在日益增长的利润率压力下，资产管理公司必须将技术从成本驱动因素转变为可扩展生产力的真正推动者。
全球资产管理行业正处于一个关键时刻。长期以来的利好因素——主要是低利率和稳定的GDP增长——已经改变方向，这使得从主动型投资转向被动型投资、从传统投资转向另类投资所带来的持续挑战更加复杂。这些趋势共同迫使公司寻找更可持续的卓越表现途径。在经历了十年史无前例的市场增长之后，行业成本变得越来越僵化，收入变得不可预测。结果，北美地区的利润率在过去五年中下降了三个百分点，欧洲地区下降了五个百分点。在此背景下，技术成本不成比例地增长，然而这种增加的支出并未持续转化为更高的生产力。
与此同时，人工智能正作为一股变革力量出现，一些资产管理公司已开始利用这项技术来推动下一波生产力浪潮。根据我们的分析，对于一家普通的资产管理公司而言，人工智能、生成式人工智能以及现在的代理式人工智能可能带来的潜在影响是变革性的，相当于其成本基础的25%到40%。在我们的研究中，我们发现了人工智能驱动的价值点，例如改善分销流程、精简投资流程、自动化合规以及加速软件开发。而捕捉这些效率仅仅是行业可能由技术主导的更广泛重塑的第一波。
在本报告中，我们探讨了一种实现显著技术投资回报率（ROI）的结构化方法。该方法借鉴了实践洞察和成熟策略，侧重于识别高影响力机会并建立解锁可持续价值所需的基础能力，包括领域重新设计、人才技能提升、治理和IT转型、统一数据平台以及持续的变革管理。我们的分析基于对代表全球资产管理规模（AUM）70%的公司进行的研究，以及对美国和欧洲领先资产管理公司的首席执行官（CEO）、首席运营官（COO）、首席信息官（CIO）和首席技术官（CTO）的访谈。
寻求但未找到技术投资的投资回报率
在过去十年中，资产管理行业的积极业绩和净流入主要受到市场利好因素的推动，特别是低利率、稳定的GDP增长和地缘政治的平静。然而，自2022年以来，许多这些支撑性基本面已经逆转。在经历了十年史无前例的积极市场表现和创纪录的资产管理规模之后，该行业在2022年经历了资产管理规模10%的急剧下降，尽管市场和资金流在223年反弹，但行业成本一直在增长并变得越来越僵化，而收入则不可预测。
结果是利润率压缩，2019年至2023年间，北美地区的税前营业利润率下降了三个百分点，欧洲地区下降了五个百分点。例如，北美资产管理公司的成本在五年内增长了18%——超过同期收入增长的15%。在通货膨胀、利率波动和地缘政治不稳定的背景下，收入变得越来越不可预测。面对这些挑战，结构性地管理成本对于恢复资产管理盈利能力和为未来增长建立韧性变得至关重要。
索洛在1987年提出的“你可以在任何地方看到技术，除了生产力统计数据中”这一论断，在今天的资产管理行业中显得尤为真实。技术支出一直是资产管理行业成本上升的一个重要驱动因素，远远超过其他职能部门的支出。在过去五年中，北美和欧洲的技术投资以8.9%的复合年增长率（CAGR）激增（图表1）。这种增长本身是合理的：技术虽然始终是战略转型的核心支柱，但在作为生产力和增长杠杆方面的相关性甚至更高。然而，鉴于行业背景和生产力悖论，行业领导者们越来越多地在问，他们如何才能从技术投资中获取价值和更好的投资回报率，以及人工智能和生成式人工智能将在此项工作中扮演什么具体角色。
图表1 资产管理行业的技术支出相对于其他职能部门增长不成比例。
为什么资产管理公司难以释放技术的全部潜力
尽管技术投资增加，但成本占资产管理规模的比例——一个关键的生产力指标——在行业层面仍保持相对平稳。此外，尽管预期技术会带来效率，但其他职能部门的运营费用并未缩减。在公司层面，我们的分析显示，在成本/资产管理规模比率（图表2）和每全职员工（FTE）收入（图表3）等关键绩效指标上，投资更多技术的资产管理公司并不总是比同行更具生产力。简而言之，尽管数据存在噪音，但技术支出增加与生产力提高之间没有明确的相关性。事实上，虽然趋势线略微向上，但R2值（或决定系数——一个统计度量，表示统计模型预测因变量结果的准确程度）为1.3%，这表明支出与生产力之间几乎没有有意义的关系。
图表2 资产管理公司技术支出与成本效率之间的关系弱。
图表3 资产管理公司技术支出与收入效率之间的关系弱，或者充其量是负相关。
