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 главные новости и события финтеха!

Подписывайтесь на рассылку FinTech Weekly

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

От сжатия комиссий и неблагоприятных изменений в макроэкономической ситуации до растущих инвестиций в технологии, которые пока не окупаются, 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 есть средство для снятия давления — целенаправленное и хорошо продуманное внедрение искусственного интеллекта. Различные формы ИИ — генеративный, агентный и другие — начинают показывать свою 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 определила, 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 внутри их структур ИИ может принести наибольшую пользу.

Внедрение ИИ для максимального эффекта

Компании в сфере управления активами используют ИИ в различных направлениях. Большая часть этой деятельности происходит в крупных организациях, обладающих ресурсами для разработки собственных моделей на базе больших языковых моделей, целевых ИИ-агентов и подобных решений. Но с другой стороны, ИИ также помогает менее крупным управляющим активами конкурировать на равных с крупными фирмами.

Кроме того, хотя многие организации сосредоточены на инвестициях в ИИ, ориентированном на клиентов, важно не упускать возможности создавать ценность с помощью других масштабируемых решений ИИ в фронт-офисе, миддл-офисе и бэк-офисе. Вместо поиска отдельных решений, которые могут плохо интегрироваться друг с другом, более разумным подходом является инвестирование в технологии, разрушающие виртуальные стены между тремя уровнями офисов, создавая тем самым эффективность, повышая производительность, упрощая процессы и улучшая стратегическое планирование.

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 учетом дебиторской и кредиторской задолженности, сверкой счетов и т. д. В этих сценариях ИИ может поддерживать автоматизацию передачи данных и предоставлять проактивные уведомления — и сценарии действий — по возможным проблемам с избыточными или недостаточными капиталами, корректировками балансов 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 миддл-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 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 комиссий повлияет на дебиторскую задолженность? Есть ли возможности разделить существующую бизнес-область (например, конкретные классы активов или географические фонды) на две или более части, или по-разному сегментировать клиентов, и насколько обоснованы такие шаги?

4. Поддержка решений о расширении в новые продукты или регионы. Ваша организация рассматривает выход на перспективный, но 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 влияния ребалансировки портфеля на будущую прибыль, приоритеты инвестиций клиентов и их склонность к риску. ИИ-инструменты могут дать представление о возможных последствиях таких изменений, а также 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 рисковом аппетите клиентов и структуре комиссий. Цель — лучше понять финансовые последствия ребалансировки портфеля относительно ожиданий клиентов и будущей прибыли.

6. Повышение производительности. Недавно я общался с руководителями по управлению активами, которые 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 быстро сканирует и проверяет подлинность документов при приеме новых клиентов, выявляя даже мельчайшие 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 для самостоятельного использования. Часто компании извлекают данные из исходных приложений и переносят их в хранилище данных, но при этом теряют важные семантические и контекстуальные сведения, характерные для среды приложения. Без этих метаданных результат ИИ — и его общий эффект — могут быть неэффективными. Поэтому во многих случаях лучше оставить эти данные в их естественной среде приложений вместе с сопутствующими метаданными. 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. Более 20 лет он работает с данными в индустрии капитальных рынков в ролях, охватывающих управление продуктами, развитие бизнеса и бизнес-менеджмент.