De agentic researchdesk

Beleggingsresearch is altijd al een strijd tegen de complexiteit geweest. Markten genereren meer data, meer artikelen, meer bedrijfsinformatie, meer nieuws, meer alternatieve datasets en meer concurrerende verhalen dan één team handmatig kan verwerken. De uitdaging is vandaag de dag niet alleen het vinden van informatie, maar bepalen wat ertoe doet, hoe betrouwbaar de informatie is, of deze iets nieuws toevoegt en of die kan worden vertaald naar een researchvraag of beleggingsinzicht.

Hier kan agentic AI het researchproces wellicht veranderen. De eerste golf van generatieve AI hielp mensen sneller werken: documenten samenvatten, teksten opstellen, programmeren en vragen beantwoorden. Nuttig, maar nog steeds grotendeels taakgericht. Agentic AI gaat verder door workflows van meerdere stappen te ondersteunen, context van de ene stap naar de volgende mee te nemen, tools te gebruiken, taken te monitoren en gestructureerde output te produceren die door mensen kan worden beoordeeld.

Figuur 1 hieronder schetst hoe de agentic researchdesk er vandaag – of in de nabije toekomst – uit zou kunnen zien.

Voor beleggingsresearch is deze verschuiving belangrijk omdat research een keten van werkzaamheden is: ideeën zoeken, bewijs verzamelen, aannames testen, signalen vergelijken, bevindingen documenteren, conclusies kritisch bekijken en beslissen of een idee de moeite waard is om uit te werken. Maar in plaats van het nemen van beslissingen te automatiseren, is het doel van agentic AI om researchers een betere researchmotor te bieden.

Een praktische start is researchschifting. Beleggingsteams worden overspoeld met een constante stroom van wetenschappelijke papers, marktcommentaar, winstcijfers, rapportages, interne notities en vragen van cliënten. Veel beleggingsbeslissingen beginnen nog steeds met dit soort informatie: nieuws, beleidswijzigingen, analistendebat, managementcommentaar en veranderend marktsentiment.

Veel ervan kan relevant zijn, maar het meeste kan niet volledig worden gelezen. De tijd van een menselijke analist is beperkt, en deze input is traditioneel moeilijk systematisch te gebruiken omdat deze kwalitatief, contextgebonden en vaak onoverzichtelijk is.

Een agentic researchworkflow kan helpen om al in een heel vroeg stadium signalen van ruis te scheiden: deze kan grote hoeveelheden materiaal scannen, identificeren wat een grondigere bestudering verdient, kernbeweringen extraheren en markeren waar een nieuw idee overlapt met bestaande research. Een paper-scannende agent beslist bijvoorbeeld niet of een idee in een portefeuille thuishoort. Deze helpt researchers beslissen waar zij hun aandacht aan besteden.

Op deze manier kan interpretatie schaalbaarder en gedisciplineerder worden. Een researcher beslist nog steeds of een narratief economisch betekenisvol is, of het al in de koersen is verdisconteerd en of het iets nieuws toevoegt. Maar AI kan wel helpen patronen bij bedrijven of sectoren aan het licht te brengen en het gemakkelijker maken om te testen of een narratief een waardevol signaal is.

Voor beleggers die fundamenteel inzicht willen combineren met systematische discipline, vaak omschreven als een kwantamentele benadering, is dit bijzonder relevant. De kans ligt er niet in te kiezen tussen menselijk oordeel en systematische analyse, maar om deze effectiever met elkaar te verbinden. Met behulp van AI kan narratieve informatie op grote schaal worden verwerkt, terwijl menselijke researchers verantwoordelijk blijven voor de vragen, de interpretatie en de beslissing om verder te testen.

Zodra narratieve informatie is gestructureerd, vormt researchdiscipline de volgende uitdaging. AI kan helpen om mogelijke ideeën te screenen, methodologieën te extraheren, de vereiste data input in kaart te brengen en replicatiewerk te ondersteunen. AI kan ook helpen om ontwerpkeuzes te vergelijken en de afwegingen daarachter te documenteren.

