Waar het voordeel van AI echt ligt

Kunstmatige intelligentie maakt al decennialang deel uit van kwantitatief beleggen. Machine learning, natuurlijke taalverwerking en alternatieve data worden al gebruikt om patronen te identificeren, signalen te extraheren en informatie te verwerken op een schaal die handmatig onmogelijk zou zijn. Maar de opkomst van agentic AI roept een andere vraag op.

Het vroege debat over AI bij beleggen richtte zich vaak op de mogelijkheden van het model. Kan AI rendementen beter voorspellen? Kan het nieuwe signalen vinden? Kan het research automatiseren? Die vragen blijven relevant. Maar naarmate meer vermogensbeheerders toegang krijgen tot vergelijkbare basismodellen, wordt de belangrijkere vraag mogelijk: waar ligt het echte beleggingsvoordeel eigenlijk? Het antwoord zit waarschijnlijk niet alleen in de toegang tot het model.

Als iedereen onder grotendeels vergelijkbare voorwaarden een licentie kan nemen op krachtige modellen, wordt de toegang tot het model minder onderscheidend. Het duurzame voordeel, zoals weergegeven in figuur 1 hieronder, zit waarschijnlijk eerder in de workflow die rond het model wordt gebouwd: hoe researchvragen worden geformuleerd, hoe data in kaart worden gebracht, hoe eerdere validatiefouten worden vastgelegd, hoe portefeuillebeperkingen worden toegepast, hoe aanbevelingen worden beoordeeld en welke mensen eindverantwoordelijk blijven voor beleggingsbeslissingen.

Agentic AI verschilt van een typische AI-assistent of copiloot. Een copiloot reageert meestal op een prompt: vat dit samen, schrijf dat, maak deze code af. Een agentic systeem kan een doel in meerdere stappen nastreven. Het kan context meenemen van de ene naar de volgende fase, beslissen welke tools moeten worden gebruikt en een output produceren waar een persoon of een ander systeem op kan voortbouwen.

Zodra AI daadwerkelijk voor een hele workflow toepasbaar is, verandert de controlevraag dan ook: ziet het antwoord van het model er accuraat uit, en was de workflow veilig, controleerbaar en omkeerbaar?

Dit is vooral belangrijk in de financiële sector. Markten geven onduidelijke en vertraagde feedback. Onjuiste positieve resultaten kunnen overtuigend lijken. Historische steekproeven zijn vaak klein in verhouding tot het aantal ideeën dat wordt getest. Een gelikt memo kan meer misplaatste zekerheid creëren dan een amateuristisch uitziend memo, vooral als onbewezen beweringen worden verhuld achter vloeiende tekst.

Beleggingsbeslissingen hebben ook te maken met beperkingen die een model niet volledig zelfstandig zal begrijpen: mandaatteksten, risicobudgetten, liquiditeit, transactiekosten, benchmarkexposure, belasting, implementatiecapaciteit en overlap met bestaande signalen. Een statistisch interessant idee is nog niet per se een belegbaar idee.

Daarom moet de belofte van agentic AI in beleggen niet worden neergezet als ‘autonome alpha-generatie’. Een realistischer en nuttiger benadering is dat agentic AI kan helpen de zoektocht naar beleggingsideeën te verbreden, te versnellen en te disciplineren, zolang de omringende workflow robuust genoeg is om fouten te onderscheppen voordat ze gevolgen hebben.

In een modelgerichte kijk op AI ligt de focus op de vraag welk model het beste is. In een workflowgerichte kijk verschuift de focus naar wat het model mag lezen, wat het mag doen, wat het moet vastleggen en waar menselijke goedkeuring vereist is.

Cruciaal is dat dit precies het punt is waar vermogensbeheerders iets kunnen bouwen dat lastiger is om te kopiëren. Een frontiermodel kan worden vervangen, maar de researchgeschiedenis van een bedrijf niet, evenmin als de eigen data mapping, eerdere mislukte tests, escalatienormen, discipline in portefeuilleconstructie of de opgebouwde kennis over waar ogenschijnlijk aantrekkelijke signalen vaak onjuist blijken te zijn.

