Протягом десятиліть термінал Bloomberg залишався золотим стандартом фінансової аналітики — складним інструментом, який часом лякає, який досвідчені трейдери освоюють лише завдяки завзятості. Однак в умовах вибухового зростання обсягів світових даних традиційний метод ручного пошуку в нескінченних потоках цифр досягає своєї межі.
Щоб вирішити цю проблему, Bloomberg представляє ASKB (вимовляється як «аск-бі») — інтерфейс на базі генеративного ІІ, покликаний повністю змінити спосіб взаємодії фінансових фахівців з інформацією.
Проблема: Надлишок даних та «інформаційний розрив»
Термінал Bloomberg перетворився з простого індикатора цін, що біжить, в колосальне сховище глобальних даних, що включає прогнози погоди, судноплавні журнали, споживчі витрати і деталі приватних кредитів. І хоча глибина цих даних є перевагою, вона породила нову проблему: інформаційну втому.
Шон Едвардс, технічний директор Bloomberg, зазначає, що поточна система стає “нежиттєздатною”. Коли обсяг даних стає занадто величезним, навіть найкваліфікованіші професіонали ризикують упустити критично важливі інсайти або витратити занадто багато часу на ручний збір інформації замість високорівневого аналізу.
Поява ASKB: від розрізнених даних до інвестиційних тез
На відміну від традиційних функцій пошуку, що вимагають введення специфічних команд або конкретних параметрів, ASKB дозволяє користувачам взаємодіяти з терміналом за допомогою природної мови. Це змінює роль користувача: з «мисливця за даними» він перетворюється на «стратегічного мислителя».
- Синтез складних питань: Замість того, щоб окремо шукати ціни на нафту та геополітичні новини, трейдер може запитати: «Як конфлікт в Ірані та зміна цін на нафту вплинуть на мій конкретний портфель?»
- Автоматизація рутини: ASKB функціонує як «агентний ІІ» (agentic AI), що означає здатність виконувати багатоетапні робочі процеси. Його можна запрограмувати на резюмування звітів про прибутки, порівняння фундаментальних показників компаній із конкурентами та автоматичне надання аргументів «за» та «проти» (bull and bear cases).
- Пошук «альфи»: У фінансах під «альфою» розуміють здатність обіграти ринок. Bloomberg вважає, що невикористана “альфа” прихована в шумі масивних наборів даних; ASKB розроблено для того, щоб швидко виявляти ці зв’язки.
Робота з ризиками: галюцинації та людський фактор
Інтеграція великих мовних моделей (LLM) у критично важливі фінансові процеси несе в собі серйозні ризики, найбільш помітним з яких є «галюцинації» — ситуації, коли ІІ генерує неправдиву або безглузду інформацію. Bloomberg вирішує цю проблему за допомогою багаторівневого процесу перевірки:
- Перевірка фактів у резюме: Гарантія того, що кожне затвердження у короткому звіті безпосередньо підтверджується вихідним текстом.
- Семантична перевірка: Перевірка того, що ІІ не переплутав значення (наприклад, не прийняв «зростання» за «падіння»).
- Прозорість цитування: Система не працює як «чорна скринька»; вона спроектована так, щоб направляти користувача до першоджерела, дозволяючи самостійно перевірити дані.
Вплив на робочу силу
Розвиток ІІ у фінансах ставить важливе питання перед наступним поколінням фахівців. Якщо ІІ може виконувати завдання, традиційно закріплені за молодшими аналітиками (такі як синтез звітів та збирання фундаментальних даних), як нові спеціалісти освоять «ремесло» фінансів? Едвардс визнає: незважаючи на міць технології, вона не замінює потреби глибокого, фундаментального розуміння ринків.
Майбутнє інтерфейсу
Bloomberg розглядає ASKB не просто як доповнення, а як новий основний інтерфейс терміналу. Хоча традиційні графічні інтерфейси (GUI) та навігація за допомогою миші збережуться, відправною точкою для більшості робочих процесів стане діалог.
Більше того, Bloomberg позиціонує себе як альтернативу тренду «vibe coding», що росте, і дешевим саморобним рішенням. У той час як легке програмування може підійти для простих завдань, Bloomberg стверджує, що прийняття критично важливих рішень вимагає суворої перевіреної екосистеми даних, яку може надати тільки спеціалізований термінал.
Висновок: Bloomberg переходить від інструмента ручного пошуку даних до інструменту автоматизованого синтезу. Інтегруючи генеративний ІІ, компанія прагне допомогти професіоналам орієнтуватися в приголомшливому морі інформації, однак кінцевий успіх інструменту залежатиме від того, чи зможуть користувачі зберігати критичний скептицизм стосовно висновків, зроблених ІІ.
