נתנו ל-AI משימה שבני אדם לא מסוגלים לבצע, ואז זה נהיה מעניין באמת

כולם שואלים אם AI יחליף את האדם, אבל אנחנו פשוט החלטנו לתת למכונה להתמודד עם משימה שלאף מומחה אין סיכוי לעמוד בה מלכתחילה. בדרך הצלחנו לשבור את הקופסה השחורה של הפנסיה

יכול להיות שעד עכשיו לא שאלנו את השאלה הנכונה בנוגע לכוח של ה-AI? (דימוי: Dreamstime)

מאת דן סולומון

יש משהו אבסורדי באופן שבו אנחנו נוטים להתייחס לחיסכון הפנסיוני שלנו. מצד אחד, עבור רוב הישראלים מדובר בנכס הפיננסי הגדול ביותר שיחזיקו בחייהם. מצד שני, כשבוחרים איפה לשים אותו, נדרשים לקבל החלטה על מוצר מורכב מאוד באמצעות מספר מצומצם יחסית של נתונים: תשואה, דמי ניהול ורמת סיכון כללית. אלא שמסלול פנסיוני הוא לא באמת המספר שמופיע בטבלה. מאחוריו עשויים להיות אלפי ניירות ערך, אג"ח, נגזרים, קרנות והשקעות לא-סחירות בנכסים אלטרנטיביים (נכסים לא סחירים, כגון השקעה בנדל"ן או קרנות הון-סיכון). וגם כשידוע מה המסלול מדווח שהוא מחזיק, זו עדיין לא בהכרח החשיפה הכלכלית האמיתית שלו.

האתגר הזה הציף אצלנו שאלה טכנולוגית: האם אפשר לקחת את כל המידע, לפרק אותו עד רמת נכס הבסיס (ממש לנתח כל נייר ערך ואגרת חוב בכל מסלול ובכל מוצר), לנתח אותו באופן רציף אל מול מחירי השוק, ואז להשתמש במידע כדי להבין מה באמת מתאים לכל חוסך וחוסכת?

כדי להגיע לתשובה, בנינו מערכת שבה ה-AI לא רק מחליף את האדם שבקצה, אלא עושה משהו גדול יותר: הוא מאפשר ניתוח בסקייל וברזולוציה שגורם אנושי פשוט לא מסוגל להם.

מיליוני שורות שמסתתרות מאחורי מספר אחד

הגופים המוסדיים (אלו שמנהלים את המוצרים – כמו מגדל, אלטשולר וכדומה), מפרסמים מדי רבעון קבצי אחזקות, ולצדם דיווחים חודשיים על חשיפות ותשואות. ברמת השוק, מדובר בכמויות עצומות של מידע. צריך להבין: קובץ אחד בודד יכול להכיל מאות אלפי שורות, ובתוך המסלולים עצמם נמצאים אלפי נכסים.

אפשר כמובן לנסות להסתכל על הנתונים האלה ידנית, אבל מהר מאוד מגיעים למגבלה האנושית: גם אנליסט שיודע לקרוא דוח אחזקות לא יכול לקחת אלפי נכסים, לבדוק עבור כל אחד מהם את המאפיינים הרלוונטיים, להבין את החשיפות שמאחוריו, לחבר את כל השכבות ולחזור על התהליך באופן שוטף עבור כל המסלולים בשוק. ואני שם בצד את היעדר המוטיבציה של סוכנויות וסוכנים להשקיע במערכת דירוג מקצועית ואובייקטיבית.

אנחנו רצינו לעשות בדיוק את זה.

צעד ראשון: מנוע שסורק וצולל לעומק

התחלנו בבניית מנוע שסורק את כל מוצרי החיסכון ארוך הטווח בישראל – פנסיה, גמל, השתלמות וביטוחי מנהלים – ומפרק את המסלולים עד רמת נכס הבסיס. כלומר, המשימה לא מסתכמת בשאלה אם מסלול כלשהו מחזיק במניות או באג"ח ובאיזה תמהיל (אלוקציה), אלא אילו מניות ואגרות חוב מוחזקות, מהי החלוקה ביניהן ומהם המאפיינים שלהן.

