Bernstein测算：资产管理行业AI支出到2030年或达325亿美元，效率和利润率上行空间显著

概览

Bernstein在本篇亚洲量化策略报告中延续其“2030年AI原生资产管理公司”框架，重点量化生成式AI对资管行业技术预算、可触达AUM、效率提升、成本节约和利润率的影响。报告认为，行业已进入没有CIO或CTO能够完全不投入AI的阶段，短期AI更像成本中心，但到2028年前后效率收益有望超过增量AI支出，并在2030年前推动行业利润率和成本收入比显著改善。

核心观点

报告核心观点包括：第一，Gen AI在资管行业的可触达AUM将快速扩张，推动AI支出从2025年的约90亿美元增至2030年的325亿美元；第二，AI将重塑投资流程，使AI直接参与观点生成、研究综合、组合构建和持续监控，人类分析师与PM角色转向研究监督、治理、尾部风险管理和信念构建；第三，效率提升不会平均分布，较早完成企业级AI部署的大型资管机构将率先受益；第四，AI成本节约有望抵消管理费下行压力，并把行业利润率从2026年的32.4%推升至2030年的44.6%。

分析框架

报告采用自上而下和功能拆分相结合的方法：先以全球AUM、AI采用率和每单位AUM支出强度估算行业AI支出；再按买入第三方方案、自建和混合部署三类路径推演支出强度；随后按研究/PM、客户与分销、IT/数据、中后台、中央职能等成本池估算稳态效率提升；最后按AI领先者、扩张者和落后者三类机构建模效率、利润率和成本收入比的分化。

方法论与常识提炼

• 采用曲线S曲线采用率模型

  Gen AI可触达AUM = 总AUM × AI采用率

  报告假设资管行业AI采用率沿S曲线提升，并以2026年55%的采用率校准；在2030年全球AUM约200万亿美元的基础上，推导可触达AUM从2025年的51万亿美元增至2030年的176万亿美元。

• 支出强度买入/自建/混合部署模型

  按部署方式估算每单位AUM的AI支出强度

  报告将AI部署分为buy、build和hybrid三类，初始组合为12.5%、24%和63.5%，并假设到2028年趋于13.5%、27%和59.5%的均衡结构；自建成本在2026至2028年更前置，之后转为维护成本。

• 效率测算成本职能加权效率模型

  按职能成本占比与AI自动化潜力加权得到稳态效率提升

  报告假设典型资管公司成本结构为研究/PM 30%、客户/分销25%、IT/数据15%、中后台20%、中央职能10%；中后台和科技职能效率提升最高约40%，中央职能35%，前台约30%，加权稳态效率提升约34%。

• 竞争分层AI领先者/扩张者/落后者分层

  按AI部署成熟度和AUM占比区分效率与利润率路径

  报告将行业划分为AI领先者、扩张者和落后者，分别代表约20%、45%和35%的全球AUM；领先者更早获得效率收益，落后者因生产级AI工具不足而滞后。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• 全球资产管理公司

