人工智能在财富管理中的作用：增长蓝图：数据与分析

二级标题 – 封面副标题 毗邻星诺瓦中号 20/26 内容 前言 人工智能正在重塑财富管理行业，其速度之快、影响之深，或许超过以往任何一项技术——包括智能投顾的兴起。在全行业范围内，财富管理公司正从试验阶段转向实际应用，利用人工智能来改变其与投资者互动的方式、构建投资组合、提供建议以及管理风险。然而，随着人工智能提升了客户对数字化体验的期望，同时监管机构和财富管理公司领导者又要求创新必须根植于信任、透明度和健全的治理，挑战依然存在。 管理：旅程始于投资部门，而可扩展的高质量建议对于财富管理价值主张而言始终至关重要。人工智能结合高质量数据和 analytics，使公司能够将智能直接嵌入投资工作流程中，从而支持顾问和投资者应对市场、产品日益增长的复杂性以及不断变化的期望。 我认为人工智能是数据驱动财富管理的一种自然演进。几十年来，我们通过提供大规模的高质量、值得信赖的数据和分析，帮助公司应对复杂性。如今，正是同样的基础使财富管理公司能够安全地运用人工智能——从大型语言模型到高级分析——并以可解释、可互操作且符合监管和受托责任标准的方式。深厚的领域专业知识、人工智能就绪的数据和开放技术的结合，正在赋能新一代解决方案，这些方案增强而非取代人类顾问。凭借这种不断发展的技术和数据组合，公司不仅能够关注效率，还能提高建议的质量和相关性。 财富的未来并非由顾问主导或自我驱动；它是由建议赋能、数字驱动并深入结合具体情境的。建议是财富的经济引擎。 为助力财富管理公司拥抱人工智能发展，LSEG近期承销了此项研究，旨在分析人工智能对全球主要投资市场财富管理公司的影响。我们希望这份报告能帮助财富管理公司更清晰地了解未来发展方向，同时为其将人工智能融入财富管理实践提供实用指导。 全球财富社区、数据与分析主管，LSEG苏内·莫滕森 执行摘要 我们的研究发现，在财富管理公司中，人工智能正从边缘走向核心，影响着它们的竞争方式、客户服务以及业务运营。其核心主题是，人工智能最大的影响在于顾问体验，并由此影响客户关系。 数据质量是关键支撑 人工智能正在改变人类体验。 人工智能的进化正在加速。 财富管理公司正从试点转向规模化部署，将人工智能嵌入前台、中台和后台，以提升客户互动、优化运营并强化风险与合规管理。 数据质量、安全与治理是决定人工智能成功的关键因素，因为放大低劣或零散的数据可能带来灾难性后果，损害信任并增加风险。 人工智能并非一条独立的创新轨道，而是由建议驱动、数据驱动的财富管理下一阶段，在此阶段，投资办公室和顾问桌面将变得越来越智能和情境化，这反过来又在改变投资者的期望。 财富公司仍有50%缺乏清洗、标准化和标记数据或获取可信外部数据的流程。 财富与资产管理领域，73%的高管认为人工智能对其企业未来至关重要。 利用它来创建，近六成的公司使用人工智能来深化客户分析并提供高度定制化的产品。 领导者在早期就获得了价值。 成功步骤 领导层将人工智能视为战略能力，致力于现代化数据和科技基础，构建稳健的治理体系，重塑运营模式，并利用人工智能深化客户价值，而不仅仅是削减成本。 大多数公司都看到了初步的、适度的回报，但那些拥有坚实数据基础和明确应用场景的公司，已经实现了显著更高的投资回报率。 4.7%超过三分之二的公司报告其投资回报率仅为较小或中等水平，而领导者则实现了 50%+拥有AI成熟度的公司正在看到特定用途的高回报案例——包括智能投顾的回报率与关于代码自动化。 与他人的3.1%相比，该比例有所回升。 人工智能在财富领域的演变 人工智能的采用正从试点项目转向实际生产应用。目前，大多数财富管理公司都将人工智能视为任务关键，并将其嵌入到前台、中台和后台业务流程中，以提升客户参与度、简化流程并加强风险控制。随着73%的财富和资产管理高管表示人工智能对其业务未来至关重要，这清晰地表明了人工智能的当前重要性。 