Сім сценаріїв використання AI для допомоги менеджерам активів підвищити ефективність і продуктивність у умовах ринкових труднощів

Стюарт Грант — керівник відділу ринків капіталу, активів та управління багатством у SAP.

Дізнайтеся про найважливіші новини та події у фінтехі!

Підписуйтеся на розсилку FinTech Weekly

Читають керівники JP Morgan, Coinbase, Blackrock, Klarna та інших компаній

Від зниження комісійних до несприятливих змін у макроекономічних умовах та зростаючих інвестицій у технології, які ще не принесли очікуваного результату, організації з управління активами стикаються з серйозними перешкодами, коли календар наближається до 2026 року.

У аналізі глобальної індустрії управління активами 2025 року McKinsey & Company зазначила, що, наприклад, маржа менеджерів активів у Північній Америці знизилася на три відсоткові пункти, а в Європі — на п’ять відсоткових пунктів за останні п’ять років через такі фактори.

Однак у руках є засіб для зняття тиску — цілеспрямовані, добре продумані впровадження штучного інтелекту. Штучний інтелект у різних формах — генеративний, агентний тощо — починає демонструвати цінність у широкому спектрі фронт-, середньо- та бек-офісних випадків використання, надаючи менеджерам активів можливість отримати нові прирости продуктивності та ефективності, виявляти та використовувати прибуткові нові бізнес-можливості раніше за конкурентів. У своєму аналізі, заснованому на опитуванні керівників вищої ланки з компаній з управління активами в Північній Америці та Європі, McKinsey визначила, що для середнього менеджера активів потенційний вплив AI, генеративного AI та агентного AI «може бути трансформативним, еквівалентним 25–40 відсоткам їхньої бази витрат».

Отже, для організацій з управління активами важливо визначити, де саме в їхній структурі AI може принести найбільшу цінність.

Впровадження AI для максимальної ефективності

Компанії в секторі управління активами застосовують AI у різних сферах. Більшість такої діяльності відбувається у великих організаціях, які мають достатні ресурси для розвитку власних можливостей у галузі великих мовних моделей, цілеспрямованих агентів AI тощо. Але інша сторона AI полягає в тому, що він також може допомогти менеджерам активів поза межами найбільших компаній Tier One конкурувати на рівних з цими гігантами.

Більше того, хоча багато організацій зосереджують свої інвестиції на клієнтоорієнтованих випадках використання AI, важливо не втратити можливості створювати цінність за допомогою інших масштабованих впроваджень AI у фронт-, середньо- та бек-офісах. Замість пошуку окремих рішень, які можуть погано інтегруватися між собою, більш розумним підходом до створення цінності є інвестування у проекти, що руйнують віртуальні стіни між трьома рівнями офісів, створюючи ефективність, підвищуючи продуктивність, спрощуючи процеси та покращуючи планування і стратегію.

Коротко кажучи, шукайте випадки використання AI, які сприяють — і можуть використовувати — більш вільний обіг даних у межах організації. Ось кілька з них, що виглядають особливо перспективними:

1. Автоматизація та прискорення фінансового закриття та інших фінансових функцій. Фінанси історично були сферою з численними ручними процесами. За допомогою агентів AI організації з управління активами мають можливість автоматизувати багато процесів, пов’язаних із фінансовим закриттям, а також з обліком дебіторської та кредиторської заборгованості, звіркою рахунків і подібним. У таких сценаріях AI може підтримувати покращену автоматизацію переміщення даних і надавати фінансовим користувачам проактивні сповіщення та сценарії дій щодо потенційних проблем із надлишком/недостатком капіталу, коригуваннями балансових звітів тощо.

2. Покращення управління ризиками через справжнє узгодження з фінансами. Дані з бек-офісу можуть бути надзвичайно цінними для команд з управління ризиками у середньому офісі. Вони можуть використовувати дані про інвестиційні портфелі, грошові потоки, ліквідність ринку, маржу/заставу тощо, у поєднанні з даними профілю клієнта та комунікацій, щоб виявляти ранні сигнали про викуп клієнтів і пов’язані з цим ризики ліквідності.

