川海智库

报告概述

本报告由世界银行集团与韩国银行联合编制，基于对全球资产管理公司的调查与访谈，系统梳理了AI在资产管理行业的最新趋势与应用实践。报告聚焦两大应用领域：生产率提升（如信息提取、文档生成、工作流优化）和投资策略（如情绪分析、聚类、市场因子预测、组合构建等）。同时，报告为公共投资者提供了一套负责任的AI采纳框架，涵盖愿景与领导力、战略基础（原则、政策、合规、治理、风险管理）和赋能环境（数据基础设施、隐私与网络安全、人才与文化、运营化）。该框架帮助机构评估AI准备度、识别能力缺口，并指导从实验走向规模化采纳的路径，是公共投资者探索AI的实用入门指南。

报告的核心结论

当前AI主要驱动生产率提升，而非投资策略创新。

报告显示，多数领先资管公司已在近两三年内建立AI治理框架，但大部分仍处于早期采纳阶段。AI在生产率提升方面应用广泛，如文档信息提取、邮件起草、RFP响应等，主要通过第三方生成式AI工具实现。而投资策略应用面临金融市场数据信噪比低、过拟合和可解释性等挑战，全自动投资决策短期内不可预见。

公共投资者必须将AI采纳视为机构转型，而非技术项目。

AI引入偏见、黑箱模型、模型漂移等独特风险，可能破坏法律合规、政策目标和公众信任。报告强调，负责任的AI采纳需要建立明确的愿景与领导力、战略基础（原则、政策、合规、治理、风险管理）以及赋能环境（数据、基础设施、人才、文化），三者相互关联，缺一不可。

人类监督是AI应用的核心原则。

调查和访谈中所有公司一致强调“人机协同”的重要性。由于监管不确定性、LLM的随机性和“幻觉”风险，AI输出必须经过人工审查和验证。报告指出，完全自动化的投资决策模型近期不会出现，机构应确保最终决策权始终掌握在人类手中。

技能短缺和风险管控能力是AI采纳的主要制约因素。

BIS IFC调查发现，制约央行AI采纳的首要因素是数据科学和AI治理人才短缺，其次才是算法和算力。报告建议机构采用分层AI技能培训（基础层、应用层、高级层），并加强数据治理、隐私保护和模型风险管理能力，以弥合能力缺口。

报告回答的关键问题

公共投资者如何负责任地采纳AI？

报告提出一个三支柱框架：首先确立清晰的AI愿景和领导力支持；其次建立战略基础，包括AI原则、政策、法律合规、治理结构和风险管理流程；最后构建赋能环境，涵盖数据与基础设施治理、隐私与网络安全、分层人才培训以及运营化流程。机构应从小规模、低风险的用例开始，逐步扩展，并保持持续监控和迭代。

AI在资产管理中有哪些实际应用场景？

报告列举大量用例：生产率提升方面包括信息提取（如从法律文件中提取关键条款）、文件生成（RFP/DDQ响应）、工作流优化（翻译、摘要、编码助手）等；投资策略方面包括情感分析（新闻、财报电话会）、公司聚类、市场因子预测（收益、波动率）、组合构建、外部经理选择和交易执行。用例通过调查和访谈来自全球头部资管公司。

为什么公共投资者需要AI治理框架？

AI系统引入偏见、黑箱决策、模型漂移、数据中毒等新风险，与传统IT风险不同，可能损害公共机构的公信力。报告引用BIS和NIST框架指出，治理框架应明确决策权、风险分级、生命周期监督，并嵌入现有的企业风险管理、合规和审计体系，确保AI应用安全、透明、可问责。

当前AI在资产管理行业的采用程度如何？

报告显示，仅16%的全球资管公司拥有完全定义的生成式AI战略并准备全面实施（BCG 2024）；在公共投资者中，仅12%的央行在储备管理中使用AI工具（世界银行2025年调查）。多数公司仍处于实验或试点阶段，AI在投资策略中的采用面临更大挑战，生产率提升是目前的主要方向。

报告中的代表性数据

16%

拥有完全定义GenAI战略的全球资管公司占比

2024年，根据BCG 2024年全球资管报告，仅有16%的受访资管公司制定了全业务范围的生成式AI战略并准备实施，显示行业整体仍处早期阶段。

12%

在储备管理中使用AI工具的央行占比

2025年，世界银行2025年储备管理调查显示，在134家央行中，仅12%在储备管理框架中使用了AI工具，表明公共投资者AI采纳率较低。

700 million

ChatGPT周活跃用户数

2025年8月，CNBC报道，截至2025年8月，ChatGPT周活跃用户达7亿，约占全球人口的9%，反映了生成式AI的广泛渗透。

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

  • 详尽的市场数据与趋势图表：包括AI采用率分布、央行AI使用比例图、替代数据市场规模预测等，直观展示行业现状。
  • 全球资管公司AI应用案例库：如世界银行ASTRA（证券条款对账）、IFC的MALENA（ESG情感分析）、韩国银行BOKI（金融AI平台）等，附技术细节与效果数据。
  • 负责任的AI采纳框架详解：三大支柱（愿景领导、战略基础、赋能环境）的具体要素、实施路径和成熟度评估方法。
  • AI治理结构指南：集中式、分散式、混合式模型的优缺点分析，以及如何将AI治理嵌入现有企业风险管理框架。
  • AI风险管理框架：基于NIST AI RMF和MITRE ATLAS的操作性指导，包括风险识别、分级、监控和应对的具体流程。
  • 人才与文化准备方案：分层AI技能培训体系（基础层、应用层、高级层）的设计原则，以及培养机构AI文化的策略。
  • 数据治理与基础设施要求：数据成熟度评估方法、数据湖/数据仓库架构、云计算和本地部署的权衡（含BIS IFC调查数据）。
  • 前沿技术讨论：Agentic AI（智能体AI）和多智能体协调、可解释AI（如SHAP）、合成数据生成及其在压力测试中的应用。
  • 法律与监管合规分析：欧盟AI法案、NIST框架、OECD原则，以及如何在公共机构中落实合规要求。
  • 报告方法论说明：联合市场调研的过程、调查样本特征（15家资管公司+12家深入访谈）、文献筛选标准，增强结果可信度。

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