Gwałtowny wzrost popularności analiz w zakresie zarządzania majątkiem opartych na sztucznej inteligencji na całym świecie

Sztuczna inteligencja staje się częścią infrastruktury analitycznej w zarządzaniu majątkiem. Firmy wykorzystują ją do przetwarzania większej ilości informacji, monitorowania portfeli oraz dostosowywania rekomendacji do indywidualnych potrzeb klientów. PwC przewiduje, że wdrażanie sztucznej inteligencji w sektorze usług finansowych będzie rosło o 30% rocznie. Jednak sukces tej technologii będzie zależał nie tyle od mocy obliczeniowej, co od jakości danych, mechanizmów kontroli oraz profesjonalnej oceny sytuacji.

W zarządzaniu majątkiem od dawna łączy się historyczne dane rynkowe z doświadczeniem doradców i zarządzających portfelami. Model ten nadal ma swoje zastosowanie, ale obecna ilość i tempo napływających informacji sprawiają, że jego możliwości są coraz bardziej ograniczane.

Zespoły inwestycyjne muszą śledzić wskaźniki ekonomiczne, informacje publikowane przez spółki, ceny rynkowe, wydarzenia polityczne oraz zmiany w portfelach klientów. Żaden analityk nie jest w stanie przeanalizować wszystkich istotnych sygnałów w czasie rzeczywistym.

Systemy sztucznej inteligencji mogą pomóc w zmniejszeniu tej luki. Modele oparte na uczeniu maszynowym potrafią przetwarzać duże zbiory danych, wykrywać nietypowe wzorce oraz aktualizować oceny w miarę napływania nowych informacji. Narzędzia oparte na języku naturalnym mogą analizować raporty firmowe, materiały prasowe i wyniki badań, co wcześniej wymagałoby czasochłonnej ręcznej weryfikacji.

Wynikiem tego nie jest pewność. Jest to szersza i szybsza podstawa do podejmowania decyzji.

Od analizy historycznej do ciągłego monitorowania

Tradycyjna analiza portfela ma często charakter retrospektywny. Zarządzający analizują historyczne stopy zwrotu, korelacje i zmienność, aby zrozumieć, jak inwestycje mogą zachowywać się w różnych warunkach.

Sztuczna inteligencja może usprawnić ten proces poprzez połączenie danych historycznych z aktualnymi danymi rynkowymi. Portfele można monitorować na bieżąco, a nie tylko podczas zaplanowanych przeglądów.

Dzięki temu firmy mogą wykrywać pojawiające się koncentracje lub zmiany w zakresie ryzyka. Inwestycje, które na pierwszy rzut oka wydają się zdywersyfikowane pod względem klas aktywów, mogą na przykład zależeć od tych samych warunków stóp procentowych, cen surowców lub rynku geograficznego.

Modele oparte na uczeniu maszynowym potrafią wykrywać takie zależności w odniesieniu do tysięcy pozycji. Mogą one również pomóc menedżerom w sprawdzeniu, jak portfele mogłyby zareagować na inflację, wahania kursów walutowych lub pogorszenie płynności rynkowej.

Te możliwości są cenne, ale nie należy ich mylić z wiarygodnymi prognozami. Na rynki finansowe wpływają zachowania ludzkie, decyzje polityczne oraz nieprzewidziane wydarzenia. Modele wytrenowane na podstawie wcześniejszych warunków mogą działać słabo, gdy warunki te ulegną zmianie.

Sztuczna inteligencja potrafi szybciej obliczać możliwe wyniki. Nie jest jednak w stanie wyeliminować niepewności z nimi związanej.

BlackRock pokazuje, jak ważna jest integracja

Firma BlackRock jest często podawana jako przykład zarządzania inwestycjami opartego na technologii. Jej platforma Aladdin łączy w sobie dane dotyczące portfela, analizę ryzyka oraz funkcje handlowe i operacyjne.

Znaczenie tej platformy nie wynika z zastosowania jednego algorytmu prognostycznego, lecz z jej zdolności do tworzenia spójnego obrazu ekspozycji inwestycyjnych. Zarządzający portfelami mogą analizować ryzyko w różnych klasach aktywów, testować scenariusze oraz monitorować, w jaki sposób zmiany na rynku wpływają na poszczególne pozycje w portfelu.

