編按：本文綜合整理自 MIT Sloan 專題、MIT Sloan 新聞稿與 Stanford Graduate School of Business 研究解讀，並加入 Siami 編輯部觀點與分析。本文不構成投資建議。
生成式 AI 正快速成為一般人的低成本理財入口。MIT Sloan 報導指出，已有約半數美國人使用 AI 尋求財務建議，但過去很少有人系統性檢查：聊天機器人究竟給了什麼建議，以及長期照做會產生何種結果。
MIT Sloan 助理教授 Taha Choukhmane 與共同作者因此建立生命週期財務模型，將收入、就業、投資、稅務、儲蓄與退休等因素放進同一套模擬。他們不只測試教授級的完整提示，也讓一般使用者用自己的方式發問，再比較模型建議、現實行為與學術基準之間的差距。
研究怎麼測試 AI 理財能力
研究團隊先建立一套描述人生財務變化的模型，涵蓋 22 歲至 89 歲的收入、工作狀態、稅負、資產配置與支出。這套模型提供一個可比較的基準，用來判斷不同情況下的儲蓄、消費與投資決策是否合理。
接著，研究人員請 1,000 名成年人自行撰寫問題，向 GPT-5.2、GPT-5.6 或 Gemini 3 Flash 詢問消費和投資建議。模擬並非只問一次，而是讓不同年齡與財務狀況的人長期重複諮詢，並假設他們實際執行 AI 的建議。
最後，團隊再使用資訊更完整的「學術型提示」測試。這類問題會明確交代：
- 年齡、工作狀態、收入與現有存款
- 預期壽命、退休年齡與日常支出
- 失業風險及收入波動
- 稅制與社會安全制度等環境假設
這個設計的重要之處，在於它沒有只挑選看起來漂亮的回答，而是把建議放進數十年的財務模擬，觀察長期後果。
AI 做對了哪些事
整體結果比研究人員預期更正面。大型語言模型通常會鼓勵工作年齡人口儲蓄，在退休後逐步使用累積資產，並把投資重點放在分散化的股票基金，而不是集中押注少數標的。
模型也傾向建議使用者隨年齡增長降低股票曝險。研究指出，遵循這些建議，可讓幾乎所有 30 歲以上受測情境建立更可觀的儲蓄緩衝。即使一般人的問題很短、缺少完整背景，答案仍常能對準基本原則：先控制支出、建立緊急預備金、分散投資，再依年齡調整風險。
這代表 AI 最實用的角色，可能不是預測下一檔飆股，而是把原本昂貴、難取得的基礎財務知識，用較低成本提供給更多人。Stanford 的研究解讀同樣指出，模型在一般原則上表現不差，具有成為低成本輔助工具的潛力。
失業、再平衡與個人差異仍是盲點
正面結果不代表 AI 已能取代專業顧問。MIT 團隊發現，模型遇到失業等突發衝擊時，往往要求使用者過度削減支出，即使當事人已經有足夠存款，可以用較平緩方式度過短期困境。
另一個問題是投資組合漂移。市場漲跌會讓原本設定的股票、債券比例改變，理財規畫通常需要定期再平衡；但聊天機器人的建議不夠積極，容易只說「長期持有」，卻沒有提醒使用者把風險拉回原定範圍。
研究還觀察到，模型對不同人口特徵可能給出不同建議，長期累積後可能放大財富差距。提示寫得越完整，建議通常越接近學術基準；能描述收入風險、稅務與退休目標的人，因此更可能取得好答案。資訊與表達能力本身，反而成為新的門檻。
數據解讀與質疑
「建議能增加儲蓄」不能直接解讀為「AI 能讓人致富」。研究結果來自生命週期模擬，取決於收入、報酬、稅制、壽命與使用者確實執行建議等假設。現實中，人們可能忽略回答、在市場下跌時恐慌出售，也可能提供錯誤或不完整資料。
此外，受測模型與產品版本會快速更替。某一版本在研究設定下表現良好，不表示所有聊天機器人、所有語言市場或所有國家的稅務情境都同樣可靠。美國退休制度與台灣的勞保、勞退、稅制及金融商品並不相同，直接套用可能形成錯誤結論。
因此，這份研究最有價值的訊息並非單一績效數字，而是辨識出兩個可重複的現象：
- AI 對儲蓄、分散與年齡風險等通用原則已有實用能力。
- AI 對生活衝擊、制度細節和動態再平衡仍容易使用僵化規則。
為什麼這件事重要
理財建議長期存在取得成本與利益衝突。資產較少的人未必能負擔專業顧問，也可能因金融知識不足而無法辨識高費用產品。若 AI 能穩定提供基本預算、緊急預備金與分散投資教育，它確實可能縮小「沒有任何建議」造成的缺口。
但研究也揭示另一種不平等：最會提問、最了解自身財務資訊的人，能從 AI 得到更好的答案；真正需要協助的人，往往最難寫出完整提示。產品若只把責任推給使用者「問對問題」，就可能讓既有知識差距轉化為長期財富差距。
比較合理的方向，是由金融機構、監理單位或公共教育平台提供結構化問答介面，主動蒐集必要欄位、標示假設、揭露不確定性，並在失業、負債、稅務、保險或高風險投資情境要求人工覆核。AI 適合擔任低成本的第一層導航，而不是在缺乏責任歸屬時直接替個人下達交易指令。
一般使用者該怎麼問
若要使用聊天機器人協助整理財務方向，問題至少應包含年齡、收入穩定性、家庭責任、負債利率、緊急預備金、退休目標與可承受損失。使用者也應要求模型列出假設、替代方案及最壞情境，而不是只問「該買什麼」。
可採取以下安全做法：
- 不提供帳號、身分證號或完整交易紀錄等敏感資料。
- 要求模型區分事實、假設與推測，並附可查證來源。
- 將答案視為教育與問題整理，不視為自動交易指令。
- 涉及稅務、保險、退休制度或大額資產時，交由合格專業人士覆核。
- 定期檢查資產配置，不因一句「長期持有」而忽略風險漂移。
AI 已證明自己可以重述並套用不少可靠的通用理財原則，但真正困難的部分，仍是了解人的處境、處理制度差異，以及在環境改變時修正策略。這些恰好也是使用者最不該完全自動化的環節。
網友熱門留言 (2)