Σε ένα επίπεδο, η τεχνητή νοημοσύνη κάνει αυτό ακριβώς που αναμένεται να κάνει μια τεχνολογική επανάσταση. Διαχέεται στην πραγματική οικονομία, ανατρέποντας δεδομένα σε τομείς από τη μηχανική και τις πωλήσεις έως τα χρηματοοικονομικά και το ανθρώπινο δυναμικό. Παράλληλα, αναδιαμορφώνει ολόκληρους κλάδους, επιταχύνοντας τον ρυθμό με τον οποίο οι νέες επιχειρήσεις μπορούν να αναπτυχθούν και να ανταγωνιστούν τις ήδη εδραιωμένες. Όλες αυτές οι αλλαγές είναι πιθανό να επηρεάσουν τα δεδομένα που θα παρατηρούμε στο μέλλον και, κατά συνέπεια, όσα θα μαθαίνουμε από αυτά σχετικά με τη συμπεριφορά των νοικοκυριών και των επιχειρήσεων.

Ωστόσο, η τεχνητή νοημοσύνη θέτει επίσης υπό αμφισβήτηση την ικανότητά μας να προβλέψουμε πώς θα αντιδράσουν οι οικονομικοί παράγοντες στη χρηματοπιστωτική ρύθμιση. Όπως παρατήρησε στο Jackson Hole ο Markus Brunnermeier του Princeton University, η σχέση μεταξύ ανθρώπων και τεχνητής νοημοσύνης χαρακτηρίζεται από «ασύμμετρη κατανόηση»: η AI μας κατανοεί, όμως εμείς δεν κατανοούμε πλήρως τι μπορεί να κάνουν οι πράκτορες τεχνητής νοημοσύνης, μεμονωμένα και κυρίως συλλογικά, για να επιτύχουν έναν στόχο. Μπορούμε να θεσπίσουμε κανόνες και σενάρια που θα πρέπει να ακολουθούν οι πράκτορες, αλλά δεν μπορούμε να προβλέψουμε κάθε διαδρομή που ενδέχεται να ακολουθήσουν. Αυτή η ασυμμετρία γίνεται ακόμη πιο σημαντική όταν πολλοί πράκτορες λειτουργούν σε μεγάλη κλίμακα.

Οι ρυθμιστικές αρχές και οι υπεύθυνοι χάραξης πολιτικής έχουν αντιμετωπίσει στο παρελθόν μια εκδοχή αυτού του προβλήματος: οι κανόνες και τα κίνητρα μπορούν να αλλάξουν τη συμπεριφορά εκείνων που υπόκεινται σε αυτούς. Οι τράπεζες και άλλα χρηματοπιστωτικά ιδρύματα συχνά αντιδρούν στη ρύθμιση με τρόπους που οι υπεύθυνοι χάραξης πολιτικής δεν είχαν προβλέψει. Το ίδιο ισχύει και για τις ρυθμιστικές και εποπτικές αρχές που ερμηνεύουν και εφαρμόζουν αυτούς τους κανόνες, καθώς οι αποφάσεις τους επηρεάζονται επίσης από οργανωτικά κίνητρα και πρότυπα συμπεριφοράς. Αυτό γίνεται εμφανές όταν διαφορετικές ρυθμιστικές αρχές εξετάζουν την ίδια κατάσταση και καταλήγουν σε διαφορετικά συμπεράσματα.

Και στις δύο περιπτώσεις, ωστόσο, οι θεσμικοί περιορισμοί περιορίζουν το τι μπορούν να κάνουν οι άνθρωποι και, επομένως, το εύρος των αντιδράσεων που πρέπει να προβλέψουν οι υπεύθυνοι χάραξης πολιτικής. Οι πράκτορες τεχνητής νοημοσύνης μπορούν να ακολουθήσουν ένα πολύ ευρύτερο φάσμα πιθανών διαδρομών, καθιστώντας τη συμπεριφορά τους λιγότερο προβλέψιμη.

Η πρόσφατη παραβίαση του Hugging Face από πράκτορες της OpenAI αποτελεί χαρακτηριστικό παράδειγμα του προβλήματος. Οι πράκτορες τεχνητής νοημοσύνης παρέκαμψαν τους καθιερωμένους κανόνες προκειμένου να επιτύχουν έναν στόχο, βρίσκοντας μη εξουσιοδοτημένους τρόπους επικοινωνίας, συγκέντρωσης πληροφοριών και, τελικά, παραβίασης συστημάτων εκτός του προβλεπόμενου περιβάλλοντος. Οι δημιουργοί τους, οι οποίοι ούτε είχαν δώσει εντολή ούτε είχαν προβλέψει αυτές τις κινήσεις, φάνηκαν εξίσου έκπληκτοι με οποιονδήποτε άλλον.

