人工智能如何塑造资产管理

这份研报主要分析了人工智能在资产管理行业的应用现状与趋势。Mercer 2026年调查显示，超过半数资产管理公司已将人工智能整合到投资策略中，91%计划未来12个月增加使用。当前AI主要应用于投资流程上游环节，如信号生成、非结构化数据处理和想法生成，试点阶段集中在风险管理、交易执行和投资组合构建。多数公司利用AI提高运营效率或作为投资合作伙伴，而非自主决策。报告还探讨了AI的数据类型、资源投入、整合收益、主要障碍及监管盲点，指出AI目前主要作为增强工具，主流应用模式以供应商为中心，未来发展取决于解决数据质量、治理和系统级风险等问题。

资产管理行业AI应用正处于早期采用和规模化阶段，未来趋势将呈现更广泛的应用和深化。目前AI主要应用于投资流程上游环节，未来有望向风险管理、交易执行等下游环节扩展。主流应用模式将以供应商为中心，结合专有调整和适度团队资源投入。随着技术和应用的成熟，AI将更深入地融入投资决策过程，但自主决策仍面临技术和监管挑战。解决数据质量、治理和系统级风险将是实现更广泛应用的关键，教育和整合能力也将变得重要。行业对AI的接受度较高，91%的受访者计划在未来12个月内增加使用，表明AI在资产管理行业的应用前景广阔。

研报重点分析了人工智能在资产管理行业的整合情况、应用方式、数据类型、资源投入、整合收益及主要障碍。在整合情况方面，报告指出AI主要应用于投资流程上游环节，如信号生成、非结构化数据处理和想法生成，试点阶段集中在风险管理、交易执行和投资组合构建。在应用方式上，73%的公司利用AI提高运营效率，68%将其作为投资过程的合作伙伴。数据类型主要包括非结构化文本和记录、传统金融数据、专有内部数据等。资源投入方面，57%的公司设有1-5名全时员工专门负责人工智能工作。收益主要体现在运营效率提升和洞察速度提高，而主要障碍包括数据质量/获取、监管合规问题、系统集成等。

当前资产管理行业AI应用的市场现状显示，行业正处于AI应用的早期采用和规模化阶段。超过半数（55%）的资产管理公司已将AI整合到至少一项投资策略中，另有27%的公司处于试点或概念验证阶段。AI主要应用于投资流程的上游环节，包括信号生成与市场趋势分析、处理非结构化数据、想法生成/研究等，已整合应用比例分别为31%、40%和49%。试点/概念验证阶段的应用主要集中在风险管理（27%）、交易执行（24%）和投资组合构建（33%）。多数公司利用AI提高运营效率或作为投资过程的合作伙伴，仅5%将其用于自主或半自主的投资决策。数据类型主要包括非结构化文本和记录、传统金融数据、专有内部数据等。资源投入方面，57%的公司设有1-5名全时员工专门负责人工智能工作。收益主要体现在运营效率提升（69%）和洞察速度和质量提高（55%）。主要障碍包括数据质量/获取（69%）、监管合规问题（59%）、系统集成（48%）等。

研报提到了人工智能在资产管理行业应用的主要风险和监管盲点。主要风险包括数据质量/获取问题（69%）、监管合规挑战（59%）、系统集成困难（48%）、AI模型有效性不足（39%）、模型可解释性差（31%）、实施成本高（27%）以及人才短缺（20%）。监管盲点则包括数据治理（31%）、系统级风险和羊群效应（24%），以及其他盲点如问责制、供应商集中风险、非静态模型等。这些风险和盲点可能制约AI在资产管理行业的更广泛和深入应用。报告指出，实现更广泛的应用可能取决于解决数据质量、治理和系统级风险，随着企业和整合规模扩大，教育和整合能力也将成为关键。当前AI主要作为增强工具，支持生产力和洞察力，而非自主投资决策，这也在一定程度上降低了直接的风险暴露。