AI vs human traders

2026 ஆம் ஆண்டில் முதலீட்டு வங்கிகளில் AI நிதி ஆய்வாளர்களை மாற்றுகிறதா?

2026 ஆம் ஆண்டில் AI முதலீட்டு வங்கிகளில் நிதி ஆய்வாளர்களை முழுமையாக மாற்றவில்லை, ஆனால் ஜூனியர் ஆய்வாளர்கள் பாரம்பரியமாக செய்த மீண்டும் மீண்டும் நடக்கும் ஆராய்ச்சி, மாடலிங் மற்றும் தரவு சேகரிப்பு பணியில் குறிப்பிடத்தக்க பங்கை ஏற்கனவே தானியங்குபடுத்தியுள்ளது. இந்த பணியை முழுமையாக அகற்றுவதற்குப் பதிலாக, AI நுழைவு நிலை ஆய்வாளர் பணியை சுருக்கி, மனித கவனத்தை கிளையன்ட் உறவுகள், ஒப்பந்த உத்தி மற்றும் தெளிவற்ற சந்தை சமிக்ஞைகளை விளக்குவது போன்ற தீர்மான-அடிப்படையிலான பணிகளை நோக்கி மாற்றுகிறது.

கோல்ட்மேன் சாக்ஸ், ஜேபி மோர்கன் மற்றும் மோர்கன் ஸ்டான்லி உள்ளிட்ட முக்கிய முதலீட்டு வங்கிகள் அனைத்தும், முன்பு மனித குழுக்கள் எடுத்த நேரத்தில் ஒரு பகுதி நேரத்தில் பிட்ச் புத்தகங்களை உருவாக்கும், வருவாய் அழைப்புகளை சுருக்கும் மற்றும் நிதி மாடல்களை உருவாக்கும் உள்நாட்டு AI கருவிகளை வெளிப்படுத்தியிருப்பதால், இந்த வருடம் நிதி வாழ்க்கை விவாதங்களில் அதிகம் தேடப்பட்ட தலைப்புகளில் ஒன்றாக இந்த கேள்வி மாறியுள்ளது.

இந்த மாற்றம் உலகளாவிய நிதியை மறுவடிவமைக்கும் நான்கு தனித்துவமான AI ஏற்புக் கதிகள் என்ற பரந்த முறையில் பொருந்துகிறது, முதலீட்டு வங்கி ஆராய்ச்சி பிரிவுகள் மற்ற பல வங்கி செயல்பாடுகளை விட வேகமாக நகர்கின்றன, ஏனெனில் அவற்றின் பணி பெரிதும் தரவு-இயக்கப்பட்டது மற்றும் மீண்டும் மீண்டும் நடக்கும் தன்மையுடையது. AI ஆய்வாளர்களுக்கு துல்லியமாக எங்கு உதவுகிறது, மற்றும் இன்னும் எங்கு குறைபாடு உள்ளது என்பதை புரிந்துகொள்வது, நிதியில் வாழ்க்கையை உருவாக்குபவர்கள் அல்லது முதலீட்டு முடிவுகளுக்கு ஆய்வாளர் ஆராய்ச்சியை நம்பியிருப்பவர்கள் அனைவருக்கும் அவசியமானது.

கருத்து விளக்கம்

நிதி ஆய்வாளர் பணி பாரம்பரியமாக மூன்று பரந்த வகை பணிகளை உள்ளடக்கியது: தரவு சேகரிப்பு, நிதி மாடலிங் மற்றும் எழுத்து ஆய்வு. Generative AI கருவிகள் முதல் இரண்டு வகைகளில் மிகவும் திறமையாகியுள்ளன, வருவாய் அறிக்கைகள், SEC தாக்கல்கள் மற்றும் சந்தை தரவுத்தளங்களிலிருந்து தரவை இழுத்து, பின்னர் தள்ளுபடி செய்யப்பட்ட பணப்புழக்க பகுப்பாய்வு போன்ற தரப்படுத்தப்பட்ட மதிப்பீட்டு மாடல்களை மணிநேரங்களுக்குப் பதிலாக நிமிடங்களில் உருவாக்குகின்றன.

