Q1：AI大模型如何赋能财富及资管机构？我们总结AI有助于：1）营销获客与转化：扩大获客半径、识别潜在用户、优化营销体验；2）客户运营及陪伴：完善内容生态、整合平台功能、提升陪伴体验；3）产品组合与推介：赋能客户及产品侧数据刻画及分析、优化匹配流程；4）投研及投资：提升“搜”“读”“算”“写”“用”各环节的效率；5）风险管理：助力实时跟踪产品风险并模拟风险事件；6）交易：改善债券交易信息不对称、提升流动性；7）后台系统支持，支持信息传递及平台建设、全面降本增效。

Q2：AI+财富及资管行业的趋势展望？1）产业环节：我们认为AI或在营销获客、客户运营、产品推介、投资投研四个环节有更大空间，尤其AI+投研和投顾或能带来更大的价值增量；2）不同客群：AI或对长尾C端/小B领域带来更大的颠覆性影响，但对高净值及机构业务更多是提效赋能及渐进式的变化；3）应用场景：目前的探索集中在业务场景简单的非决策类环节，而较难直接应用在对金融领域专业能力要求较高、涉及提供强投资建议、涉及核心分析决策任务的业务环节，但未来随着AI大模型学习能力逐步加强、我们预计其将展现出一定的预测能力；4）潜在风险：重点关注金融消费者权益保护、数字鸿沟、以及顺周期性/羊群效应等领域。

Q3：AI将如何影响财富及资管行业格局？1）产业分工：由于产融分离/持牌经营等要求、同时金融机构出于自身投入/技术储备等方面的考量，AI浪潮下金融机构与科技公司或将形成更加紧密的“竞合”关系；2）内部对比：不同机构之间最终比拼的是谁能在金融业务中更好地使用AI并提升竞争力——金融机构需结合重点业务场景、在大模型应用在发挥自身金融专长，互联网平台通过AI加持提升流量和用户粘性、与金融机构深入合作提升货币化转换，持牌金融科技公司聚焦自身擅长业务领域、通过AI扩大领先优势，创业科技公司深耕To B细分服务场景、获得标杆金融机构客户的青睐；3）竞争格局：头部机构依托规模优势掌握更多主动权，看好具备牌照资源/金融专长/业务场景/数字能力的头部金融机构及金融科技公司、同时部分中小公司亦或在部分垂直领域实现突破。

市场大幅波动、监管不确定性、行业竞争加剧、AI进展不及预期。

我们围绕财富及资管机构的七个主要业务环节，对其主要工作内容及主要痛点进行梳理，并深入探讨现阶段人工智能对各个业务环节的赋能情况，整体而言，AI、尤其是AI大模型，可在营销获客与转化、客户运营及陪伴、产品组合与推荐、投研及投资、风险管理、交易、后台支持等主要环节对财富管理及资产管理机构赋能、提质增效的同时更好提升用户体验。

► 财富及资管机构在获客转化环节常面临营销触达有限、获客针对性弱、客户转化率低等痛点。经历了营业网点扩张以及移动互联网浪潮后，各类财富及资管机构已形成各自的客户基础，但是整体痛点仍然存在：1）营销触达有限：财富及资管机构通过线上和线下渠道的用户触达均存在覆盖半径的问题，尤其对于以线下服务为主的机构而言、其客户触达范围很大程度上受到自身销售团队人数的制约，同时互联网财富管理平台亦面临流量获取的瓶颈问题。2）获客针对性弱：在不清楚客户画像及其潜在需求的情况下盲目触达，会提高财富及资管机构的营销成本、降低获客效率。3）客户转化率低：部分机构给客户带来的营销体验欠佳，线下/线上销售团队对客服务能力不足，在很大程度上影响客户的开户意愿、用户付费转化率仍然偏低。

► AI有助于扩大营销半径、识别潜在用户、优化营销体验。1）在营销覆盖面上，从不同的营销方式来看，AI、尤其是当前AI大模型能够较好地赋能对客工作流程，在面客营销中，AI可以协助销售团队进行获客准备工作，帮助整理客户信息并生成相关营销材料，提升客户拜访的效率；在广告营销中，AI通过生成文字、图片、视频等内容辅助营销；在直播营销中，AI虚拟主播可以协助人工主播，24小时不间断与用户互动；在电话营销中，AI智能客服的介入可以降低人工在获客环节的参与率，提升单个销售人员的服务半径。2）在获客针对性上，AI的应用可以基于用户在快手、抖音、微博等平台上的浏览、点赞、评论等行为数据，快速识别用户需求并打上相应标签，随后交由销售团队进行获客转化。3）在客户转化率上，在AI获客话术、AI问题解答等功能的加持下，销售人员能够提升对客营销的服务能力；特别地，在线上的电话/直播营销等环节中，语音大模型、ASR、TTS等技术使得AI语音更为拟人化，语义、音色、口头禅等基本能做到与真人无异，从而有助于大幅提升客户应答率和转化率。

