・MITとスタンフォード大学の研究者は、GPTが生成した金融アドバイスに従うことで、大半の回答者の金融行動が、現在の行動よりもライフサイクル理論の推奨に近づくとの結果を示した。
・AIは一貫して、分散投資、緊急時に備えた貯蓄、年齢に応じたポートフォリオ配分を推奨し、利用者をライフサイクル金融理論に沿った行動へ促した。
・金融面での成果は、プロンプトの質、金融リテラシー、過去のAI利用経験によって異なった。
MIT・スタンフォード大研究、GPTの金融アドバイスが家計の長期的な資産形成を改善
大規模言語モデル（LLM）は、平均的な家計が現在実践している金融行動よりも優れた個人向け金融アドバイスを、すでに提供できる可能性がある。MITスローン経営大学院とスタンフォード大学の研究者による新たな論文で示された。
「AI FINANCIAL ADVICE: SUPPLY, DEMAND, AND LIFE CYCLE IMPLICATIONS（AIによる金融アドバイス：供給、需要、ライフサイクルへの影響）」と題した論文で、研究者らは22歳から退職までの個人の金融生活全体をシミュレーションした。
研究では、現実の労働市場の変動や税制のもとで、AIのアドバイスに従うことが支出、貯蓄、投資の成果にどのような影響を与えるかを測定した。分析には、米国の成人約1,000人が作成したプロンプトを使用し、それらをOpenAIのGPT-5.2に入力した。さらに、GoogleのGemini 3 FlashとOpenAIのGPT-5.6 Terraでも同様の分析を行い、定量的に類似した結果を確認した。
その結果、AIによるアドバイスは一貫して、主流の金融経済学で推奨される行動へ家計を促す傾向が確認された。
LLMアドバイスのシミュレーション手法の概要
AIモデルは、投機的な資産に資産を集中させるのではなく、主に分散投資型の株式ファンドへの投資、緊急時に備えた貯蓄、45歳以降に株式比率を徐々に引き下げることを推奨した。
シミュレーション上の家計では、30歳までに1万ドルを超える緊急予備資金を蓄積し、多くのライフサイクルのシナリオで、退職時までに金融資産の総額が100万ドルを超えた。
研究者らは、現在の汎用AIモデルは集中投資や投機的な行動を比較的避ける傾向があり、利用者をおおむね確立されたライフサイクル投資の原則へ導いていると結論付けた。
推奨される株式への配分は、現役期には平均65％で、その後、年齢を重ねるにつれて低下した。株式投資への参加率はほぼ100％に達した一方、個別株や、暗号資産・金・コモディティなどを含むその他のリスク資産については、保有者の金融資産に占める配分比率が平均2〜3％程度にとどまった。これは、2026年に米国の主要銀行やアナリストが示している推奨水準とも一致する。
バンク・オブ・アメリカのCIOは、高いボラティリティを許容できる投資家について、ポートフォリオの1〜4％を暗号資産に配分することが適切となり得るとの見方を示している。モルガン・スタンレーは、暗号資産への配分について、バランス成長型ポートフォリオでは2％、市場成長型では3％、より積極的なポートフォリオでは最大4％に抑えることを推奨している。J.P.モルガン・プライベートバンクは、ファミリーオフィス向けの文脈で、ポートフォリオの3〜5％を金に配分することも考えられるとしている。
より良い質問がより良い金融アドバイスにつながる──プロンプトの質が新たな格差を生む
一方、研究ではAIを活用する金融分野における新たな課題も明らかになった。すべての人が同じ質のアドバイスを受けられるわけではないという問題だ。
研究者らによると、AIが提示する推奨内容は、利用者の金融リテラシー、過去のAI利用経験、さらには性別によっても体系的に異なっていた。こうした差は数十年にわたって積み重なり、シミュレーションでは、異なる利用者グループ間で60歳時点の資産額に約4〜6％の格差が生じた。
こうした格差の大部分は、AIが回答を生成する前の段階に由来していた。研究者らは、プロンプトを無作為化した実験を通じ、推奨される株式配分にみられた男女差の約3分の2が、男性と女性でAIに尋ねる質問が異なることに起因すると推定した。一方、残る約3分の1だけが、その他の内容は同一のプロンプトで性別ラベルのみを変更した際に、モデルの回答が異なったことに起因していた。
この結果は、AIによる金融アドバイスが広く普及するにつれ、プロンプトエンジニアリングが重要な金融スキルになる可能性を示している。
こうした見方は、OpenAIでパーソナルファイナンスを担当するEthan Bloch氏の発言とも一致する。同氏は、次の課題は利用者がより良い金融上の質問を組み立てられるよう支援することだと述べている。
「人々がより良い質問をできるよう支援する必要がある。さらに良いのは、本人が尋ねようとも思わなかったアイデアを、こちらから積極的に提案することだ」— Ethan Bloch氏、OpenAI パーソナルファイナンス担当、2026年8月10日
論文も同様の結論に達している。AIによるアドバイスの違いは、モデルそのものの能力だけでなく、利用者がどのような情報を提供し、自身の金融状況をどのように整理して伝えるかにも、ますます左右されるようになっているという。
研究者が警告、AIの金融アドバイスは包括的な資産設計には至らず、依然として単純なルールに依存
全体として前向きな結果が得られた一方、研究者らは、現在のAIモデルは金融アドバイザーとして依然不完全だと警告している。
AIモデルは、個人の状況の変化に応じて継続的に推奨内容を調整するのではなく、固定的な貯蓄率や、貯蓄率をキリの良い数字に設定する傾向、標準化された資産取り崩しルールなど、単純な経験則に頻繁に依存していた。また、時間の経過に応じたポートフォリオの調整も不十分な傾向があり、投資資産を積極的にリバランスするよりも、資産配分のずれをそのまま放置する傾向がみられた。
ただし、この研究で特に注目された結果の一つが、包括的な金融情報と、ライフサイクルを通じた資産設計の明確な目標を含む、より構造化されたプロンプトを研究者らが与えた場合、消費の平準化や単純な経験則への依存など、一部の面でAIによるアドバイスが改善したことだ。
この結果は、今後の改善には、より高性能なAIモデルだけでなく、利用者がプロンプト作成の専門知識を必要とせずに、必要な金融情報を適切に提供できるよう支援する、より優れたインターフェースも重要になる可能性を示している。
