ΚΥΡΙΑ ΣΗΜΕΙΑ
Πλέον, οι περισσότεροι μπορούν να αναγνωρίσουν ένα email που έχει συνταχθεί από ένα αρχάριο σύστημα τεχνητής νοημοσύνης: την υπερβολική χρήση της παύλας ή τη φράση «ορίστε μια πιο ανθρώπινη εκδοχή», που κάποιος ξέχασε να διαγράψει πριν πατήσει το κουμπί «αποστολή». Στη Wall Street, το πιο σοβαρό πρόβλημα είναι πιο δύσκολο να εντοπιστεί, επειδή βρίσκεται στον τρόπο συλλογισμού. Και όταν αυτός ο τρόπος συλλογισμού καθορίζει πού κατευθύνεται το κεφάλαιο, ένα ελάττωμα είναι πολύ πιο δύσκολο να γίνει αντιληπτό.
Τα κτίρια της Γουόλ Στριτ μπορεί να μοιάζουν όλα μεταξύ τους, αλλά δεν πρέπει να σκέφτονται με αυτόν τον τρόπο, και δεν υπάρχει τίποτα που η Γουόλ Στριτ να μισεί περισσότερο από μια αγορά χωρίς ένταση. Η ένταση είναι ο τρόπος με τον οποίο λειτουργεί μια αγορά. Όταν όλοι συμφωνούν, η αγορά σταματά να παράγει τιμές και καταλήγει σε συναίνεση, και η συναίνεση εξαλείφεται μέσω της αρμπιτράζ μέσα σε ένα απόγευμα.
Αυτό είναι που καθιστά τον νέο άξονα που διαμορφώνεται κάτω από αυτή την αγορά τόσο σιωπηλά επικίνδυνο. Οι επιτροπές διαχείρισης κινδύνων παρακολουθούν ήδη τη συγκέντρωση σε συγκεκριμένους τομείς, αλλά εδώ πρόκειται για κάτι διαφορετικό. Ένα αυξανόμενο ποσοστό της λήψης αποφάσεων σε ανταγωνιστικές εταιρείες διέρχεται πλέον από την ίδια μικρή ομάδα συστημάτων τεχνητής νοημοσύνης: ίδια αρχιτεκτονική, ίδια εκπαίδευση, ίδια λογική, διαφορετικά λογότυπα.
Γιατί οι χρηματοπιστωτικές εταιρείες στρέφονται προς τα ίδια μοντέλα τεχνητής νοημοσύνης
Για τις περισσότερες εταιρείες, η επιλογή εξαρτήθηκε από ζητήματα ευθύνης και όχι από το συμπέρασμα ότι ένα συγκεκριμένο μοντέλο ήταν το καλύτερο. Το βασικό ερώτημα είναι ποια λογική θα μπορούν να υπερασπιστούν αργότερα, τόσο απέναντι στους δικηγόρους και τους δικαστές σε μελλοντικές δικαστικές διαμάχες όσο και απέναντι στους πελάτες τους. Επιλέξτε τον προμηθευτή με το αναγνωρισμένο όνομα και το ιστορικό ελέγχων, ώστε το όνομα που θα συνδέεται με οποιαδήποτε αποτυχία να μην είναι το δικό σας. Η νοοτροπία του κοπαδιού θα σήμαινε ότι κανείς δεν σκέφτεται. Αυτό μοιάζει περισσότερο με την «ασφάλεια που προσφέρει ο αριθμός», όπου κάθε εταιρεία συλλογίζεται ανεξάρτητα και καταλήγει στην ίδια αμυντική στάση. Μια έρευνα της KPMG του 2026 διαπίστωσε ότι το 93% των αμερικανικών εταιρειών σχεδιάζει να εφαρμόσει ή να επεκτείνει τη χρήση της τεχνητής νοημοσύνης στον χρηματοοικονομικό τομέα εντός δεκαοκτώ μηνών, ενώ το 94% ήδη βασίζεται σε τρίτους για να εγγυηθούν το αποτέλεσμα.