► 内容体系薄弱、平台功能繁杂、陪伴体验欠佳，是财富及资管机构在客户运营及陪伴环节面临的三个主要问题。各类机构通过打造财富资管生态圈以及提供持续的客服陪伴，进而提升客户粘性，从服务的宽度和长度两个维度实现客户的持续转化，但在此过程中，财富及资管机构仍然面临一些痛点和问题：1）内容体系薄弱：社区贴吧、新闻资讯、投资者教育专栏等，都是提升客户服务使用时长的有力抓手，但部分机构由于在内容运营上经验缺乏，平台上缺少优质的内容提供。2）平台功能繁杂：结合主要财富及资管机构的App，我们发现其中的工具型模块基于不同的投资策略研发，由于投资策略较为独立，因此工具型模块较难以整合，在平台中呈现出分散、割裂的特征；同时，其中的服务型模块基于用户不同理财需求提供针对性服务，但由于用户需求的多样性，模块数量也相对繁杂。3）陪伴体验欠佳：在高净值客群的私人顾问模式以外，对于较多财富及资管机构、尤其是线上平台而言，其用户难以获取贴身的投顾陪伴服务，问题解答、投后管理、情绪价值等方面的服务仍然不够到位。

► AI有助于完善内容生态、整合平台功能，同时提供专属客户服务并提供情绪价值。1）在内容生态上，AI、尤其是大模型的应用可以降低内容生产门槛，快速丰富社区内容；同时，AI有助于迅速捕获市场热点并产出资讯，大幅降低信息时滞；此外，AI可以辅助财富及资管机构根据用户自身专业知识的掌握程度提供差异化的投教服务。2）在平台功能上，功能模块与“拼图”类似，拼图越多、所能补齐的用户需求越为多样，但繁琐的功能对用户体验并不友好，而AI作为一种可以按需分配的技术手段来对众多的模块进行合理调用，同时生成式AI助力下对话式的交互方式也更加用户友好。3）在陪伴体验上，AI使得人人拥有私人顾问成为可能，“一对一”的服务能有效提升投资者陪伴体验，同时生成式AI能够进一步释放更多人工投顾产能，人工投顾可以将更多精力投入至高净值客户服务中。

► 财富及资管机构在产品组合与推介环节，面临对客户及产品的数据维度有限、分析能力不足、信息传递效率不高等问题。当前各类机构需要深入洞察用户需求、清晰把握产品特点，实现用户和产品的有效匹配，真正从客户的立场出发提供服务。对财富及资管机构而言，往往需要通过KYC/KYP来建立用户及产品画像，但在此过程中面临一些问题：1）数据维度上，目前大多 KYC流程仍只停留在客户资产情况、风险偏好等基本层面，而KYP通常也局限在产品收益率等有限维度，较低的数据维度难以形成全面的画像。2）分析能力上，用户画像以及产品属性需要基于投顾的分析能力进行提炼，从而掌握用户的核心财富管理需求并为其配置合适的产品组合，但投顾往往无法处理繁杂的数据，用户及产品标签难以细化、匹配效果欠佳。3）信息传递上，投顾需要兼顾用户和产品两侧的信息，用户的需求在实时发生变化，投顾需要通过面访/线上联系等方式进行动态更新、以实时捕捉用户需求动向，同时产品团队也通过不断发布产品手册来呈现产品近况，随后投顾需阅读大量的文字材料来理解并更新产品组合信息；在此过程中，用户及产品两侧信息传递的效率仍有待提升、使投顾更快掌握更新更全面的信息。

► AI拓宽客户及产品侧的数据采集维度、并提升数据分析能力，同时能够提高产品-投顾-客户间的信息传递效率。1）丰富数据维度：AI、尤其是大模型的应用可以取缔用户信息收集过程中传统的问卷调查模式，在提升用户交流意愿的同时，通过对话的方式引导用户提供更为丰富的信息，拓宽数据维度，强化画像塑造的数据基础。2）提升数据分析能力：AI大模型自身数据分析能力突出，一方面作为智能投顾，可实现高精度地匹配产品特征与用户需求，直接向客户提供产品配置服务；另一方面作为投顾助手，向投资顾问提供精细化的用户与产品标签，辅助投顾进行决策、更好匹配合适的产品给客户。3）提升产品-投顾-客户间的信息传递效率：AI尤其是大模型的赋能可以降低投顾的学习成本、提升信息传递效率，在用户侧，AI模型通过与用户的高频互动，实时向投顾反馈用户信息，让用户的需求第一时间能够被投顾捕捉；在产品侧，AI模型通过对各个产品特征进行学习，投顾通过问答的方式，对产品情况进行初步判断，这在一定程度上减少了投顾自身对产品的学习成本，提升了投顾与产品团队的交流效率。

