Anvendelse af generativ AI i finansielle prognoser

Generativ AI i finansielle prognoser er brugen af modeller, der kan skabe scenarier, forklaringer, syntetiske data eller beslutningsstøtte omkring økonomiske fremskrivninger. Teknologien kan styrke analysearbejde, men den bør ikke stå alene: datakvalitet, modelvalidering, usikkerhed og menneskelig ansvarlighed afgør, om prognosen kan bruges.

Hvad betyder generativ AI i finansielle prognoser?

Generativ AI bruges i finansielle prognoser, når en model ikke kun klassificerer eller beregner et tal, men hjælper med at skabe mulige beskrivelser, scenarier, antagelser, datavarianter eller forklaringer omkring en fremskrivning. Det kan være en prognose for omsætning, likviditet, kreditrisiko, markedsudvikling, renteeffekt, efterspørgsel eller porteføljeeksponering.

Den centrale forskel er, at generativ AI kan arbejde med flere typer input på samme tid. Den kan sammenholde talserier, tekstdokumenter, markedsnyheder, regnskabsnoter og interne forklaringer, hvis systemet er bygget til det. Resultatet bør dog forstås som beslutningsstøtte, ikke som en sikker forudsigelse af fremtiden.

Finansielle prognoser er altid afhængige af antagelser. Generativ AI ændrer ikke den grundregel. Teknologien kan gøre det lettere at opstille alternative scenarier og forklare komplekse sammenhænge, men den kan også give et mere sikkert indtryk, end data reelt bærer. Derfor skal prognosen stadig forankres i økonomisk domæneviden, sporbar dokumentation og en klar beslutningsproces.

Hvordan adskiller generativ AI sig fra klassisk prognosemodellering?

Klassisk prognosemodellering arbejder ofte med tidsserier, statistiske modeller, regressionsmetoder, maskinlæring eller økonometriske antagelser. Den søger mønstre i historiske data og bruger dem til at beregne et forventet udfald eller et interval. En traditionel model kan være meget stærk, når datagrundlaget er stabilt, målet er præcist, og evalueringen kan foretages med kendte fejlmål.

Generativ AI kan supplere denne tilgang ved at arbejde med kontekst og forklaring. Den kan opsummere, hvilke faktorer der påvirker en prognose, formulere scenarier, udlede mulige datamangler og hjælpe analytikere med at stille bedre kontrolspørgsmål. Den kan også bruges til at skabe syntetiske eksempler, når en organisation vil teste, hvordan en model reagerer på sjældne eller ekstreme kombinationer af input.

Det gør ikke generativ AI til en erstatning for machine learning og deep learning i snæver teknisk forstand. I prognosearbejde er den mest robuste løsning ofte en kombination: beregnende modeller til tal, generative modeller til scenariearbejde og mennesker til at vurdere, om antagelserne giver mening i den konkrete finansielle kontekst.

Hvilke finansielle opgaver kan teknologien støtte?

Generativ AI er mest relevant, når prognosearbejdet indeholder både tal og fortolkning. I stedet for kun at levere et forventet beløb kan systemet hjælpe med at formulere, hvilke antagelser der driver prognosen, og hvilke usikkerheder der bør beskrives for beslutningstagere.

Eksempler kan være budgetscenarier, likviditetsprognoser, stresstest, porteføljeoverblik, markedsbriefinger, kreditnotater, forsikringsvurderinger og forklaringer af afvigelser mellem prognose og faktisk resultat. I hver af disse opgaver er AI-værdien ikke kun selve beregningen, men også evnen til at gøre de bagvedliggende antagelser mere synlige.

• Scenarieudkast, hvor modellen opstiller flere mulige forløb ud fra kendte økonomiske drivere.
• Forklaring af prognoseforskelle, hvor modellen hjælper med at strukturere årsager til afvigelser.
• Datakontrol, hvor modellen markerer manglende værdier, inkonsistente kategorier eller usædvanlige mønstre.
• Beslutningsnotater, hvor modellen omsætter tekniske resultater til et neutralt resumé for fagpersoner.

