_**Stuart Grant** 是 SAP 資本市場、資產與財富管理部門的主管。* * ***探索頂尖金融科技新聞與活動！****訂閱 FinTech Weekly 的電子報****由摩根大通、Coinbase、貝萊德、Klarna 等高層管理人員閱讀*** * *從費用壓縮到宏觀經濟條件的不利轉變，再到尚未如預期回報的技術投資增加，資產管理組織在邁向2026年的過程中面臨重大阻力。根據麥肯錫公司對2025年全球資產管理行業的分析，例如，過去五年內，北美資產管理商的利潤率下降了三個百分點，歐洲則下降了五個百分點，原因包括這些因素。但一個緩解壓力的出口已經出現，那就是針對性、恰當部署的人工智慧（AI）。各種形式的AI——生成式、代理式等——開始在前台、中台和後台的多種用例中展現價值，為資產管理者提供捕捉新生產力和效率提升的手段，提前識別並利用有利可圖的新商機，超越競爭對手。在其基於對北美和歐洲資產管理公司高層管理人員調查的分析中，麥肯錫認為，對於平均資產管理者來說，AI、生成式AI和代理式AI的潛在影響“可能具有變革性，等同於其成本基礎的25%到40%”。因此，資產管理組織面臨的挑戰是，確定在組織內哪些地方AI能提供最大價值。**最大化AI影響的部署策略**----------------------------資產管理領域的公司正從多個角度運用AI。大多數活動集中在擁有深厚資源、能自行開發大型語言模型、針對性部署AI代理等能力的大型組織中。但另一方面，AI也能幫助非Tier One的資產管理公司在競爭中更平等地與這些大型公司抗衡。此外，雖然許多組織將投資重點放在面向客戶的AI用例上，但不要忽視在前台、中台和後台其他可擴展AI應用中創造價值的機會。與其尋找可能難以整合的點對點解決方案，不如將投資目標放在打破三層辦公室之間虛擬壁壘、創造效率、提升生產力、簡化流程並更好地支持規劃與策略的AI應用上。簡而言之，應尋找能促進——並能利用——資料在組織內自由流動的AI用例。以下幾個特別值得關注：**1. 自動化並加快財務結算及其他財務功能**。財務一直是手動流程繁瑣的領域。在AI代理的幫助下，資產管理組織有機會自動化許多財務相關流程，包括財務結算、應收帳款、應付帳款、發票對帳等。在這些場景中，AI可以支持資料流動的自動化，並為財務業務用戶提供主動通知和可行的情境，預警資本盈餘/短缺、資產負債表調整等潛在問題。**2. 通過與財務的真正協調來改善風險管理**。來自後台的數據對中台的風險管理團隊非常有價值。這些團隊可以利用投資者持倉、現金流、市場流動性、保證金/抵押品等數據，結合客戶資料和通訊數據，提前識別客戶贖回和相關流動性風險的早期信號。**3. 識別並迅速行動於新費率結構和商業模式的機會**。組織可以促使AI工具研究和模擬潛在費率變動和新商業模式的影響。歷史數據是否顯示費率變動會如何影響應收帳款？是否有機會將現有業務（如特定資產類別或地理基金）拆分成兩個或多個部分，或對客戶進行不同分類？這些變動的商業案例有多強？**4. 為擴展新產品或新地理市場的決策提供資訊**。你的組織正在考慮進入一個有潛力但相對風險較高的新市場。過去類似舉措的成本預期與實際情況如何？此類舉措可能帶來的監管和人力資源影響是什麼？與生成式AI數位助手對話，可以獲得有價值的答案，幫助做出更明智的策略決策。**5. 模擬投資組合再平衡對未來收益、客戶投資偏好和風險偏好的“假設情境”**。AI工具可以提供這些變動的潛在影響見解，並就最佳時機提出建議，考慮應付帳款義務等因素。通過與資料建立這樣的聯繫，AI有助於解決財務功能與前台投資組合管理之間的資訊斷層，支持更精準的策略規劃和預算編制。例如，我合作的一家公司正試圖將其投資組合中各個元素的績效資料與客戶的風險偏好和費率結構資料結合起來。目標是更好理解投資組合再平衡對客戶預期和未來收益的財務影響。**6. 提升生產力**。我最近與一些資產管理高層交談，他們表示組織希望在不大幅增加人力的情況下，將管理資產規模翻倍，主要是通過更廣泛地利用AI和AI代理。他們創建AI代理，並將其與員工並列——本質上是員工的數位延伸。最終，這些代理帶來的生產力提升，使中小型公司能在競爭中與大型公司抗衡。**7. 在客戶入職階段提升詐騙偵測能力**。AI擅長快速掃描和驗證入職文件的真實性，能識別微小異常（如字體大小、文件格式等），提示客戶可能不是真實身份，從而需要進一步篩查。儘管這些用例在資產管理組織中具有巨大影響，但其價值最大化很大程度上取決於提供數據的質量和可獲取性。首先，數據必須對人類和機器都能自助理解。許多公司會將數據從源應用中提取並存入資料湖，但這樣會失去與應用環境相關的重要語義和上下文。沒有這些元數據，AI的輸出和整體影響可能會不理想。因此，許多組織更適合將數據留在其自然應用環境中，並配備相應的元數據。可以將這些應用中的數據視為推動生成式AI、代理式AI和智能分析的電池。電池越強大，資產管理組織就越能利用AI投資，突破阻力。### **關於作者**Stuart Grant 是 SAP 資本市場、資產與財富管理的主管。在過去20多年中，他一直在資本市場行業中從事數據相關工作，涵蓋產品管理、業務拓展和業務管理等角色。
