεχνητή νοημοσύνη
Η μεγαλύτερη δύναμη της ΤΝ δεν είναι η πρόβλεψη της αυριανής τιμής μιας μετοχής. Είναι η ικανότητά της να επεξεργάζεται περισσότερη πληροφορία, πολύ γρηγορότερα και ίσως και πιο συστηματικά από έναν άνθρωπο. Ένας αναλυτής μπορεί να χρησιμοποιήσει την ΤΝ για να συγκρίνει τις οικονομικές επιδόσεις δεκάδων εταιρειών, να εντοπίσει μεταβολές στα περιθώρια κέρδους, να αναζητήσει ασυνήθιστες διατυπώσεις σε ανακοινώσεις αποτελεσμάτων ή να εξετάσει πώς άλλαξε ο τόνος της διοίκησης από τρίμηνο σε τρίμηνο. Μπορεί επίσης να ζητήσει διαφορετικά σενάρια για επιτόκια, πληθωρισμό, συναλλαγματικές ισοτιμίες ή τιμές πρώτων υλών και να δει ποιες επιχειρήσεις εμφανίζονται περισσότερο ευάλωτες.
Τα εργαλεία επεξεργασίας φυσικής γλώσσας μπορούν να αναλύσουν τις ενημερώσεις των εταιρειών και την ειδησεογραφική ροή και να αναζητήσουν σχέσεις ανάμεσα σε εκατοντάδες μεταβλητές. Μπορούν επίσης να χρησιμοποιηθούν για την αξιολόγηση του πιστωτικού κινδύνου, τη βελτιστοποίηση συναλλαγών ή την παρακολούθηση ενός χαρτοφυλακίου σε πραγματικό χρόνο. Η ΤΝ μπορεί ακόμη να λειτουργήσει και ως «αντίλογος». Αντί να της ζητηθεί απλώς να επιβεβαιώσει αν μια μετοχή είναι ελκυστική, μπορεί να της ζητηθεί να καταρρίψει το επενδυτικό σενάριο, να εντοπίσει ρίσκα ή να εξηγήσει ποιες παραδοχές πρέπει να ισχύσουν για να δικαιολογείται η αποτίμηση, περιορίζοντας την υπερβολική αυτοπεποίθηση ενός επενδυτή.
Αυτός είναι και ο λόγος για τον οποίο οι περισσότεροι επαγγελματίες δεν αντιμετωπίζουν σήμερα την ΤΝ ως αυτόνομο διαχειριστή, αλλά ως «συνεργάτη – συγκυβερνήτη» χρησιμοποιώντας τη διατύπωση «ενδυνάμωση και όχι αυτοματισμός (augmentation, not automation)» για να τονίσουν τη χρήση της ΤΝ για ενίσχυση των ανθρώπινων δυνατοτήτων και όχι για άκριτη αυτοματοποίηση στη λήψη αποφάσεων.
Οι μεγάλες ευκαιρίες: Πώς η ΤΝ αλλάζει τους κανόνες του παιχνιδιού
Η ενσωμάτωση της ΤΝ στις αγορές προσφέρει ουσιαστικά εργαλεία που μέχρι πριν λίγα χρόνια ήταν διαθέσιμα μόνο σε θεσμικούς κολοσσούς. Σήμερα ο κάθε επενδυτής αποκτά τη δυνατότητα να εξάγει συμπεράσματα που παλιότερα απαιτούσαν πολλές ώρες προσωπικής εργασίας ή πολυμελείς ομάδες αναλυτών. Επιπρόσθετα παίρνει συμβουλές από αλγορίθμους, οι οποίοι κάνουν υπολογισμούς που βασίζονται σε δεδομένα και κανόνες στρατηγικής, περιορίζοντας τις συναισθηματικές παρορμήσεις, την ψυχολογία του φόβου της απώλειας και του πανικού στις διακυμάνσεις των τιμών.
