7 сценариев использования AI, которые помогут управляющим активами повысить эффективность и производительность в условиях рыночных препятствий

Стюарт Грант — руководитель отдела рынков капитала, управления активами и богатством в SAP.

Откройте для себя лучшие новости и события финтеха!

Подписывайтесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и другие

От сжатия комиссий до неблагоприятных изменений в макроэкономической ситуации и растущих инвестиций в технологии, которые пока не оправдали ожиданий, организации по управлению активами сталкиваются с серьезными препятствиями по мере приближения 2026 года.

В анализе глобальной индустрии управления активами за 2025 год McKinsey & Company обнаружила, что за последние пять лет маржа управляющих активами в Северной Америке снизилась на три процентных пункта, а в Европе — на пять, что связано с такими факторами.

Однако в качестве средства снятия давления появляется целенаправленное, хорошо продуманное внедрение искусственного интеллекта. Различные формы ИИ — генеративный, агентный и другие — начинают демонстрировать ценность в различных фронт-офисных, средних и бэк-офисных сценариях, предоставляя управляющим активами возможность повысить производительность и эффективность, выявлять и использовать новые прибыльные бизнес-возможности раньше конкурентов. В своем анализе, основанном на опросе руководителей высшего звена из компаний по управлению активами в Северной Америке и Европе, McKinsey установила, что для среднего управляющего активами потенциал влияния ИИ, генеративного ИИ и агентного ИИ «может быть трансформирующим, составляя от 25 до 40 процентов их затратной базы».

Задача для организаций по управлению активами — определить, где именно в их структуре ИИ может принести наибольшую пользу.

Внедрение ИИ для максимального эффекта

Компании в сфере управления активами используют ИИ на различных фронтах. Большая часть этой деятельности происходит в крупных организациях, обладающих ресурсами для разработки собственных возможностей в области больших языковых моделей, целевых ИИ-агентов и подобных технологий. Но другая сторона использования ИИ — это возможность помочь управляющим активами за пределами крупнейших компаний Tier One конкурировать на равных условиях с этими гигантами.

Более того, хотя многие организации сосредоточены на инвестициях в ИИ, ориентированный на клиентов, важно не упускать возможности создавать ценность с помощью других масштабируемых решений ИИ в фронт-, средне- и бэк-офисах. Вместо поиска отдельных решений, которые могут плохо интегрироваться друг с другом, более разумным подходом к созданию ценности с помощью ИИ может стать инвестирование в проекты, разрушающие виртуальные стены между тремя слоями офиса, создавая эффективность, повышая производительность, оптимизируя процессы и улучшая планирование и стратегию.

Кратко говоря, ищите сценарии использования ИИ, которые поощряют — и могут использовать — свободное движение данных внутри организации. Вот несколько особенно перспективных вариантов:

1. Автоматизация и ускорение финансового закрытия и других финансовых функций. Финансы традиционно связаны с ручными процессами. С помощью ИИ-агентов организации по управлению активами могут автоматизировать многие процессы, связанные с финансовым закрытием, а также с дебиторской и кредиторской задолженностью, сверкой счетов и т. д. В этих сценариях ИИ может поддерживать автоматизацию передачи данных и предоставлять бизнес-пользователям проактивные уведомления и сценарии действий по возможным проблемам с избыточными или недостаточными капиталами, корректировками баланса и т. д.

2. Улучшение управления рисками через истинное согласование с финансами. Данные из бэк-офиса могут быть чрезвычайно ценными для команд по управлению рисками в среднем офисе. Эти команды могут использовать данные о владениях инвесторов, денежных потоках, рыночной ликвидности, марже/залогах и т. д., а также профили клиентов и коммуникационные данные для раннего выявления сигналов о возможных выкупах клиентами и связанных с этим рисках ликвидности.

3. Выявление и быстрое реагирование на возможности для новых структур комиссий и бизнес-моделей. Организации могут использовать ИИ для исследования и моделирования влияния потенциальных изменений комиссий и новых бизнес-моделей. Что говорит историческая статистика о том, как изменение комиссии повлияет на дебиторскую задолженность? Есть ли возможности разделить существующую бизнес-область (например, конкретный класс активов или географические фонды) на две или более части, или сегментировать клиентов по-другому, и насколько обоснованы такие шаги?

4. Информирование решений о расширении в новые продукты или регионы. Ваша организация рассматривает выход на перспективный, но относительно рискованный новый рынок. Как прошли предыдущие подобные шаги в плане ожидаемых и фактических затрат? Каковы возможные регуляторные и кадровые последствия? Общение с генеративным ИИ-ассистентом может дать ценные ответы на такие вопросы, что поможет принимать более обоснованные стратегические решения.

5. Моделирование сценариев «что если» относительно возможного влияния ребалансировки портфеля на будущую прибыль, приоритеты инвестиций клиентов и их склонность к риску. ИИ-инструменты могут дать представление о потенциальных последствиях таких изменений и предложить рекомендации по оптимальному времени с учетом обязательств по оплате и других факторов. Связывая данные подобным образом, ИИ помогает устранить информационные разрывы между финансовым отделом и управлением портфелем на фронт-офисе, поддерживая более точное стратегическое планирование и бюджетирование.

Например, одна из компаний, с которой я работаю, стремится объединить данные о доходности отдельных элементов портфеля с данными о склонности клиентов к риску и структуре комиссий. Цель — лучше понять финансовые последствия ребалансировки портфеля относительно ожиданий клиентов и будущей прибыли.

6. Повышение производительности. Некоторые руководители по управлению активами, с которыми я недавно общался, говорят, что их организации планируют удвоить активы под управлением без существенного увеличения штата, просто за счет более широкого использования ИИ и ИИ-агентов. Они создают ИИ-агентов и размещают их рядом с сотрудниками — как цифровых расширений этих сотрудников. В конечном итоге, такие агенты позволяют небольшим и средним фирмам конкурировать на равных с крупными компаниями.

7. Усиление обнаружения мошенничества при onboarding клиентов. ИИ умеет быстро сканировать и проверять подлинность документов при регистрации, выявляя даже самые мелкие аномалии (шрифт, форматирование и т. д.), которые могут свидетельствовать о том, что клиент не тот, за кого себя выдает, и требуют дополнительной проверки.

Хотя такие сценарии могут иметь значительный эффект внутри организации по управлению активами, максимизация их ценности во многом зависит от качества и доступности данных, которые их питают. В первую очередь, данные должны быть понятны как человеку, так и машине в режиме самообслуживания. Часто компании извлекают данные из исходных приложений и переносят их в хранилище данных, однако это лишает их важной семантики и контекста, специфичных для среды приложения. Без этой метаинформации результат ИИ — и его общий эффект — могут быть неэффективными. Поэтому во многих случаях лучше оставить эти данные в их естественной среде приложения вместе с сопутствующей метаинформацией. Представьте эти данные как батареи, питающие генеративный ИИ, агентный ИИ и интеллектуальную аналитику внутри организации. Чем мощнее батареи, тем лучше организация сможет использовать свои инвестиции в ИИ для преодоления препятствий.

Об авторе

Стюарт Грант — руководитель отдела рынков капитала, управления активами и богатством в SAP. Уже более 20 лет он работает с данными в индустрии капитальных рынков в ролях, охватывающих управление продуктами, развитие бизнеса и бизнес-менеджмент.