Der er en grænse. Generativ AI bør ikke alene afgøre investeringer, kreditbeslutninger eller risikopriser. Hvis en prognose får direkte betydning for kunder, låntagere, forsikringstagere eller investorer, skal beslutningsgrundlaget kunne forklares, kontrolleres og dokumenteres med langt større præcision end et almindeligt tekstresumé.

Hvordan kan scenarier og syntetiske data bruges forsvarligt?

Scenarier er en af de mest nyttige anvendelser af generativ AI i prognosearbejde. Modellen kan hjælpe med at beskrive, hvad der sker, hvis efterspørgslen falder, renter ændrer sig, valutaudsving rammer bestemte markeder, eller en leverandørkæde bliver forsinket. Det giver analytikeren et bredere rum af spørgsmål at teste.

Syntetiske data kan bruges til at undersøge, hvordan en prognosemodel reagerer på situationer, som sjældent optræder i historiske data. Det kan for eksempel være kombinationer af høj inflation, lav vækst og faldende kundeadfærd i et bestemt segment. Syntetiske data bør markeres tydeligt som kunstigt skabte testdata, ikke som dokumentation for virkelige hændelser.

Den praktiske regel er, at scenarier og syntetiske data kan støtte robusthedstest, men ikke erstatte observationer. Hvis syntetiske datasæt blandes ukritisk ind i træning eller rapportering, kan modellen lære mønstre, der afspejler designerens antagelser snarere end markedets faktiske adfærd. Det kan give en prognose, der ser statistisk pæn ud, men er svag i virkelige beslutninger.

Hvorfor er datakvalitet afgørende for prognosens værdi?

Finansielle prognoser er følsomme over for datakvalitet, fordi små fejl kan flytte store beslutninger. Manglende perioder, ændrede regnskabsprincipper, dubletter, skiftende produktkategorier eller uens valutakonvertering kan påvirke både klassiske modeller og generative forklaringer. En generativ model kan formulere en overbevisende tekst oven på et forkert datagrundlag.

Derfor bør arbejdet begynde med datalinjeage: hvor kommer data fra, hvornår er de opdateret, hvilke transformationer er udført, og hvilke felter indgår i prognosen? Artikler om data mining og big data viser den samme grundidé: mønstergenkendelse bliver først nyttig, når datagrundlaget er forstået.

For generativ AI er datakvalitet også et spørgsmål om kontekst. Hvis modellen får adgang til forældede budgetforudsætninger, ufuldstændige markedsnotater eller upræcise segmentdefinitioner, kan den binde dem sammen i en forklaring, der lyder sammenhængende uden at være rigtig. En god prognoseproces bør derfor adskille rådata, modelinput, genererede forklaringer og endelige beslutninger.

Hvordan bør modeller valideres før de bruges i beslutninger?

Validering handler om at finde ud af, om modellen virker til det konkrete formål, ikke om den generelt virker imponerende. I finansielle prognoser bør validering omfatte historisk backtesting, følsomhedsanalyse, sammenligning med simple baseline-modeller og kontrol af, om modellen holder sig stabil, når markedsforhold ændrer sig.

Backtesting kan vise, hvordan modellen ville have klaret sig på tidligere perioder. Det er nyttigt, men ikke nok. Finansielle markeder, kundeadfærd og makroøkonomiske forhold kan ændre karakter, så en model, der klarer sig godt i én periode, kan svigte i en anden. Derfor bør testen også omfatte stressede scenarier og perioder med brud i datamønstre.

Generativ AI kræver yderligere kontroller, fordi outputtet ofte er tekst, fortolkning eller scenariebeskrivelser. Her bør du kontrollere, om modellen citerer eller gengiver kilder korrekt, om den skelner mellem data og antagelser, og om den kan forklare usikkerhed uden at overdrive præcisionen. En model, der ikke kan afgrænse sin egen usikkerhed, er svag som beslutningsstøtte.

Hvilke risici opstår i finansielle miljøer?

