Det finns ett tankeexperiment jag ibland kör på mig själv.

Föreställ dig att du analyserar ett bolag, men i stället för att importera siffrorna från en databas skriver du in dem manuellt, kvartal för kvartal.

Omsättning, bruttomarginaler, rörelseresultat, kassaflöde.

Det tar tid. Det är lite irriterande. Men ungefär halvvägs in inträffar något: du börjar se bolaget. Inte som ett kalkylblad utan som ett företag med ett pulsslag.

Du märker att rörelsemarginalen krympte just det kvartalet – varför egentligen? Att kassaflödet var volatilt på ett sätt som en aggregerad sammanfattning aldrig hade avslöjat.

Pedagogisk forskning pekar åt samma håll: elever som antecknar för hand minns och förstår mer än de som läser digitalt.

Det handlar inte om att vi är sämre på att läsa på skärm. Det handlar om att aktiv bearbetning är en annan kognitiv process än passiv konsumtion. Handen, hjärnan och ögonen samarbetar.

Rätt på fel sätt

Jag tänker på detta varje gång jag ser hur entusiastiskt investerare börjar använda AI i sin research.

Missförstå mig inte: AI-verktyg kan spara tid på rätt sätt, precis som att importera data istället för att skriva in det manuellt.

Men det finns en djupare risk här som jag tror är underuppskattad, och den handlar inte om att AI har fel – utan om att AI, per konstruktion, tenderar att ha rätt på precis fel sätt.

En stor språkmodell fungerar, lite förenklat, genom att förutsäga den mest sannolika fortsättningen på en text — ord för ord, utifrån mönster i en enorm mängd träningsdata. Och konsekvensen är enkel: det som har skrivits mest, av flest, under längst tid, väger tyngst när modellen ska gissa nästa ord.

Analysrapporter, nyhetsartiklar, transkriberingar av earnings calls, finanspoddar, forum. Allt det som mänskligheten redan har skrivit om ett bolag eller en bransch.

Det betyder att när du ber en AI om en bolagsanalys, är svaret du får i grunden en syntes av den befintliga konsensusen – strukturerad, välformulerad och snabb, men fundamentalt formad av det aggregat av mänskligt tänkande som redan finns dokumenterat.

Modellen kan inte ta en position som avviker från de mönster den lärt sig förstärka, för den har ingen erfarenhet i den mening vi menar.

Lurad från start

En invändning jag hör ofta är att AI kan fungera som ett bollplank snarare än som en analytiker.

Att man fortfarande tänker själv, men att AI hjälper till att testa resonemang och fylla luckor. Det finns ett korn av sanning i det, men det är svårare att upprätthålla i praktiken.

Om du börjar din analys med en AI-genererad sammanfattning av ett bolag, är du redan förankrad i en bild som någon annan (eller snarare alla andra) har format åt dig.

Det är precis det som inom psykologin kallas anchoring, och det intressanta med det fenomenet är att medvetenhet om det inte hjälper nämnvärt. Man är redan lurad från start.

Missgynnar överavkastning

Och problemet är inte att konsensus alltid har fel. Konsensus har faktiskt nästan alltid hyfsat rätt.

Problemet är att alfa – den avkastning som faktiskt överstiger marknaden – i stort sett per definition inte finns i konsensus.

Det finns i de situationer där marknaden har fel och du har rätt, och det kräver att du har formats av något utöver samma informationskällor som alla andra läst.

Det kan vara djupare branschkännedom, samtal med människor nära bolaget, en förmåga att läsa ledningens kroppsspråk i en presentation, eller helt enkelt en tidshorisont som är annorlunda än marknadens.

Gemensamt för dessa är att de inte är automatiserbara och att AI inte kan leverera dem åt dig.

Om du systematiskt låter en konsensusmaskin forma din bild av ett bolag, låter du dig systematiskt dras mot det genomsnitt där alfa inte bor.

Varför processen spelar roll

Det finns en lätt ironisk sida i detta. Många investerare använder AI för att bli smartare och snabbare. De kan bli det. Men de riskerar också att bli mer genomsnittliga på ett sätt de aldrig märker, för processen känns nog så aktiv och analytisk.

Den manuella inmatningen var aldrig ett självändamål. Den var ett sätt att tvinga sig att faktiskt bearbeta det man ser, att hålla sin kognitiva process intakt snarare än att delegera den.

Samma princip gäller för research i stort. Om du vill ha uppfattningar som reflekterar din förståelse av ett bolag – inte marknadens genomsnitt – måste du göra jobbet på ett sätt som inte låter sig helt automatiseras. Det behöver inte ta tio gånger längre, men det kräver att du är den som tänker.

Annars har du inte rationaliserat bort ineffektivitet. Du har rationaliserat bort dig själv.

Olle Qvarnström är heltidsinvesterare, styrelseproffs och känd från bloggen Snåljåpen.