人工智能提供的理财建议靠谱么？
你会信任大语言模型来协助规划你的财务未来吗？许多美国人已经在这样做了。在2025年的一项调查中，超过半数的受访者表示曾向人工智能寻求财务建议。相比之下，只有约40%的人曾咨询过人类理财顾问。这表明，当生成式人工智能谈论财务问题时，人们愿意听取其意见。
斯坦福商学院金融学助理教授Tim de Silva对美国人可以如此迅速地接纳生成式人工智能作为投资工具感到印象深刻。“过去几十年里，人们获取财务建议的方式经历了许多创新。” 他说道，并列举了robo-advisors作为例子，“但人工智能是第一个真正让人们迅速且成规模地开始采用的新工具。”
对于那些无力负担专业理财顾问服务的人来说，人工智能有望让财务建议变得触手可及。不过，它提供的财务建议到底怎么样呢？
在一篇新论文中，de Silva与来自麻省理工学院斯隆管理学院的Taha Choukhmane、Matthew Akuzawa及Weidong Lin合作，对人工智能生成的财务建议质量进行了评估与分析。研究团队发现，尽管大语言模型通常能提供良好的长期建议，但其建议质量会因用户编写的提示词不同而存在显著差异。
“人工智能似乎正在引导人们朝着正确的方向前进。” 身为斯坦福以人为本人工智能研究院（HAI）教职成员的de Silva表示，“它虽不完美，但仍然优于许多人通常的决策方式，比如咨询亲友或进行简单的网络搜索。这一点不应被视为理所当然：大语言模型能提供优质财务建议并非显而易见的事，因为它们的训练方式与这一目标并无直接关联。”
de Silva及其同事邀请了1000名参与者，针对如何向大语言模型寻求财务建议编写了三类提示词：第一类描述个人财务状况，第二类针对消费与储蓄寻求建议，第三类则是涉及不同资产类别的投资建议。约半数参与者表示，他们近期曾利用人工智能获取财务建议或相关信息。
给“虚拟人”的切实建议
研究人员利用这些由真人生成的提示词，对“虚拟人”进行了模拟实验，让这些虚拟角色经历劳动力市场和资产市场的波动，包括失业、股市暴跌甚至死亡。研究人员分别向ChatGPT 5.2和Gemini 3 Flash输入了由真人撰写的提示词，并评估了遵循这些大语言模型给出的财务建议会对虚拟角色一生的财务状况产生何种影响。
研究发现，大语言模型引导虚拟角色养成了经济学家长期推崇、但现实中鲜有人真正践行的明智理财习惯：在工作期间减少开支，积累“缓冲储蓄”以应对困境，投资股市，并在晚年逐渐将储蓄从股票转向更安全的投资标的。这些结果与现实中观察到的个人行为截然不同。例如，大多数30岁以上的模拟用户都积累了可观的储蓄，许多人在退休时拥有超过100万美元的资产。相比之下，在撰写指令的真人中，约有40%的人储蓄不足1万美元。
在许多情况下，人工智能提供的建议都超出了用户的询问范围。比如，尽管只有6%的用户提到了流动性问题，但83%的回复中都涉及了这一内容。同样，虽然只有20%的人询问关于储蓄的事宜，但人工智能生成的财务建议始终倾向于推荐更稳妥的选项，如高收益储蓄账户和政府债券。
总体而言，这些结果表明人工智能可以作为传统理财咨询的一种低成本替代方案。“它在遵循通用理财原则方面表现出色。” de Silva说道，并指出了模型在建议储蓄方面的倾向性，“考虑到模型阅读的大量文本都在描述大多数人储蓄不足的现状，这种倾向也就不足为奇了。”
人工智能似乎正在引导人们朝着正确的方向前进。它虽不完美，但优于许多人实际做决策的方式。
– Tim de Silva
不过，在提供财务建议方面，人工智能仍有很大的改进空间。当用户遭遇突然性的收入减少，比如失业时，大语言模型难以适时调整其支出，往往只是被动地改变投资组合，而非主动进行再平衡。另外，这些模型建议的退休储蓄支取速度常常过于缓慢，往往遵循诸如许多理财顾问所推荐的3%至4%“安全取款率”之类的经验法则。
该研究的一个关键发现是，模型所提供建议的质量取决于用户所提问题的质量。金融素养较低的用户在撰写提示词时，提供的财务状况信息较少，导致获得的建议个性化程度较低。遵循这些建议使得模拟用户在60岁时的资产减少了近5万美元。缺乏人工智能的使用经验也会拉大这一差距：初次接触基于大语言模型理财建议的用户，其最终资产状况比经验丰富的用户少近10万美元。
提出恰当的问题
De Silva的团队还发现，男性和女性在向人工智能发出指令的方式以及由此获得的财务建议方面存在性别差异。女性会更频繁地使用“家庭”、“日用杂货”、“信贷”和“贷款”等词汇。这导致人工智能给出的建议侧重于将更多资金保留在流动性更强或更安全的资产中，并为家庭开支建立应急储备金。男性则更倾向于提及“投资组合”、“股票”、“策略”和“加密货币”等词汇，从而促使人工智能给出更为激进的投资建议。总体而言，女性获得的建议会导致她们在退休时的总资产比男性少近6万美元。
通常情况下，人工智能模型并不知道用户的性别。然而，即便男性和女性输入的提示词完全相同，人工智能向女性推荐的股票配置比例依然较低。研究人员表示，很难判断这究竟反映了人工智能训练数据中固有的偏见，还是基于女性预期寿命更长或风险厌恶程度更高的合理假设。
“提问的方式至关重要。” de Silva说道，“如今模型已经变得更加智能，即便你提出的问题不够恰当，它们仍能引导你走向正确的方向。但它们并不总是能完全做到这一点。”
即便用户并未主动要求，人工智能模型也经常推荐特定的金融产品，例如Vanguard或Fidelity的指数基金。de Silva认为这些建议本身是合理的，但他也指出了其中潜在的利益冲突。“这些模型的设计者很清楚，许多人正利用这些工具获取财务建议。” 他说，“因此，他们可能会有动力诱导用户购买特定产品。”
总的来说，研究结果让de Silva对生成式人工智能作为财务咨询工具的快速普及感到更加放心。大语言模型短期内不会完全取代人类理财顾问，尤其是对于富裕人群而言，但它们能为那些无力负担正规理财咨询服务的人群提供帮助。
de Silva很关注人们最终如何将从人工智能那里获得的建议付诸实践。不过，他首先希望看到人们具备基本的金融素养，以便能向大语言模型提出更高质量的问题。“因为只有这样，你才能真正发挥这一工具的强大效用。” 他说。
