作者：沈南乔｜OC 社会影响编辑

MIT 与 Stanford 研究人员在工作论文中，让 1000 名美国成年人写出自己会拿去询问 AI 的理财问题，再模拟用户从 22 岁到 89 岁持续采纳模型建议的结果。研究发现，AI 的平均建议比预期更接近传统生命周期理财原则，但不同人如何提问，可能累积成退休财富差距。

一句话结论：AI 可以把“多储蓄、分散投资、随年龄降低风险”这些基本原则带给更多人，却会让最不懂怎样提供完整信息的人得到较差建议；低门槛工具可能反过来奖励更会使用工具的人。

研究使用 GPT-5.2 和 Gemini 3 Flash，把自然语言建议转成消费、储蓄和资产配置比例，再放进包含收入、失业、税收、社会保障和市场回报的生命周期模型。结果显示，模型通常鼓励工作期储蓄、投资分散化股票基金，并在 45 岁后降低股票比例。

但细节并不理想。模型面对失业冲击时倾向于让用户过度削减消费，即使用户还有流动储蓄；投资组合也会随市场涨跌被动漂移，而不是主动再平衡。换成包含完整财务状态、经济假设和生命周期目标的“学术式提示”后，建议有所改善，但再平衡问题仍然存在。

更敏感的结果来自群体差异。使用男性、金融知识较高或有 AI 使用经验者写出的提示词，模拟到退休时的财富大约高 5%。女性和低金融知识用户对应路径在 60 岁时约少 4%，没有 AI 理财经历的用户约少 6%。

差异不全是模型直接歧视。研究者随机给相同问题加上性别标签后估计，约三分之二的性别差异来自男女原本提出的问题不同，三分之一来自模型知道性别后改变建议。这恰好说明产品不能把责任都推给“用户没问好”：系统知道关键信息缺失时，应主动追问，而不是悄悄用群体刻板印象补空白。

这些仍是模拟结果，不是几十年真实跟踪。它假设用户会持续照做，也以特定经济模型定义“更好”的决策；研究不能证明某个具体用户跟随 AI 就会多赚或少赚 5%。OC 此前提醒 AI 不是受托顾问，今天新增的是更细的证据：建议平均合理，不代表分配结果公平。

关键事实

• 样本：1000 名美国成年人提供真实风格的理财提示词
• 方法：把模型建议量化后放入 22 至 89 岁的生命周期模拟
• 主要结果：平均建议鼓励储蓄、分散投资和随年龄降低风险
• 关键边界：4% 至 6% 的财富差异来自模拟路径，不是已观察到的实际损失

OC 判断

免责声明不是产品设计。理财助手至少应主动询问年龄、收入稳定性、债务、应急储蓄、税务地区和风险承受能力，并明确展示假设。越缺少金融知识的用户，越不应该承担“写出专家级提示词”这道隐形门槛。

为什么重要

• 对用户：可以让 AI 解释概念和整理问题，但重大投资、税务和退休决定仍需可问责的专业意见。
• 对产品团队：评价理财助手不能只看平均答案，还要比较不同知识水平用户的长期结果。
• 对监管者：需要关注建议依据、利益冲突和群体差异，而不只是页面上的风险提示。

参考来源

• AI Financial Advice: Supply, Demand, and Life Cycle Implications
• MIT Sloan summary of the research
• NBER Summer Institute 2026: Household Finance