В 1950-х человечество встало на путь научного предсказания будущего. RAND первой задала стандарты симуляций, применяя их к критической области — военному планированию. Уже к 1970-м эконометрика в лице моделей DSGE стала основой прогнозов МВФ. Хаос данных уверенно превращался в расчет четких траекторий.
Комбинации эконометрических моделей, оценок от экспертов и сценарного анализа позволяли строить все более сложные симуляции, включающие сотни переменных. Метод Монте-Карло, просчитывающий тысячи случайных сценариев, дополнился агент-ориентированными моделями, где «акторы» виртуально имитировали поведение объектов — от отдельных людей до целых стран.
В 2010-х появились нейросети, которые позволили обрабатывать колоссальные массивы данных и находить корреляции, недоступные людям. А сведенные воедино результаты тотальной слежки на платформах вроде Palantir имеют дело уже с сотнями тысяч переменных. В теории, подобное наблюдение за событиями в реальном времени должно вести к предсказаниям невероятной точности.
Что в итоге? В лидерах Amazon: он прогнозирует спрос с точностью до 95%. Но это неточно. По факту лучшие прогнозы, которые у нас есть, — погодные. На пять дней вперед можно узнать температуру и осадки с точностью около 90%. Правда, стоит отойти на десять дней — и точность падает до 50%.
А что в более знаковых областях? Например, кто придет к власти? В политике лучшие прогнозы строятся на основе опросов за неделю до выборов. В период с 1988 по 2020 год точно предсказаны результаты лишь в 60% случаев.
Финансы? Направленные прогнозы движения биржевого индекса угадывают с точностью 47% — это ниже уровня случайности. Цена отдельных акций? 54% верно указанных направлений. МВФ и Всемирный банк, которые обязаны видеть тренды в макроэкономике, из 30 экономических кризисов предсказали заранее 1 (один!).
Приход в область предсказаний ИИ отнюдь не стал прорывом. В любой сфере, где включается человеческий фактор, его догадки сбываются все в тех же 48–56% случаев: на уровне «дартс-обезьяны».
Несмотря на все разработки и инструменты, в области макропрогнозов эпические провалы — это норма. В 2022-м МВФ, Всемирный банк, Goldman Sachs предрекали падение российского ВВП на 8,5–35%. Однако спад составил всего 2,1%, а далее и вовсе вернулся рост.
Этот случай наглядно демонстрирует главный парадокс, мешающий искусству предсказания. Пользователи прогностических моделей слишком часто путают нормативные представления («как должно быть») с реальностью. Это равно касается экономистов, трейдеров, политиков и военных.
ИИ обучается не только на чистых данных, но и на базах, включающих дискурс про «карточные домики» и «зомби-режимы». Выходит эхо-камера: умные алгоритмы видят не реальность, а её отражение в зеркале субъективных убеждений. И ищут ему подтверждение.
Отсюда, кстати, и провал блиц-крига против Ирана — первой войны, начатой с прямыми консультациями от ИИ и привлечением алгоритмов к планированию операции. Компьютер предсказал, что всё пройдет гладко, а Тегеран неминуемо и быстро падет. И после упорно бомбит нарисованные самолеты.
Альтернатива? Есть Polymarket — там прогнозы строятся на основе консенсуса тысяч независимых участников. Есть «суперфоркастеры» Филипа Тетлока, которые, используя открытые данные, точнее своих коллег из разведок на 40–70%. Секрет прост: они критично тестируют все предположения на прочность, а не ищут аргументы в свою пользу.
На сегодня «сильные» прогнозы, то есть гарантия наступления события, бывают лишь в физике. В экономике или политике мы обречены на «слабые» — угадывание тех или иных вероятностей. И чем больше провалов, тем яснее: разнообразие факторов и их взаимосвязей непосильно ни для людей, ни для алгоритмов. Особенно для тех, кто не умеет признавать своего незнания.
#прогноз #моделирование #будущее #ИИ #стратегии