לדוגמה, במניה אנחנו יכולים להסתכל על פרמטרים כגון מכפיל רווח; באג"ח על התשואה וזמן בו מוחזרת האיגרת; ובנכסים מורכבים יותר צריך להבין מה באמת מסתתר מאחורי השם בגיליון. כאן גילינו עד כמה הפער בין הנתון המדווח לבין התמונה המלאה עשוי להיות משמעותי.

ניקח לדוגמה מסלול שמדווח על חשיפה מנייתית של כ-45%. במבט ראשון אפשר לסווג אותו בהתאם, אבל אם בתוך אחת הקרנות או ההשקעות הלא-סחירות שמופיעות בדיווח ישנן חשיפות נוספות למניות, הון פרטי, נדל"ן או נכסים אלטרנטיביים – התמונה משתנה ופתאום מה שנראה כמסלול סולידי הופך למסלול שהוא לגמרי מנייתי.

כך, במקרה אמיתי גילינו שמסלול כללי שדיווח על חשיפה מנייתית של כ-44%-45% הוא למעשה בעל חשיפה מנייתית אפקטיבית של יותר מ-60%. זה לא אומר שהדיווח היה שגוי או לא שקוף. הוא פשוט ענה על שאלה אחרת, בעוד שאנחנו ניסינו לענות על השאלה מהי החשיפה הכלכלית האמיתית שהחוסך נושא.

הצלילה הזאת היא בדיוק המקום שבו בינה מלאכותית הופכת מטכנולוגיה מעניינת לכלי עבודה הכרחי. אין בן אנוש שמסוגל לבצע את הניתוח הזה עבור מסלול אחד, ובטח שלא עבור מאות מסלולים, אלפי נכסים והררים של עדכונים שוטפים. זה בלתי אפשרי.

צעד שני: לא רק לנתח דאטה, אלא גם להבין מה חשוב

השלב הבא היה לבנות מתוך כל המידע הזה דירוג של המסלולים. גם כאן, קל יחסית למדוד את מה שכולם מודדים: אפשר להסתכל על תשואה של שנה, שלוש או חמש שנים ולראות מי נמצא למעלה. אבל מבחינתנו זה לא הספיק. אם מסלול השיג תשואה גבוהה תוך לקיחת סיכון גבוה משמעותית, קשה להשוות אותו ישירות למסלול שהשיג תשואה דומה בסיכון נמוך יותר.

לכן רצינו למדוד לא רק כמה מסלול הרוויח, אלא גם עד כמה התשואה הייתה עקבית לאורך זמן, את עקביות איכות הניהול ומה היה הסיכון שנלקח כדי להשיג אותה. קוראים לזה ניהול אפקטיבי.

ופה נכנס שימוש נוסף ב-AI: לא רק עיבוד של הדאטה, אלא זיהוי הפרמטרים שבאמת מוסיפים מידע. כשיש מספיק נתונים, אפשר לבדוק אילו משתנים באמת מבדילים בין מסלולים, ואילו בעיקר מוסיפים רעש. במקום לבנות מודל שמביא בחשבון כל נתון אפשרי, המטרה הייתה להגיע למספר המצומצם ביותר של פרמטרים משמעותיים, ואז לחבר אותם לדירוג אחד.

זה תהליך דינמי. הנתונים ממשיכים לזרום מדי חודש ורבעון, ומקורות מידע נוספים מתווספים כל הזמן. לכן המודל אינו צילום מצב חד-פעמי, אלא מערכת שחיה עם הדאטה, מקבלת אותו באמצעות API ישירות ממשרד האוצר ומגופים נוספים בארץ ובעולם, ומעדכנת את הדירוג בהתאם.

ויש נקודה נוספת, שהכי חשוב להתעכב עליה: האלגוריתם אינו מוּטה. ההשוואה שהוא עורך בין המוצרים הפיננסיים היא בהגדרה ובהתחייבות מנותקת מעמלות, קשרים עסקיים ואינטרסים כלשהם, למעט זה של הלקוח. בסופו של דבר, זאת נקודת הכאב הכי משמעותית שהאלגוריתם פותר, במיוחד בכל מה שנוגע לחסכונות ארוכי טווח.

