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

Stuart Grant 是 SAP 的资本市场、资产与财富管理负责人。

发现顶级金融科技新闻与活动！

订阅 FinTech Weekly 的通讯

由 JP Morgan、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，再到尚未如预期产生回报的持续技术投资，随着日历翻到 2026 年，资产管理机构面临显著的阻力。

在 McKinsey & Company 对全球资产管理行业于 2025 年所做的一项分析中，例如发现，由于上述这类因素，过去五年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。

但压力缓解的“安全阀”即将到来，形式是针对性、安置得当的人工智能部署。以各种形式存在的 AI——生成式、Agentic（能动式/代理式）等——正在开始在多种前台、中台和后台用例中展现价值，使资产管理者能够把握新的生产力与效率提升，从而在竞争对手之前识别并把握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 C 级高管的调查所做的分析中，McKinsey 认定：对平均一家资产管理者而言，AI、生成式 AI 和 Agentic 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，对资产管理机构而言，挑战在于确定：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

资产管理领域的各类公司正在在多条战线上应用 AI。其中，大量活动发生在更大的组织内部，因为它们拥有充足的资源，可以围绕大型语言模型开发自身能力，以及部署有针对性的 AI 代理等。但 AI 这枚“硬币”的另一面是，它同样可以帮助不属于最大的 Tier One（头部一线）组织的资产管理者，在更“旗鼓相当”的条件下与这些大型公司竞争。

此外，尽管许多组织将投资重点放在面向客户的 AI 用例上，但重要的是不要忽视在前台、中台和后台中通过其他可扩展的 AI 实施来创造价值的机会。与其寻求可能彼此无法良好集成的点状解决方案，更明智的从 AI 生成价值的方式，或许是瞄准那些能够打破三层办公之间虚拟“隔墙”的投资，以创造效率、增强生产力、优化流程，并更好地为规划与战略提供信息。

简而言之，寻找能够鼓励——并且能够利用——数据在整个组织中更自由流动的 AI 用例。下面是一些看起来尤其有前景的例子：

1. 自动化并加速财务结账及其他财务职能。财务历来是一个充斥大量手工流程的领域。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，包括财务结账以及 AR、AP、发票对账等。在这些场景中，AI 可支持对数据流转的自动化改进。它也可以为财务业务用户提供主动通知——以及可执行的情景——以应对资本盈余/缺口、资产负债表调整等方面可能存在的、尚未被察觉的问题。

2. 通过与财务真正对齐来改进风险管理。后台产生的数据对于中台的风险管理团队而言可能极具价值。这些团队可以使用与投资持仓、现金流、市场流动性、保证金/抵押品等相关的数据，结合客户画像与沟通数据，从而识别客户赎回的早期信号及其关联的流动性风险。

3. 识别并迅速响应新费用结构与商业模式的机会。组织可以提示其 AI 工具去研究并建模潜在费用变更以及新商业模式所带来的影响。历史数据表明：费用变更会如何影响应收款？是否存在机会将现有业务中的某个领域（例如特定资产类别或某些地区的基金）拆分为两个或更多部分，或以不同方式对客户进行分桶？如果是，那么此类举措的商业案例有多强？

4. 为进入新产品或新地域的扩张决策提供信息。你的组织正在考虑进入一个颇具前景但相对风险较高的全新地理市场。过去类似的动作在预期与实际成本方面结果如何？若要进入，该举措可能带来哪些监管与人力资源（HR）影响？与生成式 AI 数字助理开展对话，可以对这类问题给出有价值的答案，从而产生更有依据的战略决策。

5. 围绕投资组合再平衡潜在影响进行情景建模：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与其他因素的前提下，给出关于最佳时机的建议。通过这种方式将 AI 与数据建立连接，AI 有助于解决财务职能与前台投资组合管理之间的信息脱节问题，支持更贴近实际的战略规划与预算编制。

在我合作的一家企业案例中，例如，他们希望将有关其投资组合中各个单项要素的表现的投资组合归因数据，与客户的风险偏好与费用结构数据相结合。其目标是更好地理解：相较于客户预期与未来收益，投资组合再平衡所带来的财务连锁反应。

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：其组织正寻求在不显著增加人员编制的情况下，将资产管理规模翻倍——仅仅通过在全组织中更广泛地利用 AI 与 AI 代理。他们正在创建 AI 代理，并将其直接放在员工身边——本质上作为这些员工的数字延伸。最终，这些代理所带来的生产力提升，使中小型公司能够“发挥出与其体量相匹配的战斗力”，从而在更平等的竞争条件下与更大型公司展开竞争。

7. 在客户入门（开户/上手）期间强化欺诈检测。AI 擅长快速扫描并验证入门文件的真实性，即便是最轻微的异常（如字体大小、文件格式等）也能识别出来；这些异常可能暗示客户并不是其看上去的那个人，因此需要进行更进一步的审查。

尽管像这些用例在资产管理机构内部可能非常有影响力，但要最大化其价值，关键在很大程度上取决于喂给它们的数据的质量与可访问性。首先，数据必须能够在自助方式下被人类与机器理解。很多时候，企业会从源系统应用中抽取数据，再将其放入数据湖（data lake）。然而，这样做会移除与应用环境高度相关、并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——可能会变得不理想。因此，在很多情况下，组织更适合将这些数据保留在其原生的应用环境中，并与配套元数据一起保留。把这些应用中的数据想象成给组织内生成式 AI、Agentic AI 与智能分析提供动力的“电池”。电池越强大，资产管理机构就越有条件利用其 AI 投资，穿透其面临的各种阻力。

关于作者

Stuart Grant 是 SAP 的资本市场、资产与财富管理负责人。过去 20 多年来，他一直在资本市场行业中从事与数据相关的工作，岗位涵盖产品管理、业务开发与业务管理。