Μπορεί η ΤΝ να αντιλαμβάνεται τις αγορές; Το εντυπωσιακό πείραμα του Stanford
Μία από τις πιο πολυσυζητημένες ενδείξεις για τις δυνατότητες της TN προήλθε από ερευνητές του Stanford. Δημιούργησαν έναν αναλυτή ΤΝ (AI analyst) που χρησιμοποίησε αποκλειστικά δημόσιες πληροφορίες και επιχείρησε να βελτιώσει, τα χαρτοφυλάκια περίπου 3.300 ενεργά διαχειριζόμενων αμερικανικών μετοχικών funds. Σύμφωνα με την παρουσίαση της έρευνας, οι αλλαγές του πρότεινε η ΤΝ είχαν κατά μέσο όρο πολύ μεγαλύτερη απόδοση, από εκείνη που είχαν πετύχει οι άνθρωποι διαχειριστές. Το εύρημα ήταν εντυπωσιακό, αλλά χρειάζεται τη σωστή ανάγνωση. Πρόκειται για αναδρομικό έλεγχο (backtest) και όχι για πραγματικό χαρτοφυλάκιο που επένδυσε χρήματα σε ζωντανές αγορές. Η σημαντικότερη διαπίστωση του πειράματος είναι η εντυπωσιακή δυνατότητα της ΤΝ να αξιοποιήσει τις δημόσιες πληροφορίες, όχι επειδή είναι κρυφές, αλλά επειδή είναι δαπανηρό και χρονοβόρο να αναλυθούν από ανθρώπους. Η ΤΝ μειώνει ακριβώς αυτό το κόστος επεξεργασίας.
Υπάρχει όμως και ένα πρόβλημα. Aν ένας επενδυτής διαθέτει ένα αποτελεσματικό εργαλείο ΤΝ, μπορεί να αποκτήσει σημαντικό πλεονέκτημα. Αν όμως το ίδιο εργαλείο ή παρόμοια εργαλεία χρησιμοποιούνται από μεγάλο μέρος της αγοράς που έχει πρόσβαση στις ίδιες δημόσιες πληροφορίες, το πλεονέκτημα τείνει να εξαφανιστεί. Οι τιμές προσαρμόζονται, οι ευκαιρίες κλείνουν όταν το «έξυπνο σήμα» γίνεται γνωστό σε πολλούς.
Μεγάλη συζήτηση, ακόμη περιορισμένη υιοθέτηση
Παρά τον θόρυβο, η επίσημη χρήση της ΤΝ ως βασικού συστατικού επενδυτικών στρατηγικών παραμένει περιορισμένη. Ανάλυση της ευρωπαϊκής εποπτικής αρχής ESMA έδειξε ότι ελάχιστα ευρωπαϊκά επενδυτικά κεφάλαια δηλώνουν ρητά πως χρησιμοποιούν ΤΝ στη στρατηγική τους. Αυτό δεν σημαίνει ότι οι διαχειριστές αγνοούν την τεχνολογία. Πολλοί τη χρησιμοποιούν στο παρασκήνιο. Άλλο, όμως, είναι να χρησιμοποιεί ένας αναλυτής ένα μοντέλο για να συνοψίσει μια έκθεση και άλλο να έχει αναθέσει σε έναν αλγόριθμο να αγοράζει και να πουλά χωρίς ουσιαστικό ανθρώπινο έλεγχο.
Η απόσταση μεταξύ πειραματισμού και μετρήσιμης αξίας φαίνεται και σε έρευνα της EY σε εταιρείες διαχείρισης περιουσίας (wealth και asset management). Η μεγάλη πλειονότητα είχε επεκτείνει τη ΤΝ σε πολλαπλές εφαρμογές και πολλοί οργανισμοί εξέταζαν ήδη συστήματα τη χρήση πρακτορικής ΤΝ (agentic AI) ώστε να μπορούν να εκτελούν ακολουθίες ενεργειών και όχι μόνο να απαντούν σε ερωτήσεις. Ωστόσο, μόλις λίγο περισσότερο από το ένα τέταρτο των συμμετεχόντων ανέφερε κάποιο ουσιαστικό επιχειρηματικό αντίκτυπο.
