7 кейсов использования AI, которые помогут управляющим активами повысить эффективность и продуктивность в условиях рыночных препятствий

Стюарт Грант является руководителем отдела капитальных рынков, управления активами и благосостоянием в SAP.

Откройте для себя лучшие новости и события в финтехе!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и других

От сжатия сборов до неблагоприятных изменений в макроэкономических условиях и нарастающих технологических инвестиций, которые ещё не принесли ожидаемых результатов, организации по управлению активами сталкиваются с серьёзными трудностями, когда календарь переходит на 2026 год.

В анализе глобальной индустрии управления активами за 2025 год McKinsey & Company, например, выяснила, что маржа управляющих активами снизилась на три процентных пункта в Северной Америке и на пять процентных пунктов в Европе за последние пять лет в результате таких факторов.

Но есть клапан для снятия давления в виде целенаправленных, хорошо продуманных внедрений искусственного интеллекта. ИИ в его различных формах — генеративный, агентный и т. д. — начинает демонстрировать ценность в ряде случаев использования в переднем, среднем и заднем офисах, предоставляя управляющим активами средства для получения новых производительности и эффективных преимуществ, а также для выявления и использования прибыльных новых бизнес-возможностей, опережая конкурентов. В своём анализе, основанном на опросе руководителей уровня C из компаний по управлению активами по всей Северной Америке и Европе, McKinsey определила, что для среднего управляющего активами потенциальное влияние от ИИ, генеративного ИИ и агентного ИИ «может быть трансформирующим, эквивалентным 25-40 процентам их структуры затрат».

Задача для организаций по управлению активами, таким образом, заключается в том, чтобы определить, где внутри их организаций ИИ может предоставить наибольшую ценность.

Внедрение ИИ для максимального воздействия

Компании в сфере управления активами используют ИИ на различных фронтах. Большая часть этой активности происходит в рамках крупных организаций, которые имеют глубокие ресурсы для разработки собственных возможностей вокруг больших языковых моделей, с целенаправленными ИИ-агентами и подобным. Но другая сторона монеты ИИ заключается в том, что он также может помочь управляющим активами вне крупнейших организаций Tier One конкурировать на более равных условиях с этими крупными компаниями.

Более того, в то время как многие организации сосредотачивают свои инвестиции на ИИ, ориентированном на клиентов, важно не упускать возможности создания ценности с другими масштабируемыми внедрениями ИИ в переднем, среднем и заднем офисах. Вместо того чтобы искать точечные решения, которые могут плохо интегрироваться друг с другом, более разумным подходом к созданию ценности от ИИ может быть целенаправленные инвестиции, которые растворяют виртуальные стены между тремя офисными уровнями для создания эффективностей, повышения производительности, оптимизации процессов и лучшего информирования о планировании и стратегии.

Коротко говоря, ищите случаи использования ИИ, которые способствуют — и могут использовать — свободному движению данных по всей организации. Вот несколько, которые выглядят особенно многообещающе:

1. Автоматизация и ускорение финансового закрытия и других финансовых функций. Финансы исторически были областью, заполненной ручными процессами. С помощью ИИ-агентов организации по управлению активами имеют возможность автоматизировать многие процессы вокруг финансовой функции, включая финансовое закрытие, а также дебиторскую задолженность, кредиторскую задолженность, сверку счетов и т. д. В этих сценариях ИИ может поддерживать улучшенную автоматизацию движения данных. Он также может предоставить пользователям финансового бизнеса проактивные уведомления — и действительные сценарии — для потенциально незамеченных проблем с избытком/недостатком капитала, корректировками балансового отчета и т. д.

2. Улучшение управления рисками через истинное согласование с финансами. Данные из заднего офиса могут быть невероятно ценными для команд по управлению рисками в среднем офисе. Эти команды могут использовать данные о долгах инвесторов, денежных потоках, рыночной ликвидности, марже/обеспечении и т. д., в сочетании с данными о профиле клиентов и их коммуникациях, чтобы выявить ранние сигналы о выкупах клиентов и связанных с ними рисках ликвидности.

