七大AI应用场景，助力资产管理人在市场逆风中提升效率与生产力

斯图尔特·格兰特 是 SAP 的资本市场、资产与财富管理负责人。

探索领先的金融科技新闻与活动！

订阅 FinTech Weekly 的通讯

由来自 JP 摩根、Coinbase、Blackrock、Klarna 等的高管阅读

从费用压缩到宏观经济条件的不利变化，再到持续增加且尚未如预期见效的技术投资，当日历翻到 2026 年时，资产管理机构面临着显著的阻力。

在对全球资产管理行业的 2025 年分析中，麦肯锡（McKinsey & Company）例如发现，由于类似这些因素，过去五年中北美的资产管理者利润率下降了三个百分点，欧洲下降了五个百分点。

但在这样的压力之下，已经出现了一个可释放压力的“阀门”——以有针对性、安放得当的方式部署人工智能。以各种形式的 AI——生成式、代理式（agentic）等——正开始在一系列前台、中台和后台的使用场景中展现价值，使资产管理者能够抓住新的生产力与效率提升机会，并在竞争对手之前识别并把握更有利可图的新业务机会。在其基于对北美和欧洲资产管理公司高层（C-level）高管的调研的分析中，麦肯锡确定：对平均一家资产管理者而言，来自 AI、生成式 AI 和代理式 AI 的潜在影响“可能具有变革性，相当于其成本基数的 25% 到 40%”。

因此，资产管理机构面临的挑战在于：要确定在其组织内部的哪些环节，AI 能带来最大的价值。

为最大化影响而部署 AI

资产管理领域各类公司正在在多方面使用 AI。许多这类活动发生在更大的组织内部，这些组织拥有充足资源来围绕大型语言模型、自定义 AI 代理等来开发自身能力。但 AI 这枚硬币的另一面是：它也可以帮助最大的一级（Tier One）组织之外的资产管理者，在更相等的基础上与这些大型公司竞争。

更重要的是，尽管许多组织会将投资重点放在面向客户的 AI 使用场景上，但同样不应忽视在前台、中台和后台通过其他可扩展的 AI 实施来创造价值的机会。与其追求可能彼此无法很好集成的点状解决方案，更明智的做法可能是瞄准那些能打破三层办公之间“虚拟围墙”的投资，从而创造效率、提升生产力、优化流程，并更好地为计划与战略提供信息。

简而言之，应寻找那些能够促进——并且可以利用——组织内部数据更自由流动的 AI 用例。以下是一些看起来尤其有前景的方向：

1. 自动化并加速财务结账以及其他财务职能。财务在历史上一直是一个充满手工流程的领域。在 AI 代理的帮助下，资产管理机构有机会自动化围绕财务职能的许多流程，包括财务结账以及应收（AR）、应付（AP）、发票对账等。在这些场景中，AI 可以支持对数据流转的更好的自动化。它还可以为财务业务用户提供主动通知——以及可执行的情景——以应对可能未被发现的资本盈余/短缺、资产负债表调整等方面的问题。

2. 通过与财务的真正对齐来改进风险管理。 后台的数据对中台的风险管理团队可能极其有价值。这些团队可以将与投资持仓、现金流、市场流动性、保证金/抵押品（margin/collateral）等相关的数据，与客户画像和沟通数据结合起来，以识别客户赎回及其相关的流动性风险的早期信号。

3. 识别并迅速抓住关于新收费结构和商业模式的机会。 组织可以提示其 AI 工具去研究并建模潜在费用变更及新商业模式的影响。费用变更会如何影响应收账款？是否存在机会将现有业务的某一部分（例如特定资产类别或特定地理区域的基金）拆分为两部分或更多部分，或者以不同方式对客户进行分桶（bucket），如果是这样，那么对于这类举措的商业论证强度如何？

4. 为进军新产品或新地域的决策提供依据。 你的组织正在考虑进入一个有前景但相对风险较高的新地理市场。过去类似的举措在预期成本与实际成本方面结果如何？进行这种举措可能带来哪些可能的监管与人力资源（HR）影响？与生成式 AI 数字助理进行对话，可以为这类问题提供有价值的答案，从而带来更具信息充分度的战略决策。

5. 对围绕投资组合再平衡潜在影响的“如果……会怎样（what-if）”情景进行建模，涵盖未来收益，以及客户的投资优先级与风险偏好。 AI 工具可以提供对这类变化潜在影响的洞察，同时也能在考虑应付账款义务等其他因素的情况下，给出关于最佳时机的建议。通过将 AI 与这些数据建立关联，AI 有助于解决财务职能与前台投资组合管理之间的信息断裂，从而支持更精准的战略规划与预算编制。

在我合作的一家企业的案例中，例如，他们希望将用于衡量其投资组合中各个组成部分表现的投资组合归因（portfolio-attribution）数据，与关于客户风险偏好和收费结构的数据结合起来。目标是更好地理解：相较于客户预期与未来收益，投资组合再平衡带来的财务“回响”（financial reverberations）将如何变化。

6. 提升生产力。 我最近与一些资产管理高管交流时，他们表示，自己的组织正试图在不显著增加人员编制的情况下，将管理资产规模翻倍——只需要在整个组织中更广泛地利用 AI 和 AI 代理即可。他们正在创建 AI 代理，并将其直接放在员工旁边——从本质上说，作为那些员工的数字延伸。最终，这些代理所带来的生产力提升，使中小型公司能够“以小博大”，在更相等的基础上与大型公司竞争。

7. 在客户入门（onboarding）期间加强反欺诈检测。 AI 擅长迅速扫描并验证入门文件的真实性，识别出甚至是最轻微的异常（如字体大小、文件格式等），这些异常可能暗示客户并非其表面所呈现的那个人，因此需要更严格的筛查。

尽管这些用例在资产管理组织内部可能非常有影响力，但要最大化其价值，强烈依赖于喂给它们的数据的质量与可获取性。首先也是最重要的是，数据必须能够以自助式（self-service）方式被人类和机器理解。很多时候，企业会从源应用中抽取数据并将其移动到数据湖（data lake）。然而这样做会移除与应用环境相关且至关重要的语义与上下文信息。没有这些元数据，AI 的输出——以及整体影响——都可能不够理想。因此，在很多情况下，组织把这份数据留在其自然的应用环境中，并保留随附的元数据，会更有利。把这些应用中的数据想象成支撑组织内生成式 AI、代理式 AI 和智能分析的“电池”。电池越强大，资产管理组织就越有条件利用其 AI 投资去穿透那些正向它们迎来的阻力。

关于作者

斯图尔特·格兰特是 SAP 的资本市场、资产与财富管理负责人。20 多年来，他一直在资本市场行业从事与数据相关的工作，岗位涵盖产品管理、业务发展和业务管理。