技术支出与投资回报率之间脱节的原因是什么？资产管理行业的生产力提升一直难以实现，很大程度上是因为公司将更多（有时是显著更多）的资金用于维护运营和遗留系统，而不是用于面向未来的转型。在我们的研究中，我们发现由于这些系统的复杂性，资产管理公司平均将其技术预算的60%到80%分配给“维持业务运行”的举措，仅留下20%到40%用于“改变业务”的运营。此外，在“改变业务”的运营中，只有10%到30%（相当于总技术支出的5%到10%）用于全公司范围的数字化转型，而其余大部分则支持未能扩展并产生影响的单个用例。
对于一家管理资产超过1万亿美元的领先资产管理公司而言，其约80%的技术支出用于“维持业务运行”的项目。2020年，面对日益增长的利润压力和大量的技术债务，该组织启动了一项端到端转型，以更新其能力并重新优先分配其大部分技术支出用于“改变业务”的举措。截至2025年上半年，该公司现在将其技术预算的70%用于改变业务。他们通过以下方式实现了这一转变：加强其具有竞争优势的核心能力（而不是被以前消耗大量资源的非增值创新努力所分散）；在整个技术堆栈中过渡到基于云的平台；采用加速产品开发周期，从之前的9到12个月缩短到3到4个月；以及重组人才以减少对第三方承包商的依赖。
技术投资回报率的挑战在资产管理行业尤为严峻，因为大多数公司都拥有支持不同资产类别的碎片化系统。资产管理公司还在孤立的数据环境中工作，没有全面、适用、端到端（front-to-back）的平台，这使得整合多样化的数据源变得困难。
许多资产管理公司还依赖过时和碎片化的技术堆栈，这增加了运营复杂性和成本，而现代化工作往往耗时且昂贵。即使在现代化之后，公司也常常未能完全淘汰遗留系统，导致应用程序组合臃肿，效率提升有限。
这种动态形成了一个持续数十年的恶性循环。随着组织继续将资金用于维护遗留系统而不是现代化，它们积累了技术债务，并以时间和金钱的形式支付“复杂性税”。这种恶性循环也加剧了首席技术官和资产管理行业职能领导者对技术所交付价值的看法差异。这种不一致通常是由不适用的技术以及孤立的角色和不同的激励机制造成的，这些因素阻碍了共同的责任。
许多机构正在努力充分实现其技术投资的影响，有些已经看到了显著的成果。例如，在银行业，新加坡的星展银行（DBS Bank）的净利润和收入分别实现了11%和8%的复合年增长率——超过了行业6%和8%的水平——这主要得益于其以领域转型、有意识的采纳和运营模式重塑为基础的端到端技术方法。
领先公司认识到，人工智能不仅仅是又一波技术浪潮，更是从根本上重塑机构并可能改变业务经济学的机会。这得益于下一代人工智能系统，它们能够自主学习、适应和行动，将智能嵌入日常工作流程，并在各个职能部门实现阶梯式生产力提升。
人工智能的跨越式发展机遇
对于资产管理公司而言，人工智能革命是一个及时机遇，可以通过提高各项业务职能的效率来打破根深蒂固的成本结构。最近，随着代理式人工智能的出现，资产管理公司迎来了一个千载难逢的机会，可以恢复并超越盈利水平。如果执行得当，人工智能可以帮助资产管理公司恢复利润水平。例如，一家管理资产规模5000亿美元的中型资产管理公司，可以通过端到端工作流程重塑所带来的人工智能机会，实现其总成本基础的25%到40%的效率提升。要实现所蕴含的价值，采取基于角色的自动化方法，将虚拟代理和传统自动化无缝嵌入到人类角色中，同时关注变革管理和采纳，将至关重要。
除了这些生产力提升之外，一些资产管理公司还在通过人工智能在收入增长和风险降低方面看到了早期收益。精选的用例——例如优化投资组合构建和更有效的客户定位——已开始产生收入影响。同时，人工智能正在通过自动化合规监控和机构知识编码等工具帮助降低运营风险，这可以在人才过渡期间减轻重大损失。
我们采访的领先资产管理公司的C级高管们指出了人工智能驱动的价值创造的其他领域，包括改善分销流程、增强投资管理中的数据处理、自动化合规控制以及转型软件开发。尽管大多数公司仍处于采纳曲线的早期阶段，但其对核心职能的潜在影响正变得越来越具体。这些价值实现的早期迹象表明，人工智能在战略部署时，可以超越效率，在整个资产管理价值链中产生有意义的影响（图表4）。
图表4 人工智能用例的优先级处于高潜在影响和低复杂性的最佳平衡点。
