En ny evalueringsplatform, FinSkillBench, viser, at AI-agenter i investeringsforvaltning klarer sig markant bedre, når de får adgang til kuraterede færdighedspakker – faste procedurer og eksekverbare komponenter – frem for selv at skulle udvikle deres egne metoder undervejs. Resultaterne, der bygger på 2.603 opgaveforløb fordelt på porteføljekonstruktion, risikostyring og fundamental analyse, viser en forbedring i gennemsnitlig score fra 0,366 til 0,528, når agenterne bruger de kuraterede pakker. Til gengæld giver selv-genererede færdigheder kun ringe udbytte, på trods af højere beregningsomkostninger.
For beslutningstagere i finanssektoren er pointen klar: Valget af model er ikke længere den eneste – eller vigtigste – faktor for, hvor godt en AI-agent performer i komplekse, regulerede opgaver. Undersøgelsen understreger, at adgangen til pålidelige, dokumenterede procedurer kan være lige så afgørende som selve modellen. Det betyder, at virksomheder, der investerer i AI til investeringsforvaltning, bør fokusere på at opbygge og vedligeholde strukturerede færdighedsbiblioteker frem for at overlade agenterne til selv at finde vej.
En uafhængig evaluering med en anden agentramme (Hermes Agent, 8 modeller, 5.280 episoder) bekræfter det samme mønster på tværs af alle tre domæner, om end effektens størrelse varierer. Dette styrker troværdigheden af resultaterne og indikerer, at fænomenet ikke er bundet til en bestemt teknisk opsætning.
For dem, der bygger eller køber AI-løsninger til investeringsforvaltning, er implikationen dobbelt: Dels bør man investere i kuraterede færdighedspakker som en kernekomponent, dels bør man være skeptisk over for løsninger, der lover meget af selv-genereret læring. De økonomiske og operationelle gevinster ligger i at standardisere og genbruge velafprøvede procedurer.
