Egy friss tanulmány szerint a generatív mesterséges intelligencia a jövőben akár képes lehet helyettesíteni az emberi likviditásmenedzsereket a valós idejű fizetési rendszerekben. A kutatók a ChatGPT egy fejlett modelljét használták kísérleti célokra. Eredményeik alapján az LLM képes volt kulcsfontosságú pénzkezelési feladatokat önállóan és hatékonyan ellátni.
A Bank for International Settlements (BIS) és a Bank of Canada szakértői arra keresték a választ, vajon képes lehet-e egy nagy nyelvi modell (LLM), például a ChatGPT, segíteni vagy akár teljesen automatizálni az intranapi likviditásmenedzsmentet. A kutatásban a ChatGPT o3-as, „reasoning” típusú modelljét használták, amely már fejlett problémamegoldó és döntéshozó képességekkel rendelkezik.
A tanulmány fókuszában a valós idejű bruttó elszámolási rendszerek (RTGS) álltak, amelyek például az USA-ban a Fedwire, az Egyesült Királyságban a CHAPS, az eurozónában a TARGET2, vagy éppen Kanadában a Lynx formájában működnek. Ezek a rendszerek kulcsszerepet játszanak a pénzügyi rendszer stabilitásában, hiszen bankközi fizetések millióit bonyolítják le naponta, jellemzően másodpercek alatt.
A legnagyobb kihívás ezekben a rendszerekben a megfelelő likviditási egyensúly megtalálása: biztosítani kell, hogy legyen elég fedezet a fizetések teljesítésére, de nem szabad túl sok likviditást is lekötni, mert az más területeken veszteségeket okozhat.
Mit tudott a ChatGPT?
A kutatók olyan szimulációkat hoztak létre, amelyek valósághű fizetési helyzeteket utánoztak, például hirtelen bekövetkező likviditási sokkokat vagy versengő fizetési prioritásokat. A ChatGPT-t arra utasították, hogy az adott helyzetekben adjon utasításokat és ajánlásokat úgy, mintha egy intranapi likviditásmenedzser lenne.
Meglepő módon a modell mindenféle pénzügyi vagy szakmai tréning nélkül is képes volt:
- megtartani az elővigyázatossági likviditási puffereket;
- intelligens prioritási sorrendet felállítani a kifizetések között;
- rugalmasan kezelni a késedelmeket;
- optimalizálni a likviditásfelhasználás és a feldolgozási sebesség közötti egyensúlyt.
A válaszai „kalibráltak” voltak, azaz arányos és átgondolt javaslatokat adott, nem túlságosan konzervatívan, de nem is túl agresszíven.
Automatizálható a pénzkezelés?
A kutatók szerint a kísérletek eredményei azt jelzik, hogy az LLM-alapú rendszerek – akár különösebb pénzügyi háttérismeret nélkül is – képesek lehetnek rutin pénzkezelési feladatok ellátására a jövőben. Ez nemcsak a működési költségeket csökkentheti a bankok számára, hanem a fizetési rendszerek hatékonyságát is javíthatja.
Fontos ugyanakkor, hogy a jelenlegi modellek nem hiba nélkül működnek: időnként hibás logikát követnek, és az adatok feldolgozása nem mindig konzisztens. Ráadásul még nem igazolt, hogy ezek a modellek éles, nagy kockázatú környezetben is megbízhatóan teljesítenének.
Szabályozói és bizalmi kérdések
A szerzők külön fejezetet szentelnek a szabályozási és etikai kérdéseknek. A pénzforgalmi rendszerek üzemeltetése közérdek, ezért az automatizálás kockázatai is különös figyelmet igényelnek. A legfontosabb kérdések:
- Ki viseli a felelősséget egy automatizált rendszer hibájáért?
- Hogyan biztosítható az átláthatóság és a megfelelés?
- Milyen biztonsági korlátokat kell beépíteni az ilyen rendszerekbe?
A kutatás szerint a központi bankok és pénzügyi felügyeletek szabályozási kereteit mihamarabb fel kell készíteni az MI-alapú döntéshozatal megjelenésére, mielőtt ezek a rendszerek valóban elterjednek.
(Forrás: BIS)
(Címlapkép: Depositphotos)