在面向客户的角色中，生成式人工智能正在实现更无缝和个性化的互动，并可带来9%的效率影响。虚拟助手可以提供按需的投资组合洞察，并帮助关系经理获取根据个人客户需求量身定制的实时信息。生成式人工智能还支持自动化入职，确保更快、更准确的数据捕获。在内容方面，生成式人工智能驱动的工具正在帮助大规模生成定制化沟通，在保持参与度的同时减少人工工作量。
在投资管理中，生成式人工智能正在改变洞察生成和决策制定方式，根据我们的计算，可带来8%的效率影响。分析师正在使用生成式人工智能驱动的研究助手来综合来自财报电话会议、财务报告和会议的数据，加速洞察生成过程。投资组合经理正在利用生成式人工智能工具来完善策略、缩小投资选项并优化投资组合构建。增强的风险模型和自动化报告进一步支持了更数据驱动的投资方法。
在风险和合规方面，生成式人工智能正在精简以前手动且耗时的流程，预计可带来5%的效率影响。合规官现在使用生成式人工智能助手来解释复杂的监管要求并标记文档中的漏洞。生成式人工智能驱动的监控工具正被用于检测异常并标记潜在的不合规行为，从而实现更主动的监督。随着运营工作流程变得更加自动化，对人工控制的依赖预计将继续下降。
在技术领域，生成式人工智能正在重塑软件的构建和维护方式，并可带来20%的效率影响。开发人员正在使用生成式人工智能代码副驾驶来加速编码、调试和测试，显著缩短开发周期。生成式人工智能生成的文档也正在提高团队间的连贯性和知识转移。在IT服务管理中，生成式人工智能工具正越来越多地自主处理服务请求，以最少的人工干预快速解决问题。
总而言之，这些生成式人工智能应用不仅提高了运营效率，还提升了洞察力，并为客户和员工提供了更好的体验。
构建基础以扩展价值
如上所述，每个用例实现8%到9%的影响是显著的，但这仅仅是一个开始。要实现人工智能的全部潜力并显著提高技术投资回报率，资产管理公司需要超越孤立的努力，进行领域层面的重塑和工作流程的重新布线，并伴随相应的变革管理复杂性。这才是真正的可扩展价值所在，也可能是资产管理公司最大的失败点。过去的技术浪潮——例如云计算和高级分析——常常未能带来预期的效益，因为公司将技术视为一种孤立的能力，由资产类别、职能或项目单独追求，而不是作为一种嵌入到整个业务中的战略推动者。除非解决这些基础性差距，否则影响将仍然有限。那些及早行动并做对的资产管理公司将保持领先于颠覆，并以其再投资和创新的能力引领行业，而其余公司则将努力追赶。
通过我们的研究，我们开发了一种基于六个核心要素的方法，这将有助于充分捕捉人工智能在资产管理中的价值。
基于领域的转型以释放人工智能的潜力
资产管理公司可以重新构想组织领域，通过零基、人工智能驱动的工作流程重新设计，而不是追求产生增量变化的碎片化用例。人工智能的努力应以战略性、领域范围的优先事项为基础——例如扩展新产品或深化区域影响力——以随着人工智能经济效益的持续改善而解锁新机会。一家主要服务美国散户投资者的前30名资产管理公司，在开始其人工智能之旅时试图解决数百个独立的用例——但未能看到预期的回报。随后，他们转向了基于领域的战略，专注于四个高潜力职能的端到端转型：运营、营销、分销和投资管理。每项人工智能工作都由一个集中办公室监督，该办公室拥有自己的损益表，并由管理层跟踪短期、中期和长期投资回报率目标。例如，该公司将营销视为一个可以快速识别和捕捉成本效益的领域（例如，精简提案请求[RFP]流程）。早期的努力已经带来了投资回报率，领导层预计更多成果将迅速跟进。
为人工智能驱动的转型改造人才策略和运营
与任何新技术一样，人工智能对人才策略有影响，公司需要接受组织变革，以有效地将人工智能整合到运营中。工程人才需要接受培训，以构建和维护自适应人工智能系统，而非工程角色（如关系经理和投资组合经理）的人才则需要接受培训，以在决策中运用人工智能工具。根据公司的起点，重点可能不是招聘新人才，而是提升现有员工的技能和提高人工智能素养——特别是考虑到顶尖人工智能人才的高成本和竞争需求。随着公司发展人工智能相关技能，员工将变得更加多才多艺，能够胜任多个角色，并且除了受监管和合规问题限制的地区外，不再受地理边界的限制。在某些部门，团队可以根据技能而不是传统职能进行组织，从而增强灵活性和创新。人工智能代理将成为积极的协作者，需要新的组织职能——例如“人工智能代理的人力资源”——来定义它们的层级、角色、汇报关系和协作模式，就像人力资源部门对人类员工所做的那样。这将扩大IT的传统范围并加速企业转型。