Η προφανής αντίρρηση είναι ότι αυτό δεν είναι κάτι καινούργιο. Η τεχνολογία συγκεντρώνεται πάντα σε λίγους παρόχους, και το cloud computing λειτουργεί ήδη μέσω μιας χούφτας πλατφορμών. Όμως το cloud ήταν η «βάση» πάνω στην οποία χτίστηκε μια επιχείρηση, και δεν είχε δικές της απόψεις. Η τεχνητή νοημοσύνη, αντίθετα, έχει, και διαχειρίζεται όλο και περισσότερο την επιχείρηση· γι’ αυτό και η συγκέντρωση έχει μετατοπιστεί από τις «σωληνώσεις» στην ίδια τη σκέψη.
Οι εταιρείες θα αναφέρουν τα δικά τους δεδομένα ως εξαίρεση και, αν και αυτό αποτελεί πραγματικό πλεονέκτημα, η αλλαγή των στοιχείων που διαβάζει το μοντέλο δεν αλλάζει τον τρόπο με τον οποίο αυτό συλλογίζεται. Μια ξεχωριστή βιβλιοθήκη δεν κάνει έναν ξεχωριστό βιβλιοθηκάριο.
Όταν η συλλογική λογική έρχεται αντιμέτωπη με τις πιέσεις της αγοράς
Οι συνέπειες αυτού του φαινομένου είναι ήδη ορατές στα δεδομένα. Μια μελέτη του NBER του 2025 , των Dou, Goldstein και Ji, διαπίστωσε ότι οι εμπορικοί πράκτορες τεχνητής νοημοσύνης που χρησιμοποιούν μάθηση ενίσχυσης μπορούν να καταλήξουν αυτόνομα σε συμπαιγνιακή, υπερανταγωνιστική τιμολόγηση «χωρίς συμφωνία, επικοινωνία ή πρόθεση». Δεν υπήρξε κανένας συντονισμός. Η κοινή λογική το επέφερε από μόνη της.
Η πιο ξεκάθαρη εικόνα για το πώς αυτό εκδηλώνεται στην πράξη ήρθε τον Ιούλιο του 2026, όταν το Situational Awareness LP, ένα hedge fund που βασιζόταν σε συγκεντρωμένες επενδύσεις σε υποδομές τεχνητής νοημοσύνης, υπέστη απώλειες 67 τοις εκατό μέσα σε ένα μήνα και πούλησε το μεγαλύτερο μέρος του χαρτοφυλακίου του σε μετοχές εισηγμένων εταιρειών, αξίας περίπου 16 δισεκατομμυρίων δολαρίων, στην Citadel· η Sandisk σημείωσε πτώση 54 τοις εκατό τον ίδιο μήνα. Αυτή ήταν η συνάντηση της μόχλευσης με ένα κοινό θέμα, που αποτελεί την επιφανειακή μορφή αυτού του κινδύνου. Η μαζική προσέλκυση προς την ίδια λογική έχει βαθύτερες ρίζες και δεν έχει ακόμη οδηγήσει σε κατάρρευση από μόνη της. Δεδομένου του πόσο βίαια κατέρρευσε η επιφανειακή εκδοχή, δεν υπάρχει λόγος να αναμένουμε ότι η βαθύτερη θα είναι πιο ήπια.
Αν εφαρμόσουμε τον ίδιο μηχανισμό συλλογιστικής σε αρκετά ευρεία κλίμακα σε μια αγορά, οι συμμετέχοντες θα τείνουν να παραβλέπουν το ίδιο σήμα την ίδια στιγμή ή να διορθώνουν προς την ίδια κατεύθυνση την ίδια στιγμή. Και τα δύο μπορούν να οδηγήσουν σε κατάρρευση. Πρόσφατη έρευνα σχετικά με επιθέσεις αντιπαλισμού εναντίον συστημάτων συναλλαγών που βασίζονται σε μοντέλα μεγάλης κλίμακας (LLM) διαπίστωσε ότι η χειραγώγηση των τίτλων ειδήσεων σε μία μόνο ημέρα, σε μια δοκιμή αναδρομικής ανάλυσης που κάλυπτε 14 μήνες, μείωσε τις ετήσιες αποδόσεις έως και 17,7 ποσοστιαίες μονάδες: μια κοινή ευπάθεια, η οποία, όταν ενεργοποιήθηκε μία φορά, έγινε αισθητή παντού όπου είχε εφαρμοστεί ο ίδιος μηχανισμός συλλογιστικής.
