关于生成式AI在资产管理行业应用研讨会的关键要点总结 一、 会议涉及的行业与公司 * 会议主题聚焦于**资产管理行业**中生成式AI的应用、采纳现状及未来影响 [1][6] * 主办方为**Bernstein**，会议于2026年3月9日在伦敦举行，约有50位领先投资者、AI创新者和行业从业者参与 [6] * 会议包含三个主要环节：AI投资手册介绍、从业者视角讨论（邀请M&G Investments和Ninety One的基金经理）以及AI工具演示（邀请Writer和Rogo两家公司） [1][6][7] 二、 行业采纳现状与市场对比（基于现场调研） * **AI项目主导方**：伦敦市场（61%）比香港（52%）更倾向于由**技术团队**主导结构化AI项目，而香港市场由投资团队主导的比例更高（36% vs 25%）[2][9][10] * **AI成熟度**：两地企业级AI采纳已超越早期阶段，伦敦54%、香港52%的参与者表示已有用例投入生产；伦敦处于试点阶段的比例更高（29% vs 19%）[2][9] * **每日使用时长**：伦敦78%的参与者每日使用AI工具1-5小时（其中58%为1-2小时，20%为3-5小时），而香港重度用户（3-5小时/天）比例更高，达36%（伦敦为20%）[2][9][10] * **构建与购买策略**：两地均强烈偏好**混合模式**（结合内部开发与第三方方案），伦敦（68%）比香港（60%）的共识更强 [2][9][10] * **可用工具数量**：约50%的参与者表示工作中有3-5个AI工具可用，两地趋势相似 [2][9] * **主流工具偏好**：伦敦企业环境由**Copilot（50%）和Claude（26%）** 主导，而香港则依赖**Copilot（32%）和ChatGPT（27%）** [2][10] 三、 资产管理公司的AI应用实践与观点 1. 公司AI旅程与工具 * **Ninety One**：AI应用涵盖效率、个性化、决策增强三个领域，通过识别“AI冠军”、举办黑客松、跨业务倡议等方式推动 [22]；为避免供应商锁定，同时使用ChatGPT Enterprise和Claude Enterprise许可证，并采用Databricks和Snowflake构建数据架构 [23] * **M&G Investments**：作为“微软商店”，主要使用Copilot作为业务效率引擎，并依赖AlphaSense和Bloomberg的AI能力增强传统研究 [23]；利用具有强大技术能力的新毕业生加速将想法转化为原型 [22] 2. 具体AI用例 * **ESG与可持续投资**：使用AI合并ESG记分卡、结构化指标和非结构化披露，以覆盖广泛的证券范围 [24]；通过AI增强投资框架的稳健性，例如测试“水资源短缺世界”等假设，增加了团队内部的辩论和想法 [25] * **研究管理**：开发“Ninety One Views”平台，整合结构化和非结构化数据，包含智能共识（综合跨资产观点）、智能搜索（从历史数据中提取洞察）、智能分类（检测人类不易察觉的模式）等功能 [25] * **投资分析**：使用**会计红旗代理**扫描财务报告中的潜在误导性项目，以及**反向DCF工具**一次性对大量股票进行隐含估值计算 [24] * **决策增强**：超越效率提升，专注于利用AI发现新兴联系/模式以辅助创意生成，并根据投资经理的历史行为和风险偏好提供个性化的“交易推送” [29]；研究投资经理的决策生命周期模式，以识别优势与盲点 [30] 3. AI对企业软件的影响 * 近期软件估值的大幅波动（因担忧AI侵蚀传统SaaS经济）为价值型基金经理提供了选择性买入机会，但鉴于该板块过去十年的高起点，估值正常化需要时间 [4][26][27] * 预计将出现一个“空白决策期”，首席技术官将推迟大型多年期承诺，以区分关键系统与可由AI工具替代的表层系统（如用户界面）[4][28] * AI将逐渐且不均衡地重塑软件堆栈，而非单一决定性的浪潮；市场需要思考SaaS公司未来的销量和定价增长来源 [28] 4. AI文化与技能 * AI采纳不仅是技术问题，更是人员挑战 [31] * **Ninety One**：领导层明确表示AI技能提升不是可选项；季度黑客松（已举办6次）是强大推动力，通过提供赞助和额外假期等有形奖励来庆祝成功，这些活动不仅产生了有用原型，还打破了技术团队与投资团队之间的隔阂 [32] * **核心能力演变**：在AI时代，领域专业知识、批判性思维、提问、综合和挑战的能力变得更为重要 [33]；招聘和发展更看重灵活性、学习新技能的开放性以及容忍失败和迭代的意愿 [32] 5. 