Οι περισσότεροι όμως ερευνητές συμφώνησαν ότι τα πρώτα σαφή οφέλη εμφανίζονται στις ώρες εργασίας που εξοικονομούνται στις αναλύσεις και τους ελέγχους παρά στις προτάσεις της ΤΝ για υψηλότερες αποδόσεις. Εξ άλλου ένα χαρακτηριστικό επιχείρημα είναι το εξής: αν μια startup προσφέρει ένα εργαλείο ΤΝ που ισχυρίζεται ότι κερδίζει την αγορά, αν λειτουργεί, γιατί το πουλάει αντί να το εκμεταλλευτεί η ίδια;
Η μεγάλη παγίδα των παραισθήσεων (hallucinations)
Τα μεγάλα γλωσσικά μοντέλα δεν σκέφτονται ούτε κατανοούν την αλήθεια. Αντίθετα, παράγουν πληροφορίες προβλέποντας ποια λέξη πρέπει να ακολουθήσει στα κείμενα που παράγουν με βάση τις πιθανότητες από τα δεδομένα της εκπαίδευσής τους. Αυτό όμως έχει σαν αποτέλεσμα, όταν δεν μπορούν να βρουν τις σωστές πληροφορίες που τους έχουν ζητηθεί, να κατασκευάζουν πειστικές αλλά εντελώς ψευδείς πληροφορίες π.χ. επινοώντας έναν αριθμό, μια ημερομηνία ή μια ανύπαρκτη πηγή. Στις επενδύσεις όμως, ένα τέτοιο λάθος μπορεί να είναι μοιραίο. Ένα chatbot για παράδειγμα μπορεί να μπερδέψει το οικονομικό έτος, να χρησιμοποιήσει παλαιότερη τιμή μετοχής, ή να αποδώσει στη διοίκηση μια δήλωση που δεν έγινε ποτέ. Το πιο επικίνδυνο στοιχείο όμως είναι ότι η λανθασμένη πληροφορία μπορεί να διατυπωθεί με την ίδια αυτοπεποίθηση όπως η σωστή. Έτσι για κάθε κρίσιμο μέγεθος (όπως π.χ. έσοδα, κέρδη, ταμειακές ροές κλπ.) πρέπει να ζητούνται οι πηγές και να επαληθεύονται με πρωτογενή έγγραφα, όπως π.χ. οι επίσημες οικονομικές καταστάσεις.
Τα δεδομένα του παρελθόντος μπορούν να προβλέψουν το μέλλον;
Ένα μοντέλο εκπαιδεύεται κυρίως από δεδομένα του παρελθόντος. Αυτό είναι χρήσιμο όταν τα μοτίβα παραμένουν σχετικά σταθερά, αλλά είναι πολύ επικίνδυνο όταν το καθεστώς της αγοράς αλλάζει. Μια στρατηγική που λειτούργησε σε περίοδο χαμηλών επιτοκίων για παράδειγμα μπορεί να αποτύχει όταν το κόστος χρήματος αυξάνεται. Ένα μοντέλο που έμαθε ότι οι πτώσεις αγοράζονται γρήγορα μπορεί να βρεθεί απροετοίμαστο μπροστά σε μια παρατεταμένη πτωτική αγορά. Γεωπολιτικές ανατροπές, πανδημίες και ρυθμιστικές παρεμβάσεις δεν επαναλαμβάνονται πάντοτε με τρόπο που να χωρά σε ένα ιστορικό μοτίβο.
