Investeringsblog
9. juli 2026
Forleden fortalte en kollega mig, at han havde ladet en AI-model stå for sine investeringer.
Han vidste migikke præcis, hvordan den traf sine beslutninger. Han fortalte heller ikke, hvilke aktier den havde valgt. Men én ting understregede han flere gange:
“Det er faktisk gået rigtig godt indtil nu.”
Og måske gør det netop historien interessant.
For når vi hører om en ny investeringsmetode, der har leveret flotte resultater, sker der noget i vores hjerner. Vi bliver nysgerrige. Måske endda lidt misundelige. Og ganske hurtigt begynder vi at overveje, om vi selv burde gøre det samme.
Det er præcis sådan, mange investeringsbobler begynder.
Det er den store forskel mellem mennesker og maskiner.
Eller er det?
Når vi taler om kunstig intelligens, forestiller mange sig en slags perfekt rationel investeringsmaskine. En digital Mr. Spock, der analyserer enorme datamængder uden frygt, grådighed eller impulsive beslutninger.
Men der er et problem.
AI lærer af os.
Den trænes på vores tekster, vores analyser, vores nyheder, vores diskussioner og vores historiske investeringsadfærd.
Hvis mennesker har en tendens til at blive forelskede i populære aktier, er der en risiko for, at AI lærer det samme mønster.
Ny forskning har vist, at flere store sprogmodeller har en tendens til at favorisere de samme typer aktier igen og igen.
De søger mod de virksomheder, som omtales mest, analyseres mest og fylder mest i det offentlige rum.
Det lyder måske som en teoretisk bekymring. Men en ny undersøgelse fra National Bureau of Economic Research bad flere af de mest kendte AI-modeller om at sammensætte investeringsporteføljer.
Resultatet var bemærkelsesværdigt.
I gennemsnit udgjorde halvlederaktier hele 41 procent af porteføljerne – omtrent dobbelt så meget som deres vægt i S&P 500. Nvidia var næsten altid blandt favoritterne. Samtidig var porteføljerne ofte overraskende koncentrerede. En af modellerne havde typisk kun omkring 4-5 aktier i porteføljen.
Det mest interessante var måske, at AI-porteføljerne ganske vist slog markedet i den korte testperiode. Men når forskerne korrigerede for den ekstra risiko og handelsomkostningerne, forsvandt den statistiske fordel stort set.
AI’en virkede ikke klogere end markedet. Den tog bare mere risiko.
Det er ikke nødvendigvis tegn på intelligens.
Det kan lige så vel være tegn på det samme opmærksomhedsbias, som mennesker lider af: Vi fokuserer på det, alle andre taler om.
Men det er også præcis den mekanisme, der ofte får mennesker til at jagte gårsdagens vindere.
Når alle taler om den samme aktie, føles den mindre risikabel. Ikke fordi den nødvendigvis er det, men fordi vores hjerner tager opmærksomhed som et tegn på kvalitet.
Behavioral finance kalder det availability bias.
Jo lettere noget dukker op i bevidstheden, desto vigtigere og mere sandsynligt vurderer vi det.
Forestil dig, at du spørger en AI-model om de mest spændende investeringsmuligheder.
Hvor stor er sandsynligheden for, at den nævner et ukendt industriselskab fra Midtjylland?
Ikke særlig stor.
Derimod er sandsynligheden høj for, at den nævner selskaber som Nvidia, Microsoft eller andre virksomheder, der konstant fylder nyhedsstrømmen.
Ikke nødvendigvis fordi de er de bedste investeringer.
Men fordi de fylder mest i det materiale, modellen er trænet på.
AI risikerer derfor at forstærke den samme flokadfærd, som mennesker har udvist i århundreder.
Den gør det bare hurtigere.
Det fascinerende er, at vi ofte ser teknologi som en vej væk fra menneskelige fejl.
Men teknologien er skabt af mennesker.
Hvis tusindvis af investorer jagter de samme historier, læser de samme analyser og reagerer på de samme nyheder, så er det netop disse mønstre, AI lærer af.
På den måde kan man argumentere for, at den moderne AI-investor ikke nødvendigvis er fri for psykologiske bias.
Biasene har blot skiftet form.
Hulemanden er flyttet fra hjernen til serverrummet.
Måske kommer den største risiko ikke fra AI.
Måske kommer den fra os.
For når en AI-model har leveret flotte afkast i en periode, er det fristende at tro, at den har fundet en hemmelig genvej til markedet.
Men vi mennesker har en tendens til at forveksle gode resultater med gode beslutninger.
En investor, der vinder i roulette fem gange i træk, er ikke nødvendigvis blevet et matematisk geni.
På samme måde er en AI-model, der har ramt rigtigt det seneste år, ikke nødvendigvis blevet klogere end markedet.
Måske har den blot været heldig.
Det er en fejl, investorer har begået i generationer.
Og hvis vi ikke passer på, lærer vi snart vores maskiner at gøre det samme.
Indlægget Når AI investerer som en hulemand blev først udgivet på Hulemandens.