► 传统投研及投资环节存在信息类型繁杂、大量数据噪音、数据高度分散、生成效率较低、沉淀机制欠缺等主要问题。通过分析各类机构投研及投资的“搜”“读”“算”“写”“用”五大工作环节，我们总结现阶段的潜在痛点及问题：1）信息类型繁杂：尽管在数据收集初期投入较大的人力成本，也无法避免数据广度和精度欠缺的问题；2）大量数据噪音：信息价值提取效率较低，需要花费大量的时间去遍历信息并筛选有价值信息；3）数据高度分散：投研人员往往由于信息整合及分析能力不足，导致无法得出有效结论，部分投资条线人员缺少投资方法论，难以通过主动管理获取超额收益；4）生成效率较低：数据内容呈现较为耗时，从投研人员自己得出结论到令他人理解结论存在时滞；5）沉淀机制欠缺：数据复用和共享较困难，对历史材料的掌握程度较低导致重复性劳动。

► AI通过对信息的高效收集、整合、加工，全面提升投研及投资“搜”“读”“算”“写”“用”五大环节的效率。1）搜索环节，AI大模型能够通过对多渠道、多模态信息进行整合，快速响应数据收集请求，提升投研投资活动获取信息的效率；2）读取环节，AI大模型能够提炼核心内容，让投研人员的信息处理效率成倍提升；3）运算分析环节，AI大模型能基于经验主义或金融理论主义，辅助投资观点和决策的生成，而在直接进行投资决策和组合配置上亦有机构在进行探索；4）写作环节，AI大模型可以承担投研材料的生成工作，相关生成式功能已经成功嵌入部分投研工具当中，未来投研人员可以将更多精力投入到结论产出而非呈现材料的制作；5）复用环节，AI大模型有助于提升机构内部知识库的检索效率，方便信息的二次调用，减少重复性劳动。

► 财富及资管机构面临风险种类繁多、历史案例未必能刻画未来潜在风险。财富资管行业涉及到的风险类型繁多，包括潜在的市场风险、流动性风险、信用风险等等，对风险进行实时高频跟踪至关重要。与此同时，过往有限的风险事件历史案例往往也难以刻画未来资产组合的潜在风险，财富资管机构需要更多模拟数据来对组合进行压力测试。以贝莱德的阿拉丁系统为例，阿拉丁的风险管理能力衍生自强大的数据管理能力，公司的数据管理中心24小时运行、不间断进行数十亿个经济场景的预测，并根据这些预测检查资产组合中的每一项资产，对投资组合进行诊断；对比之下，其他大多数的财富及资管机构难以在风险管理层面进行类似体量的投入。

► AI可以实时跟踪产品风险并模拟风险事件。AI大模型能快速完成数据的收集、整合、分析、生产过程，高频捕捉市场最新动态、并识别传导至资产组合的潜在风险，因此能被财富及资管机构用于实时监测资产组合的风险敞口，及时提示风险情况；与此同时，AI大模型可具备风险案例生产的能力，模拟极端场景对产品组合的影响，协助财富资管机构完成压力测试，完善风险管理体系。

► 交易环节存在指令非标准化、报价高度分散等问题。区别于股票等场内交易流动性较好的资产，在债券交易过程中缺乏高效的交易撮合机制、债券报价高度非标准化，同时信息高度分散、以各种形式存在于社交平台之中，债券交易员需要花费大量的时间浏览非标准化的报价信息、继而逐一匹配交易需求，这导致债券交易过程中的信息不对称问题突出、市场流动性差、债券交易滑点高。

► AI有助于缓解债券交易过程中的信息不对称问题。社交平台中的报价信息多为文本形式，自然语言识别能力出色的AI模型或能精确识别报价内容，将非标准化的报价结构化，并形成交易订单簿，聚合交易需求、便利交易活动、提升市场流动性。