Εδώ βρίσκεται τα σημαντικότερα πλεονεκτήματα και μειονεκτήματα της ανθρώπινης κρίσης. Ο άνθρωπος μπορεί να αντιληφθεί ότι «αυτή τη φορά κάτι έχει αλλάξει», ακόμη κι αν δεν μπορεί να την ποσοτικοποιήσει αμέσως. Από την άλλη όμως, ο άνθρωπος επηρεάζεται από φόβο, απληστία, προσωπικές πεποιθήσεις και εμπειρίες. Επομένως ούτε ο αλγόριθμος ούτε ο άνθρωπος είναι αλάνθαστοι, απλά τα υπέρ και τα κατά τους είναι διαφορετικά.
Ο κίνδυνος της αυτονομίας που μπορεί να ενισχύσει τη συμπεριφορά της αγέλης
Η ευρεία διάδοση της ΤΝ δημιουργεί και έναν συστημικό κίνδυνο. Πολλά χρηματοπιστωτικά ιδρύματα μπορεί να βασίζονται στους ίδιους παρόχους ΤΝ που έχουν εκπαιδευτεί στα ίδια σύνολα δεδομένων. Αν τα συστήματα εντοπίσουν ταυτόχρονα το ίδιο αρνητικό σήμα, μπορεί να προτείνουν σε πολλούς επενδυτές την ίδια θέση. Έτσι, ένα εργαλείο που σχεδιάστηκε για καλύτερη διαχείριση κινδύνου μπορεί, σε ακραίες συνθήκες, να ενισχύσει τη συμπεριφορά της αγέλης (herding) και τη μεταβλητότητα. Το πρόβλημα γίνεται μεγαλύτερο με τα πρακτορικά συστήματα ΤΝ (agentic AI) που μπορούν αυτόνομα να αλλάζουν παραμέτρους και να εκτελούν μια αλυσίδα ενεργειών που δυσκολεύουν τις εγκρίσεις και τις δυνατότητες άμεσης διακοπής.
Ποιος ευθύνεται όταν ο αλγόριθμος κάνει λάθος;
Για τον ιδιώτη επενδυτή, η απάντηση είναι απλή: ο ίδιος. Η ΤΝ δεν γνωρίζει αναγκαστικά το εισόδημα, τις υποχρεώσεις, τον χρονικό ορίζοντα, τη φορολογική κατάσταση ή την πραγματική ανοχή κινδύνου του χρήστη. Ακόμη και όταν γνωρίζει αυτές τις πληροφορίες, δεν λειτουργεί ως αδειοδοτημένος επενδυτικός σύμβουλος φέροντας την ευθύνη των επιλογών της. Για τις επενδυτικές εταιρείες, το ζήτημα είναι πιο σύνθετο. Πρέπει να μπορούν να εξηγήσουν πώς χρησιμοποιήθηκε το μοντέλο, με ποια δεδομένα, πως προέκυψε η απόφαση, ποιοι έλεγχοι εφαρμόστηκαν και ποιος άνθρωπος είχε την τελική αρμοδιότητα. Η εξηγησιμότητα είναι ιδιαίτερα απαραίτητη καθώς αν κανείς δεν μπορεί να κατανοήσει γιατί η ΤΝ θεωρεί μια μετοχή ελκυστική ή επικίνδυνη, τότε είναι δύσκολο και να αξιολογήσει αν το αποτέλεσμα στηρίζεται σε λογική ή σε παραίσθηση.