Uczenie maszynowe może wzmocnić te funkcje poprzez identyfikację wzorców lub anomalii, które mogą zostać przeoczone w ramach tradycyjnej analizy.

System ten pokazuje również przewagę, jaką mają duże instytucje. BlackRock ma do dyspozycji obszerne zbiory danych, zespoły specjalistów oraz znaczne inwestycje w technologie. Mniejsze firmy zarządzające majątkiem raczej nie będą w stanie stworzyć wewnętrznie porównywalnej infrastruktury.

Zamiast tego mogą one korzystać z zewnętrznych platform oferujących analizę portfela opartą na sztucznej inteligencji, narzędzia do zapewnienia zgodności z przepisami oraz raportowanie dla klientów. Daje to mniejszym firmom dostęp do bardziej zaawansowanych funkcji, ale jednocześnie zwiększa ich zależność od zewnętrznych dostawców.

Kwestią strategiczną jest zatem nie tylko to, czy firma korzysta ze sztucznej inteligencji, ale także to, kto sprawuje kontrolę nad tą technologią i danymi, od których ona zależy.

Robo-doradcy przyczynili się do rozszerzenia rynku

Robo-doradcy należeli do pierwszych widocznych zastosowań zautomatyzowanej analityki w zarządzaniu majątkiem.

Firmy takie jak Betterment i Wealthfront wykorzystywały cyfrowe kwestionariusze i modele algorytmiczne do tworzenia zdywersyfikowanych portfeli, rebalansowania inwestycji oraz zarządzania transakcjami związanymi z podatkami. Ich usługi można było świadczyć po niższych kosztach niż w przypadku tradycyjnych usług doradczych.

Model ten umożliwił zarządzanie portfelem inwestycyjnym klientom dysponującym mniejszymi kwotami przeznaczonymi na inwestycje. Wyznaczył on również standardy w zakresie szybkiego otwierania rachunków, przejrzystych opłat oraz stałego dostępu do usług cyfrowych.

Nowa generacja porad opartych na sztucznej inteligencji będzie prawdopodobnie bardziej złożona. Zamiast przyporządkowywać klientów do ogólnych kategorii ryzyka, systemy mogą uwzględniać dochody, wydatki, wymagania dotyczące płynności finansowej, sytuację podatkową oraz długoterminowe zobowiązania finansowe.

Daje to możliwość opracowywania bardziej zindywidualizowanych strategii. Wymaga to jednak również większej ilości danych osobowych oraz bardziej wyważonej oceny sytuacji.

Portfel dostosowany wyłącznie do niekompletnych lub niedokładnych informacji nie jest w pełni spersonalizowany. Jest po prostu błędem, co do którego mamy większą pewność.

Oszczędności kosztów przyciągają instytucje

Według szacunków firmy Deloitte analizy oparte na sztucznej inteligencji pozwoliły niektórym firmom obniżyć koszty operacyjne nawet o 30%.

Oszczędności wynikają z kilku czynników. Systemy umożliwiają automatyzację gromadzenia danych, sporządzania raportów dotyczących portfela oraz przeglądu dokumentów. Zespoły inwestycyjne mogą analizować szerszy zakres aktywów bez konieczności zwiększania liczby pracowników w takim samym tempie. Doradcy mogą poświęcać mniej czasu na przygotowywanie rutynowych analiz.

Nie oznacza to jednak, że wdrożenie sztucznej inteligencji jest tanie.

Instytucje finansowe muszą inwestować w infrastrukturę danych, integrację systemów, cyberbezpieczeństwo oraz szkolenia pracowników. Modele wymagają testowania i ciągłego monitorowania. Zewnętrzni dostawcy technologii wiążą się z opłatami licencyjnymi i zależnościami operacyjnymi.

Argumenty biznesowe są najsilniejsze w przypadkach, gdy sztuczna inteligencja zastępuje powtarzalne zadania lub usprawnia proces oparty na już dostępnych, wiarygodnych danych. Są one słabsze, gdy firmy próbują wdrożyć zaawansowane narzędzia analityczne w oparciu o fragmentaryczne systemy i niespójne dane.

Samo podłączenie do technologii nie sprawia, że złożoność operacyjna znika.

