Люди уже спрашивают чатботов о деньгах. Не в будущем, не в лаборатории, а прямо сейчас: бюджет, долги, инвестиции, пенсия, налоги, кредитки, страхование.

Пользователь проверяет личные финансы с AI assistant, бюджетом, портфелем и safety checks

Новое исследование MIT Sloan делает эту привычку сложнее игнорировать. Авторы working paper "AI Financial Advice: Supply, Demand, and Life Cycle Implications" собрали prompts от 1,000 взрослых пользователей в США и смоделировали, что могло бы происходить на протяжении жизни, если следовать советам LLM. Это не наблюдение реальных людей 40 лет подряд, а simulation. Но simulation полезная: она показывает, где AI даёт нормальный baseline, а где качество резко зависит от вопроса.

Главный вывод неприятно практичен. AI часто советует разумные вещи: копить в рабочие годы, держать emergency fund, диверсифицировать, больше инвестировать в акции в молодости и снижать риск с возрастом. Для человека без доступа к хорошему консультанту это может быть лучше, чем советы друзей, influencers или продавцов продуктов.

Но "если правильно спросить" — не мелкая оговорка. Исследование показывает различия по financial literacy, prior AI experience and gender. В simulated outcomes эти различия могли накапливаться примерно до 4-5% wealth gap near retirement. То есть AI может уменьшить одну проблему — доступ к совету — и усилить другую: преимущество тех, кто уже умеет задавать хорошие вопросы.

Что проверяли

Paper написали Taha Choukhmane, Tim de Silva, Weidong Lin and Matthew Akuzawa. В версии от 30 марта 2026 main results фокусируются на GPT-5.2 and Gemini 3 Flash. Авторы разделяют проблему на supply (какая модель отвечает), demand (что спрашивает пользователь) and life-cycle implications (как совет работает при изменении возраста, дохода, активов и работы).

В выборке были U.S. adults recruited through Prolific. Люди писали prompts о своей финансовой ситуации, spending and investing. Затем researchers использовали life-cycle model с U.S. income, taxes, social insurance, unemployment risk, asset returns and mortality.

AI часто добавлял полезные темы, которых не было в вопросе. Например, liquidity появлялась в 83% advice responses, хотя только 6% prompts явно поднимали эту тему. Savings появлялись в 76% advice versus 20% prompts. Это настоящая польза: модель может напомнить о базовой финансовой гигиене.

Где риск

Слабые места не всегда выглядят как грубая hallucination. Они тоньше.

По paper, AI хуже справлялся с unemployment shock, retirement drawdown and active portfolio rebalancing. Он мог слишком резко урезать spending при потере работы, даже когда у simulated person были liquid assets. Portfolio allocations могли drift with returns instead of being actively rebalanced.

Structured academic prompts помогали: если дать модели полный контекст, assumptions, life-cycle planning and portfolio theory, advice становился ближе к теории. Но обычный пользователь так не спрашивает. Он часто пишет: "Что делать с деньгами?" — без страны, налогов, долгов, account types, dependents, liquidity needs and risk tolerance.

Поэтому AI financial assistant должен задавать follow-up questions. Пустое chat box поле слишком рискованно.

Как пользоваться безопаснее

Не спрашивайте "что купить". Используйте AI как инструмент подготовки решения.

Дайте контекст: страна и регион, возрастной диапазон, доход и его стабильность, долги и ставки, emergency fund, цели, horizon, account types, dependents, tax constraints, risk tolerance. Не передавайте account numbers, полные персональные данные и всё, что опасно утечь.

Попросите модель перечислить missing information, assumptions, conservative/base/aggressive scenarios and jurisdiction-specific rules. Отдельно попросите показать, какие части надо проверить в official sources.

Хороший prompt звучит не так: "Стоит ли инвестировать?" Лучше: "Я живу в Польше, у меня нет дорогого долга, есть emergency fund на четыре месяца, цель — жильё через пять лет. Какие вопросы я должен ответить перед инвестициями, какие local tax/product rules проверить и какие варианты сравнить?"

Так AI становится tutor and checklist generator, а не автономным adviser.

Что это значит для финтеха

Для банков, brokerages and personal-finance apps главный урок простой: open-ended chat alone недостаточно. Нужны structured intake, jurisdiction detection, calculators, retrieval from official rules, disclosures, audit logs, human handoff and clear separation between education and recommendation.

Особенно важен product steering. В paper fewer than 3% respondents named any ticker, but AI advice mentioned providers and products: Vanguard in 6% responses, iShares in 2.9%, and crypto tokens in 2.0%. Это не доказывает рекламу. Но показывает, как легко модель вводит product names без прямого запроса пользователя.

Если банк встроит такой assistant, вопрос будет жёстким: это suitable recommendation, training-data bias, retrieval bias или commercial placement?

Где остаются люди

Financial advisers не исчезают. Но boilerplate advice, generic education and first-pass planning дешевеют. Ценность человека смещается туда, где нужна ответственность: taxes, retirement withdrawals, insurance, estate planning, family conflict, behavior, local rules, unusual assets and implementation.

Хороший adviser может использовать AI как assistant. Плохой adviser, который продаёт дорогой шаблон, теряет защиту.

Вывод

AI уже полезен для личных финансов. Но лучший use case — не "делегировать деньги", а лучше задавать вопросы, видеть trade-offs and verify rules.

MIT Sloan исследование не говорит: "слушайте чатбота". Оно говорит более важную вещь: AI может дать достойный baseline, но качество зависит от prompt, контекста, продукта и способности пользователя проверить нюансы.

Используйте AI как финансового собеседника и редактора вашего плана. Финальное решение по налогам, инвестициям, пенсии, страховке и крупным рискам должно проходить через official sources or qualified human help.