七大AI應用案例，幫助資產管理人在市場逆風中提升效率與生產力
_Stuart Grant 是 SAP 資本市場、資產與財富管理部門的主管。
探索頂尖金融科技新聞與活動！
訂閱 FinTech Weekly 的電子報
由摩根大通、Coinbase、貝萊德、Klarna 等高層管理人員閱讀
從費用壓縮到宏觀經濟條件的不利轉變，再到尚未如預期回報的技術投資增加，資產管理組織在邁向2026年的過程中面臨重大阻力。
根據麥肯錫公司對2025年全球資產管理行業的分析，例如，過去五年內，北美資產管理商的利潤率下降了三個百分點，歐洲則下降了五個百分點，原因包括這些因素。
但一個緩解壓力的出口已經出現，那就是針對性、恰當部署的人工智慧（AI）。各種形式的AI——生成式、代理式等——開始在前台、中台和後台的多種用例中展現價值，為資產管理者提供捕捉新生產力和效率提升的手段，提前識別並利用有利可圖的新商機，超越競爭對手。在其基於對北美和歐洲資產管理公司高層管理人員調查的分析中，麥肯錫認為，對於平均資產管理者來說，AI、生成式AI和代理式AI的潛在影響“可能具有變革性，等同於其成本基礎的25%到40%”。
因此，資產管理組織面臨的挑戰是，確定在組織內哪些地方AI能提供最大價值。
最大化AI影響的部署策略
資產管理領域的公司正從多個角度運用AI。大多數活動集中在擁有深厚資源、能自行開發大型語言模型、針對性部署AI代理等能力的大型組織中。但另一方面，AI也能幫助非Tier One的資產管理公司在競爭中更平等地與這些大型公司抗衡。
此外，雖然許多組織將投資重點放在面向客戶的AI用例上，但不要忽視在前台、中台和後台其他可擴展AI應用中創造價值的機會。與其尋找可能難以整合的點對點解決方案，不如將投資目標放在打破三層辦公室之間虛擬壁壘、創造效率、提升生產力、簡化流程並更好地支持規劃與策略的AI應用上。
簡而言之，應尋找能促進——並能利用——資料在組織內自由流動的AI用例。以下幾個特別值得關注：
1. 自動化並加快財務結算及其他財務功能。財務一直是手動流程繁瑣的領域。在AI代理的幫助下，資產管理組織有機會自動化許多財務相關流程，包括財務結算、應收帳款、應付帳款、發票對帳等。在這些場景中，AI可以支持資料流動的自動化，並為財務業務用戶提供主動通知和可行的情境，預警資本盈餘/短缺、資產負債表調整等潛在問題。
2. 通過與財務的真正協調來改善風險管理。來自後台的數據對中台的風險管理團隊非常有價值。這些團隊可以利用投資者持倉、現金流、市場流動性、保證金/抵押品等數據，結合客戶資料和通訊數據，提前識別客戶贖回和相關流動性風險的早期信號。
3. 識別並迅速行動於新費率結構和商業模式的機會。組織可以促使AI工具研究和模擬潛在費率變動和新商業模式的影響。歷史數據是否顯示費率變動會如何影響應收帳款？是否有機會將現有業務（如特定資產類別或地理基金）拆分成兩個或多個部分，或對客戶進行不同分類？這些變動的商業案例有多強？
4. 為擴展新產品或新地理市場的決策提供資訊。你的組織正在考慮進入一個有潛力但相對風險較高的新市場。過去類似舉措的成本預期與實際情況如何？此類舉措可能帶來的監管和人力資源影響是什麼？與生成式AI數位助手對話，可以獲得有價值的答案，幫助做出更明智的策略決策。
5. 模擬投資組合再平衡對未來收益、客戶投資偏好和風險偏好的“假設情境”。AI工具可以提供這些變動的潛在影響見解，並就最佳時機提出建議，考慮應付帳款義務等因素。通過與資料建立這樣的聯繫，AI有助於解決財務功能與前台投資組合管理之間的資訊斷層，支持更精準的策略規劃和預算編制。
例如，我合作的一家公司正試圖將其投資組合中各個元素的績效資料與客戶的風險偏好和費率結構資料結合起來。目標是更好理解投資組合再平衡對客戶預期和未來收益的財務影響。
6. 提升生產力。我最近與一些資產管理高層交談，他們表示組織希望在不大幅增加人力的情況下，將管理資產規模翻倍，主要是通過更廣泛地利用AI和AI代理。他們創建AI代理，並將其與員工並列——本質上是員工的數位延伸。最終，這些代理帶來的生產力提升，使中小型公司能在競爭中與大型公司抗衡。
7. 在客戶入職階段提升詐騙偵測能力。AI擅長快速掃描和驗證入職文件的真實性，能識別微小異常（如字體大小、文件格式等），提示客戶可能不是真實身份，從而需要進一步篩查。
儘管這些用例在資產管理組織中具有巨大影響，但其價值最大化很大程度上取決於提供數據的質量和可獲取性。首先，數據必須對人類和機器都能自助理解。許多公司會將數據從源應用中提取並存入資料湖，但這樣會失去與應用環境相關的重要語義和上下文。沒有這些元數據，AI的輸出和整體影響可能會不理想。因此，許多組織更適合將數據留在其自然應用環境中，並配備相應的元數據。可以將這些應用中的數據視為推動生成式AI、代理式AI和智能分析的電池。電池越強大，資產管理組織就越能利用AI投資，突破阻力。
關於作者
Stuart Grant 是 SAP 資本市場、資產與財富管理的主管。在過去20多年中，他一直在資本市場行業中從事數據相關工作，涵蓋產品管理、業務拓展和業務管理等角色。