7 кейсов использования AI, которые помогут управляющим активами повысить эффективность и продуктивность 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 макроэкономических условиях до растущих инвестиций в технологии, которые пока не окупились как ожидалось, 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 есть целенаправленные, хорошо продуманные внедрения искусственного интеллекта. ИИ в различных формах — генеративный, агентный и другие — начинает показывать ценность в широком спектре задач на фронт-офисе, в середине и бэк-офисе, предоставляя управляющим активами возможность добиться новых показателей производительности и эффективности, выявлять и использовать прибыльные новые 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 внутри их структур ИИ может принести наибольшую пользу.

Внедрение ИИ для максимальной эффективности

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-офисе, миддл-офисе и бэк-офисе. 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, упрощая 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 AR, AP, сверкой счетов и т.п. В этих сценариях ИИ может поддерживать улучшенную автоматизацию перемещения данных и предоставлять финансовым специалистам проактивные уведомления и сценарии действий по потенциальным проблемам с избыточными или недостаточными капиталами, корректировками баланса и т.п.

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 держаниях инвесторов, денежных потоках, ликвидности рынка, марже/залогах и т.п., 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 комиссии повлияет на дебиторскую задолженность? Есть ли возможности разделить существующий бизнес (например, по классам активов или регионам) на части или по-разному сегментировать клиентов, и насколько обоснованы такие шаги?

4. Информирование 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 затрат? Какие регуляторные и кадровые последствия могут быть? Общение с генеративным ИИ-ассистентом может дать ценные ответы на такие вопросы, помогая принимать более обоснованные стратегические решения.

5. Моделирование сценариев «что если» относительно влияния ребалансировки портфеля на будущую прибыль, приоритеты инвестиций клиентов и уровень риска. ИИ-инструменты могут дать представление о возможных последствиях таких изменений и предложить оптимальные сроки с учетом обязательств по платежам 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 работал, 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 самые мелкие аномалии (шрифт, форматирование и т.п.), которые могут свидетельствовать о недостоверности клиента 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 человеку и машине в режиме самообслуживания. 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 приложения вместе с сопутствующими метаданными. Представьте эти данные как батареи, питающие генеративный ИИ, агентный ИИ и аналитические системы внутри организации. Чем мощнее батареи, тем лучше организация сможет использовать свои инвестиции в ИИ для преодоления препятствий и вызовов.

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, занимая роли в управлении продуктами, развитии бизнеса и управлении бизнесом.