AI财务建议质量由提问质量决定

越来越多的人开始向人工智能寻求理财建议，但听从这些建议，真的能改善个人的财务状况吗？

“半数美国人表示，他们正在使用 AI 获取理财建议，但我们对他们获得了什么样的建议，以及他们是否会付诸行动，几乎一无所知。”MIT Sloan 管理学院金融学助理教授、新论文合著者 Taha Choukhmane 表示。这篇论文对大语言模型提供的理财建议质量进行了衡量和分析。

Choukhmane 及其合著者的研究表明，对于几乎所有 30 岁以上的人来说，遵循 AI 的建议都能积累出相当可观的储蓄缓冲。

AI 一贯建议人们在工作期间储蓄、退休后逐步动用储蓄、大量投资于多元化股票基金，并在 45 岁后降低股票配置比例。不过，在应对失业等冲击时，AI 聊天机器人表现得没那么好；它们往往任由投资组合的配置比例自然偏移，而不是主动进行再平衡。

研究人员采用结构更清晰的 prompt 后，LLM 给出的理财建议质量有所提升，但 AI 仍然经常缺乏足够积极的投资组合再平衡操作。

研究是如何开展的

研究人员首先构建了一个模型，用来反映人们的收入、工作、投资和税务状况通常会如何随人生阶段发生变化，从而为判断什么是“良好”的财务决策提供基准。

随后，他们请 1,000 名成年样本参与者自行编写 prompt，向 GPT-5.2、GPT-5.6 或 Gemini 3 Flash 寻求消费和投资建议。

接下来，研究人员模拟了年龄从 22 岁到 89 岁的人如果长期遵循这些建议，会发生什么。他们反复向 AI 提出同类问题，并按照 AI 的建议进行消费、储蓄和投资。

最后，他们使用措辞严谨的学术型 prompt 重复了这项实验。这些 prompt 包含完整的财务信息和明确的假设，提供了个人年龄、就业状况、收入和储蓄余额等信息，以及对经济环境的相关假设。

作者把模拟建议——也就是普通人按照自己所写 prompt 获得的 AI 建议行事后可能出现的结果——与人们在没有 AI 帮助时实际采取的财务行为进行了比较。他们还将这些模拟建议与学术型 prompt 得到的建议进行了比较。

结果显示，LLM 可以成为一种价格低廉、广泛可及的理财指导来源，帮助用户避开传统人类理财顾问所伴随的高额成本、偏见和利益冲突。

研究发现详解

总体而言，研究人员发现，LLM 长期给出的理财建议质量不错；如果以学术化的方式提出问题，建议还会进一步改善。不过，这些模型既有优势，也存在不足。

1. AI 会鼓励明智的财务行为

无论 prompt 是由普通用户还是学者编写，LLM 给出的建议都比研究人员预期得更好。它会引导人们增加储蓄、提高股票市场参与度，并采用充分多元化的资产配置，以及与年龄相匹配的风险承担方式。

“这些建议的质量在某种程度上让我们感到意外。”Choukhmane 说，“特别是当你看到人们提出的那些问题时，并不能想当然地认为，AI 的建议会与学界认可的良好财务原则保持一致。”

2. AI 会忽略重要的细微差别，更好的 prompt 或许能改善这一点

在良好财务规划中一些更微妙的方面，LLM 的建议仍有不足。它往往依赖简单的储蓄和消费经验法则，也无法在情况发生变化时做出足够合理的调整。例如，它会建议失业者大幅削减开支，即使对方已经拥有储蓄。

人们提问的方式也是问题的一部分。一个典型的 prompt 可能是：“如果我从 50 美元开始投资，之后每月持续追加 25 美元，我应该投资什么？”

当研究人员使用更详细、结构更清晰的“学术型” prompt 时，LLM 的表现会更好。例如，学术型 prompt 可能会要求聊天机器人假定正常的预期寿命、生活开支、退休年龄、就业风险和收入风险，并假定美国现行税法和 Social Security 规则不会发生变化。

“普通人不会像金融学教授那样编写 prompt。”Choukhmane 说。

3. AI 建议会因用户而异，可能造成财富差距

作者发现，LLM 给出的建议会因提问者的性别、金融素养和使用经验而异，进而导致显著的退休财富差距。

如果遵循 AI 对男性、金融素养更高的用户，或者此前有 AI 使用经验者所写 prompt 给出的建议，那么这些人在接近退休时积累的财富会多出约 5%。具体而言：