► 财富及资产管理行业是数据密集型行业，沉淀了如金融交易、投研报告、风控授信、客户画像等高质量的数据资产，在对内或对外的工作流程当中从业人员会高频调用数据资产、形成各种形式的内容用于信息传递，在这一过程中AI能够有助于降本增效；与此同时，财富及资产管理行业在信息技术能力建设上仍有较大的发展空间，AI大模型的代码生成能力有望帮助行业快速完善信息系统建设，从而提升行业数字化水平。

► 财富管理及资产管理或是金融行业中AI赋能空间最大的领域之一。从需求-渠道-供给框架出发，在财富及资管领域，需求侧投资者信息不对称程度高、决策流程长，AI、尤其是AI大模型可赋能投资者教育、提升其信息搜集能力和金融认知水平；渠道侧服务周期长、服务频率高，同时受限于需求侧决策流程长、供给侧产品服务存在较大不确定性（如收益率波动），供需匹配效率较低，因此渠道侧需要更强的营销、运营能力以及持续的客户陪伴；供给侧相较于信贷授信、保险精算领域主要依靠确定性、高精度的算法模型进行计算并得到结果，财富及资管领域分析决策中仍有较多主观因素影响，且产品服务的不确定性相对较大，AI大模型能够提升决策效率，使得财富资管决策多元化，提升市场有效性。因此，我们认为，相较于保险、信贷、支付等金融业务，AI尤其是AI大模型对财富管理及资产管理的赋能空间或更大。

► 对比财富及资管行业的各个环节，营销获客、客户运营、产品推介、投资投研四个环节中AI或有更大应用空间，其中尤其AI+投研和投顾或能带来更大的价值增量。相较于风控、交易、后台支持赋能等环节，从应用落地空间来看，券商、银行、基金公司、互联网及三方平台的财富资管业务在营销获客、客户运营陪伴、产品推介、投资投研环节中存在较为显著的痛点，为AI尤其是AI大模型的应用落地提供了优质场景，各类机构有望通过引入AI大模型技术快速补足能力短板，目前已初步有较多相关应用实现落地；从潜在业务增量来看，目前财富资管市场仍存在用户渗透率较低、投资者体验较差、投资回报率较低等多种问题，AI大模型有望提升获客转化率、客户留存率、投资收益率，尤其在投顾领域赋能财富资管机构买方模式；与此同时，投研领域庞大繁杂的数据量、对高效整合生产并输出信息的高要求，天然与AI尤其是大模型的特点相匹配，AI的应用能够更好赋能投研领域。

► AI大模型或对于长尾C端以及小B用户产生颠覆性影响。移动互联网时代线上平台的兴起，重塑了财富资管机构基于线下营业网点及服务所建立的早期竞争格局，尤其对于长尾C端群体而言，线上服务能够覆盖其大多数需求。往前看，在AI大模型范式下，我们认为对于长尾C端/小B用户而言，AI尤其是大模型的能力或产生更大的颠覆性影响，未来或可能出现新的服务入口/超级应用（类似GPT Store，用户通过对话的方式、在超级应用平台上获取财富资管一站式服务），并将改变需求端用户交互方式和渠道侧流量分发逻辑，我们预计未来传统财富资管机构、金融科技公司、大模型供应商或都将有机会竞争成为新的流量入口。

► AI大模型对高净值及机构/企业业务上更多是渐进式的提效赋能。对于机构/高净值/企业等客群而言，线上渠道无法完全满足客群需求，财富资管机构通常采用线下面对面交流的方式建立信任关系，并通常依赖自身核心专业能力完成客户关系维系。我们认为，对于这些客群，在线下展业过程中AI大模型或难以改变用户获取及服务的方式，AI大模型更多情况下仅作为面向投顾的提效工具，对于高净值及机构/企业客户服务而言更多是渐进式、而非颠覆性的变化。

►  AI大模型目前在财富及资管业务流程中主要应用于业务场景简单的非决策类环节，而较难直接应用于对金融领域专业能力要求较高、涉及提供强投资建议、涉及核心分析决策任务的业务环节。首先，财富及资管行业具有知识密度高、时效性强、严谨性高等特点，当前AI大模型仍然存在专业短板，AI大模型直接应用于财富资管领域专业任务的效果较差；其次，AI大模型在常规的基础金融对话（如金融资讯、业务办理等）方面已较能胜任，但涉及到专业度高、个性化强、较为复杂的对客服务方面，AI大模型仍需人工参与判断，同时直接应用AI提供强投资建议亦存在一定的监管合规风险；最后，除专长欠缺之外，AI大模型仍有不可控（幻觉）、可解释性差等问题，当前应用AI大模型进行决策的可行性尚不高。