  AI投入与效率提升的直接受益主体

  优势

  可通过研究、组合管理、合规、中后台、客户服务和软件开发等环节获得自动化与生产率提升。

  劣势

  短期AI投资回报不清晰，且支出在2026至2028年前后较为前置。

  对比

  相较未规模化部署AI的机构，具备企业级AI能力的管理人更可能率先改善利润率。

  风险

  模型假设依赖AI采用率、成本曲线、治理质量和组织变革速度，实际效果可能低于预期。

• AI领先者

  效率和利润率改善的早期受益者

  优势

  已具备生产级Agentic AI、较强技术基础设施和更大AUM摊薄能力。

  劣势

  需要持续高强度技术投资，并承担AI治理、系统性风险和模型可靠性压力。

  对比

  报告预计领先者2030年效率提升26%、利润率约48%，优于扩张者和落后者。

  风险

  若扩张者加速投入并采用成熟第三方方案，领先者优势可能收窄。

• AI扩张者

  追赶型受益者

  优势

  已有AI部署和转型路径，可能通过混合部署较快复制部分领先者经验。

  劣势

  落后领先者约一年，企业级整合和治理成熟度不足。

  对比

  2030年效率提升预计约22%，利润率约45%，低于领先者但明显高于未转型机构。

  风险

  若投入不足或组织变革推进慢，可能滑向落后者阵营。

• AI落后者

  潜在被动承压主体

  优势

  可在供应商生态成熟后以更低试错成本采用外部方案。

  劣势

  缺乏生产级AI工具，效率收益滞后，可能难以抵消费率压缩。

  对比

  2030年效率提升预计约17%，利润率约41%，低于领先者和扩张者。

  风险

  可能被大型平台和更敏捷精品管理人夹击，市场份额和利润率承压。

• 银行、托管行和大型金融机构

  提供AI支出和效率案例的参照样本

  优势

  披露了较大的科技预算、AI平台部署、开发者工具和客户服务自动化案例。

  劣势

  多数机构未单独披露AI预算，资管行业直接可比性有限。

  对比

  大型综合银行将AI视为全公司基础设施投入，纯资管公司更多将AI视为运营和分销成本工具。

  风险

  用银行案例外推资管行业效率时，可能高估或低估具体业务环节的可迁移性。

关键数据

• 2030年全球AUM假设约200万亿美元基于PwC估计，用作AI可触达AUM测算基础。
• Gen AI可触达AUM2025年51万亿美元，2030年176万亿美元对应约28%的复合年增长率。
• 行业Gen AI支出2025年约90亿美元，2030年325亿美元2028年预计以约360亿美元见顶。
• 2025年AI支出强度起点每百万美元AUM约177美元以资管行业收入和金融机构AI投入占收入比例推导。
• 行业效率提升2026年3%，2030年21%，长期稳态34%2028年预计成为效率收益超过增量AI成本的拐点。
• AI领先者效率提升2026年8%，2030年26%领先者通常为已进行约三年企业级AI部署的大型资管机构。
• 扩张者与落后者效率提升2030年分别约22%和17%扩张者约滞后领先者一年，落后者约滞后两年。
• 行业利润率2026年32.4%，2030年44.6%AI驱动成本节约是主要改善来源。
• 成本收入比历史均值约68.5%，2030年改善至约56%AI收益预计在2028年后更明显体现。
• AI成本节约2030年约2000亿美元报告认为可显著抵消资管费率压缩压力。

影响与含义

若报告假设兑现，资管行业的竞争优势将从单纯规模、渠道和传统投研能力，进一步转向企业级AI基础设施、数据整合、治理框架和人机协同能力。大型领先者短期可能凭借规模和基础设施优势扩大效率差距；灵活的小型精品管理人也可能受益于较快转型；中型机构则面临运营复杂度高、技术投入不足和费率压缩并存的压力。

风险

• AI投入的实际ROI可能低于报告模型假设，尤其是在2026至2028年支出高峰期。
• 生成式AI采用率、部署组合和每单位AUM支出强度均为模型假设，若行业采用放缓，2030年支出和效率测算会下调。
• AI可能降低信息不对称并模糊量化与基本面投资边界，但也可能增加算法拥挤交易和系统性风险。
• 模型自动化在研究、组合管理、合规和客户服务中的可靠性、审计性和监管接受度仍存在不确定性。
• 资管费率压缩可能比AI效率提升更快或更剧烈，从而削弱利润率改善。
• 中型资管机构可能因技术投入不足、组织复杂度较高和规模摊薄能力有限而受到更大挤压。
• 报告大量使用行业案例、公开披露和外部估计，不同口径和披露质量可能导致测算误差。

后续跟踪

• 2026至2028年AI支出是否如报告所述持续上升，并在2028年附近见顶。
• 大型资管机构是否披露更明确的AI预算、效率收益、成本节约和利润率贡献。
• AI在研究/PM、合规、中后台、IT开发和客户服务中的生产级落地速度。
• AI领先者、扩张者和落后者之间的AUM份额是否发生结构性变化。
• 管理费率压缩是否继续加剧，以及AI节省与费率逆风的比率是否接近报告预测的6.5倍。
• 监管机构对AI投资建议、模型治理、客户适当性和系统性风险的要求是否趋严。
• 供应商生态是否在2028年前后成熟，从而使buy、build和hybrid部署成本曲线趋于稳定。