Rynek szybko się rozwija

Prognozowano, że światowy rynek sztucznej inteligencji w sektorze usług finansowych osiągnie wartość $26,67 mld do 2024 r. Około 70% instytucji finansowych wdrożyło już rozwiązania oparte na sztucznej inteligencji lub planowało to zrobić.

Dane te odzwierciedlają szerokie zainteresowanie, jednak wdrożenie może oznaczać wiele różnych rzeczy.

Jedna instytucja może wykorzystywać sztuczną inteligencję do klasyfikacji dokumentów. Inna może stosować ją do wykrywania oszustw, segmentacji klientów lub budowania portfela. Zarówno projekt pilotażowy, jak i w pełni zintegrowany system analityczny uznaje się za wdrożenie, choć ich wpływ na działalność firmy jest zupełnie inny.

Bardziej przydatne jest rozróżnienie między eksperymentowaniem a zastosowaniem operacyjnym.

Sztuczna inteligencja nabiera strategicznego znaczenia dopiero wtedy, gdy jest wdrażana w codzienne procesy decyzyjne, opiera się na wiarygodnych danych i jest zrozumiała dla pracowników, od których oczekuje się jej stosowania.

Wiele firm z branży finansowej nadal znajduje się pomiędzy tymi etapami. Zakupiły one odpowiednie narzędzia, ale nie dostosowały jeszcze do nich swoich procesów.

Wykrywanie oszustw pozwala na bardziej jednoznaczne ustalenie faktów

Sztuczna inteligencja już dowiodła swojej przydatności w wykrywaniu podejrzanych działań. Systemy te potrafią analizować ogromną liczbę transakcji, wykrywać nietypowe wzorce oraz porównywać zachowania na różnych kontach.

Niektóre firmy zajmujące się zarządzaniem majątkiem odnotowują wzrost wskaźników wykrywalności oszustw nawet o 50%.

Technologia ta może pomóc instytucjom w wykrywaniu zmian, które mogłyby umknąć przy zastosowaniu konwencjonalnych zasad. Transakcja może wydawać się prawidłowa, gdy rozpatruje się ją w oderwaniu od kontekstu, ale staje się podejrzana w porównaniu z dotychczasową aktywnością klienta lub w szerszym kontekście sieciowym.

Fałszywe alarmy nadal stanowią wyzwanie. Nietypowa transakcja niekoniecznie oznacza oszustwo, zwłaszcza w sektorze prywatnego zarządzania majątkiem, gdzie klienci mogą przenosić duże kwoty między spółkami, funduszami powierniczymi i jurysdykcjami.

Systemy zautomatyzowane muszą zatem rozróżniać działania, które można szybko rozpatrzyć, od przypadków wymagających interwencji człowieka.

Celem nie powinno być wyeliminowanie weryfikacji przez człowieka. Powinno polegać na bardziej przemyślanym jej ukierunkowaniu.

Personalizacja sprawdza granice możliwości danych

Rekomendacje oparte na sztucznej inteligencji wiążą się ze wzrostem zadowolenia klientów nawet o 40%.

Bardziej trafne porady mogą wzmocnić relacje z klientem. Doradca, który rozumie potrzeby klienta w zakresie płynności, poziom narażenia na ryzyko oraz cele finansowe, może zaoferować usługę, która wydaje się lepiej dostosowana do indywidualnych potrzeb niż standardowy modelowy portfel.

Sztuczna inteligencja może w tym pomóc, gromadząc informacje i wykrywając zmiany, które w przeciwnym razie mogłyby pozostać niezauważone.

System może zasygnalizować, że rezerwy gotówkowe klienta spadły poniżej uzgodnionego poziomu, że portfel stał się nadmiernie skoncentrowany lub że zbliżające się zobowiązanie finansowe wymaga zmiany alokacji aktywów.

Analiza staje się bardziej wnikliwa, im bardziej ma charakter osobisty.

Firmy potrzebują jasnych zasad określających, jakie dane mogą być gromadzone i w jaki sposób mogą być wykorzystywane. Klienci powinni wiedzieć, czy rekomendacje opierają się na informacjach przekazanych przez nich bezpośrednio, na zaobserwowanych zachowaniach, czy też na założeniach wygenerowanych przez model.

Personalizacja bez zachowania przejrzystości może sprawiać wrażenie nie tyle usługi, co raczej inwigilacji.