一家排名前十的资产管理公司此前曾优先培养员工的编码能力，但意识到鉴于人工智能生成和改进代码的能力，这些努力已不再需要。该公司转而致力于培养员工的人工智能能力，推出了一款内部大型语言模型聊天机器人，员工可用于日常任务，如翻译、文档摘要以及文档和电子邮件的生成。该公司认为所蕴含的价值是巨大的。例如，它预计在根据投资管理协议建立投资指南方面，效率将提高约70%。领导层估计，每年在查询管理和工作流程自动化方面可节省10万小时。
另一家领先的资产管理公司预计将把其人才优先事项从编码转向数据工程，以帮助准备数据和数据架构与人工智能集成。有趣的是，该公司报告称，其最资深和最年轻的开发人员从人工智能中获益最多；资深开发人员利用其丰富的知识最大限度地利用新工具，而年轻开发人员则通过人工智能弥补技能差距来解锁能力。最后，除了提升员工技能外，该资产管理公司认为高级领导者也必须努力更熟悉人工智能技术和用例，以便他们在自己的运营模式中获得技术的好处，并充分理解人工智能对其组织的影响。
利用人工智能优化运营模式以提高效率
在领先的资产管理公司中，一种将集中监督与分散实验和交付相结合的治理模式已成为最有效的方法。公司正在建立中央“控制塔”以提供战略治理，从而在优先级确定、需求定义和结果责任方面实现更紧密的业务与技术整合。同时，各个业务部门被赋予工具和自主权，以实验并快速扩展人工智能解决方案。随着自动化扁平化组织结构并整合后台和中台运营等职能，首席信息官和首席数字官将与业务领导者一起在塑造未来运营模式中发挥核心作用。
一家排名前十的资产管理公司正在通过一个由高级管理人员组成的中央工作组，从零开始重新构想其运营，以实现人工智能优先。为了驾驭这一复杂的局面，该组织创建了一个严格的治理结构来监督正在进行的人工智能项目，其中包括一个由高级领导层组成的委员会，负责对所有滚动技术投资组合进行动态资金决策。
保持对技术路线图的控制以获得竞争优势
领先的资产管理公司将把IT从一个推动者转变为一个在整个组织中释放生产力的竞争差异化因素。在进行这项工作时，资产管理公司应保留其技术路线图的所有权，战略性地使用供应商，同时将关键能力内包，以提高执行速度并确保获得关键技术。一个日益增长的重点将是采用可重用的人工智能“配方”来标准化流程、降低集成风险，并将人工智能嵌入到整个技术堆栈中。这种方法简化了执行，降低了成本，并开发了难以复制的差异化能力。
一家业务涵盖公共和私人市场以及零售和机构客户的全球排名前十的资产管理公司，正专注于可重用“配方”和能力模式，以提高其人工智能战略的效率并降低风险。在最初的实验期，该组织鼓励员工测试可用的人工智能工具，之后领导层识别使用模式和高潜力机会，然后将其编码并嵌入到流程中。这种方法使该组织能够将投资集中在能够释放最大价值的人工智能用例上。
另一家公司，一家主要服务机构客户的排名前30的私人资产管理公司，认识到其对供应商的相对高度依赖（这是行业中的常见情况）。尽管供应商正在将一些人工智能工具推向市场，但该资产管理公司认为这些工具并非最先进的，并且人工智能的最大价值将来自内部专有开发。该资产管理公司旨在通过保护核心的专有数据层，并在该核心层之外叠加第三方解决方案来保持对其技术路线图的控制。
制定数据策略以实现人工智能的价值
为了解决将人工智能和去中心化数据集成到技术堆栈和生态系统中的挑战，资产管理公司需要重新设计其数据治理实践。他们必须建立统一的数据平台，并实施强大的治理策略来管理非结构化数据，确保合规性，并应对闭源模型中个人身份信息相关的风险。利用知识图谱将是使数据更具上下文、可访问和可操作的关键部分，从而实现自动化、分析和个性化方面更高级的用例。
一家领先公司的全球资产管理技术负责人向我们强调了数据策略和治理在扩展人工智能能力方面的重要性。快速的进步使得几年前的云系统和数据实践变得过时。虽然人工智能代理预计将产生显著影响，但优先将数据能力纳入“改变银行”预算对于释放代理的全部价值至关重要。利用结构化和非结构化数据——并用人工智能模型所需的上下文进行丰富——在所有职能部门都具有巨大的潜力。