3. Виявлення та швидке реагування на можливості для нових структур збору комісій та бізнес-моделей. Організації можуть налаштовувати свої інструменти AI для дослідження та моделювання впливу потенційних змін у зборах та нових бізнес-моделей. Що свідчить історична статистика про те, як зміни у зборах вплинуть на дебіторську заборгованість? Чи є можливості розділити існуючу бізнес-ділянку (наприклад, конкретний клас активів або регіональні фонди) на дві або більше частин або класифікувати клієнтів по-іншому, і наскільки обґрунтовані такі кроки з точки зору бізнесу?

4. Інформування рішень щодо розширення у нові продукти або регіони. Ваша організація розглядає вихід на перспективний, але досить ризикований новий ринок. Як минулі події вплинули на очікувані та фактичні витрати? Які ймовірні регуляторні та кадрові наслідки такого кроку? Спілкування з генеративним AI-асистентом може дати цінні відповіді на такі питання, що допоможе приймати більш обґрунтовані стратегічні рішення.

5. Моделювання сценаріїв «що, якщо» щодо потенційного впливу ребалансування портфеля на майбутні доходи, пріоритети інвестицій клієнтів і рівень ризику. Інструменти AI можуть надати уявлення про можливий вплив таких змін і запропонувати рекомендації щодо оптимального часу з урахуванням зобов’язань за рахунками та інших факторів. Такі зв’язки з даними допомагають усунути інформаційний розрив між фінансовою функцією та управлінням портфелем у фронт-офісі, підтримуючи більш точне стратегічне планування та бюджетування.

Наприклад, у одній компанії, з якою я співпрацюю, вони прагнуть поєднати дані про атрибуцію портфеля щодо результативності окремих його елементів із даними про ризиковий апетит клієнтів і структуру зборів. Мета — краще зрозуміти фінансові наслідки ребалансування портфеля у контексті очікувань клієнтів і майбутніх доходів.

6. Підвищення продуктивності. Деякі керівники з управління активами, з якими я нещодавно спілкувався, кажуть, що їхні організації прагнуть подвоїти активи під управлінням без суттєвого збільшення штату, просто за рахунок ширшого застосування AI та агентів AI. Вони створюють агентів AI і розміщують їх поруч із працівниками — фактично, як цифрові розширення цих працівників. Зрештою, приріст продуктивності, який забезпечують ці агенти, дозволяє малим і середнім компаніям конкурувати з більшими фірмами на рівних умовах.

7. Посилення виявлення шахрайства під час onboarding клієнтів. AI швидко сканує та перевіряє автентичність документів для onboarding, виявляючи навіть найменші аномалії (у розмірі шрифту, форматуванні документів тощо), що може свідчити про те, що клієнт не є тим, ким здається, і потребує додаткового відбору.

Наскільки такі випадки використання можуть бути впливовими для організації з управління активами, залежить від якості та доступності даних, що їх живлять. Передусім, дані мають бути зрозумілими для людини та машини у режимі самостійного доступу. Часто компанії витягують дані з вихідних додатків і переносять їх у озеро даних. Однак це позбавляє їх важливої семантики та контексту, специфічного для середовища застосування. Без цієї метаданих вихід AI — і загальний вплив — може бути субоптимальним. Тому в багатьох випадках краще залишити ці дані у природному середовищі застосування разом із супровідною метаданими. Уявіть ці дані як батареї, що живлять генеративний AI, агентний AI та інтелектуальну аналітику в організації. Чим потужніші батареї, тим краще організація з управління активами зможе використовувати свої інвестиції в AI для подолання перешкод, що стоять перед ними.

Про автора

Стюарт Грант — керівник відділу ринків капіталу, активів та управління багатством у SAP. Уже понад 20 років він працює з даними у галузі ринків капіталу у ролях, що охоплюють управління продуктами, розвиток бізнесу та управління бізнесом.