七大AI應用案例，助資產管理人在市場逆風中提升效率與生產力

Stuart Grant 擔任 SAP 的資本市場、資產與財富管理部門主管。

探索頂尖金融科技新聞與活動！

訂閱 FinTech Weekly 的電子報

由 JP Morgan、Coinbase、Blackrock、Klarna 等高階主管閱讀

從費用壓縮到宏觀經濟條件不利的變動，再到堆積的科技投資尚未如預期帶來回報，當行事曆翻到 2026 年時，資產管理機構正面臨顯著的逆風。

在麥肯錫公司（McKinsey & Company）對全球資產管理業界於 2025 年所做的分析中，例如指出，受像這些因素影響，未來五年內北美資產管理者的利潤率下降了三個百分點、歐洲下降了五個百分點。

但緩解壓力的洩壓閥已經來到，形式是具針對性且安放得當的人工智慧部署。以各種形式（生成式、具代理能力的 agentic 等）的 AI，正開始在一系列前台、中台與後台的用例中展現價值，使資產管理者能夠掌握新的生產力與效率提升，並在競爭對手之前辨識並把握具利潤的新商業機會。在其分析中，該分析係基於對北美與歐洲的資產管理公司高階主管所進行的調查，麥肯錫判定：對平均一家資產管理者而言，AI、生成式 AI 與 agentic AI 所帶來的潛在影響「可能具有變革性，約等同於其成本基礎的 25% 到 40%」。

因此，資產管理機構面臨的挑戰在於：要在組織內部的哪些位置導入 AI，才能提供最大價值。

以最大化影響為目標部署 AI

橫跨整個資產管理領域，許多公司正在在各種方向上使用 AI。多數這類活動發生在較大型的組織中，這些組織擁有充足資源，可圍繞大型語言模型開發自身能力，以及針對性的 AI 代理等。不過，AI 的另一面是：它同樣能協助資產管理者在非最大「第一梯隊」組織的情況下，也能在更接近的條件下，與這些大型公司展開競爭。

更重要的是，儘管許多組織將投資重心放在面向客戶的 AI 用例上，但不應忽視在前台、中台與後台，透過其他可擴展的 AI 實作來創造價值的機會。與其追求可能彼此難以整合的單點解決方案，從 AI 產生價值的更明智做法，可能是鎖定能夠打破三個辦公層級之間「虛擬牆」的投資，以創造效率、提升生產力、精簡流程，並更好地支援規劃與策略。

簡而言之，應尋找能促進——並能善加利用——資料在整個組織中更自由流動的 AI 使用案例。以下是一些看起來特別具有潛力的：

1. 自動化並加速財務結帳與其他財務功能。財務歷來是一個充滿手工作業的領域。在 AI 代理的協助下，資產管理機構有機會自動化財務功能周邊的許多流程，包括財務結帳，以及 AR、AP、發票對帳等。在這些情境下，AI 可支援更完善的資料流轉自動化。它也能為財務端的業務使用者提供主動通知——以及可採取行動的情境——以應對可能未被看見的資本盈餘/短缺、資產負債表調整等問題。

2. 透過真正與財務對齊來強化風險管理。 後台的資料對中台的風險管理團隊而言極具價值。這些團隊可以利用關於投資人持倉、現金流、市場流動性、保證金/擔保品等資料，並結合客戶的背景輪廓與溝通資料，來辨識與客戶贖回相關的早期訊號以及相應的流動性風險。

3. 辨識並迅速啟動新費用架構與商業模式的機會。 組織可以提示其 AI 工具去研究並建模潛在費用變更與新商業模式所帶來的影響。歷史資料對於費用調整將如何影響應收款項（AR）有什麼建議？是否存在機會把既有業務的一個範疇（例如特定資產類別或特定地域的基金）拆成兩個或更多部分，或是以不同方式對客戶分群？而如果有，那麼這樣的動作商業論證強度如何？

4. 為進軍新產品或新地域的決策提供資訊。 你的組織正在考慮進入一個看似潛力大、但相對風險較高的新地域市場。過去這類進軍在預期與實際成本方面結果如何？此類進軍可能帶來哪些監管與人力資源（HR）影響？與生成式 AI 數位助理進行對話，可以產出像這類問題的寶貴答案，進而導致更有根據的策略性決策。

5. 對可能的投資組合再平衡影響進行情境模擬：涵蓋未來獲利，以及客戶的投資優先順序與風險偏好。 AI 工具能提供這類轉變可能造成的影響洞察，同時也會在考量應付帳款義務與其他因素的前提下，提出最佳時機的建議。透過這樣的資料連結，AI 協助弭平財務功能與前台投資組合管理之間的資訊落差，支援更貼近實情的策略規劃與預算編製。

以我所合作的一家機構為例，他們正在尋求把關於投資組合中各個個別成分的績效之歸因資料，與關於客戶的風險偏好與費用架構資料進行整合。目標是更好地理解：相較於客戶的預期與未來獲利，投資組合再平衡在財務上的連鎖反應究竟如何。

6. 提高生產力。 我近期與一些資產管理高階主管交流時，他們表示自己的組織正試圖在不增加人力編制的前提下，將資產管理規模翻倍；做法是更廣泛地在整個組織中運用 AI 與 AI 代理。他們正在建立 AI 代理，並把它們直接放在員工旁邊——本質上是把這些代理當作員工的數位延伸。最終，這些代理所帶來的生產力提升，讓中小型公司能夠在大致相當的條件下，憑藉其規模「打得出自己的重量」，去與較大型公司競爭。

7. 在客戶入金（onboarding）期間強化詐欺偵測。 AI 擅長快速掃描並驗證入金文件的真實性，能辨識即使是最微小的異常（例如字體大小、文件格式等）。這些異常可能暗示該客戶並非看起來的那個身分，因此需要進一步篩查。

儘管像這些用例在資產管理機構內可能同樣具高度影響力，但要最大化其價值，極度仰賴餵給它們的資料之品質與可近性。首先並最重要的是，資料必須能夠在自助服務的方式下，被人類與機器理解。許多時候，企業會把資料從來源應用程式中抽取出來，並移入資料湖。不過，這麼做會移除針對該應用環境至關重要的語意與脈絡資訊。沒有這些中繼資料（metadata），AI 的輸出——以及整體影響——可能會不夠理想。因此，在很多情況下，讓這些資料留在其原本的應用環境中，並同時保留配套的中繼資料，通常會更有利。把這些應用程式中的資料想成是支撐組織內生成式 AI、agentic AI 與智慧分析的電池。電池越強大，資產管理機構就越能更好地運用其 AI 投資，穿越眼前的逆風挑戰。

關於作者

Stuart Grant 是 SAP 的資本市場、資產與財富管理部門主管。20+ 年來，他一直在資本市場產業中從事資料相關工作，涵蓋產品管理、商務開發與商務管理等角色。