Μπορεί κανείς να φανταστεί ένα παρόμοιο πρόβλημα στον χρηματοπιστωτικό τομέα, δεδομένου ότι οι τράπεζες, τα hedge funds και οι εταιρείες trading έχουν ισχυρά κίνητρα να χρησιμοποιήσουν πράκτορες τεχνητής νοημοσύνης για να βρουν επικερδείς διαδρομές γύρω από τους ρυθμιστικούς περιορισμούς. Αυτό δεν σημαίνει ότι δεν μπορούν να θεσπιστούν δικλίδες ασφαλείας, όπως μια «red team» αποτελούμενη από πράκτορες που θα αναζητούν τέτοιου είδους δραστηριότητες. Ωστόσο, οι υπεύθυνοι χάραξης πολιτικής θα θέτουν στόχους και κανόνες χωρίς να γνωρίζουν όλους τους τρόπους με τους οποίους οι πράκτορες μπορεί να αντιδράσουν σε αυτούς.

Είτε μας αρέσει είτε όχι, η τεχνητή νοημοσύνη χρησιμοποιείται ήδη από διάφορους παράγοντες στις χρηματοπιστωτικές αγορές, από τράπεζες έως hedge funds και κερδοσκόπους. Όλο και περισσότερο, σε αυτούς τους πράκτορες θα ανατίθεται η αποστολή να βρίσκουν νέους τρόπους για να κερδίζουν χρήματα. Οι ρυθμιστικές αρχές, που έχουν ως αποστολή τη σταθεροποίηση των αγορών, δεν θα έχουν επομένως άλλη επιλογή από το να υιοθετήσουν την AI προκειμένου να παρακάμπτουν εκείνους που παρακάμπτουν τους κανόνες.

Για να πετύχουν, οι υπεύθυνοι χάραξης πολιτικής πρέπει να αναγνωρίσουν τη δύναμη της αφαίρεσης. Τα τελευταία δύο χρόνια, οι ρυθμιστικές αρχές έχουν καταστήσει το χρηματοπιστωτικό σύστημα πολύ πιο περίπλοκο και δαπανηρό στη διαχείρισή του. Χιλιάδες σελίδες κανόνων και η τεράστια διακριτική ευχέρεια των εποπτικών αρχών δημιουργούν πολλές ευκαιρίες για τους πράκτορες τεχνητής νοημοσύνης να τηρούν το γράμμα του νόμου, ενώ στην πράξη ακυρώνουν τον σκοπό του. Απλούστεροι και πιο ανθεκτικοί κανόνες, όπως οι υψηλές κεφαλαιακές απαιτήσεις, ενδέχεται να αποκτήσουν μεγαλύτερη αξία ακριβώς επειδή η AI είναι καλύτερη από τους ανθρώπους στο να εκμεταλλεύεται την πολυπλοκότητα των κανόνων.

Οι απλούστεροι κανόνες αποτελούν μόνο ένα μέρος της απάντησης. Οι ρυθμιστικές αρχές πρέπει επίσης να αποφασίσουν πόσες πληροφορίες θα μοιράζονται με τους συμμετέχοντες στην αγορά. Εάν οι ρυθμιστικές αρχές παρείχαν στις τράπεζες τα πλήρη μοντέλα τους, τα συστήματα AI των τραπεζών θα βελτιστοποιούσαν τη συμπεριφορά τους γύρω από αυτά. Από την άλλη πλευρά, η υπερβολική αδιαφάνεια μπορεί να προκαλέσει σύγχυση και να περιορίσει τη νόμιμη χρηματοπιστωτική καινοτομία.

Όμως ακόμη και οι απλούστεροι κανόνες και ο σωστός βαθμός διαφάνειας δεν θα είναι αρκετοί εάν οι ίδιες οι ρυθμιστικές αρχές δεν μπορούν να συμβαδίσουν με τα ιδρύματα που εποπτεύουν. Τα ιδρύματα αυτά θα λειτουργούν ολοένα περισσότερο με ταχύτητα μηχανής, με την υπολογιστική ισχύ να τους επιτρέπει να αξιολογούν αμέτρητες στρατηγικές που οι άνθρωποι δεν θα μπορούσαν ποτέ να εξετάσουν μία προς μία. Οι ρυθμιστικές αρχές θα χρειαστεί να σχεδιάσουν δικούς τους πράκτορες τεχνητής νοημοσύνης, οι οποίοι θα μπορούν να δοκιμάζουν τους κανόνες πριν από την υιοθέτησή τους, να αναζητούν τρόπους με τους οποίους οι συμμετέχοντες στην αγορά θα μπορούσαν να τους παρακάμψουν και να παρακολουθούν τις αγορές για συμπεριφορές που οι άνθρωποι θα αντιλαμβάνονταν μόνο εκ των υστέρων.

Αυτό θα απαιτήσει σκέψη, επιμέλεια και, ίσως το σημαντικότερο, χρόνο από τις ίδιες τις ρυθμιστικές αρχές, προκειμένου να ενσωματώσουν αποτελεσματικά την AI στη χρηματοπιστωτική ρύθμιση. Αυτό, και όχι η υπολογιστική ισχύς, μπορεί να αποδειχθεί ο σπανιότερος πόρος στις προσπάθειες διασφάλισης της χρηματοπιστωτικής σταθερότητας.

Ο Amit Seru είναι καθηγητής Χρηματοοικονομικών στο Stanford Graduate School of Business και senior fellow στο Hoover Institution.

Πηγή: Project Syndicate