மூன்றாவது வகை, எழுத்து ஆய்வு மற்றும் தீர்மான முடிவுகள், மனித ஆய்வாளர்கள் மிகவும் தனித்துவமான மதிப்பை சேர்க்கும் இடமாக உள்ளது. ஒரு நிறுவனத்தின் வருவாய் அழைப்பில் என்ன நடந்தது என்பதை AI சுருக்கமாக கூறமுடியும், ஆனால் நிர்வாகத்தின் தொனி ஏன் மாறியது, அல்லது போட்டி இயக்கவியலைக் கருத்தில் கொண்டு கூறப்பட்ட வளர்ச்சி உத்தி நம்பகமானதா என்பதை விளக்குவது, தற்போதைய AI மாடல்கள் தொடர்ச்சியாக பிரதிபலிக்க போராடும் மனித அனுபவம் மற்றும் சூழல் தீர்மானத்தை இன்னும் தேவைப்படுத்துகிறது.

இது ஏன் இப்போது முக்கியமானது

2026 ஆம் ஆண்டில், முதலீட்டு வங்கி முழுவதும் செலவு அழுத்தம் இந்த வேறுபாட்டை நிதி ரீதியாக முக்கியமானதாக ஆக்கியுள்ளது. நிலையற்ற ஒப்பந்த-உருவாக்க செயல்பாட்டின் மத்தியில் கட்டண வரம்புகளில் அழுத்தத்தை எதிர்கொள்ளும் வங்கிகள், மீண்டும் மீண்டும் நடக்கும் பணிகளில் ஊழியர் எண்ணிக்கையை குறைக்க வலுவான ஊக்கத்தை கொண்டுள்ளன, மேலும் பல முக்கிய நிறுவனங்கள் AI கருவிகள் அதிக முதலாண்டு பணிச்சுமையை உள்வாங்குவதால் சிறிய வரவிருக்கும் ஆய்வாளர் வகுப்புகளை பகிரங்கமாக ஒப்புக்கொண்டுள்ளன.

மாணவர்கள் மற்றும் ஆரம்பகால தொழில்முறையினருக்கு, இந்த மாற்றம் எந்த திறன்கள் மிகவும் முக்கியம் என்பதை மாற்றுகிறது. நுழைவு நிலை பாத்திரங்கள் AI கருவிகளுடன் இணைந்து வேலை செய்யும் திறனை, அவற்றின் வெளியீடுகளில் பிழைகளை சரிபார்ப்பதை, மற்றும் மீண்டும் மீண்டும் நடக்கும் கைமுறை மாடலிங் மூலம் உருவாக்க பல ஆண்டுகள் எடுத்த தீர்மான-அடிப்படையிலான திறன்களை விரைவாக வளர்ப்பதை அதிகரித்தளவில் வலியுறுத்துகின்றன, இது பாரம்பரிய வாழ்க்கை வளர்ச்சி காலவரிசையை திறம்பட சுருக்குகிறது.

AI இந்த பகுதியை எவ்வாறு மாற்றுகிறது

வங்கி பணிப்பாய்வுகளில் ஒருங்கிணைக்கப்பட்ட பெரிய மொழி மாடல்கள் இப்போது நூற்றுக்கணக்கான பக்கங்கள் ஒழுங்குமுறை தாக்கல்களை படித்து, அறிக்கையிடல் காலங்களுக்கு இடையேயான பொருள் மாற்றங்களை கிட்டத்தட்ட உடனடியாக கொடி காட்ட முடியும், இது முன்பு ஆய்வாளர்கள் ஆவணங்களை வரிக்கு வரி கைமுறையாக ஒப்பிட வேண்டியிருந்த ஒரு பணியாகும். இது இணைப்புகள் மற்றும் கையகப்படுத்தல்களின் போது கவனமான ஆய்வு பணிக்கு தேவையான நேரத்தை கணிசமாக குறைத்துள்ளது.

ஆராய்ச்சி வாடிக்கையாளர்களுக்கு எவ்வாறு விநியோகிக்கப்படுகிறது என்பதையும் AI மாற்றி வருகிறது. வாரந்தோறும் வெளியிடப்படும் நிலையான PDF அறிக்கைகளுக்குப் பதிலாக, சில வங்கிகள் இப்போது AI-இயங்கும் ஆராய்ச்சி உதவியாளர்களை வழங்குகின்றன, இது நிறுவன வாடிக்கையாளர்கள் குறிப்பிட்ட கேள்விகளைக் கேட்டு, வங்கியின் தனியுரிம ஆராய்ச்சி நூலகத்திலிருந்து இழுக்கப்பட்ட உடனடி, தரவு-ஆதரவு பதில்களைப் பெற அனுமதிக்கிறது, இது ஆய்வாளரின் பாத்திரத்தை அறிக்கை எழுத்தாளரிலிருந்து ஆராய்ச்சி காப்பாளர் மற்றும் தர சரிபார்ப்பாளராக மாற்றுகிறது.