通过文化转变和变革管理实现人工智能的有效采纳
成功采纳人工智能需要逐步适应、结构化支持和行为重塑。学习有效的人工智能交互，例如提示工程，需要时间，并且初始结果可能不理想，然后随着熟悉程度的提高而改善。至关重要的是，一线人员必须承担这种“最后一英里”的价值，深入参与定义需求和重新设计流程，以确保采纳。
具体而言，公司必须执行一套完整的变革管理杠杆，以影响思维模式和行为：
组织内高级人员的榜样作用和领导力
通过清晰的信息和沟通培养理解和信念
提供培训模块以提升用户技能并为变革做好准备
通过正式机制（例如，激励、奖励）进行强化
一个健全的变革管理方法还需要一个完全专职的团队（根据组织规模，10到20人），负责实施上述杠杆，并与各业务部门和职能部门的领导者密切协作。
如果没有这些关键举措，组织将难以从其技术投资中获得足够的回报。公司应投资于培训和激励措施，将人工智能嵌入日常实践和决策习惯中。许多资产管理公司已率先建立早期人工智能能力并培训其团队。然而，这些努力常常受到常见挑战的困扰：大量碎片化的概念验证而非零基流程重新设计，在未进行绩效衡量的情况下启动用例，与业务部门协作有限，以及缺乏对采纳的关注。根据我们的经验，例如，人工智能驱动的软件开发生命周期自动化所带来的收入效率提升，只有在团队超越初始工具使用高峰，并实现持久的行为转变后才会显现，通常需要六到九个月才能实现15%到30%的提升。
一家排名前30的资产管理公司预计在转型过程中会经历一定程度的“痛苦”，因为在效益开始显现之前需要进行大量的基础性工作。这项工作包括财务投资、员工辅导和变革管理。为了加速这一过程，该资产管理公司正通过沙盒环境和数据市场来关注采纳和可访问性，使员工能够进行实验。采纳方法将因职能领域而异，因为某些职能已经有技术路线图，需要较少指导，而另一些则从零开始。
对于资产管理行业而言，拥抱人工智能驱动的转型已不再是可选项，而是必不可少的。如果有效嵌入组织，人工智能可以解决日益增长的利润压力并释放巨大价值。它为资产管理公司提供了一个独特的机会，可以重写围绕技术相关投资回报率的故事，并采纳流程和构建能力，使其能够从投资中获取真正的价值。然而，这样做将需要他们在对待这些技术的方式上实现质的飞跃。
专注于本文详述的六大转型支柱至关重要——我们认为，对其中一个支柱的投资不足可能会导致整个体系的崩溃。在控制塔的监督下，确保每一步的协调一致，资产管理公司可以超越碎片化的人工智能用例，实现可衡量的效率并提升客户体验。那些果断而战略性地行动的公司将把自己定位为领导者，而那些拖延的公司则面临落后的风险。现在是时候重新构想组织如何运作，并充分利用人工智能的潜力，以确保运营的未来适应性并推动资产管理行业的可持续增长。
关于作者
Jonathan Godsall是麦肯锡南加州办事处的高级合伙人；Philipp Koch是纽约办事处的高级合伙人；Piyush Sharma是纽瓦克办事处的合伙人；Raj Bector是华盛顿特区办事处的高级合伙人；Alena Fedorenko是旧金山办事处的副合伙人。
作者感谢Akshat Kumar、Allen Weinberg、Cam Henry、Hasan Ali、James Kaplan、Melvin Mercado、Santiago de Regil Moreno、Todd Pingaro、Uli Savostenko和Yasmine Zein对本文的贡献。
本文为大家介绍代币化基金这一新兴市场的现状格局，深入探讨基金代币化技术的实际应用前景，详细分析代币化基金为终端投资者和金融机构带来的实质性好处，预测其潜在发展拐点时间，并为基金管理机构提供把握市场机遇的策略建议。...
自2017年中国启动以发电行业为突破口的全国碳排放权交易市场以来，已顺利完成两个履约周期，建立了较为完备的制度框架体系。目前，超过850多家企业将气候风险和机遇纳入业务战略和公司治理结构，中国成为全球覆盖范围最大的...
全球资产管理行业管理资产规模（AuM）在2023年实现了惊人反弹，总额增至近120万亿美元，较2022年（当年管理资产规模大幅下降了9%）增长12%...