本研究通过与德国大型储蓄银行合作,以个人贷款投资建议为实验场景,实证探讨人类介入AI投资建议的生产和消费者采纳端的影响。结果表明,虽然人-机协作改变了建议内容,但并未降低建议质量;客户在高风险投资下更倾向采纳人-机协作建议,依赖度明显高于纯AI建议,从而提升消费者福利。该效应主要源自人类介入带来的情感信任和外围说服机制,而非认知上的建议质量提升或两个顾问的协同效应。研究为人机协作投资服务设计及相关监管政策提供了理论和实证参考
报告题目: My Advisor, Her AI and Me: Evidence from a Field Experiment on Human-AI Collaboration and Investment Decisions
作者: Cathy (Liu) Yang, Kevin Bauer, Xitong Li, Oliver Hinz
发布机构: HEC Paris & Goethe University Frankfurt
发布时间: 2025年6月5日
主题: 人工智能(AI)与人类协作在金融投资建议中的应用及其对客户决策的影响
本报告通过与一家欧洲大型储蓄银行合作,设计并执行了一项实地实验,系统探讨了在AI驱动的投资建议中,人类是否介入(或称“人机协作”)会影响下游消费者的决策行为和福利。研究核心在于比较纯AI建议与人机复合建议的生产和消费两个层面,评估人类“最后决策权”作用下建议质量是否下降,及客户采纳建议的差异。研究发现:
关键词包括“human-in-the-loop(人类介入)”、“human-AI collaboration(人机协作)”、“algorithmic aversion(算法回避)”及“social influence(社会影响)”等。
文中首先指出AI技术的快速发展使其在多个领域表现优异,从销售预测到医疗诊断。尽管企业逐渐倾向纯AI服务以降低成本并提升效率,但全自动AI存在无法应对稀有输入变化、数据漂移、责任归属等问题,因此监管和业界主张保留人类干预(“人机协作”)。欧盟GDPR和AI法案中均明确要求人类可对高风险AI系统进行监督。具体到投资建议领域,如Vanguard Personal Advisor与Wealthfront的区别便是前者人机结合,后者纯自动化。
然而,目前研究主要关注生产端的AI与人类协作对建议质量的影响,消费端如何反应却鲜有系统研究。本文旨在填补此空白,双向考察人类介入AI服务生产和消费的影响,尤其关注消费者对人机协作建议的反应。,2]
报告阐释了消费者对人机协作建议的态度存在两种理论可能:一是人类介入提高服务质量和情感支持,增强信任;二是可能引入噪声,降低服务质量,甚至引发反感。由此提出两大核心研究问题:
选择金融投资作为研究背景,因其法规要求高且决策对财富影响重大,有代表性和现实意义。
研究设计为两阶段实地实验:
此设计既能考察人类对AI建议的调整,也能评估消费者区分三种建议源的行为决策差异,探索心理机制。,10,11,16]
基于超过百万条贷款数据训练神经网络,预测准确率与现有文献匹配,风险分级基于银行标准的7类风险等级划分。
27名银行家对24个贷款样本,在AI风险评分曝光前后各做投资决策。数据统计显示:
此结论挑战了“人类可能无效否决AI”的担忧,证明两者存在互补。,14]
为了减少客户间建议获得的异质性,实验为所有客户提供同一组合的人机协作建议,是所有参与银行家意见中的最常见版本;且客户对建议的来源认知仅限于范式中设定的信息,避免额外干扰。,16]
137名线下银行客户接受实验,随机分配三种建议类型,先独立做决策后接收建议再决策,涉及10个贷款选择。投资行为有金钱激励并通过抽签兑现盈亏,保障真实行为表现。,17]
剔除掉质量低劣回答后130名客户数据。分析的核心指标是投资决策是否与建议一致(FinalAlign),以及风险评估的对齐程度(GapFinalRiskAssess)作为辅助。控制变量包括客户年龄、风险偏好、初始信念与决策变异等多维度因素,确保分析的内生性问题得以缓解。随机化检验确认各组样本在关键变量上无系统差异。,19]
在一致建议子样本中,人机协作条件下客户的投资决策与建议一致率显著高于纯AI条件,同时风险评估对齐度也更优,实验数据支持人类介入提高下游客户采纳率的直观结论。,21]
通过多重固定效应OLS回归模型(包含客户、时间、贷款、建议固定效应,且控制各种协变量),估计人机协作对客户采纳率的影响,结果显示:
此外,客户初始投资与建议偏离越大,采纳可能越低,这符合理性行为预期。,23,24]
通过对比“人机协作”与“仅人类建议(未告知AI参与)”条件:
测算客户经济福利差异发现,人机协作组最终收益平均高出44.9%,且此增益显著集中在风险较高子样本,表明更贴近实际风险场景的人机协作建议提升了消费者物质利益。,26,27]
本报告没有传统意义上的估值模型分析,但通过实地实验的设计与结果,间接反映了人机协作服务在金融投资建议中的“价值”:
文中风险主要围绕人机协作服务潜在的负面影响与局限性展开:
报告强调须持续监控人机服务质量,并设计政策以防止盲从误判,保障消费者利益。,38]
整体来看,报告采取审慎客观立场,强调了发现的适用边界和未来研究方向,避免过度泛化。,37,38]
本研究通过严谨的两阶段实地实验与补充的在线实验,全面揭示了在金融投资建议中“人机协作”相较纯AI带来的显著好处:
报告指出,含人类参与的AI服务不仅反映技术和绩效提升,更重要的是带来心理安全感和决策舒适度,改善消费者体验。这对管理者设计服务模式和监管机构制定政策都有深远影响,需在保证质量同时强化人机协同的情感安全边际。
最后,报告呼吁未来拓展多领域、多AI性能水平场景研究,深入理解不同服务环境下人机关系对消费者行为的异质影响,并关注人类顾问的自信表达及AI透明度等因素对信任建设的潜在作用。
本报告以实证视角深刻剖析了人机协作在AI金融投资建议中的生产与消费双重影响,通过严谨设计与数据分析,证实:
报告运用丰富实验数据与多层次建模,配合图表详实展现,科学且客观,为AI金融服务模式创新、监管政策制定和学术研究提供了坚实贡献和重要启示。全文引用标注详尽,具备较强的溯源性和学理支持。,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,46,47]
注:左侧为生产阶段银行家与AI协作过程,右侧为消费者实际投资决策过程中的建议随机分配。
图2a:人机协作组客户最终投资与建议一致率明显高于纯AI组。
图2b:人机协作组风险评估与建议更吻合,表明其更依赖建议。
此分析报告系统梳理了原文的研究设计、实证发现、理论机制、数据分析及图表内容,力求全面深入,明晰复杂机制,服务金融与AI交叉领域专业读者需求。
2506.03707.pdf