Die omvang brengt een risico met zich mee: AI kan de zoektocht niet alleen verbreden naar veelbelovende ideeën, maar ook naar valse positieven. Een plausibel resultaat kan overtuigend lijken voordat het grondig genoeg is getest. De waarde van een agentic workflow is daarom om het pad van idee naar bewijs systematischer en beter toetsbaar te maken, door vast te leggen wat is getest, waarom het is getest, welke aannames belangrijk waren, op welke punten de resultaten kwetsbaar waren en waarom een researchlijn is opgeschaald, opgeschort of verworpen.

In die zin kan agentic AI het researchgeheugen versterken. Mislukte tests zijn geen verspilling als ze goed worden vastgelegd. Ze worden onderdeel van de institutionele kennis van het bedrijf en helpen toekomstige researchers voorkomen dat zij hetzelfde negatieve resultaat in een iets andere vorm opnieuw ontdekken.

Documentatie biedt aanzienlijke kansen. Bij beleggingsresearch is het vaak van belang dat men zich herinnert waarom een bepaalde beslissing is genomen: welke dataset is gebruikt, welke aannames zijn verworpen, waarom een bepaald signaal niet is overgenomen of waarom een model is aangepast.

Agentic workflows kunnen helpen door een bewijsketen rond AI-ondersteunde research te creëren. Die keten kan onder meer de brondocumenten bevatten, tijdstempels van toegang, model- of workflowversie, het gebruik van tools, aanpassingen door analisten, stabiliteitscontroles, validatieresultaten en de naam van de menselijke beoordelaar. Dit is niet gewoon bureaucratie, maar maakt AI-ondersteunde research toetsbaar.

Een gepolijste AI-gegenereerde memo kan gevaarlijk zijn als niemand kan zien wat het model heeft geproduceerd, wat de analist heeft aangepast, welke claims zijn onderbouwd en welke conclusies ter discussie zijn gesteld. Hoe meer AI wordt gebruikt om research voor te bereiden, hoe belangrijker het wordt om ruwe modeloutput te scheiden van door het bedrijf goedgekeurde beleggingsanalyses.

Uiteindelijk zal de researchdesk van de toekomst uitgebreider gedocumenteerd zijn, niet minder. Systematischer, niet minder systematisch. Transparanter over onzekerheid, niet automatisch zelfverzekerder.

Als AI sneller informatie kan verzamelen, artikelen kan samenvatten, code kan schrijven en variaties kan testen, besteedt de menselijke researcher minder tijd aan het verzamelen van bewijs en meer tijd aan het beoordelen ervan. Dat vraagt om andere vaardigheden: betere vragen stellen, zwak bewijs herkennen, de herkomst van data begrijpen, modeloutput kritisch bekijken, implementatieproblemen signaleren en weten wanneer een idee niet moet worden opgeschaald.

Vooral voor jongere researchers kan dit van bijzonder belang zijn. AI kan de leercurve op bepaalde punten zeker afvlakken door informatie makkelijker toegankelijk te maken. Maar AI kan ook een vals gevoel van beheersing creëren. Een samenvatting lezen is niet hetzelfde als een methode begrijpen. Een resultaat repliceren is niet hetzelfde als weten of het in een daadwerkelijke strategie thuishoort. In het tijdperk van agentic AI staat researchcultuur net zo centraal als altijd, omdat deze zowel goede als slechte gewoonten kan versterken.

Mensen beslissen of een vraag de moeite waard is om te stellen. Mensen beslissen of het resultaat economisch logisch is. Mensen beslissen of een idee sterk genoeg is om verder te testen, op te schalen of terzijde te schuiven. Mensen beslissen of het bewijs sterk genoeg is om in een beleggingsproces te worden opgenomen. De waarde van agentic AI in research draait daarom waarschijnlijk minder om het vervangen van expertise en meer om het verbinden van verschillende vormen van expertise: fundamentele context, systematisch testen, datadiscipline en menselijk oordeel.