Επένδυση με ΤΝ δεν σημαίνει επένδυση σε ΤΝ
Στη δημόσια συζήτηση συγχέονται συχνά δύο διαφορετικά θέματα. Το πρώτο είναι η χρήση ΤΝ για την επιλογή και διαχείριση επενδύσεων. Το δεύτερο είναι η αγορά μετοχών εταιρειών που θεωρούνται ωφελημένες από την ανάπτυξη της ΤΝ. Η ιστορία των αγορών δείχνει ότι μια τεχνολογία μπορεί να αλλάξει τον κόσμο και ταυτόχρονα πολλοί επενδυτές να χάσουν χρήματα στις εταιρείες που συνδέθηκαν μαζί της. Το Διαδίκτυο αποτελεί χαρακτηριστικό παράδειγμα: η επανάσταση ήταν πραγματική, αλλά αυτό δεν δικαιολόγησε όλες τις αποτιμήσεις της περιόδου των dot-com. Σήμερα, η συζήτηση για τις μετοχές ΤΝ περιστρέφεται όλο και περισσότερο γύρω από τις κεφαλαιουχικές δαπάνες, τις ταμειακές ροές και την απόδοση των επενδύσεων. Οι κατασκευαστές ημιαγωγών, οι πάροχοι δικτύων, τα data centers και οι εταιρείες ενέργειας μπορεί να ωφελούνται από την ανάπτυξη υποδομών, αλλά ο ανταγωνισμός και οι υψηλές προσδοκίες παραμένουν σημαντικοί κίνδυνοι.
Επίσης μην ξεχνάμε και την έννοια της προκατάληψης (bias) που έχει από τη φύση της η ΤΝ. Όλα σχεδόν τα μοντέλα που κλήθηκαν να φτιάξουν χαρτοφυλάκια, κατέληξαν σε σημαντική συγκέντρωση σε μεγάλες τεχνολογικές εταιρείες (π.χ. Nvidia).
Οι προκαταλήψεις και οι διαφοροποιήσεις της ΤΝ. Η μεροληψία στις συμβουλές
Μια μελέτη που δημοσιεύθηκε στο Journal of Financial Planning έφερε στο φως μια ακόμη πιο ανησυχητική διάσταση. Επτά δημοφιλείς πλατφόρμες GenAI (ChatGPT, Claude, Copilot, DeepSeek, Gemini, Meta AI, Perplexity) κλήθηκαν να δώσουν συμβουλές σε τρία οικονομικά σενάρια. Τα αποτελέσματα έδειξαν σημαντικές αποκλίσεις από μοντέλο σε μοντέλο όπως:
- Στις συστάσεις για αποταμίευση έκτακτης ανάγκης που κυμαίνονταν από $19.500 έως $37.500
- Στις συμβουλές για συνταξιοδότηση
- Στις κατανομές μετοχών, μετρητών και εναλλακτικών περιουσιακών στοιχείων
- Στα ποσοστά σε μετοχές και μετρητά ανάλογα με τις δημογραφικές ομάδες (π.χ. για νοικοκυριά με λευκό άνδρα ή γυναίκα επικεφαλής, σε σύγκριση με νοικοκυριά με Αφροαμερικανό άνδρα ή γυναίκα επικεφαλής) υποδεικνύοντας πιθανή μεροληψία.
Οι ερευνητές εξηγώντας τα αποτελέσματα της έρευνας τόνισαν ότι τα μοντέλα ΤΝ “δεν σκέφτονται και δεν κατανοούν” πραγματικά τις πληροφορίες που παράγουν. Τόνισαν όμως ότι προσφέρουν καλές γενικές συμβουλές: π.χ. για την αποταμίευση, τη διαφοροποίηση των επενδύσεων και τη μείωση του ρίσκου με την ηλικία . Η ποιότητα των συμβουλών, ωστόσο, εξαρτάται σημαντικά τόσο από το μοντέλο όσο και από τον τρόπο διατύπωσης της ερώτησης.
Οδηγός επιβίωσης για τον ιδιώτη επενδυτή
Γνωρίζοντας τα παραπάνω, αν θέλετε να εντάξετε την ΤΝ στην επενδυτική σας στρατηγική χωρίς να ρισκάρετε τα κεφάλαιά σας, ακολουθήστε αυτούς τους βασικούς κανόνες:
- Χρησιμοποιήστε την ΤΝ για Έρευνα (π.χ. να συγκρίνει τους ισολογισμούς δύο εταιρειών και όχι για Συμβουλές του τύπου «ποια μετοχή να αγοράσω σήμερα».
