LLM анализ инвестиций бесспорно отличается высокой скоростью, а рынок компаний, предлагающих продукты для инвестиционных фирм и участников сделок, никогда не был таким разнообразным и быстро меняющимся. Но грамотные инвесторы должны использовать эту скорость с помощью первоклассного процесса, который соответствует корпоративной культуре фирмы, оперативно выявляя риски и перераспределяя ресурсы на самые лучшие возможности.
Осознание ограничений gen AI
Принятие инвестиционных решений требует точности. Одна из проблем, с которой сталкиваются инвестиционные команды при работе с крупнейшими корпоративными моделями управления рисками (LLM), заключается в том, что когда эти модели используют обширный массив данных (например, общедоступный интернет), они подвержены предвзятости, непреднамеренным расхождениям и противоречиям. Они могут представлять ответы как авторитетные, но при этом предлагать ложную точность, которую инвесторы, как правило, умеют отфильтровывать. Это может стать серьезной проблемой: например, чрезмерно оптимистичные или упрощенные предварительные оценки могут привести к нерациональному распределению времени инвестиционных команд.
Предвзятость «позитивных разговоров»
В семи из десяти проанализированных отраслей отчеты, основанные на углубленных исследованиях в области искусственного интеллекта, демонстрировали гораздо более оптимистичный взгляд на ситуацию — или «позитивные прогнозы» — чем отчеты, основанные на интервью с экспертами. Последние, как правило, основывали анализ на осторожном реализме, отражая как рыночный потенциал, так и реальные проблемы. Например, крупный корпоративный эксперт может представить успех того или иного продукта как повсеместно подтвержденный. Напротив, участники отрасли (эксперты) могут внести больше нюансов, указав на положительные результаты среди корпоративных покупателей и меньшую потребность в продукте среди сегментов клиентов в малых и средних предприятиях.
Расхождения и противоречия
Были выявлены некоторые расхождения в отчетах, подготовленных LLM, с тем, что говорили отраслевые эксперты. И эти расхождения часто были весьма существенными — они затрагивали ключевые показатели, такие как размер рынка, темпы роста, динамика ценообразования и структура маржи, подчеркивая риск использования непроверенных общедоступных данных. Такие несоответствия требуют от инвестиционных команд проведения дополнительной работы или смены места работы.
Ключевые упущения
Примерно 40% важных данных, выявленных в ходе интервью с экспертами, отсутствовали в соответствующих ответах на вопросы в рамках программы LLM по тем же темам и не могли быть получены с помощью дополнительных запросов от пользователей. Эти недостающие данные включали в себя жизненно важную информацию, которая часто имеет решающее значение в сделках, но невидима в массиве данных, доступного в рамках общедоступных программ LLM — от традиционных структур контрактов в отрасли до экономики продукции, структуры каналов сбыта и нормативных препятствий.
Осознание ограничений gen AI
Принятие инвестиционных решений требует точности. Одна из проблем, с которой сталкиваются инвестиционные команды при работе с крупнейшими корпоративными моделями управления рисками (LLM), заключается в том, что когда эти модели используют обширный массив данных (например, общедоступный интернет), они подвержены предвзятости, непреднамеренным расхождениям и противоречиям. Они могут представлять ответы как авторитетные, но при этом предлагать ложную точность, которую инвесторы, как правило, умеют отфильтровывать. Это может стать серьезной проблемой: например, чрезмерно оптимистичные или упрощенные предварительные оценки могут привести к нерациональному распределению времени инвестиционных команд.
Предвзятость «позитивных разговоров»
В семи из десяти проанализированных отраслей отчеты, основанные на углубленных исследованиях в области искусственного интеллекта, демонстрировали гораздо более оптимистичный взгляд на ситуацию — или «позитивные прогнозы» — чем отчеты, основанные на интервью с экспертами. Последние, как правило, основывали анализ на осторожном реализме, отражая как рыночный потенциал, так и реальные проблемы. Например, крупный корпоративный эксперт может представить успех того или иного продукта как повсеместно подтвержденный. Напротив, участники отрасли (эксперты) могут внести больше нюансов, указав на положительные результаты среди корпоративных покупателей и меньшую потребность в продукте среди сегментов клиентов в малых и средних предприятиях.
Расхождения и противоречия
Были выявлены некоторые расхождения в отчетах, подготовленных LLM, с тем, что говорили отраслевые эксперты. И эти расхождения часто были весьма существенными — они затрагивали ключевые показатели, такие как размер рынка, темпы роста, динамика ценообразования и структура маржи, подчеркивая риск использования непроверенных общедоступных данных. Такие несоответствия требуют от инвестиционных команд проведения дополнительной работы или смены места работы.
Ключевые упущения
Примерно 40% важных данных, выявленных в ходе интервью с экспертами, отсутствовали в соответствующих ответах на вопросы в рамках программы LLM по тем же темам и не могли быть получены с помощью дополнительных запросов от пользователей. Эти недостающие данные включали в себя жизненно важную информацию, которая часто имеет решающее значение в сделках, но невидима в массиве данных, доступного в рамках общедоступных программ LLM — от традиционных структур контрактов в отрасли до экономики продукции, структуры каналов сбыта и нормативных препятствий.