நிஜ-உலக உலகளாவிய உதாரணங்கள்

கோல்ட்மேன் சாக்ஸ் தனது முதலீட்டு வங்கி பிரிவு முழுவதும் பிட்ச் புத்தக உருவாக்கத்தை துரிதப்படுத்த பயன்படுத்தப்படும் அதன் உள்நாட்டு AI உதவியாளரை பகிரங்கமாக விவாதித்துள்ளது, அதே நேரத்தில் ஜேபி மோர்கனின் AI ஆராய்ச்சி கருவிகள் இப்போது ஆயிரக்கணக்கான உள்ளடக்கிய நிறுவனங்கள் முழுவதும் ஒரே நேரத்தில் வருவாய் அழைப்பு பிரதிகளை தொகுக்க ஆய்வாளர்களுக்கு உதவுகின்றன. ஐரோப்பாவில், UBS மற்றும் Deutsche Bank இரண்டும் கார்ப்பரேட் பத்திர போர்ட்ஃபோலியோக்களில் ஆரம்ப எச்சரிக்கை அறிகுறிகளை கைமுறை ஆய்வை விட வேகமாக கொடி காட்ட வடிவமைக்கப்பட்ட AI-இயக்கப்பட்ட கடன் ஆராய்ச்சி கருவிகளை முன்னோட்டமாக்கியுள்ளன.

ஆசியாவில், பல முக்கிய இந்திய மற்றும் சிங்கப்பூர் வங்கிகள் ஆரம்ப நிறுவன திரையிடலை கையாள ஈக்விட்டி ஆராய்ச்சி குழுக்களில் AI கோபைலட்களை ஒருங்கிணைத்துள்ளன, இது மனித ஆய்வாளர்கள் அதிக ஆழத்துடன் குறைந்த எண்ணிக்கையிலான உயர்-நம்பிக்கை யோசனைகளில் கவனம் செலுத்த அனுமதிக்கிறது. இந்த பிராந்திய உதாரணங்கள் AI-vs-மனித மாற்றம் வால் ஸ்ட்ரீட்டுக்கு மட்டும் மட்டுப்படுத்தப்படாத ஒரு உலகளாவிய போக்கு என்பதைக் காட்டுகின்றன.

நடைமுறை நிதி குறிப்புகள்

ஆய்வாளர் ஆராய்ச்சியை நம்பியிருக்கும் தனிநபர் முதலீட்டாளர்களுக்கு, ஒரு அறிக்கை முதன்மையாக AI-உருவாக்கப்பட்டதா அல்லது மனிதனால்-மதிப்பாய்வு செய்யப்பட்டதா என்பதை சரிபார்ப்பது மதிப்புமிக்கது, ஏனெனில் AI-உதவியுடன் உருவாக்கப்பட்ட அறிக்கைகள் சில நேரங்களில் அனுபவம் வாய்ந்த ஆய்வாளர்கள் கண்டறியும் நுணுக்கமான சூழலை தவறவிடலாம். உண்மையான வருவாய் அழைப்பு பிரதிகள் போன்ற முதன்மை ஆதார ஆவணங்களுடன் AI-உருவாக்கப்பட்ட சுருக்கங்களை குறுக்கு-குறிப்பிடுவது முதலீட்டு முடிவுகளை எடுப்பதற்கு முன் ஒரு நல்ல நடைமுறையாக உள்ளது.

நிதியில் வாழ்க்கையை உருவாக்குபவர்களுக்கு, AI உடன் போட்டியிடுவதற்கு பதிலாக அதை நிரப்பும் திறன்களை வளர்ப்பது மிகவும் நெகிழ்வான உத்தியாகும். இதில் தொடர்பு, பேச்சுவார்த்தை மற்றும் மூலோபாய தீர்மான திறன்களை வலுப்படுத்துவது அடங்கும், ஏனெனில் rupiya.ai போன்ற தளங்கள் மூலம் கிடைக்கும் நுண்ணறிவுகள் உட்பட AI கருவிகள் உண்மையிலேயே பயனுள்ளதாக இருக்க இன்னும் மனித விளக்கத்தையே சார்ந்துள்ள பகுதிகளாக இவை உள்ளன.