对行业结构与角色的影响 * **买方与卖方互动**：预计关系将变得更少但更深，更多时间将用于共同审视商业模式、跨行业主题和差异化见解，而非收集标准信息 [34]；买方可能更关注“超级预测者”，追踪分析师预测的成功记录 [34]；卖方需要在决策过程中提供更多增值信息以突显差异化 [35] * **分析师与投资经理角色**：AI将加速层级扁平化，分析师将更专注于情境洞察，而投资经理将进行更多直接查询和分析 [36]；过去需要初级人员花费1-2小时的问题（如地缘政治冲击后按行业表现最差的股票），现在投资经理通过精心设计的提示可在几分钟内得到答案 [37] * **应对共识放大风险**：担忧AI使用可能导致更大的共识；投资者需要更努力地寻找差异化观点，例如鼓励进行差异化差旅以获取独特洞察（如基金经理在旧金山花费三周时间与科技人士交流）[5][38] * **对人员编制的影响**：预计入门标准将提高，更强调新员工的批判性思维和流程理解能力；AI是促使角色演变的催化剂，而非威胁其存在 [39] 四、 垂直AI解决方案提供商 1. Writer * **公司定位**：面向金融机构的全栈企业级AI平台，旨在帮助其过渡到AI原生运营模式 [43] * **核心能力**：拥有专为金融领域训练的大语言模型Palmyra Fin；提供统一的平台，支持由业务团队无需工程支持即可构建和管理的端到端工作流 [43] * **客户与成效**：服务超过320家全球2000强企业，资产管理是其最大且增长最快的垂直市场 [44]；根据Forrester研究，客户实现了**+333%的ROI改善和+200%的效率提升** [44]；例如，Vanguard使用Writer将其首个面向客户的生成式AI应用上市时间缩短了57% [44] * **独特主张**：构建并运营自有LLM，同时支持编排第三方模型以避免供应商锁定；保证永不使用客户数据训练模型；采用混合定价模式（平台费+按用户令牌计费，称其令牌比超大规模云提供商便宜约4倍）[44][86][94] 2. Rogo * **公司定位**：专为金融机构构建的安全、集成、企业级生成式AI平台 [73] * **核心能力**：构建金融调优的LLM，使用专业标注的投资银行和私募市场数据进行微调；集成内部和外部金融数据集（如S&P Global、FactSet、SEC文件等）[73] * **客户与规模**：受150多家顶级全球金融机构信任，截至2026年拥有25,000多名每日金融用户 [73] * **独特主张**：拥有50名研究员团队持续测试模型，并为特定任务原生部署最佳组合；采用简单、固定的定价模式，每年每席位约5,000至10,000美元，包含所有数据访问、无限推理和计算 [87][93]；正从同步副驾驶转向异步、“始终在线”的代理 [95] 3. 垂直AI解决方案的共性优势 * **专业性与安全性**：提供专门的工作流嵌入、定制金融本体论、企业变革管理和内置安全架构，这是一般平台所缺乏的 [88]；通过与主要银行共同设计架构（如定制VPC）来安全集成敏感企业数据 [90] * **避免技术债务**：警告内部构建笨拙工具可能最终导致巨大的技术债务，与专门的AI平台合作通常是更明智、更敏捷的长期商业决策 [89] * **对现有软件厂商的影响**：AI原生平台蚕食传统SaaS企业软件的担忧目前被夸大，现有厂商因其托管的关键、可扩展数据而保持强大地位；系统替换周期长，一些现有厂商将与AI公司合作，在其现有基础设施上构建智能层 [92]