Doradcy potrzebują innego rodzaju wiedzy specjalistycznej

Sztuczna inteligencja zmienia oczekiwania wobec specjalistów ds. zarządzania majątkiem.

Analitycy będą musieli zrozumieć, w jaki sposób modele dochodzą do wniosków i gdzie leżą ich ograniczenia. Doradcy muszą umieć przełożyć wyniki generowane automatycznie na zalecenia zrozumiałe dla klientów.

Nie oznacza to, że każdy doradca musi zostać analitykiem danych. Wymaga to jednak wystarczającej wiedzy technicznej, by krytycznie podchodzić do wyników, a nie po prostu je akceptować.

Rola człowieka nabiera szczególnego znaczenia w sytuacji, gdy cele finansowe są ze sobą sprzeczne. Klient może jednocześnie oczekiwać wysokich zysków, niskiego ryzyka, natychmiastowej płynności oraz długoterminowej perspektywy inwestycyjnej. Żaden model nie jest w stanie pogodzić tych preferencji bez ustalenia priorytetów.

Doradcy muszą również radzić sobie z reakcjami klientów w okresie niestabilności rynkowej. Algorytm może wykazać, że portfel nadal jest odpowiedni. Jednak zaniepokojony klient może potrzebować rozmowy, zanim zdecyduje się utrzymać swoje inwestycje.

Wartość ludzkiej porady polega po części na interpretacji danych liczbowych, a po części na zrozumieniu osoby, która za nimi stoi.

Modele mogą pogłębiać istniejące słabe punkty

Systemy sztucznej inteligencji uczą się na podstawie danych wygenerowanych w wyniku wcześniejszych decyzji. Jeśli decyzje te zawierają stronniczości, niekompletne założenia lub błędne klasyfikacje, model może je powielać na większą skalę.

Ma to znaczenie dla segmentacji klientów, oceny adekwatności oraz wyboru inwestycji.

System może wywnioskować, że klienci o podobnych cechach demograficznych lub finansowych są zainteresowani podobnymi produktami. Takie wzorce mogą być statystycznie prawdopodobne, ale niekoniecznie odpowiednie dla konkretnej osoby.

Modele inwestycyjne borykają się z podobnym problemem. Dane historyczne mogą faworyzować strategie, które osiągały dobre wyniki w ramach określonego systemu monetarnego lub regulacyjnego. Gdy system ten ulegnie zmianie, wnioski te mogą przestać mieć zastosowanie.

Instytucje finansowe muszą testować modele w różnych scenariuszach i sprawdzać, czy uzyskane wyniki da się wyjaśnić. Powinny również monitorować działanie systemów po ich wdrożeniu, zamiast zakładać, że dokładność poprawi się sama z siebie.

Ciągłe uczenie się ma sens tylko wtedy, gdy system czerpie wiedzę z istotnych informacji.

Sposób zarządzania decyduje o tym, czy skala staje się źródłem ryzyka

W miarę jak sztuczna inteligencja zyskuje coraz większe znaczenie, instytucje muszą jasno określić zakres odpowiedzialności za jej wykorzystanie.

Komisje inwestycyjne powinny wiedzieć, które decyzje są wspierane przez sztuczną inteligencję, a które są zautomatyzowane. Zespoły ds. zgodności muszą mieć dostęp do logiki leżącej u podstaw klasyfikacji klientów i alertów dotyczących ryzyka. Kierownictwo wyższego szczebla musi rozumieć, w jakich obszarach zaangażowani są dostawcy zewnętrzni.

Same wytyczne etyczne nie wystarczą. Zarządzanie wymaga praktycznych mechanizmów kontroli.

Firmy muszą dysponować procedurami zatwierdzania modeli, testowania danych, rejestrowania zmian oraz podejmowania działań w przypadku nieoczekiwanego zachowania systemu. Pracownicy powinni wiedzieć, w jakich sytuacjach można pominąć wynik generowany automatycznie oraz w jaki sposób należy udokumentować taką decyzję.

Klienci muszą mieć również możliwość zaskarżenia decyzji, które ich dotyczą.

Instytucja nie może przenieść odpowiedzialności powierniczej ani regulacyjnej na algorytm. Firma pozostaje odpowiedzialna, nawet jeśli technologia została dostarczona przez kogoś innego.

