नवीन संशोधनातून समोर आले आहे की, मोठ्या AI मॉडेल्सना जटिल बाजारपेठेत मानवी ट्रेडर्ससारखी कार्यक्षमता दाखवण्यात अपयश येत आहे. यामुळे ऑटोमेटेड ट्रेडिंगच्या विश्वासार्हतेवर आणि वित्तीय संस्थांच्या जोखमीवर प्रश्नचिन्ह निर्माण झाले आहे.
पारंपारिक 'डबल ऑक्शन' (Double Auctions) ट्रेडिंग पद्धतीमध्ये जिथे खरेदीदार आणि विक्रेते योग्य किंमत ठरवण्यासाठी एकत्र येतात, तिथे कृत्रिम बुद्धिमत्ता (AI) मानवी बुद्धिमत्तेची बरोबरी करताना संघर्ष करत आहे. मानवी ट्रेडर्स जिथे पटकन योग्य किमतीवर पोहोचतात, तिथे प्रगत लार्ज लँग्वेज मॉडेल्स (LLMs) पूर्णपणे वेगळ्या पद्धतीने वागताना दिसतात. हे AI मॉडेल्स व्यवहार पूर्ण करण्यापेक्षा अत्यल्प नफा मिळवण्यावर अधिक भर देतात, ज्यामुळे ट्रेडिंग व्हॉल्यूम कमी होऊन बाजाराची स्थिरता धोक्यात येते.
लहान मॉडेल्स अधिक प्रभावी?
संशोधनात एक रंजक गोष्ट समोर आली आहे; मोठी आणि महागडी मॉडेल्स असण्यापेक्षा लहान AI मॉडेल्स खरेदी-विक्रीतील अंतर भरून काढण्यात जास्त यशस्वी ठरत आहेत. याचा अर्थ असा की, वित्तीय संस्थांनी केवळ महागडे तंत्रज्ञान वापरले म्हणजे उत्तम कामगिरीची हमी मिळतेच असे नाही.
गुंतवणुकीचा परतावा आणि आव्हाने
McKinsey च्या २०२६ च्या अहवालानुसार, AI वर मोठ्या प्रमाणात खर्च करूनही केवळ ३७% कंपन्यांनाच त्यांच्या कमाईवर (EBIT) सकारात्मक परिणाम दिसत आहे. याचा अर्थ अनेक संस्था AI वरील खर्चाचे रूपांतर फायद्यात करण्यात अपयशी ठरत आहेत. जर AI चा वापर ऑटोमेटेड प्रायसिंग किंवा वाटाघाटींसाठी केला जात असेल, तर या मॉडेल्सचा चुकीचा निर्णय मोठा आर्थिक फटका देऊ शकतो.
नियामकांचे (Regulators) सावध पाऊल
बँक ऑफ इंग्लंडच्या 'फायनान्शियल स्टेबिलिटी बोर्ड'ने 'ब्लॅक बॉक्स' डिसिजन मेकिंगबाबत चिंता व्यक्त केली आहे. भारतातही नॅशनल स्टॉक एक्सचेंज (NSE) आणि बॉम्बे स्टॉक एक्सचेंज (BSE) बाजारातील हेराफेरी रोखण्यासाठी कडक पावले उचलत आहेत. विशेष म्हणजे, NSE ने FY26 मध्ये तब्बल ₹१,३१५ कोटी इतका तंत्रज्ञान खर्च केला आहे, जो प्रामुख्याने सुरक्षित इन्फ्रास्ट्रक्चर उभारणीसाठी वापरला जात आहे.
निष्कर्ष असा की, तंत्रज्ञानावर किती पैसा खर्च केला यापेक्षा, संस्था या ऑटोमेटेड सिस्टीमच्या जोखमी कशा हाताळतात हे पाहणे गुंतवणूकदारांसाठी आता जास्त महत्त्वाचे ठरले आहे.