Gen AI重塑资管行业：新加坡偏重投资驱动，垂直工具成关键

概览

本报告基于伯恩斯坦在新加坡举办的未来科技峰会，聚焦生成式AI在资产管理领域的应用。核心观点是：尽管新加坡企业在AI成熟度上相对滞后，但其由投资团队主导的“业务驱动”模式，正快速推动高价值用例落地；同时，通用聊天机器人无法满足金融行业的深度需求，具备数据整合、安全治理与领域知识的垂直平台（如LinqAlpha）将成为核心竞争力。未来，资产管理将走向‘人机协同’的新范式，人类的判断力与机器的自动化能力深度融合。

核心观点

新加坡的资产管理机构在生成式AI的采用上展现出独特的‘投资主导’特征，57%的项目由投资团队推动，这与伦敦（61%）和香港（52%）由技术团队主导的模式形成鲜明对比。虽然在成熟度上存在差距——仅有24%的使用案例已进入生产阶段，远低于伦敦/香港的51%/52%，但新加坡在试点阶段的渗透率（41%）已领先。这表明其处于从探索到规模化落地的关键过渡期。 在技术路径上，新加坡企业高度倾向采购第三方解决方案（68%），远超自建或混合模式，且用户普遍只使用1-2款工具（如Copilot、ChatGPT、Claude）。这反映出市场对即开即用、低门槛解决方案的强烈需求。然而，这种普及并未带来深度价值，因为通用大模型在处理金融数据时面临三大瓶颈：一是数据来源分散且格式不一，不同供应商（如S&P、FactSet）的数据标准和引用规则各异，通用模型无法有效协调；二是成本不可控，直接调用API会产生高昂的令牌费用；三是缺乏对敏感内部数据的安全控制与权限管理。 因此，垂直领域的金融AI平台（如LinqAlpha）应运而生。其核心价值不在于模型本身，而在于构建了一个‘智能管道’：它首先将海量外部和内部数据（包括邮件、报告、交易记录）进行统一清洗、归一化，并建立一个包含资产主数据、财务日历等元信息的统一知识图谱。在此基础上，平台才允许用户进行跨资产、跨市场的深度查询。例如，当市场出现重大事件时，系统能自动识别出所有受影响的公司，即使这些公司未被明确提及。这种能力正是‘连接鸿沟’，也是未来阿尔法的主要来源。 最终，未来的资产管理架构将不再是孤立的应用程序，而是由少数几个深度嵌入组织上下文的‘智能代理’构成。它们由中央团队构建，但赋予投资经理极大的灵活性去定制工作流。这意味着，基金经理的角色将从信息处理者转变为‘系统架构师’，其核心职责是定义信号、管理不确定性，并在机器失效时介入。在这个新范式下，最核心的能力不再是编程，而是‘判断力’——在海量信息中辨别真伪、在共识错误时把握时机、在不确定中做出决策。

分析框架

报告采用了典型的‘实地观察+专家访谈+案例推演’的分析框架。首先，通过在新加坡、伦敦、香港三地举办峰会，获取了大量一手的现场投票数据，量化了各地区在AI采纳程度、领导部门、使用频率和工具选择上的差异。其次，邀请了来自J.P. Morgan和LinqAlpha的两位资深人士作为对话嘉宾，深入探讨了从战略规划、具体用例（如研究助理、智能监控）、技术架构（如模型与‘引擎’分离）到商业模式（如按产出定价）的全链条实践。最后，通过剖析这些真实案例，揭示了通用模型与垂直平台的本质区别，并前瞻性地描绘了‘人机协同’的未来图景。整个分析逻辑清晰，从现象观察出发，层层递进至深层原因和未来趋势。

方法论与常识提炼

• 行业/产业分析框架供需框架

  金融行业对AI的需求并非简单的效率提升，而是对‘数据连接性’和‘决策闭环’的深层需求。这构成了垂直平台存在的根本驱动力。

  该框架认为，任何行业的核心矛盾都源于供需双方的错配。在金融领域，供给方（如数据提供商）各自为政，形成了‘数据孤岛’；而需求方（如基金经理）需要的是一个能打通所有数据源、提供连贯洞察的统一视图。这种‘连接性’的供需失衡，正是催生垂直平台的底层逻辑。

• 竞争与战略框架护城河/竞争优势

  垂直平台的竞争优势不在于模型性能，而在于其‘数据基础设施’和‘组织上下文’的积累。

  护城河理论认为，企业的长期竞争优势来自于难以复制的壁垒。对于LinqAlpha而言，其护城河并非算法，而是其多年来积累的、经过专业分析师验证的跨源数据标准化体系，以及对客户内部投资哲学、持仓组合等私有信息的深度理解。这些是通用模型无法轻易复制的资产。