צעד שלישי: פרסונליזציה

לאחר שווידאנו מה יש בכל מסלול ומהי רמת הסיכון שלו – אבל באמת – נותרה לפנינו שאלה חשובה: האם המסלול הספציפי מתאים לאדם מסוים?

חוסכת בת 30 עם אופק השקעה של עשרות שנים אינה באותו מצב כמו חוסכת בת 60 שמתקרבת לפרישה. גיל, אופק השקעה, תיאבון לסיכון והיכולת לסבול ירידות בשוק הם חלק מהתמונה. לכן בנינו שכבה נוספת שמחברת בין שני הדברים: רמת הסיכון של המסלול – ורמת הסיכון שמתאימה לחוסך.

איך זה מתבצע? המשתמש עובר תהליך קצר של איסוף נתונים, בין היתר באמצעות מסלקה ושאלון "הכר את הלקוח" (KYC), והמערכת מסווגת אותו לרמות סיכון שונות בהתאם לסוג המוצר ולמה שמתאים עבורו אישית. היא יכולה להציג מסלול שמתאים לרמה הזאת, אבל היא כמובן לא מקבלת את ההחלטה במקום החוסכים. היא ממליצה ומסבירה את ההמלצה.

ההסבר חשוב לא פחות מהשורה התחתונה, ולכן בנינו גם שכבת הנמקה שמפרטת את הגורמים שהובילו להתאמה. בדרך הגברנו את הנגישות של הלקוח לדאטה עצמו, ככל שניתן ובמידה שיש לו רצון לצלול לתוכו.

במקרים שבהם המערכת מזהה צורך של הלקוח בשיחה עם איש מקצוע, או שהלקוח מבקש זאת, אפשר לערב גורם אנושי ובעל רישיון. אבל זו כבר אמורה להיות התערבות הנובעת מהצורך של הלקוח, ולא מהמגבלה של המערכת. עקרונית, הממשק כולו – מאיסוף הנתונים, דרך ההמלצה ועד לחתימה – נועד להיות דיגיטלי מ-א' עד ת', ממש כמו איסוף הדאטה וניתוח האנליזה שמאחוריו.

יש תרופה ל-FOMO

הניוזלטר שלנו עושה את האקסטרה מייל עם העדכונים והחדשות של השבוע

ה-X פקטור של ה-AI

כשמדברים על AI, קל להתמקד בשאלה אם המכונה יכולה לעשות את מה שעושה האדם. בעיניי, זאת לא בהכרח השאלה הנכונה. המקרה היותר מעניין הוא מה קורה כשנותנים למערכת להתמודד עם בעיה שאדם פשוט לא מסוגל לפתור בקנה המידה הנדרש בשוק.

במקרה שלנו, אין שום סיבה (או יכולת) שאדם מן השורה ילמד אלפי נכסים, ינתח מאות קבצי אחזקות, יפענח חשיפות עקיפות, יחבר אותן לנתוני תשואה וסיכון ויעשה את זה מחדש מדי חודש. גם איש מקצוע מיומן לא יכול לבצע את כל התהליך הזה עבור כל השוק באופן רציף.

זה בעיניי אחד המקומות שבהם השימוש ב-AI מתחיל להיות מעניין באמת: לא כשאנחנו מחליפים אדם שיכול לבצע את אותה משימה, אלא כשאנחנו הופכים באמצעות הטכנולוגיה משימה שלא הייתה מעשית – בגלל היקף, מורכבות וקצב הנתונים – למשהו שניתן לבצע באופן שיטתי.

בפנסיה, התוצאה היא ניסיון לעבור מהסתכלות על שמות, קטגוריות ומספרים בודדים לבחינת הדאטה שמאחוריהם. וזה אולי השינוי האמיתי ש-AI יכולה להביא לתחומים מורכבים: לא לקבל החלטות במקום הגורם האנושי, אלא לתת להם בפעם הראשונה תמונה שהאדם לבדו לא היה מסוגל להרכיב.