七个人工智能应用案例，帮助资产管理人在市场逆风中提升效率和生产力

Stuart Grant 是 SAP 资本市场、资产与财富管理负责人。

发现顶级金融科技新闻和活动！

订阅 FinTech Weekly 的通讯

由摩根大通、Coinbase、Blackrock、Klarna 等高管阅读

从费用压缩，到宏观经济条件的不利变化，再到技术投资不断加码但尚未达到预期回报，随着日历翻向 2026 年，资产管理机构面临着显著的逆风。

例如，在麦肯锡公司对 2025 年全球资产管理行业的分析中发现，过去五年里，受这些因素影响，北美资产管理者的利润率下降了 3 个百分点，欧洲下降了 5 个百分点。

不过，有一个压力缓释阀即将到来：以精准、恰当的方式部署人工智能。以生成式、代理式等多种形态的 AI，正在开始在前台、中台和后台的一系列用例中展现价值，使资产管理者能够捕捉新的生产力与效率提升，并在竞争对手之前识别并把握更具盈利潜力的新业务机会。在其基于对北美与欧洲资产管理公司高层（C-level）高管调查的分析中，麦肯锡确定，对于平均一家资产管理者而言，AI、生成式 AI 和代理式 AI 的潜在影响“可能具有变革性，相当于其成本基础的 25% 到 40%”。

因此，资产管理机构面临的挑战是：弄清楚在组织内部的哪些环节，AI 能带来最大的价值。

用 AI 实现最大影响

资产管理领域的各类公司正在从多个方面使用 AI。许多相关活动发生在规模更大、拥有充足资源、能够围绕大语言模型开发自身能力的组织中，并辅以定向 AI 代理等。但 AI 另一面的意义在于，它也能帮助最大规模 Tier One 组织之外的资产管理者，在与这些更大型企业竞争时站在更接近的起跑线上。

此外，尽管许多组织会将投资重点放在面向客户的 AI 用例上，但同样不应忽视在前台、中台和后台创造价值的其他可扩展 AI 实施机会。与其寻找彼此难以良好集成的“点状方案”，更明智的做法或许是：瞄准那些能够打通三层办公体系之间“虚拟壁垒”的投资，从而创造效率、提升生产力、简化流程，并更好地支撑规划与战略。

简而言之，寻找那些能够促进——并且能利用——组织内部数据更自由流动的 AI 用例。下面是一些看起来特别有前景的方向：

1. 自动化并加速财务结算及其他财务职能。财务历来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财务职能周边的许多流程，包括财务结算，以及应收（AR）、应付（AP）、发票对账等。在这些场景中，AI 可以支持对数据流动方式的更好自动化。它也可以为财务业务用户提供主动通知——以及可操作的情景建议——以应对可能尚未被发现的问题，例如资本盈余/短缺、资产负债表调整等。

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具价值。这些团队可以将投资者持仓、现金流、市场流动性、保证金/抵押品等方面的数据，与客户画像和沟通数据结合起来，从而识别客户赎回及相关流动性风险的早期信号。

3. 识别并迅速把握新费率结构与商业模式的机会。组织可以让其 AI 工具研究并建模潜在费率变动以及新商业模式带来的影响。费率变动在历史数据中往往会如何影响应收账款？是否存在机会把现有业务领域（比如特定资产类别或地域基金）(拆分为两个或更多部分，或对客户进行不同的分桶/分组，若存在，那么这类举措的商业论证强度如何？

4. 为扩展新产品或新地区的决策提供依据。你的组织正在考虑进入一个前景可期但相对风险较高的全新地域市场。过去类似举措在预期成本与实际成本方面结果如何？这种扩张可能带来哪些潜在的监管与人力资源（HR）影响？与生成式 AI 数字助手进行对话，可以产出关于这些问题的宝贵答案，从而形成更有依据的战略决策。

5. 围绕潜在的投资组合再平衡影响进行“假设情景”建模：既包括对未来收益的影响，也包括客户投资优先级与风险偏好的影响。AI 工具可以洞察这类变化可能带来的影响，同时也能在考虑应付账款义务以及其他因素的前提下，给出最优时机方面的建议。通过将这些关联与数据打通，AI 有助于弥合财务职能与前台投资组合管理之间的信息脱节，支持更贴合实际的战略规划与预算。

例如，我所合作的一家机构正试图将其关于投资组合中各个单项要素的表现归因数据，与客户的风险偏好和费率结构数据相结合。其目标是更好地理解：相对于客户预期与未来收益，投资组合再平衡所带来的财务连锁反应。

6. 提升生产力。最近我与一些资产管理高管交流时，他们表示，自己的组织希望在不显著增加人员编制的情况下，将管理资产规模翻倍——只需更广泛地在全组织范围内运用 AI 和 AI 代理即可。他们在创建 AI 代理的同时，把这些代理直接放到员工身边——本质上相当于作为员工的数字延伸。最终，这些代理带来的生产力提升，使中小型公司能够“以相当的实力匹配规模更大的公司”，在更均衡的起跑线上展开竞争。

7. 在客户入职（onboarding）过程中强化欺诈检测。AI 擅长快速扫描并验证入职文件的真实性，能够识别哪怕是最微小的异常 )，例如字体大小、文档格式等，这些异常可能暗示客户并非其表面身份，因此需要进一步加强筛查。

尽管像这样的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，很大程度上取决于为其提供的数据的质量与可访问性。首先，数据必须能够以自助方式同时让人类与机器理解。很多时候，公司会把数据从源应用中抽取出来并转移到数据湖（data lake）里。然而，这样做会移除与该应用环境特定相关、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——可能会变得不理想。因此，在许多情况下，组织更适合把数据保留在其原生的应用环境中，同时保留并配套相关元数据。把这些应用中的数据想象成“为组织内的生成式 AI、代理式 AI 与智能分析供电”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，穿透正面临的各种逆风。

( 关于作者

Stuart Grant 是 SAP 资本市场、资产与财富管理负责人。20+ 年来，他一直在资本市场行业从事数据相关工作，涉及产品管理、业务发展与业务管理等岗位。