LLM 在回应男性和金融素养较高者编写的 prompt 时，会建议配置更高比例的股票资产。在整个生命周期中，这种投资建议上的差异不断累积，最终导致女性和金融素养较低的用户在 60 岁时拥有的财富减少约 5 万美元，相当于少了 4%。

对于此前未曾使用 AI 获取理财建议的人所写的 prompt，LLM 会建议较低的储蓄率。遵循这些建议后，他们在 60 岁时拥有的财富，比此前有 AI 使用经验的人少了近 10 万美元，相当于少了 6%。

Choukhmane 表示，这些差异来自两个方面。首先，不同用户提出的问题不同，经常关注的主题也不一样。例如，女性在 prompt 中更可能使用“家庭”“日用品”和“薪资”等词，而男性更常使用“策略”“加密货币”和“增长”等词。

其次，即使底层问题相同，模型也可能给出不同的建议。以性别为例，财富结果中约三分之二的性别差距，可以归因于男性和女性编写 prompt 方式的不同；其余三分之一，则来自模型在同一个 prompt 被标记为出自女性而非男性时改变了建议。

Choukhmane 表示，后一种模式可能反映出 LLM 正在对不同性别在偏好或处境上的差异做出合理推断——理想情况下，模型可以向用户明确说明这些推断；但这也可能反映了模型从训练数据中学到的偏见。

Choukhmane 表示，AI 理财建议面临的挑战在于，目前没有明确的基准。只有当人们就理财建议应如何随人口特征变化建立起公认框架后，LLM 才有能力朝正确的方向进步。他说，自己仍然对这一点抱有希望。

此外，Choukhmane 表示，还必须记住，并非所有建议差异都是有问题的。例如，他说：“我们希望 LLM 存在不同的倾向，因为男性和女性确实不同，在预期寿命和收入风险方面也存在差异。”

给消费者的启示

除了需要留意偏见，并在现阶段要求 LLM 主动防范偏见外，能否获得良好结果，归根结底取决于能否编写出更聪明的 prompt。以生命周期规划、投资组合理论和现实财务假设为基础的 prompt，可以改善 AI 对消费和储蓄的建议，并减少那些基础的、依赖经验法则的回答。

“我认为真正的挑战是：我们如何确保 AI 理财建议也能真正帮助那些金融素养没有达到一定水平、也无法把 prompt 写得非常完美的人？”Choukhmane 说。对于有兴趣使用 AI 获取理财建议的人，一种做法是先把 AI 当作建立金融认知的工具，而不是直接照搬它的建议。

Choukhmane 表示，AI 可以很好地补充人类理财顾问的服务。你可能每年只和理财顾问见两次面，而 AI 可以帮助你实时落实顾问给出的建议。

对于没有足够资金聘请人类理财顾问的人来说，AI 也是一种低成本获取建议的好方法。他说：“许多能从理财建议中受益的人，恰恰是资源并不充裕的人。”

给企业的启示

随着消费者越来越多地向 LLM 寻求理财建议，服务提供商可能需要重新思考客户了解其产品的方式。研究发现，LLM 经常会推荐受访者自己并未提到的特定账户类型、金融产品和服务提供商。例如，Vanguard 的投资产品出现在 6% 的 LLM 回答中，iShares 产品出现在 3.4% 的回答中，而提及这两家公司中任意一家公司的 prompt 比例都不足 0.4%。

Choukhmane 表示，这说明 AI 建议可能正在改变人们发现和比较金融产品的方式。对于金融机构而言，能否吸引客户注意，可能不再那么依赖传统营销或搜索可见性，而是更多取决于消费者寻求建议时，LLM 是否会描述其产品，以及会如何描述。

《AI Financial Advice: Supply, Demand, and Life Cycle Implications》荣获 2026 年 Swiss Finance Institute Outstanding Paper Award。论文作者包括 MIT Sloan 的 Taha Choukhmane、Weidong Lin 和 Matthew Akuzawa，以及 Stanford Graduate School of Business 的 Tim de Silva。

Taha Choukhmane 是 MIT Sloan 管理学院金融学助理教授。Choukhmane 凭借在终身财务安全领域的杰出学术写作，获得了 TIAA Institute 颁发的 2025 TIAA Paul A. Samuelson Award。他的获奖论文是《Efficiency in Household Decision-Making: Evidence From the Retirement Savings of US Couples》，合著者为美国财政部的 Lucas Goodman 和 Yale University 的 Cormac O’Dea。