你告诉 AI：“我想投资，股票、债券和现金该怎么选？”它可能很快给出一套看似稳妥的答案。问题是，这套答案究竟代表你，还是代表训练数据里那个更常见的“典型投资者”？当生成式 AI 开始理解客户、参与自动化投顾，这个区别会直接影响建议是否合身。
AI会把谁当成“你”？
《AI and perception biases in investments: An experimental study》研究的正是这种错位。AI 投顾（robo-advisor）是利用算法收集客户目标、期限和风险承受能力，再生成投资建议或组合的自动化服务。
据论文摘要，研究团队比较了1,272名人类受访者与1,350个 AI 生成代理对股票、债券和现金的评价。默认情况下，AI 的回答过度代表年轻、高收入人群。提示词加入人口特征后，这种偏差显著减弱。换句话说，只问“投资者会怎么选”，AI 容易拿典型画像代答；明确“是哪类投资者”，结果会更贴近相应人群。
这属于算法偏见：模型对不同人群产生系统性失真。在投顾里，它可能表现为误读某些年龄、收入或性别人群的风险偏好。
更一致，不等于更懂你
据 UC Berkeley Haas News，GPT-4 给出的资产排序有98.7%满足“偏好的传递性”，人类受访者为84.4%。传递性指的是：若一个人偏好股票胜过债券、债券胜过现金，那么也应偏好股票胜过现金。作者把部分人类选择不一致与金融知识不足联系起来。
但排序更整齐，并不能直接证明 AI 找到了人的“真实偏好”。论文摘要还显示，AI 的自由文本理由能复现人类常提到的风险、收益、金融知识和个人经历。这说明模型能生成很像人的解释，却不能排除它只是熟练复述常见模式。
为什么值得关注
这项工作把问题从“AI会不会选资产”，推进到“AI替谁表达偏好”。它给出的实际提醒很清楚：生成式 AI 进入投顾流程后，客户画像不是可有可无的补充，而可能决定建议是否带着默认人群的偏差。
局限与未知
- 现有材料未披露实验提示词、代理生成方法及更多分组结果，无法判断偏差在各类人群中的具体大小。
- “显著减弱”来自论文摘要，但材料没有提供效应量或统计细节。
- 论文已获 Journal of Financial Economics 接收；目前研究结果仍主要来自论文及 UC Berkeley 相关页面，尚缺独立交叉印证。