AIの金融助言は詳細なプロンプトで改善するが、重要な機微を見落とすと研究で判明

出来事の日付：2026年8月1日

大規模言語モデルは、利用者をおおむね健全な貯蓄・投資習慣へと導くことができるが、その助言は質問の仕方に左右されやすく、状況が変化すると機能しなくなることがある。MITスローン経営大学院が紹介した研究で、こうした結果が示された。

研究者らは、収入、雇用、投資、税金が人の一生を通じて一般にどのように推移するかを示すモデルを作成し、金融上の意思決定を評価するための基準とした。そのうえで成人1,000人に、GPT-5.2、GPT-5.6、またはGemini 3 Flashに支出と投資の助言を求めるプロンプトを書いてもらった。研究チームは、その助言に長期にわたって繰り返し従う22歳から89歳までの人々の結果をシミュレーションした。

2組目のテストでは、年齢、就業状況、収入、口座残高などの詳細に加え、税金、社会保障、寿命、経済的リスクに関する前提を含む、構造化された学術的プロンプトを使用した。研究者らによると、モデルにこうしたより十分な背景情報を与えると助言が改善した。

シミュレーション全体を通じて、各システムは就労期の貯蓄、退職後の貯蓄の取り崩し、分散された株式ファンドの保有を一貫して勧めた。また、概して45歳以降は株式へのエクスポージャーを減らすよう推奨した。この助言に従うことで、シミュレーション上の30歳超のほぼ全員に有意な貯蓄の余裕が生まれたほか、株式市場への参加が増え、年齢に応じたリスク調整も促された。

結果は一様に良好だったわけではない。モデルは単純なルールに大きく依存し、一部の金融ショックへの対応が不十分だった。例えば失職後には、利用可能な貯蓄がある場合でも、過度に厳しい支出削減を勧めることがあった。また、ポートフォリオを積極的にリバランスせず、構成のずれを放置していた。

結果は、利用者の性別、金融リテラシー、AIの使用経験によって異なった。男性、金融知識が豊富な人、AIの使用経験がある人が書いたプロンプトでは、シミュレーション上、退職間近の資産が約5％多くなった。性別による差について、研究者らは、その格差のおよそ3分の2をプロンプトの文言の違いに、3分の1を、それ以外は同一のプロンプトに女性からのものというラベルが付けられた際にモデルが回答を変えたことに起因するとした。

これらの知見は、チャットボットが規制対象となる個別化された金融助言の代替になることを立証するものではない。結果は、長年にわたり観察された家計の実績ではなく、選定された前提に基づくシミュレーションから得られたものだ。失業、ポートフォリオ管理、人口統計上の差異をめぐるモデルの弱点も、一般的な助言が重大な結果を伴い得る意思決定に関係している。

それでもこの研究は、有用な回答に必要な情報をシステムが収集できれば、AIが基本的な金融助言へのアクセスを広げられる可能性を示している。MITスローンの助教授で共著者のタハ・チョウクマネ氏は、金融の専門知識がなく、技術的に完全なプロンプトの作り方を知らない人々にも、こうした助言が役立つようにすることが中心的な設計課題だと説明した。