Finansielle miljøer stiller høje krav til sikkerhed, dokumentation og drift. FSB peger på, at AI i finanssektoren kan forstærke sårbarheder ved tredjepartsafhængighed, udbyderkoncentration, markedskorrelationer, cyberrisici, modelrisiko, datakvalitet og governance. De risici rammer også prognosearbejde, især når mange organisationer bruger de samme dataleverandører, cloudmiljøer eller modeludbydere.

IMF fremhæver tilsvarende, at AI kan give fordele i kapitalmarkeder gennem bedre risikostyring og markedsovervågning, men også skabe nye risici som hurtigere markedsreaktioner, mere volatilitet under stress, øget uigennemsigtighed og højere operationel afhængighed af få tredjepartsudbydere. Det gør generativ AI til et styringsspørgsmål, ikke kun et analyseværktøj.

Derudover kan generativ AI skabe sprogligt overbevisende, men faktuelt svage forklaringer. I finansielle prognoser er det en særlig risiko, fordi et klart formuleret notat kan skjule usikre antagelser. Hvis forklaringen ikke er bundet til konkrete datafelter, kilder og modelresultater, kan den gøre en svag prognose lettere at acceptere.

Hvad betyder regulering og governance for brugen?

Regulering og governance afgør, hvordan en finansiel prognose må bruges. En intern omsætningsprognose, et budgetscenarie eller en likviditetsfremskrivning er ikke det samme som en automatisk beslutning om en persons kreditværdighed. EU’s AI Act klassificerer AI-systemer, der bruges til at evaluere kreditværdighed for fysiske personer eller fastsætte deres kreditscore, som højrisiko, bortset fra systemer til at opdage finansiel svindel.

Den afgrænsning er praktisk vigtig. Hvis generativ AI bruges til intern analyse, rapportering eller scenariearbejde, handler styringen især om databeskyttelse, dokumentation, modelkontrol, adgangsstyring og ansvar. Hvis outputtet derimod påvirker enkeltpersoners adgang til lån, forsikring eller væsentlige finansielle vilkår, bliver kravene til sporbarhed, menneskelig kontrol og regeloverholdelse skarpere.

En governance-model bør beskrive, hvem der ejer modellen, hvem der godkender datakilder, hvilke typer beslutninger modellen må støtte, hvornår et menneske skal gribe ind, og hvordan fejl registreres. Det samme princip går igen i risikostyring i AI-implementeringer: jo større beslutningsmæssig betydning, desto stærkere kontrol.

Hvordan kan mennesker arbejde sammen med modellen?

Den mest robuste anvendelse er ofte en arbejdsdeling, hvor modellen hjælper med forarbejde, variation og forklaring, mens mennesker vurderer relevans, økonomisk sammenhæng og beslutningskonsekvens. En analytiker kan bede modellen om at identificere mulige forklaringer på en prognoseafvigelse, men bør selv kontrollere, om forklaringerne faktisk understøttes af data.

Modellen kan også bruges som en sparringspartner til at udfordre antagelser. Hvis en prognose bygger på stabil kundetilgang, kan modellen foreslå, hvilke indikatorer der bør overvåges, hvis tilgangen falder. Hvis en porteføljeprognose afhænger af renteudvikling, kan modellen hjælpe med at strukturere alternative renteforløb. Det er nyttigt, når outputtet behandles som hypoteser, ikke som facit.

Menneskelig gennemgang bør være mere end en formel godkendelse. Den bør omfatte faglig kontrol, datakontrol, kildekontrol og vurdering af, om prognosen er egnet til den beslutning, den skal understøtte. Hvis ingen i organisationen kan forklare, hvorfor modellen foreslår et bestemt scenarie, bør scenariet ikke bruges som selvstændigt beslutningsgrundlag.

Hvilke kontrolpunkter bør du bruge før en prognose?