投资高管如何看待AI在其行业中的作用 当公司取得适度的重大人工智能进展时 构建一个有效的数据管理系统（覆盖63%） 大多数公司此前都专注于早期的人工智能技术，利用机器学习自动化特定任务，并使用自然语言处理来支持聊天机器人。然而，近来它们开始采用生成式人工智能来生成内容、合成文档以及生成会议纪要。 目前和三年后，人工智能公司正在使用哪些形式 未来三年，企业计划拓展多模式、可解释和具自主性的AI，以分析更复杂的数据、提高透明度，并承担传统上由人工管理的工作。这波AI创新浪潮将为企业转型战略提供工具，使其实现质的飞跃。 人工智能如何提升人类体验 人工智能正在改变人类在财富领域的体验，从信息收集转向洞见整合。顾问在工作流程中获得更多智能，投资者则获得更相关、更及时的关注。 顾问的角色正在演变。 投资公司报告称使用通用人工智能（GenAI）来提升顾问体验。通用人工智能和内部机器人使顾问能够快速查询大型数据库，以获取客户对话和见解。行业高管指出，人工智能驱动的自动化使顾问能够专注于其角色中的人际互动方面，从而提升了同理心、积极倾听和情感支持等技能的重要性，而这些正是客户高度重视的。 人工智能驱动的自动化解放了顾问，使其能够专注于其角色中的人际互动方面，从而提升了同理心、积极倾听和情感支持等技能的重要性，而这些技能正是客户高度重视的。 人工智能并非取代顾问，而是赋能顾问。人工智能正将顾问的角色从信息收集者转变为洞见协调者，机器负责数据收集和模式识别，而人类则专注于判断和叙事。顾问利用情境化、工作流中的智能，在审核家庭情况、准备会议或应对客户事件等关键时刻发挥作用。在此模式下，顾问与人工智能的合作并非关于取代建议，而是关于扩展建议：技术组织海量信息；顾问则筛选、排序，并以客户能够信任并采取行动的方式讲述故事。 公司如何运用生成式AI赋能顾问 公司如何运用生成式AI赋能顾问 近六成的公司已使用人工智能深化客户分析，将近一半的公司正在创建高度定制化的产品，这提高了对主动、全天候、个性化服务的期望。 投资者预期正在变化。 更明智且更有影响力的指导 更强大、更紧密的关系 高度个性化体验 随着人工智能嵌入面向客户的业务流程，投资组合能够实时根据每位投资者的目标、风险偏好、税务状况和人生阶段进行调整。投资者不再接受频率不高、内容泛化的评估，而是获得持续、个性化的见解和投资组合更新，这些更新能够应对变化的市场和个人情况。 通过过滤噪音、突出相关信号和自动化常规任务，人工智能让顾问能够专注于判断和人际连接。投资者则受益于更快的响应和更明智的建议，这些得益于更强大的可视化工具、改进的教育以及更深入的数据背景。 人工智能正在重塑客户最看重的价值：主动支持、对其整体财务生活的持续监控，以及及时且可操作的洞察。通过将智能工具直接集成到CRM、规划和银行工作流程中，互动变得更加无缝，将关系从交易性接触点转变为持续的协作伙伴关系。 数据空白正在阻碍人工智能的进步。 数据完整性、安全性和隐私是关键问题，尤其是在人工智能应用方面。在这些领域出现的失误可能带来严重后果，从侵蚀客户信任到损害公司声誉并引发监管行动。只有当基础数据集是完整、准确和及时的，人工智能才能实现公司和客户期望的结果。许多公司，尤其是通过收购成长的公司，在传统系统中的数据运营存在隔离、不一致的问题。大约一半的公司缺乏基本流程来清理、标准化和标记数据，或获取可信的外部内容。 企业并非都在采取正确的数据管理步骤。 准确获取数据比追逐最新模型更重要：没有强大的血统渊源、透明度和语义一致性，先进的人工智能只会放大错误的输入和不透明的决策。在一个监管严格、高风险的行业中，企业需要能够将数据追溯到其来源，了解其处理方式，并解释特定人工智能生成的推荐是如何产生的。 不良或不一致的数据会增加AI幻觉、模型漂移和无意偏见的风险，尤其是在模型在训练或提示时使用了不完整、过时、未对齐的数据集的情况下。