Dane stają się kluczowym atutem konkurencyjnym

Instytucje finansowe często opisują modele sztucznej inteligencji jako źródło przewagi konkurencyjnej. W praktyce wiele firm będzie miało dostęp do podobnych technologii.

Wydaje się, że trwalsza przewaga będzie wynikać z danych.

Doradca finansowy dysponujący kompletnymi, dokładnymi i dobrze uporządkowanymi informacjami może wykorzystać sztuczną inteligencję do generowania trafniejszych analiz. Konkurent dysponujący niekompletnymi danymi uzyska słabsze wyniki przy użyciu tego samego modelu.

W sektorze prywatnego majątku zapewnienie jakości danych stanowi szczególne wyzwanie. Aktywa mogą być przechowywane w różnych bankach, spółkach i strukturach prawnych. Prywatne inwestycje są wyceniane sporadycznie. Informacje mogą napływać w różnych formatach i walutach.

Zanim firmy będą mogły oferować zaawansowane analizy, muszą rozwiązać podstawowy problem, jakim jest stworzenie spójnego obrazu majątku klienta.

Ta praca jest mniej widoczna niż wprowadzenie na rynek asystenta opartego na sztucznej inteligencji. Jest też ważniejsza.

Wartość ta może być duża, ale nierównomiernie rozłożona

Firma McKinsey szacuje, że do 2028 r. sztuczna inteligencja może wygenerować nawet $1 bilion dodatkowej wartości dla światowej branży bankowej.

Wartość ta nie będzie rozłożona równomiernie. Duże instytucje mogą przeznaczać znaczne środki na własne systemy, dane i wyspecjalizowanych pracowników. Mniejsze firmy mogą czerpać korzyści z tańszych platform zewnętrznych, ale będą miały mniejszą kontrolę nad swoją infrastrukturą technologiczną.

Część korzyści przełoży się na niższe koszty operacyjne. Inne mogą wynikać z lepszego zarządzania ryzykiem, skuteczniejszego wykrywania nadużyć lub możliwości obsługi klientów, których obsługa była dotychczas nieopłacalna.

Zdarzą się też nieudane inwestycje. Firmy mogą nabywać narzędzia, z których pracownicy nie korzystają, systemy, których nie da się zintegrować, lub modele, których wyniki okazują się zbyt niewiarygodne, by podejmować na ich podstawie istotne decyzje.

Wydatki na sztuczną inteligencję należy zatem oceniać tak samo jak każdą inną inwestycję. Instytucje muszą mieć jasno zdefiniowany problem, mierzalne wyniki oraz wiarygodny plan wdrożenia.

Sama obecność sztucznej inteligencji nie stanowi dowodu na innowacyjność.

Lepsza analiza wymaga jeszcze lepszych decyzji

Sztuczna inteligencja będzie nadal zyskiwać na popularności w globalnym sektorze zarządzania majątkiem. Uczenie maszynowe, przetwarzanie języka naturalnego oraz analiza danych w czasie rzeczywistym staną się standardowymi funkcjami platform inwestycyjnych.

W miarę jak to się będzie działo, sama technologia straci na swojej wyjątkowości.

Najsilniejsze firmy to te, które połączą szybkość analizy z dyscypliną zarządzania i doświadczoną oceną sytuacji. Będą wykorzystywać sztuczną inteligencję do wykrywania zagrożeń, porządkowania informacji i kwestionowania założeń, a nie traktować jej wyników jako instrukcji.

Klienci raczej nie będą się przejmować tym, jaki algorytm stoi za ich portfelem. Będzie dla nich ważne, czy ich doradca rozumie ich sytuację, chroni ich dane i podejmuje decyzje, które da się uzasadnić.

Sztuczna inteligencja może sprawić, że zarządzanie majątkiem stanie się bardziej wydajne i elastyczne. Może ona poszerzyć dostęp do zaawansowanych analiz i zapewnić specjalistom ds. inwestycji jaśniejszy obraz złożonych portfeli.

Nie jest w stanie określić, do czego służy majątek, jakie ryzyko powinna podjąć rodzina ani w jaki sposób należy rozstrzygać sprzeczne priorytety finansowe.

Te pytania pozostają ludzkimi. Lepsza technologia ma znaczenie tylko wtedy, gdy pomaga odpowiedzieć na nie w bardziej przemyślany sposób.