- Διασταυρώνετε Πάντα τα Δεδομένα (Fact-Checking) με τις επίσημες οικονομικές εκθέσεις ή με έγκυρες οικονομικές πλατφόρμες.
- Διατηρήστε τον Έλεγχο της Διαχείρισης Κινδύνου καθορίζοντας εκ των προτέρων τα όρια ζημιάς (stop-loss) και τη διαφοροποίηση του χαρτοφυλακίου σας. Μην αφήνετε κανέναν αλγόριθμο να ξεπεράσει το προφίλ ρίσκου που αντέχετε.
- Προσοχή στα Ιδιοκτησιακά Δεδομένα: Η αξία της πληροφορίας έγκειται στην αποκλειστικότητά της. Ό,τι γνωρίζει ένα δημόσιο μοντέλο ΤΝ, το γνωρίζει ήδη σχεδόν ολόκληρη η αγορά και συνεπώς δεν προσφέρει επενδυτικό πλεονέκτημα.
Πώς ένας επενδυτής μπορεί να χρησιμοποιήσει πρακτικά την ΤΝ
Η ασφαλέστερη προσέγγιση είναι να χρησιμοποιείται η ΤΝ ως εργαλείο έρευνας και ελέγχου, και όχι ως αυτόματο πιλότο. Μερικές πρακτικές χρήσεις είναι οι ακόλουθες:
- Περίληψη οικονομικών καταστάσεων, με υποχρεωτική επαλήθευση των αριθμών στο πρωτογενές έγγραφο.
- Σύγκριση επιχειρηματικών μοντέλων, περιθωρίων κέρδους, χρέους και ταμειακών ροών εταιρειών του ίδιου κλάδου.
- Δημιουργία αισιόδοξου, βασικού και δυσμενούς σεναρίου για μια επένδυση.
- Αναζήτηση επιχειρημάτων εναντίον μιας επενδυτικής θέσης
- Κατάρτιση λίστας ερωτήσεων που χρειάζονται περαιτέρω έρευνα.
- Έλεγχος της συγκέντρωσης ενός χαρτοφυλακίου ανά εταιρεία, κλάδο, χώρα ή παράγοντα κινδύνου.
- Επεξήγηση σύνθετων χρηματοοικονομικών όρων σε απλή γλώσσα
Είναι εξαιρετικά επικίνδυνο να δίνεται σε ένα εργαλείο ΤΝ ένα χρηματικό ποσό και να ακολουθείται αυτούσια η λίστα μετοχών που θα προτείνει. Η απάντηση μπορεί να επηρεάζεται από τη διατύπωση της ερώτησης, να μην περιλαμβάνει ενημερωμένα δεδομένα και να μην λαμβάνει υπόψη τη συνολική οικονομική κατάσταση του επενδυτή.
Ερωτήσεις ελέγχου στις προτάσεις της ΤΝ
Πριν χρησιμοποιηθεί οποιοδήποτε μοντέλο ΤΝ για πραγματική επενδυτική απόφαση, αξίζει να προηγούνται οι παρακάτω απλοί έλεγχοι:
- Ρωτήστε την τρέχουσα τιμή μιας μετοχής που ξέρετε. Λάθος ή παλιά τιμή; Κόκκινο.
- Ζητήστε τα τελευταία τριμηνιαία έσοδα μιας γνωστής σας εταιρείας. Επαληθεύστε με τα πραγματικά.