企业应首先通过投资数据质量、数据溯源、权利管理和语义模型来修复数据，然后再尝试将AI扩展到关键工作流程，例如投资组合建议、KYC或风险管理。 负责任的AI：财富公司可从中受益的关键原则 随着人工智能在投资建议、客户互动和运营工作流程中应用日益深入，许多财富管理公司正更加重视“负责任的AI”，以保护信任、降低风险并支持大规模应用。根据我们的研究和行业观察，在设计、部署和管理财富管理领域的AI时，以下原则正变得越来越有价值。 Safe 精确可靠 负责且可审计 清晰的治理应界定所有权和监督权，并且企业应能够证明人工智能的使用方式、使用时间以及结果是如何产生的。在适当的情况下，人工智能生成的输出应可被识别。 人工智能系统必须经过设计和测试，以防止对用户和环境造成伤害，确保其运行不会带来不应有的风险。这一原则涉及识别潜在风险，并积极致力于缓解这些风险。 人工智能应在其预定用途上表现一致，并在真实世界条件下提供可靠的输出，这需要通过适当的测试和监控来支持。 Privacy-enhanced 人工智能系统应受到保护，防止未经授权的访问和攻击，并需配备强大的控制措施，以保障数据安全并维持运营连续性。安全措施还应应对第三方和供应链风险。 详细说明底层（人工智能）技术的工作原理以及人工智能模型如何达到特定输出。该原则侧重于向用户提供信息，帮助他们理解人工智能系统的功能、目的和潜在局限性。 人工智能系统应优先保护个人数据，通过健全的数据处理和匿名化技术确保用户隐私得到维护。该原则强调人工智能系统对个人和敏感信息的保护，以及遵守现有的隐私法规。 公平且已管理偏见 人工智能的开发者和使用者应当识别并减轻人工智能系统中的偏见，否则可能导致不公平的结果。 4 人工智能价值鸿沟 整个行业来看，大多数财富管理公司仍处于从人工智能中获取有意义的投资回报的早期阶段。虽然热情高涨，但财务回报仍然有限：超过三分之二的公司报告其人工智能投资仅带来少量或适度的收益，而12%的公司完全没有看到回报。投资回收期平均约为两年，这反映了早期转型的成本和复杂性。 30%的企业表示，回报率不明确是一个主要挑战。 28%的企业表示，人工智能实施的高成本是一个主要挑战。 为什么投资回报率（ROI）难以衡量 数项潜在挑战正阻碍着企业前行，其中许多挑战由来已久。 文化惯性仍在持续减缓（人工智能）的采用进程，许多组织依然沿用着抗拒人工智能驱动变革的旧有模式。 数据碎片化且不一致，阻碍了人工智能模型的规模化部署和可靠洞察力的提供。 部门分割的系统以及流程整合不佳增加了摩擦，并限制了将人工智能嵌入日常流程的能力。 监管不确定性，尤其是在不同地区之间，使企业趋于谨慎，并减缓了实验的进程。 这些障碍有助于解释为什么许多公司在从概念验证迈向可衡量的企业成果方面面临困难。 其中31%的人表示，监管限制也是一个主要的障碍。 31%的技术领导者表示，监管不明确是一个主要的障碍。 ROI正在出现的地方 尽管初期回报缓慢，但将人工智能视为战略能力的企业与仍在探索的企业之间已出现明显差距。领先企业报告的收益显著更高——平均投资回报率为4.7%，而其他企业为3.1%——且远更高比例的企业实现了超过7%的回报。一些用例已展现出巨大的上行潜力，领导者报告称，在机器人顾问和自动化代码生成等应用上实现了50%以上的回报。 率先行动的企业具有三个共同优势： 他们早期就投资于人工智能就绪的数据基础，确保质量、治理和无缝访问。 他们优先考虑高价值的使用场景，专注于具有可衡量商业影响领域。 它们更依赖现代交付模式，包括SaaS，这些模式能降低开发成本并加速部署。 43%的领导者高度依赖SaaS供应商的解决方案，而其他人是28%。 66%的人建立合作伙伴生态系统以支持人工智能战略，而其余59%则没有这样做。 价值超越了成本效益。 虽然成本节约很重要，但那些取得最大进步的公司从更广泛的视角评估投资回报率：客户留存、更深度的参与、顾问生产力和更快的上市时间。对于领导者而言，目标并非仅仅是降低