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 у 2026 році.

У аналізі глобальної індустрії управління активами за 2025 рік 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.

Але на допомогу приходить цільове, добре розміщене впровадження штучного інтелекту. Різні форми AI — генеративний, агентний тощо — починають демонструвати цінність у різних сферах роботи — від фронт-до бек-офісу, надаючи менеджерам активів можливість отримати нові показники продуктивності та ефективності, виявляти та використовувати прибуткові нові бізнес-можливості випереджаючи 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 витратної бази».

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

Впровадження AI для максимальної ефективності

Компанії в галузі управління активами використовують AI у різних сферах. Більшість активностей зосереджено у великих організаціях, які мають ресурси для розробки власних моделей на основі великих мовних моделей, цільових агентів AI тощо. Але інша сторона медалі полягає в тому, що AI також може допомогти меншим компаніям конкурувати на рівних з великими гравцями.

Крім того, хоча багато організацій спрямовують свої інвестиції у клієнтоорієнтовані сценарії AI, важливо не втратити з виду можливості створення цінності за допомогою інших масштабованих AI-рішень у фронт-офісі, мідл-офісі та бек-офісі. Замість пошуку окремих рішень, які можуть погано інтегруватися між собою, більш розумним підходом 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 сценарії використання AI, які сприяють — і можуть використовувати — 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 традиційно були сферою з багато ручних процесів. За допомогою агентів AI організації з управління активами мають можливість автоматизувати багато процесів, пов’язаних із фінансовим закриттям, AR, AP, звіркою рахунків та інше. У таких сценаріях AI може підтримувати покращену автоматизацію переміщення даних, а також надавати фінансовим користувачам проактивні сповіщення та сценарії дій щодо потенційних проблем із надлишком або дефіцитом 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 мідл-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 нових структур збору комісій та бізнес-моделей. Організації можуть налаштовувати свої AI-інструменти для дослідження та моделювання впливу потенційних змін у зборах або нових бізнес-моделей. Що каже історичні дані про те, як зміни у зборах вплинуть на дебіторську заборгованість? Чи є можливості розділити існуючу бізнес-одиницю (наприклад, конкретний клас активів або регіональні фонди) на дві або більше частин, або по-різному класифікувати клієнтів, і наскільки обґрунтовані такі рішення?

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

5. Моделювання сценаріїв «що, якщо» щодо впливу ребалансування портфеля на майбутній дохід, інвестиційні пріоритети клієнтів і рівень ризику. AI може допомогти оцінити потенційний вплив таких змін і надати рекомендації щодо оптимального часу з урахуванням зобов’язань по оплаті та інших факторів. Такі зв’язки з даними допомагають подолати 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 результати портфеля з даними про ризик-апетит клієнтів і структуру зборів. Мета — краще зрозуміти фінансові наслідки ребалансування портфеля у контексті очікувань клієнтів і майбутнього доходу.

6. Підвищення продуктивності. Деякі керівники з управління активами, з якими я нещодавно спілкувався, кажуть, що їхні організації прагнуть подвоїти активи під управлінням без значного збільшення штату, просто використовуючи AI та агентів AI ширше по всій організації. Вони створюють агентів AI і розміщують їх поруч із працівниками — фактично, як цифрові розширення цих працівників. В кінцевому підсумку, ці показники продуктивності дозволяють 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 тощо), що може свідчити про підробку або шахрайство і вимагає додаткового контролю.

Наскільки ефективними є такі сценарії 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 дата-літак, але це позбавляє їх важливих семантичних та контекстуальних даних, специфічних для середовища застосування. Без цієї метаданих вихід AI — і загалом його вплив — може бути субоптимальним. Тому у багатьох випадках краще залишити ці дані у природному середовищі застосування разом із супровідною метаданою. Уявіть ці дані як батареї, що живлять генеративний AI, агентний AI та 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. Більше 20 років він працює з даними у галузі капітальних ринків у ролях, що охоплюють управління продуктами, розвиток бізнесу та управління бізнесом.