எதிர்கால கண்ணோட்டம்

2028 ஆம் ஆண்டளவில், பெரும்பாலான ஆய்வாளர்கள் மாடலிங் மற்றும் தரவு தொகுப்பு பணியில் இன்னும் பெரிய பங்கை AI கையாளும் என எதிர்பார்க்கின்றனர், ஆனால் கிளையன்ட் உறவுகள் மற்றும் ஒப்பந்த தீர்மானம் இன்னும் மனித நம்பிக்கையை தேவைப்படுத்துவதால் மனித ஆய்வாளர்களின் முழு மாற்றீடு அருகிய எதிர்காலத்தில் சாத்தியமற்றதாகவே உள்ளது. ஆய்வாளர் பாத்திரம் கைமுறையாக அவற்றை உருவாக்குவதற்குப் பதிலாக AI-உருவாக்கப்பட்ட வெளியீடுகளை சரிபார்ப்பது, செம்மைப்படுத்துவது மற்றும் சூழலமைப்பது ஆகியவற்றில் கவனம் செலுத்தும் 'AI மேற்பார்வையாளர்' பதவியாக மாறுவதற்கான வாய்ப்பு அதிகம்.

AI-உருவாக்கப்பட்ட நிதி ஆராய்ச்சி தொடர்பாக ஒழுங்குமுறை ஆய்வும் அதிகரிக்கும் என எதிர்பார்க்கப்படுகிறது, குறிப்பாக முதலீட்டு பரிந்துரைகளை உருவாக்க AI கருவிகள் எப்போது பயன்படுத்தப்பட்டன என்பது குறித்த வெளிப்படுத்தல் தேவைகள் தொடர்பாக. அடிப்படை AI திறன் தொடர்ந்து விரைவாக மேம்பட்டாலும் இந்த ஒழுங்குமுறை கவனம் ஆராய்ச்சி செயல்பாடுகளில் முழு தானியங்குமயமாக்கலை மெதுவாக்கக்கூடும்.

மனிதன் vs AI ஒப்பீடு

வேகம், நிலைத்தன்மை மற்றும் சோர்வு இல்லாமல் மிகப்பெரிய அளவிலான தரவை செயலாக்கும் திறன் ஆகியவற்றில் AI தெளிவாக மனித ஆய்வாளர்களை விட சிறந்து விளங்குகிறது, இது குறிப்பிட்ட நிதி அளவுகோல்களுக்கு எதிராக ஆயிரக்கணக்கான நிறுவனங்களை திரையிடுவது போன்ற பணிகளுக்கு அதை சிறந்ததாக ஆக்குகிறது. இருப்பினும், முழுமையற்ற தகவல், தெளிவற்ற நிர்வாக தொடர்பு, அல்லது கடின தரவுக்கு எதிராக தரமான காரணிகளை எடைபோட வேண்டிய தீர்மான முடிவுகளை உள்ளடக்கிய சூழல்களில் மனித ஆய்வாளர்கள் தொடர்ந்து AI ஐ விட சிறந்து விளங்குகிறார்கள்.

2026 ஆம் ஆண்டில் மிகவும் திறம்பட செயல்படும் ஆராய்ச்சி குழுக்கள் இரண்டு பலங்களையும் இணைக்கின்றன, தரவு செயலாக்கம் மற்றும் ஆரம்ப திரையிடலின் கனமான வேலைக்கு AI ஐப் பயன்படுத்துகின்றன, அதே நேரத்தில் இறுதி முதலீட்டு தீர்மானம் மற்றும் கிளையன்ட் தொடர்பை அனுபவம் வாய்ந்த மனித ஆய்வாளர்களுக்காக ஒதுக்குகின்றன. முழு AI மாற்றீட்டிற்கு பதிலாக இந்த கலப்பின மாதிரி, இன்று பெரும்பாலான முக்கிய முதலீட்டு வங்கிகளில் ஆதிக்கம் செலுத்தும் முறையாகத் தோன்றுகிறது, இது உலகளாவிய நிதியில் காணப்படும் பரந்த நான்கு-வேக ஏற்புக் கதியை பிரதிபலிக்கிறது.