Семь сценариев использования ИИ, которые помогут управляющим активами повысить эффективность и производительность в условиях рыночных препятствий

Стюарт Грант — руководитель отдела рынков капитала, управления активами и богатством в SAP.

Откройте для себя лучшие новости и события финтеха!

Подписывайтесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и других компаний

От сжатия комиссий до неблагоприятных изменений в макроэкономических условиях и нарастающих инвестиций в технологии, которые пока не окупились как ожидалось, организации по управлению активами сталкиваются с серьезными препятствиями по мере приближения 2026 года.

В анализе глобальной индустрии управления активами за 2025 год McKinsey & Company обнаружила, что, например, маржа управляющих активами за последние пять лет снизилась на три процентных пункта в Северной Америке и на пять — в Европе из-за таких факторов.

Но в качестве средства снятия давления есть решение — целенаправленные, хорошо продуманные внедрения искусственного интеллекта. ИИ в различных формах — генеративный, агентный и другие — начинает демонстрировать ценность в ряде фронт-, средне- и бэк-офисных сценариев, предоставляя управляющим активами средства для достижения новых показателей производительности и эффективности, выявления и использования прибыльных новых бизнес-возможностей опережая конкурентов. В своем анализе, основанном на опросе руководителей высшего звена из компаний по управлению активами в Северной Америке и Европе, McKinsey определила, что для среднего управляющего активами потенциальное влияние ИИ, генеративного ИИ и агентного ИИ «может быть трансформирующим, эквивалентным 25–40 процентам их затратной базы».

Задача для организаций по управлению активами — определить, где внутри их структур ИИ может принести наибольшую пользу.

Внедрение ИИ для максимального эффекта

Компании в сфере управления активами используют ИИ на различных фронтах. Большая часть этой деятельности происходит в крупных организациях, обладающих ресурсами для разработки собственных возможностей в области больших языковых моделей, целевых ИИ-агентов и подобных технологий. Но другая сторона использования ИИ — это возможность помочь управляющим активами за пределами крупнейших компаний Tier One конкурировать на более равных условиях с этими гигантами.

Более того, хотя многие организации сосредоточены на инвестициях в ИИ, ориентированный на клиентов, важно не упускать возможности создавать ценность с помощью других масштабируемых решений ИИ в фронт-, средне- и бэк-офисах. Вместо поиска отдельных решений, которые могут плохо интегрироваться друг с другом, более разумным подходом к созданию ценности с помощью ИИ может стать инвестирование в технологии, разрушающие виртуальные стены между тремя слоями офиса, создавая эффективность, повышая производительность, упрощая процессы и улучшая планирование и стратегию.

Кратко говоря, ищите сценарии использования ИИ, которые поощряют — и могут использовать — свободное движение данных по всей организации. Вот несколько особенно перспективных вариантов:

1. Автоматизация и ускорение финансового закрытия и других финансовых функций. Финансы исторически были областью, насыщенной ручными процессами. С помощью ИИ-агентов организации по управлению активами могут автоматизировать многие процессы, связанные с финансовым закрытием, а также с AR, AP, сверкой счетов и подобным. В этих сценариях ИИ может поддерживать улучшенную автоматизацию перемещения данных. Он также может предоставлять финансовым специалистам проактивные уведомления — и сценарии действий — о потенциальных проблемах с избыточными или недостаточными капиталами, корректировками балансов и т.п.

2. Улучшение управления рисками через истинное согласование с финансами. Данные из бэк-офиса могут быть чрезвычайно ценными для команд по управлению рисками в среднем офисе. Эти команды могут использовать данные о владениях инвесторов, денежных потоках, рыночной ликвидности, марже/залогах и т.п., а также профили клиентов и коммуникационные данные для раннего выявления сигналов о возможных выкупах клиентами и связанных с этим рисках ликвидности.

3. Выявление и быстрое реагирование на возможности для новых структур комиссий и бизнес-моделей. Организации могут запускать свои ИИ-инструменты для исследования и моделирования влияния потенциальных изменений комиссий и новых бизнес-моделей. Что говорит историческая статистика о том, как изменение комиссии повлияет на дебиторскую задолженность? Есть ли возможности разделить существующую бизнес-область (например, конкретный класс активов или географические фонды) на две или более части, или сегментировать клиентов по-другому, и насколько обоснованы такие шаги?

4. Информирование решений о расширении в новые продукты или регионы. Ваша организация рассматривает выход на перспективный, но относительно рискованный новый географический рынок. Как прошли предыдущие подобные шаги в плане ожидаемых и фактических затрат? Каковы возможные регуляторные и кадровые последствия такого шага? Диалог с генеративным ИИ-ассистентом может дать ценные ответы на такие вопросы, что поможет принимать более обоснованные стратегические решения.

5. Моделирование сценариев «что если» относительно потенциального влияния ребалансировки портфеля на будущую прибыль, приоритеты инвестиций клиентов и уровень риска. Инструменты ИИ могут дать представление о возможных последствиях таких изменений, а также предложить рекомендации по оптимальному времени с учетом обязательств по оплате счетов и других факторов. Связывая данные подобным образом, ИИ помогает устранить информационные разрывы между финансовой функцией и управлением портфелем на фронт-офисе, поддерживая более точное стратегическое планирование и бюджетирование.

Например, в одной из компаний, с которой я работаю, они стремятся объединить данные о доходности отдельных элементов портфеля с данными о рисковом аппетите клиентов и структуре комиссий. Цель — лучше понять финансовые последствия ребалансировки портфеля относительно ожиданий клиентов и будущей прибыли.

6. Повышение производительности. Некоторые руководители по управлению активами, с которыми я недавно общался, говорят, что их организации планируют удвоить активы под управлением без существенного увеличения штата, просто за счет более широкого использования ИИ и ИИ-агентов. Они создают ИИ-агентов и размещают их прямо рядом с сотрудниками — как цифровых расширений этих сотрудников. В конечном итоге, такие агенты позволяют небольшим и средним фирмам конкурировать на равных с крупными компаниями.

7. Усиление обнаружения мошенничества при onboarding клиентов. ИИ умеет быстро сканировать и проверять подлинность документов при приеме клиента, выявляя даже самые незначительные аномалии (например, в размере шрифта, форматировании документов и т.п.), что может свидетельствовать о том, что клиент не тот, за кого себя выдает, и требует дополнительной проверки.

Хотя такие сценарии могут иметь значительный эффект внутри организации по управлению активами, максимизация их ценности во многом зависит от качества и доступности данных, которые их питают. В первую очередь, данные должны быть понятны человеку и машине в режиме самообслуживания. Часто компании извлекают данные из исходных приложений и переносят их в хранилище данных. Однако это лишает их важной семантики и контекста, специфичных для среды приложения. Без этой метаинформации результат ИИ — и его общий эффект — могут быть не оптимальными. Поэтому во многих случаях организации лучше оставить эти данные в их естественной среде приложений вместе с сопутствующей метаинформацией. Представьте эти данные как батареи, питающие генеративный ИИ, агентный ИИ и интеллектуальную аналитику внутри организации. Чем мощнее батареи, тем лучше организация сможет использовать свои инвестиции в ИИ для преодоления препятствий.

Об авторе

Стюарт Грант — руководитель отдела рынков капитала, управления активами и богатством в SAP. Уже более 20 лет он работает с данными в индустрии капитальных рынков, занимаясь управлением продуктами, развитием бизнеса и управленческими функциями.