- Από ποια ημερομηνία και από πού προέρχονται τα δεδομένα;
- Μπορούν οι αριθμοί και οι δηλώσεις να επιβεβαιωθούν σε πρωτογενείς πηγές;
- Ποιες βασικές παραδοχές κρύβονται πίσω από την επενδυτική πρόταση; Δεν υπάρχει επεξήγηση; Κόκκινο
- Έχουν υπολογιστεί κόστη συναλλαγών, φόροι, και συναλλαγματικοί κίνδυνοι;
- Ζητήστε να αλλάζει την πρόταση σε ένα δυσμενές σενάριο
- Ταιριάζει η επιλογή στον χρονικό ορίζοντα και στην ανοχή κινδύνου του επενδυτή;
Αν δεν υπάρχουν ικανοποιητικές απαντήσεις, φαίνεται ότι δεν υπάρχει επαρκής βάση για υιοθέτηση των προτάσεων της ΤΝ, ανεξάρτητα από το πόσο πειστική είναι.
Ο άνθρωπος δεν πρέπει να βγαίνει ποτέ έξω από την εξίσωση
Η ΤΝ πιθανότατα δεν θα αντικαταστήσει ποτέ τους επενδυτές. Θα αλλάξει, όμως, τι σημαίνει να είναι κάποιος καλός επενδυτής ή καλός αναλυτής. Η απλή συλλογή πληροφοριών χάνει μέρος της αξίας της, ενώ αυξάνεται η σημασία της κρίσης, της διατύπωσης σωστών ερωτημάτων, του ελέγχου των πηγών και της διαχείρισης κινδύνου.
Οι ισχυρότερες ομάδες ενδέχεται να μην είναι ούτε εκείνες που εμπιστεύονται τυφλά την ΤΝ ούτε εκείνες που την απορρίπτουν εξ αρχής. Φαίνεται ότι θα πλεονεκτούν αυτοί που γνωρίζουν πότε να αξιοποιούν την ταχύτητα της μηχανής και πότε να πατούν φρένο.
Η υπερβολική εξάρτηση από την ΤΝ έχει και ένα λιγότερο ορατό κόστος: μπορεί να αποδυναμώσει τις δεξιότητες των ανθρώπων. Αν ένας νέος αναλυτής δεν μάθει ποτέ να κατασκευάζει μια αποτίμηση, να διαβάζει μια οικονομική κατάσταση ή να αμφισβητεί ένα επενδυτικό αφήγημα, δεν θα είναι σε θέση να καταλάβει πότε η ΤΝ κάνει λάθος. Η ανθρώπινη εποπτεία έχει αξία μόνο όταν ο άνθρωπος διαθέτει τις γνώσεις και την ανεξαρτησία για να διαφωνήσει.
Τελικά, μπορεί ένας επενδυτής να εμπιστευτεί την ΤΝ;
Ναι, αλλά μόνο για συγκεκριμένες εργασίες και υπό συγκεκριμένους όρους. Μπορεί να εμπιστευτεί την ΤΝ για να οργανώσει πληροφορίες, να συγκρίνει σενάρια, να βρει ερωτήματα που δεν είχε σκεφτεί και να εξετάσει περισσότερα δεδομένα. Δεν πρέπει όμως να την εμπιστευτεί ως αλάνθαστο σύμβουλο που γνωρίζει ποια μετοχή θα ανέβει.
Η ΤΝ κάνει εξαιρετική δουλειά στο να σας κάνει πιο πειθαρχημένους, φορολογικά αποδοτικούς και συνεπείς επενδυτές. Όμως η ΤΝ κάνει κακή δουλειά στο να προβλέπει την αγορά, να διαβάζει συναισθήματα και να εντοπίζει την επόμενη μετοχή-διαμάντι.
Η ΤΝ δεν εξαφανίζει την αβεβαιότητα των αγορών. Την επεξεργάζεται και την παρουσιάζει με νέο τρόπο. Η σωστή σχέση με την ΤΝ δεν είναι σχέση πίστης, αλλά ελεγχόμενης εμπιστοσύνης. Στις επενδύσεις, άλλωστε, η πιο επικίνδυνη απάντηση δεν είναι πάντα η λανθασμένη. Είναι εκείνη που ακούγεται απόλυτα βέβαιη σε έναν κόσμο όπου τίποτα δεν είναι βέβαιο.