Τι μπορούν να κάνουν οι επιχειρήσεις για αυτό
Ωστόσο, το πρώτο βήμα είναι να αντιμετωπιστεί αυτό ως κίνδυνος συγκέντρωσης. Οι επιτροπές κινδύνου παρακολουθούν ήδη την έκθεση σε τομείς και αντισυμβαλλόμενους, και η εξάρτηση από μοντέλα ανήκει στον ίδιο κατάλογο. Αυτό σημαίνει να γνωρίζουμε ποιες αποφάσεις διεκπεραιώνονται μέσω ποιών συστημάτων και σε ποιο βαθμό αυτές συμπίπτουν με εκείνες των ανταγωνιστών και των αντισυμβαλλομένων . Σημαίνει επίσης να επανεξετάσουμε τη λογική που οδήγησε τις εταιρείες σε αυτό το σημείο: ο αναγνωρισμένος προμηθευτής θεωρείται ασφαλής επειδή η επιλογή του είναι αμυνόμενη, αλλά όταν κάθε εταιρεία κάνει την ίδια επιλογή, η αμυνόμενη επιλογή μετατρέπεται σε κοινό σημείο αποτυχίας.
Η παρακολούθηση του κινδύνου είναι μόνο το μισό της υπόθεσης. Αυτό που βοηθά είναι ένα εργατικό δυναμικό που γνωρίζει πότε να βασίζεται στην τεχνητή νοημοσύνη και πότε στη δική του κρίση — μια διάκριση που λίγοι έχουν εκπαιδευτεί να κάνουν. Η τεχνητή νοημοσύνη δεν ξέρει πάντα καλύτερα. Όταν η Elm Wealth δοκίμασε τα μοντέλα Claude και ChatGPT σε σύγκριση με κορυφαίους μακροοικονομικούς επενδυτές, τα μοντέλα προέβλεψαν σωστά την κατεύθυνση της αγοράς περισσότερες από τις μισές φορές, περίπου τόσο καλά όσο και οι επενδυτές, αλλά παρουσίασαν ημερήσια μεταβλητότητα από 20 έως 40 τοις εκατό, ενώ το προφίλ επενδυτή που τους δόθηκε απαιτούσε περίπου 7,5 έως 15 τοις εκατό. «Εκπαιδεύουμε τις ΤΝ να είναι σαν τους ανθρώπους», έγραψαν οι ερευνητές, «και στη συνέχεια διαπιστώνουμε ότι οι ΤΝ είναι όντως σαν τους ανθρώπους, δηλαδή υπερβολικά αυτοπεποίθητες ». Η σωστή χρήση της ΤΝ σημαίνει να γνωρίζουμε ακριβώς τι πρέπει να διατηρήσουμε, και ένα μέρος αυτού είναι ανθρώπινο.
Αυτή τη στιγμή, το μεγαλύτερο μέρος της αγοράς βρίσκεται στο ίδιο όχημα, ακολουθεί το ίδιο GPS και δεν το έχει αντιληφθεί. Οι εταιρείες που το αντιλαμβάνονται θα σταματήσουν πριν από τη σύγκρουση και θα ακολουθήσουν διαφορετικό δρόμο, ακόμα κι αν αυτός δεν είναι απαραίτητα ο σωστός. Μια αγορά στην οποία όλοι καταλήγουν στην ίδια απάντηση παύει να λειτουργεί ως αγορά και αρχίζει να μοιάζει με μονοκαλλιέργεια.
Δεν υπάρχει νικητής αν κερδίζουν όλοι.
Πληροφορίες για τον συγγραφέα