Voor kwantitatieve beleggers is dit geen nieuw idee. De kwaliteit van research hangt niet alleen af van het identificeren van een veelbelovend signaal, maar ook van het testen of het robuust, incrementeel, implementeerbaar en in lijn met de doelstellingen van de portefeuille is. Agentic AI vergroot alleen maar de noodzaak om deze vertrouwde discipline in de workflow te verankeren.

Het voordeel verschuift dan mogelijk van ‘wie heeft het beste model?’ naar ‘wie heeft het best gecontroleerde researchproces rond het model?’

Een praktische manier om na te denken over gecontroleerde agentic workflows is via drie stappen: onderbouwing, stabiliteit en het beheren van toegangsrechten. We bespreken de drie stappen uitgebreider in het hoofdstuk over ‘AI en governance’.

Onderbouwing betekent dat de workflow moet laten zien dat de gebruikte informatie beschikbaar was op het moment waarop wordt gesteld dat de analyse is uitgevoerd, zodat toekomstige informatie niet in het researchproces kan weglekken. Stabiliteit zorgt ervoor dat het model niet alleen zelfverzekerd klinkt, maar ook een resultaat oplevert dat stabiel genoeg is om te onderzoeken. Het beheren van toegangsrechten draait ten slotte om het stellen van grenzen die worden afgedwongen via infrastructuur en goedkeuringsrechten, en niet worden overgelaten aan het oordeel van het model zelf.

Gezamenlijk helpen deze stappen om agentic AI te laten evolueren van een slimme assistent naar een gecontroleerd onderdeel van het beleggingsproces. In plaats van alpha te garanderen, helpt dit ervoor te zorgen dat door AI ondersteund werk gefundeerd, testbaar en passend begrensd is voordat mensen beslissen wat ze ermee doen.

Laten we eens kijken naar een veelvoorkomende workflow voor kwantitatieve research. Een nieuwe wetenschappelijke paper stelt een kandidaatfactor voor. Een workflow op basis van agentic AI scant de paper, haalt de methodologie eruit, mapt de vereiste input op de researchomgeving van het bedrijf, voert een replicatie uit, vergelijkt het resultaat met de bestaande modelreeks en stelt een memo op dat het bewijs samenvat.

Dit kan tijd besparen. Maar voordat een idee invloed kan hebben op een model of portefeuille, moet de workflow een specifiekere alpha-vraag beantwoorden: wat is er nu precies aangetoond?

Een gecontroleerde workflow moet laten zien of het voorgestelde signaal is gerepliceerd, of de data point-in-time waren, of het resultaat standhield onder redelijke variaties, of het incrementeel is ten opzichte van de bestaande modelreeks en of het implementeerbaar blijft rekening houdend met kosten, liquiditeit, risico en mandaatbeperkingen. Als het idee die drempels niet haalt, moet de workflow vastleggen waarom het is verworpen of waarom het nog niet geschikt is, in plaats van het te presenteren als een toevoeging.

De agent kan het bewijs voorbereiden en de beslispunten zichtbaar maken, maar zou niet zelf moeten besluiten om het signaal in een model op te nemen of kapitaal te alloceren. Die beslissingen blijven bij aangewezen personen.

De directe waardecase voor agentic AI is dat het kan helpen het bewijsniveau te verhogen voordat een alpha-belofte wordt gedaan. Kan het bijvoorbeeld het aantal ongefundeerde beweringen vóór de beoordeling door een senior medewerker terugdringen? Kan het aannames expliciet maken? Kan het instabiliteit in een voorgesteld resultaat blootleggen? Kan het laten zien of een signaal werkelijk incrementeel is ten opzichte van al bestaande posities in de portefeuille? Kan het de implementatiebeperkingen identificeren die bij daadwerkelijk gebruik van belang zijn?

Dit zijn meetbare procesresultaten die het pad van idee naar beleggingsbeslissing gedisciplineerder maken. In het vermogensbeheer kan een zwak proces ervoor zorgen dat veelbelovende research uitmondt in een gebrekkige uitvoering. Een sterk proces helpt ervoor te zorgen dat ideeën om de juiste redenen worden doorgezet, aangepast of verworpen. Agentic AI kan juist waardevol zijn omdat het kan helpen bepaalde aspecten van die discipline te institutionaliseren, mits het vanaf het begin is uitgerust met controlemechanismen.