En praktisk kontrolproces bør være enkel nok til at blive brugt hver gang og præcis nok til at fange fejl. Den bør dække data, model, output, ansvar og anvendelse. Målet er ikke at bremse al brug af generativ AI, men at gøre det tydeligt, hvornår en prognose er et arbejdsudkast, og hvornår den er moden nok til at indgå i en beslutning.

• Kontrollér datakilder: Er data aktuelle, komplette, relevante og dokumenteret med kendte transformationer?
• Kontrollér modelrolle: Beregner modellen prognosen, forklarer den en anden models resultat, eller opstiller den scenarier?
• Kontrollér usikkerhed: Viser outputtet intervaller, forbehold og følsomhed over for centrale antagelser?
• Kontrollér sporbarhed: Kan hvert vigtigt udsagn føres tilbage til data, modelresultat eller dokumenteret antagelse?
• Kontrollér beslutningsbrug: Får outputtet direkte betydning for kunder, investeringer, kredit, priser eller risikorammer?

Hvis et af disse punkter ikke kan besvares, bør prognosen holdes som intern analyse eller arbejdsudkast. Det gælder især ved genererede forklaringer, hvor sproget kan fremstå mere færdigt end analysen bagved. En professionel prognoseproces kræver, at formidlingen ikke løber foran evidensen.

Hvad betyder udviklingen for organisationer i Danmark?

For organisationer i Danmark er den praktiske relevans især knyttet til finansfunktioner, banker, forsikringsselskaber, fintech, investeringsmiljøer og større virksomheder med komplekse budgetter eller risikomodeller. Generativ AI kan gøre analysearbejde hurtigere, men lokale krav til databeskyttelse, informationssikkerhed, leverandørstyring og dokumentation ændrer ikke karakter, blot fordi prognosen formuleres af en AI-model.

Hvis en organisation bruger cloudbaserede modeller eller tredjepartsdata, bør den vurdere, hvor data behandles, hvilke vilkår der gælder, og om fortrolige finansielle oplysninger indgår i brugerinput eller modelkontekst. Det er også relevant at kontrollere, om output bliver gemt, brugt til forbedring af tjenesten eller delt mellem systemer. En generativ prognoseproces kan skabe nye datastier, som ikke fandtes i den klassiske regnearksproces.

Der er også et kompetencespørgsmål. Bank of England og FCA’s 2024-undersøgelse viste, at AI allerede var udbredt blandt de adspurgte finansielle virksomheder, men også at datakvalitet, databeskyttelse, datasikkerhed, bias, tredjepartsafhængighed og modelkompleksitet fyldte i risikobilledet. Det er et signal om, at værdien ikke kun ligger i værktøjet, men i evnen til at styre det.

Hvornår giver generativ AI ikke mening i prognoser?

Generativ AI giver ikke meget værdi, hvis opgaven kræver en lille, veldefineret beregning med stabile data og klart mål. En simpel renteberegning, en mekanisk afstemning eller en kort fremskrivning kan ofte løses bedre med traditionelle metoder, hvor resultatet er lettere at kontrollere og reproducere.

Teknologien er også svag, når organisationen mangler dataejerskab, klare definitioner eller en ansvarlig fagperson, der kan vurdere outputtet. Hvis ingen ved, hvilke data der er rigtige, bliver AI ikke en genvej til bedre prognoser. Den kan tværtimod gøre uorden i datagrundlaget sværere at opdage, fordi forklaringen bliver mere flydende.

Endelig bør generativ AI bruges forsigtigt i situationer med høj beslutningsrisiko, lav fejlmargin eller direkte konsekvenser for enkeltpersoner. Her bør generativ AI til datakvalitet og forklaring ses som støttefunktioner, mens den endelige model, dokumentation og beslutning gennemgår en mere formel kontrol.

Hvilke kilder ligger til grund?

Artiklen bygger på IMF’s vurdering af AI i kapitalmarkeder, FSB’s rapport om AI og finansiel stabilitet, Bank of England og FCA’s undersøgelse af AI i finansielle virksomheder, NIST’s AI Risk Management Framework og EU’s AI Act-tekst om blandt andet kreditværdighed og højrisiko-AI.