في عصر تتزايد فيه تقنية الذكاء الاصطناعي (AI) بسرعة، ينتشر استخدام نماذج اللغات الضخمة (Large Language Models - LLMs) كمحللين ماليين لمعالجة الإفصاحات المالية ودعم اتخاذ القرارات الاستثمارية. ومع ذلك، غالبًا ما يتم تقييم هذه الأنظمة من خلال قدرتها على استرجاع المعلومات فقط، وليس ما إذا كانت المعلومات المسترجعة تؤثر على الأحكام.

تشير دراسة حديثة إلى وجود فجوة بين الاسترجاع والاندماج في التحليل المالي بسياقات طويلة. من خلال تثبيت معلومات الشركات الأساسية وتغيير سياق غير ذي صلة من 2000 إلى 128000 توكن، وُجد أن تأثير إفصاحات المخاطر على قرارات الاستثمار يتراجع إلى حد الضوضاء التجريبية، على الرغم من أن الاسترجاع المباشر يظل دقيقًا. يتكرر هذا النمط عبر عائلات النماذج ومهام الحكم، وفي تجارب تزيل الإفصاحات الحقيقية من تقارير 10-K.

على الرغم من أن النماذج الأكثر قدرة يمكن أن تؤجل المشكلة، إلا أنها لا تستطيع القضاء عليها تمامًا. بالإضافة إلى ذلك، تظهر تدخلات الذاكرة السببية أن الملخصات المضغوطة والبحث عن النص المصدر ينقلان الإفصاحات إلى الأحكام بشكل مشترك. يتحدد نجاح هذا النقل بناءً على بنية سير العمل: فأنظمة تقسيم وتلخيص المعلومات قد تتخلص من المعلومات ذات الصلة، بينما استعادة منظمة وهياكل قريبة من القرار تعيد تأثيرها.

لذا، فإن أداء المحلل الذكي يتم تحديده بشكل مشترك من خلال قدرة النموذج ومعمارية سير العمل. يمكن أن تُصدق التقييمات المستندة إلى الاسترجاع الأنظمة التي تتجاهل المعلومات التي استرجعتها بشكل يتطلب مراجعة شاملة لطريقة تقييم الذكاء الاصطناعي في مجال الاستثمار.