资管AI落地加速：新加坡调研揭示投资团队主导与垂直工具崛起

概览

本报告基于伯恩斯坦在新加坡举办的“未来科技会议”纪要，重点探讨了生成式AI在资产管理行业的应用现状、挑战与未来趋势。通过与摩根大通资产管理（J.P. Morgan Asset Management）AI策略师Jimin Choi及垂直AI平台LinqAlpha联合创始人Jacob Choi的对谈，报告揭示了不同地区（新加坡vs伦敦/香港）在AI采用路径上的差异，展示了大型机构如何将AI从概念验证推向生产级应用，并分析了垂直领域AI工具相对于通用大模型的独特价值。核心结论指出，AI正从单纯的生产力工具向能够辅助甚至自主生成投资洞察的“代理”系统演进，但目前的商业回报仍主要集中在效率提升和风险管控层面。

核心观点

区域差异显著：新加坡呈现“投资驱动”与“外购偏好”。 调研数据显示，新加坡资管机构的AI整合路径与伦敦和香港存在明显不同。首先，驱动力来源不同：新加坡57%的AI项目由投资团队主导，而伦敦（61%）和香港（52%）主要由技术团队推动。其次，成熟度处于早期试点阶段：新加坡41%的企业处于试点期，仅24%有案例进入生产环境，低于伦敦（51%）和香港（52%）。最后，构建策略不同：新加坡企业高度偏好购买第三方生成式AI解决方案（占比68%），这与伦敦和香港普遍采用的“混合自建+外购”模式形成鲜明对比。此外，新加坡用户使用的AI工具数量较少（54%的人使用1-2个工具），但主流工具偏好一致，Copilot、ChatGPT和Claude位居前三。 大型机构实践：JPMorgan从效率优化迈向自主代理。 摩根大通分享了其企业级AI战略“LLM Suite”，该平台已部署给全球超过25万名员工，日均使用率超50%。其AI应用已从早期的600-700个构想收敛至约50个高ROI战略优先级。目前已投产的高影响力案例包括：1）AI增强型指南：自动提取和标记客户投资偏好；2）Proxy IQ：分析3000多场年度会议投票数据，替代外部代理顾问服务；3）研究助手：基于海量内部外部数据，协助比较市场观点、综合新兴主题；4）智能监控：提供个性化的每日投资简报。未来架构将趋向于少数几个具有深厚组织上下文的集中式“代理层”，由中央团队治理，但允许投资组合经理自定义工作流。 垂直AI的价值主张：为何需要LinqAlpha而非仅靠Claude？ LinqAlpha创始人指出，通用大模型（如Claude）在处理金融专业场景时存在局限，垂直平台通过以下三点建立护城河：1）准确性与数据标准化：金融数据来自多个供应商（如S&P, FactSet等），各自有不同的引用规则和许可边界，垂直平台能将这些异构数据整合进统一的知识图谱，解决通用模型在跨资产查询时的混淆问题；2）成本控制：直接调用API构建定制方案因Token消耗导致成本极高且波动大，垂直平台通过吸收模型成本方差，提供更可预测的企业级定价；3）内部上下文集成：垂直工具能嵌入企业的专有数据（邮件、内部笔记等），实现真正的个性化洞察，而不仅仅是公开数据的检索。 ROI衡量与未来技能：从生产力到判断力。 目前衡量AI生成的直接Alpha（超额收益）为时尚早，ROI主要通过成本避免、风险降低、生产力增益和自动化程度来量化。随着AI参与度提高，投资组合经理的角色将发生转变：从信息消费者转变为系统和代理架构师，核心职责变为定义信号、管理不确定性以及在AI失效时进行干预。因此，“判断力”（区分信号与噪声、识别共识错误、把握时机）将成为AI时代投资者最重要的技能。同时，行业正从被动查询转向全天候自主代理，学习如何设计和协作这些代理将是获取未来投资价值的关键。

分析框架

研报采用了“实地调研+专家对谈+横向对比”的分析方法。 1. **问卷调查对比**：通过在新加坡、伦敦和香港三地举办类似会议并进行现场实时投票，收集关于AI采用率、驱动力、成熟度和工具偏好的定量数据，从而揭示不同金融中心在AI落地路径上的结构性差异。 2. **案例深度拆解**：选取行业标杆JPMorgan作为大型机构代表，详细剖析其从基础设施搭建（LLM Suite）到具体应用场景（Proxy IQ, Research Assistant）的落地逻辑，展示从“想法”到“生产”的闭环过程。 3. **产品价值辨析**：引入垂直AI初创公司LinqAlpha的视角，通过对比通用大模型与垂直金融AI在数据治理、成本结构和上下文理解上的差异，论证垂直领域工具的必要性，回答了“为什么有了强大通用模型还需要专用工具”的市场疑问。 4. **前瞻性推演**：基于当前技术应用瓶颈（如幻觉、数据孤岛）和业务需求（如Alpha生成），推演未来AI架构将从分散应用走向统一代理层，并据此预判从业人员技能树的重构方向。

