川海智库

报告概述

本报告为面向公共投资者的AI入门指南，研究对象为人工智能在资产管理行业的应用。覆盖范围包括全球资产管理公司及公共机构（中央银行、主权财富基金等）。主要分析内容分为三部分：行业AI应用趋势（生产率提升与投资策略）、负责任的AI采纳框架（愿景领导力、战略基础、支持环境）以及实施关键要素。报告基于世界银行集团与韩国银行的联合市场拓展调查和访谈，结合学术研究，采用案例分析与框架总结的方法，旨在帮助公共投资者理解AI潜力、评估自身准备度，并建立负责任的AI应用能力。

报告的核心结论

多数资产管理机构仍处于AI应用的早期阶段

调查显示，虽然领先的资产管理公司在过去两三年已建立AI治理框架，但大多数机构仍处于实验阶段。仅有16%的全球资产管理人有完整的生成式AI战略，只有12%的中央银行在储备管理中使用了AI工具。多数机构仍在探索如何开始AI之旅。

负责任AI采用需要机构层面的整体转型

AI应用不仅仅是技术项目，而是涉及治理、风险管理、数据基础设施、人才文化的机构转型。负责任AI框架由三个相互关联的基石组成：清晰的愿景与领导力、战略基础（原则、政策、治理、法律合规、风险管理）以及支持性环境（数据、基础设施、隐私安全、人才文化）。

当前AI主要聚焦生产率提升，投资策略应用更具挑战

生成式AI工具广泛用于文档摘要、信息提取、RFP回复等效率提升场景。而将AI应用于投资策略（如市场预测、投资组合构建）面临金融市场信噪比低、过拟合、可解释性等挑战，大多数应用仍处于探索阶段，且强调人类监督。

人类监督是AI应用的必要条件

受访机构一致强调在AI应用中保持人类参与，完全自动化的投资决策近期不可预期。例如，一家瑞典金融科技公司用AI替代员工后因服务不佳重新雇佣人类。公共机构更需要通过“人在回路中”确保问责制和透明度。

报告回答的关键问题

公共投资者如何开始AI旅程？

报告建议从建立清晰的AI愿景和领导力入手，明确AI如何支持机构使命。然后构建战略基础，包括制定AI原则、政策、治理框架和风险管理流程。同时需要打造支持性环境，加强数据治理、基础设施、人才培训和文化建设。初期可从生产率提升的低风险用例开始，逐步扩展。

资产管理中AI的主要应用场景有哪些？

主要分为两大类：效率提升和投资策略。效率提升包括信息提取（从法律文件、财务报表提取数据）、文档生成（起草RFP、邮件、报告）、工作流优化（摘要、翻译、编码协助）。投资策略包括市场情报（情感分析、公司聚类）、市场因素预测、合成数据情景分析、投资组合构建、管理人选和交易执行。

负责任的AI采用需要哪些框架要素？

负责任AI框架包含三个支柱：1）愿景与领导力，确立AI的目标和问责制；2）战略基础，包括AI原则、机构政策与标准、法律法规合规、治理结构、全生命周期风险管理；3）支持性环境，涵盖数据和基础设施基础、隐私与网络安全、人才与文化准备。这些要素共同确保AI应用与机构使命一致且风险可控。

AI在资产管理中的采纳面临哪些主要挑战？

主要挑战包括：技能短缺和风险管理能力不足（央行调查显示为最主要障碍）；数据基础设施碎片化、遗留系统限制；隐私、网络安全和偏见风险；可解释性不足的“黑箱”问题；组织文化变革和人才保留困难。此外，监管不确定性和外部技术依赖也带来挑战。

报告中的代表性数据

88.1%

中央银行储备管理中未使用AI工具的比例

2025年，根据世界银行集团2025年储备管理调查（N=134），仅有11.9%的中央银行在储备管理中应用了AI工具。

117亿美元

全球另类数据市场规模

2024年，全球另类数据市场2024年价值117亿美元，预计2025年至2030年将以约63%的年复合增长率增长。该数据来自Grand View Research 2025。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 执行摘要：概述报告核心发现，包括多数机构处于AI应用早期、负责任AI的三支柱框架以及人类监督的重要性。
  • 前言：由世界银行集团副行长兼司库和韩国银行储备管理集团总经理撰写，阐述报告背景、合作意义及公共资产管理者的使命。
  • AI技术分类：介绍机器学习、深度学习、自然语言处理、大型语言模型及预测性AI、生成式AI、代理式AI的概念与关系。
  • 资产管理行业AI趋势：基于全球调查和访谈，详细分析生产率提升（信息提取、文档生成、工作流优化）和投资策略（情感分析、聚类、预测、合成数据、投资组合构建等）两大领域的应用案例。
  • 负责任的AI应用框架：分章阐述愿景与领导力、战略基础（原则、政策、法律合规、治理、风险管理）以及支持性环境（数据基础设施、隐私安全、人才文化），并提供英格兰银行等案例。
  • 机构AI治理结构讨论：对比集中式、分散式和混合式治理模式，明确战略、战术、运营层面的监督职责，以及如何将AI治理嵌入现有制度框架。
  • AI风险管理特殊考量：解释AI特有的风险（数据投毒、模型反转、提示注入等）以及MITRE ATLAS等威胁情报框架的应用。
  • 央行AI采纳实证：引用BIS IFC 2025调查数据，展示技能短缺、隐私网络安全是主要障碍，并分析预测准确性与可解释性的权衡。
  • 案例详述：包括世界银行集团ASTRA（证券条款对账AI）、IFC的MALENA（ESG风险分析AI）、韩国银行BOKI平台、英格兰银行AI战略等具体实施经验。
  • 参考文献：包含50余篇学术论文、行业报告及机构文件，覆盖AI在金融领域的理论基础与实践研究。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告