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

**斯图尔特·格兰特（Stuart Grant）**是SAP资本市场、资产与财富管理部门负责人。

发现顶级金融科技新闻和活动！

订阅《金融科技周刊》的新闻通讯

由摩根大通、Coinbase、黑石（Blackrock）、Klarna等高管阅读

从费用压缩，到宏观经济条件出现不利变化，再到持续加大尚未如预期回报的技术投入——当日历翻到2026年时，资产管理机构正面临显著阻力。

在麦肯锡公司于2025年对全球资产管理行业开展的一项分析中，例如发现：过去5年里，受这类因素影响，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。

但缓解压力的“安全阀”即将到来，形式在于有针对性且部署得当的人工智能应用。以各种形态出现的AI——生成式、代理式等——正开始在多种前台、中台和后台用例中体现价值，使资产管理者能够实现新的生产力与效率提升；同时帮助他们在竞争对手之前识别并把握更有利可图的新业务机会。在该分析中，麦肯锡基于对北美和欧洲资产管理公司的C级高管所做的调研得出结论：对于平均一家资产管理者而言，AI（包括生成式AI与代理式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，资产管理组织面临的挑战是：在组织内部的哪些环节，AI能够带来最大价值。

实现最大影响的AI部署

资产管理领域的公司在多方面采用AI。大部分相关活动发生在更大的组织中——这些组织拥有充足资源，可以围绕大语言模型打造自身能力，并配备有针对性的AI代理等。但AI这枚硬币的另一面是：它也能帮助不属于最大“Tier One”梯队的资产管理者，在与这些大型公司竞争时站在更接近的起跑线上。

此外，尽管许多组织会把投资重点放在面向客户的AI用例上，但也不能忽视在前台、中台和后台，通过其他可扩展的AI实现价值的机会。与其寻找彼此难以良好集成的“点状”解决方案，从AI中创造价值的更明智做法或许是：瞄准那些能够拆除三层办公之间“虚拟墙壁”的投资，以创造效率、提升生产力、简化流程，并更好地支撑规划与战略。

简而言之，应寻找并能利用组织内数据更自由流动的AI用例。以下是一些看起来尤其有前景的方向：

1. 自动化并加快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，资产管理组织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能够支持对数据流动的自动化改进。同时，它还能为财务业务用户提供主动通知——以及可操作的情景分析——以应对可能尚未被发现的资本富余/短缺、资产负债表调整等问题。

2. 通过与财务真正对齐来改进风险管理。来自后台的数据对中台的风险管理团队而言可能极其宝贵。这些团队可以将围绕投资者持仓、现金流、市场流动性、保证金/抵押品等数据，结合客户画像与沟通数据，用于识别客户赎回及相关流动性风险的早期信号。

3. 识别并快速抓住新的费率结构与商业模式机会。组织可以让其AI工具研究并模拟潜在的费率变更影响，以及新的商业模式。费率变化将如何影响应收账款？历史数据表明会产生怎样的影响？是否存在机会将现有业务（例如特定资产类别或某些地理/区域基金）拆分为两个或更多部分，或以不同方式对客户进行分桶（分组）？如果可以，那么这类举措的商业论证基础有多强？

4. 为扩展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前景可期但相对风险较高的全新地域市场。此类举措在过去的结果如何——在预期与实际成本方面分别是什么情况？此类扩张可能带来的监管与人力资源（HR）影响有哪些？与生成式AI数字助手进行对话，可以产出这类问题的宝贵答案，从而形成更有依据的战略决策。

5. 围绕投资组合再平衡的潜在影响进行“假设情景”建模：既包括对未来收益的影响，也包括客户的投资优先级与风险偏好。AI工具能够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以及其他因素的前提下，给出最佳时机的建议。通过将AI与数据建立这种关联，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问题，从而支持更贴合实际的战略规划与预算编制。

例如，我合作的一家机构就希望将其关于投资组合中各个单项要素绩效的归因数据，与客户的风险偏好及费率结构数据相结合。其目标是更好地理解：投资组合再平衡相对于客户预期与未来收益，将产生怎样的财务“回响”。

6. 提升生产力。我最近与一些资产管理高管交流时，他们表示其组织希望在不显著增加编制人数的情况下，把管理资产规模翻一番，这可以通过在整个组织中更广泛地利用AI与AI代理来实现。他们正在创建AI代理，并将这些代理直接放置在员工身边——本质上作为员工的数字延伸。最终，这些代理所带来的生产力提升，使中小型公司得以“以自身实力匹敌更大规模公司”，从而在更公平的竞争层面上参与角逐。

7. 在客户入职（onboarding）阶段强化欺诈检测。AI擅长快速扫描并验证入职文件的真实性，能够识别出哪怕是最轻微的异常（例如字体大小、文件格式等），这些异常可能暗示客户并非其表面所示身份，因此需要进行更进一步的筛查。

尽管像这些用例在资产管理组织内部可能产生很大影响，但要想最大化其价值，关键在于：为其提供数据的质量与可获取性。首先，数据必须能够以自助的方式被人类与机器理解。许多公司会从源应用中抽取数据并将其放入数据湖（data lake）。然而，这样做会移除与应用环境密切相关、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——可能会变得不够理想。因此，在许多情况下，组织更应该把数据留在其自然的应用环境中，并同时保留相关元数据。可以把这些应用中的数据视为在组织内部驱动生成式AI、代理式AI以及智能分析的“电池”。电池越强大，资产管理组织就越能够利用其AI投资，穿透眼前的阻力。

关于作者

斯图尔特·格兰特（Stuart Grant）是SAP资本市场、资产与财富管理部门负责人。20多年来，他一直在资本市场行业从事与数据相关的工作，所担任的岗位涵盖产品管理、业务发展与业务管理等方向。