方法论与常识提炼

• 行业/产业分析框架供需框架

  AI在资管行业的落地受制于数据供给的质量与整合能力，而非单纯的需求或模型能力。

  研报指出，公共、许可和私有数据的严格标准化（如资产主数据、财政日历）和编排检索是AI应用的瓶颈。这表明在金融AI领域，高质量的结构化数据供给比模型本身更关键，符合“数据是约束，而非模型”的行业常识。

• 竞争与战略框架护城河/竞争优势

  垂直AI工具通过数据标准化、许可管理和内部上下文集成构建竞争壁垒。

  研报分析认为，通用大模型无法解决金融数据的多源异构和许可边界问题，而垂直平台（如LinqAlpha）通过预验证的数据层和嵌入式合规控制，提供了通用模型难以复制的准确性和安全性，从而形成差异化竞争优势。

• 公司基本面与财务框架自由现金流分析

  AI投资的ROI衡量维度多元化，不仅限于直接收入增长。

  研报提到，目前AI的ROI主要通过成本减少/避免、风险降低/避免、生产力增益和自动化来衡量，而非直接计算AI生成的Alpha。这提示投资者在评估AI投入产出时，应关注运营效率改善带来的隐性现金流贡献，而非仅看营收端。

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）。

• J.P. Morgan (JPM)

  行业标杆，展示了大型资管机构如何系统化部署AI并实现从试点到生产的转化。

  优势

  拥有强大的内部数据基础、统一的LLM Suite平台以及明确的ROI衡量框架；已成功推出Proxy IQ等高影响力生产级应用。

  对比

  相较于中小机构，JPM具备资源和数据规模优势，能承担前期高昂的基础设施投入。

• LinqAlpha

  垂直AI工具代表，解决了通用大模型在金融数据处理上的痛点。

  优势

  具备多源数据标准化能力、内置合规与许可管理、成本可控的企业级定价模式；专注于金融领域的深度上下文集成。

  对比

  相比通用模型（如Claude），LinqAlpha在准确性、数据治理和内部上下文融合方面具有显著优势，适合对数据质量要求极高的机构投资者。

  风险

  市场竞争加剧，大型科技公司可能推出类似的垂直解决方案。

关键数据

• 新加坡AI项目驱动力57%由投资团队主导，高于技术团队主导的比例（33%）
• 新加坡AI解决方案偏好68%偏好购买第三方解决方案，远高于自建或混合模式
• 新加坡AI生产环境占比24%仅有24%的受访者表示已有用例进入生产阶段，低于伦敦（51%）和香港（52%）
• JPMorgan LLM Suite覆盖率>50%全球超过25万名员工中，超过半数每天使用该平台
• 垂直AI模型贡献度30-40%模型本身仅占答案质量的30-40%，其余60-70%取决于数据摄取、检索、评估等“ harness ”工程

影响与含义

对资产管理行业而言，AI的渗透正在重塑工作流程和价值创造方式。短期内，AI主要作为效率工具，通过自动化文档处理、会议转录和数据汇总来降低运营成本并释放分析师精力。中期来看，随着“统一代理层”架构的成熟，AI将更深入地参与投资决策过程，如自动生成投资论点漂移报告或事件驱动触发器，这要求机构具备更强的数据治理能力和内部知识图谱构建能力。对于技术服务商，纯通用大模型提供商可能面临垂直领域专业玩家的竞争，后者凭借对金融数据标准、合规许可和工作流集成的深刻理解，更能满足机构客户对准确性、安全性和可解释性的严苛要求。对于从业人员，掌握AI工具的使用仅是基础，核心竞争力的转移使得“判断力”和“代理系统设计能力”成为区分优秀与普通投资者的关键。

风险

• AI生成内容的幻觉风险，特别是在涉及具体财务数字时，需依赖确定性规则系统进行校验。
• 数据隐私与泄露风险，尽管采用检索增强生成（RAG）和临时上下文注入，但仍需严格的审批流程。
• 实施文化阻力，AI adoption被视为文化问题而非技术问题，员工从否认到接受的转变过程可能漫长。
• ROI衡量的不确定性，目前难以直接量化AI对Alpha生成的贡献，可能导致长期投入意愿波动。

后续跟踪

• AI定价模式的演变：从按Token或席位收费转向按结果（如每份报告、每个信号）收费的进展。
• 自主代理（Autonomous Agents）的普及程度：观察是否有更多机构从被动查询转向全天候监控和主动推送信号的代理系统。
• 垂直AI与通用大模型的竞合关系：关注大型云厂商是否推出针对金融行业的专用数据层或中间件，以削弱垂直初创公司的优势。
• 监管政策变化：特别是关于AI生成内容在投资建议中的合规性认定及数据跨境流动的限制。