3. Выявление и быстрая мобилизация на возможности для новых структур сборов и бизнес-моделей. Организации могут предложить своим инструментам ИИ исследовать и моделировать влияние потенциальных изменений сборов, а также новых бизнес-моделей. Что говорит историческая информация о том, как изменение сбора повлияет на дебиторскую задолженность? Есть ли возможности разделить существующую область бизнеса (например, конкретный класс активов или географические фонды) на две или более частей, или группировать клиентов по-другому, и если да, то насколько сильным является бизнес-кейс для таких шагов?

4. Информирование решений о расширении в новые продукты или географии. Ваша организация рассматривает возможность выхода на многообещающий, но относительно рискованный новый географический рынок. Каковы были результаты предыдущих шагов в таких случаях в терминах ожидаемых и фактических затрат? Каковы вероятные регуляторные и HR-эффекты такого шага? Диалог с генеративным ИИ-цифровым помощником может дать ценные ответы на такие вопросы, что приведет к более обоснованным стратегическим решениям.

5. Моделирование сценариев «что если» вокруг потенциального влияния ребалансировки портфеля на будущие доходы, а также инвестиционные приоритеты клиентов и аппетиты к риску. Инструменты ИИ могут предоставить информацию о потенциальном влиянии таких сдвигов, а также предложить рекомендации по оптимальному времени, учитывая обязательства по кредиторской задолженности и другие факторы. Создавая такие связи с данными, ИИ помогает устранить информационные разрывы между финансовой функцией и управлением портфелем в переднем офисе, поддерживая более точное стратегическое планирование и бюджетирование.

В случае одной компании, с которой я работаю, например, они стремятся объединить данные о атрибуции портфеля по производительности отдельных элементов своего портфеля с данными о рисковом аппетите клиентов и структурах сборов. Цель состоит в том, чтобы лучше понять финансовые последствия ребалансировки портфеля в отношении ожиданий клиентов и будущих доходов.

6. Повышение производительности. Некоторые руководители в сфере управления активами, с которыми я недавно общался, говорят, что их организации стремятся удвоить активы под управлением без значительного увеличения числа сотрудников, просто за счет более широкого использования ИИ и ИИ-агентов в своих организациях. Они создают ИИ-агентов и ставят их прямо рядом с сотрудниками — фактически, как цифровые продолжения этих сотрудников. В конечном итоге, приросты производительности, которые эти агенты обеспечивают, позволяют небольшим и средним фирмам конкурировать на более равных условиях с крупными компаниями.

7. Усовершенствование обнаружения мошенничества во время онбординга клиентов. ИИ хорошо справляется с быстрым сканированием и проверкой подлинности документов по онбордингу, выявляя даже самые незначительные аномалии (в размере шрифта, формате документа и т. д.), которые могут указывать на то, что клиент не тот, кем кажется, и поэтому требует более тщательной проверки.

Хотя такие случаи использования, как эти, могут быть весьма значительными внутри организации по управлению активами, максимизация их ценности сильно зависит от качества и доступности данных, которые их поддерживают. Прежде всего, данные должны быть понятными как для человека, так и для машины на основе самообслуживания. Часто компании извлекают данные из исходных приложений и перемещают их в озеро данных. Однако это убирает жизненно важные семантики и контекст, специфичные для среды приложения. Без этой метаданных вывод ИИ — и общий эффект — могут быть не оптимальными. Поэтому в большинстве случаев организациям лучше оставить эти данные в их естественной среде приложения вместе с сопутствующей метаданными. Рассматривайте данные в этих приложениях как батареи, которые питают генеративный ИИ, агентный ИИ и интеллектуальную аналитику внутри организации. Чем мощнее батареи, тем лучше будет позиционирована организация по управлению активами для использования своих инвестиций в ИИ, чтобы справиться с трудностями, с которыми она сталкивается.

Об авторе

Стюарт Грант является руководителем отдела капитальных рынков, управления активами и благосостоянием в SAP. Более 20 лет он работает с данными в индустрии капитальных рынков в ролях, охватывающих управление продуктами, развитие бизнеса и управление бизнесом.