Применение сбалансированного подхода
Ни в одной из этих трех категорий — предвзятость в сторону оптимистичных заявлений, расхождения и противоречия, а также ключевые упущения — не утверждается, что какие бы конфиденциальные данные ни имелись у пользователя, они являются универсально верными по сравнению с общедоступным ответом, полученным в рамках программы LLM. На самом деле, зачастую ни один из источников сам по себе не даст полного и исчерпывающего ответа инвестиционной команде. Такие несоответствия инвестиционные команды должны активно искать и использовать в качестве инструмента для распределения времени и ресурсов в процессе исследований и оценки. Именно благодаря этому процессу они могут сформировать собственное мнение по наиболее важным открытым вопросам, которые определят успех инвестиционного проекта.
Более сбалансированный подход предполагает использование инвестиционными командами собственных данных в дополнение к продуктам LLM. Инвестиционным командам следует рассмотреть возможность использования экспертных оценок в конкретных отраслях для получения реалистичного понимания операционных реалий и рыночных рисков. Кроме того, инвестиционным командам следует внедрить строгую культуру и набор процессов проверки всех источников информации. Искусственный интеллект может ускорить поиск информации, но он не обеспечит ее качество без участия пользователя.
Такой подход обеспечивает аналитическую тщательность, позволяя заинтересованным сторонам уверенно выявлять реальные возможности для роста и предвидеть потенциальные операционные проблемы. Он также повышает уровень инвестиционной строгости, поддерживая комплексную проверку команд исчерпывающими и отраслевыми данными, которые могут напрямую повлиять на точность оценки и оценки рисков.
Когда заинтересованные стороны располагают большим объемом детализированных, отслеживаемых данных, они могут принимать более обоснованные решения о распределении капитала и времени на протяжении всего инвестиционного процесса. Действительно, оптимизация сбора информации инвестиционными командами становится критически важной частью управления эффективным процессом инвестиционных исследований.
ОБ АВТОРЕ(АХ)
Альфонсо Пулидо — старший партнер в офисе McKinsey в районе залива Сан-Франциско; Эндрю Маллин — старший партнер в офисе в Торонто; а Крис Маллиган — партнер в офисе в Нью-Йорке, где Гуннар Грегори является ассоциированным партнером, а Набель Хатут — руководителем подразделения по управлению активами.
Использование возможностей искусственного интеллекта в частных рынках
5 января 2026 г. Статья. Альфонсо Пулидо, Эндрю Маллин, Крис Маллиган, Гуннар Грегори, Набелm Хатут.
Ни в одной из этих трех категорий — предвзятость в сторону оптимистичных заявлений, расхождения и противоречия, а также ключевые упущения — не утверждается, что какие бы конфиденциальные данные ни имелись у пользователя, они являются универсально верными по сравнению с общедоступным ответом, полученным в рамках программы LLM. На самом деле, зачастую ни один из источников сам по себе не даст полного и исчерпывающего ответа инвестиционной команде. Такие несоответствия инвестиционные команды должны активно искать и использовать в качестве инструмента для распределения времени и ресурсов в процессе исследований и оценки. Именно благодаря этому процессу они могут сформировать собственное мнение по наиболее важным открытым вопросам, которые определят успех инвестиционного проекта.
Более сбалансированный подход предполагает использование инвестиционными командами собственных данных в дополнение к продуктам LLM. Инвестиционным командам следует рассмотреть возможность использования экспертных оценок в конкретных отраслях для получения реалистичного понимания операционных реалий и рыночных рисков. Кроме того, инвестиционным командам следует внедрить строгую культуру и набор процессов проверки всех источников информации. Искусственный интеллект может ускорить поиск информации, но он не обеспечит ее качество без участия пользователя.
Такой подход обеспечивает аналитическую тщательность, позволяя заинтересованным сторонам уверенно выявлять реальные возможности для роста и предвидеть потенциальные операционные проблемы. Он также повышает уровень инвестиционной строгости, поддерживая комплексную проверку команд исчерпывающими и отраслевыми данными, которые могут напрямую повлиять на точность оценки и оценки рисков.
Когда заинтересованные стороны располагают большим объемом детализированных, отслеживаемых данных, они могут принимать более обоснованные решения о распределении капитала и времени на протяжении всего инвестиционного процесса. Действительно, оптимизация сбора информации инвестиционными командами становится критически важной частью управления эффективным процессом инвестиционных исследований.
ОБ АВТОРЕ(АХ)
Альфонсо Пулидо — старший партнер в офисе McKinsey в районе залива Сан-Франциско; Эндрю Маллин — старший партнер в офисе в Торонто; а Крис Маллиган — партнер в офисе в Нью-Йорке, где Гуннар Грегори является ассоциированным партнером, а Набель Хатут — руководителем подразделения по управлению активами.
Использование возможностей искусственного интеллекта в частных рынках
5 января 2026 г. Статья. Альфонсо Пулидо, Эндрю Маллин, Крис Маллиган, Гуннар Грегори, Набелm Хатут.
https://www.mckinsey.com/industries/private-capital/our-insights/harnessing-the-power-of-gen-ai-in-private-markets
Комментариев нет:
Отправить комментарий