• 周期与景气框架景气拐点分析

  当前生成式AI在金融领域的应用正处于从‘概念验证’向‘规模化生产’的景气拐点。

  景气拐点分析关注行业生命周期的关键转折点。报告指出，尽管初期有数百个用例在构思中，但如今已聚焦于50个高回报的战略优先事项，这标志着行业从‘广泛探索’进入了‘精选落地’的成熟阶段，是典型的景气向上拐点。

• 估值方法SOTP 分部估值

  评估垂直平台的价值需拆分考量：基础服务费 + 按产出定价的增值部分。

  SOTP（分部估值）法适用于拥有多个独立业务线的企业。报告提到，LinqAlpha的收入结构正在从‘固定平台费+用量超额’，演变为‘固定平台费+按产出定价的高级代理’。这要求投资者将其视为一个由基础功能和高阶智能服务组成的复合体来估值。

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）。

• LinqAlpha

  作为垂直金融AI平台，其核心价值在于解决通用模型在数据整合、安全与上下文融合上的根本缺陷，是实现高阶智能的关键。

  优势

  具备强大的数据标准化与跨源集成能力；内置安全与权限管理；深度融入客户内部上下文；产品故事性强，用户口碑好。

  劣势

  依赖于持续的高质量数据输入；客户粘性高，但开拓新客户成本可能较高。

  对比

  相比通用模型（如Claude），LinqAlpha在数据准确性、安全性和领域深度上具有压倒性优势；相比其他垂直平台，其在产品生态和用户增长方面表现突出。

  风险

  若未能持续维护数据质量与合作关系，可能导致客户流失；市场竞争加剧，可能引发价格战。

• J.P. Morgan Asset Management

  作为行业先行者，其通过构建‘LLM Suite’平台，实现了大规模的内部赋能，是验证‘民主化AI’理念的最佳案例。

  优势

  拥有全球超过25万员工的使用规模；建立了成熟的从想法到部署的敏捷流程；成功落地了‘研究助理’和‘代理投票’等高价值用例。

  劣势

  庞大的体量使其决策和变革速度相对较慢；对内部知识产权的保护要求极高，限制了外部合作的灵活性。

  对比

  与新兴垂直平台相比，其优势在于资源与规模；但与后者相比，在灵活性和创新速度上可能处于劣势。

  风险

  若无法持续证明其投入的高回报率，可能面临内部预算削减的压力。

关键数据

• 新加坡企业AI项目领导者占比57%高于伦敦(61%)和香港(52%)，显示投资团队主导的特征。
• 新加坡企业使用案例进入生产阶段的比例24%显著低于伦敦(51%)和香港(52%)，反映其成熟度相对滞后。
• 新加坡企业购买第三方解决方案的比例68%远高于自建或混合模式，是主流选择。
• 新加坡企业平均拥有的AI工具数量1-2个远低于伦敦和香港的3-5个，工具使用高度集中。
• Top 3水平通用AI工具Copilot (33%), ChatGPT (26%), Claude (23%)在新加坡、伦敦、香港的普及率基本一致。

影响与含义

对资管行业而言，本次会议揭示了两大核心影响：第一，技术路线的分化已成定局。通用大模型可能继续在初级生产力工具层面占据优势，但真正决定投资业绩的‘高阶智能’将由垂直平台提供。第二，人才角色将发生根本性转变。未来的顶级基金经理，不再需要是信息搜集高手，而必须是能够设计、管理和监督‘智能代理’的系统架构师。这将倒逼行业重新定义培训体系和招聘标准。对投资者而言，这意味着投资标的的选择不应仅看传统指标，更要关注其是否拥有强大的内部数据基础设施和与垂直平台的深度绑定能力。

风险

• 通用大模型在金融领域可能存在数据混淆和合规风险，导致误判。
• 垂直平台对内部数据的高度依赖，一旦数据源中断或质量下降，将直接影响输出结果。
• 技术变革过快，可能导致现有投入迅速贬值。

后续跟踪

• 垂直平台如何解决‘按产出定价’这一商业模式难题，其定价模型是否能被市场接受。
• 大型资管机构能否在保持效率的同时，避免官僚主义，真正实现‘民主化AI’。
• 监管机构是否会出台针对金融领域生成式AI使用的专项指引。