Et nyt forskningsrammeværk fra arXiv adresserer et af de største problemer i AI-drevne finansielle analyser: at modeller med sikkerhed leverer svar, der ikke er understøttet af kildematerialet. CLAIR-Fin, præsenteret i et nyt paper, er et system med ni AI-agenter, der nedbryder hvert spørgsmål i enkeltpåstande og verificerer dem hver for sig, før de indgår i et samlet svar.
Forskellen fra eksisterende metoder er markant. Hvor tidligere systemer stoler på evidens på tværs af modaliteter (tekst, tal, grafik) og først tjekker svaret i slutningen, introducerer CLAIR-Fin en række mekanismer, der flytter kontrollen tidligere ind i processen. Centralt er en såkaldt "Asymmetric Evidence Authority", der vægter evidens forskelligt afhængigt af påstandstypen, og en "Chain-of-Custody Verification", der tjekker forankringen i overgangen mellem udkast og kritisk gennemgang.
Resultaterne på et evalueringssæt med 500 tværmodale finansielle spørgsmål (BB-FinQA-X) viser en stigning i faithfulness fra 0,780 til 0,889 sammenlignet med en simpel retrieval-augmented baseline. Samtidig afstår systemet på 5,4 % af spørgsmålene, når evidensen er utilstrækkelig, i stedet for at tvinge et svar igennem. Det overgår også stærkere retrieval-strategier som HyDE og Graph-RAG på faithfulness (≤ 0,874).
For beslutningstagere i finanssektoren — fra investeringsanalyse til reguleringsrapportering — er implikationen klar: AI-værktøjer, der kan dokumentere, at hver enkelt påstand er forankret i kildematerialet, og som er villige til at sige "ved ikke" frem for at gætte, ændrer risikoen ved at anvende AI i beslutningsprocesser. Det er ikke kun et teknisk fremskridt; det er et skridt mod pålidelighed, der kan gøre AI-anvendelse forsvarlig i højrisiko-domæner.