► AI大模型目前更擅长对已有数据/信息进行整理，但未来随着其学习能力的增强，或能展现出一定预测能力。事实上，目前已经出现基于经验主义进行自适应学习的AI，在通用领域和投资决策领域均表现出色，我们预计未来随着AI大模型学习能力逐步加强，AI有望进一步理解财富及资管业务的底层逻辑，从理论主义出发提升专业能力，降低不可控性，提升决策的可解释性、进而在资产配置和投资决策上形成一定的突破。

我们聚焦于AI+财富及资管产业链中的传统金融机构、金融科技公司、科技公司及互联网平台、创业公司等主体，探讨AI对行业格局的潜在影响。整体而言，我们认为，AI浪潮下科技公司与金融机构将形成更加紧密的“竞合”关系，不同机构最终比拼的是谁能在金融业务中更好地使用AI并提升竞争力，其核心仍是金融业务驱动、找准客群定位、夯实专业能力，我们看好具备牌照资源/金融专长/业务场景/数字能力的头部金融机构及金融科技公司、同时部分中小公司亦或在部分垂直领域实现突破。

科技公司是否会替代金融机构？不会，二者之间形成“竞合”关系。一方面，金融行业兼具强监管属性和高专业壁垒，金融机构和提供三方技术服务的科技及创业公司，由于产融分离、持牌经营等因素，更多形成相互合作的关系，尤其是在供给端，仍然需要由具备金融专长、牌照资源的金融机构和金融科技公司来提供优质的金融产品服务，而不具备金融专长、监管牌照、业务场景的科技公司及创业公司难以取代金融机构。另一方面，由于金融机构出于自身人力/精力、技术储备等方面的考量，会多采取与三方服务商相互合作的方式来加强AI能力建设。目前金融机构更多与大模型供应商合作，而部分AI布局领先、具备牌照资源及业务场景的金融科技公司或自研大模型、赋能自身金融业务，或是对外合作赋能给其他金融机构。

不同机构最终比拼的是谁能在金融业务中更好地使用AI并提升竞争力，核心仍是业务驱动、找准客群定位、夯实专业能力。一方面，金融机构的AI能力建设跟三方服务商水平有关，也与自身在金融业务、科技储备等方面的专业能力有关，且拉长时间来看，我们认为后者更为关键；对于科技公司来说，自身差异化专业能力更是关键；与此同时，AI相关的战略定位及投入、数据基础及配套的组织架构等是对于各类机构的共通能力要求，具体而言：

► 对于金融机构而言，相比于简单的资金投入、AI投入及布局的方向或更为重要。其中，大型金融机构在存量客户基础、数字化水平、人力及资金储备等各方面具备一定先发优势，“马太效应”下具备更多主动权；中小金融机构应当结合自己的业务转型方向，围绕将单点优势业务做好的战略目标、做相对应的AI投入（例如专注于财富管理转型的特色券商或是致力于打造卖方精品研究所的中型券商），把有限的资源投入在自身擅长或目标发力的领域，打造特色化、差异化、专业化能力。

► 对于科技公司/互联网平台而言，1）大型互联网平台在流量基础、AI技术能力等方面具备优势，可以作为流量入口，通过与持牌金融机构合作，依托AI赋能吸引用户停留、并将金融产品及服务嵌入进行交互，从而进一步提升C端流量触达、提高用户粘性、增加付费转化，或是结合AI增加To C付费功能点、探索新的变现模式；2）持牌金融科技公司或可在自身擅长的业务领域打造AI专长、形成更为专业的AI大模型，打造差异化的垂直领域优势。

► 对于创业公司而言，考虑到其在C端或不具备流量及客户基础，在To C产品变现空间有限的情形下，或应更专注于To B产品服务的开发和外部合作，通过为B端客户定制开发大模型或是相关应用、收取相应技术服务费进行变现，在此过程中，创业公司对于投入方向的选择、数据质量及分析能力、对金融专业场景的理解等因素至关重要。

看好具备牌照资源/金融专长/业务场景/数字能力的头部金融机构及金融科技公司、同时部分中小公司亦或在部分垂直领域实现突破。

► “马太效应”：强者恒强、头部集中度提升。一方面，头部金融机构拥有资金预算和业务规模优势，有望掌握更多主动权，对比之下，中小机构受限于资金预算约束和业务体量、业务场景丰富度约束，我们认为可能与头部金融机构的差距将被拉大，整体上由于技术投入存在门槛、供给侧改革下行业集中度或将有所提升；但另一方面，部分数字能力领先、在细分领域金融专长较强的中小机构，以及对金融业务痛点洞察力强、且具备技术实力的金融科技公司，或有望在部分垂直领域实现突破（如投研及投顾环节）。

► “乘数效应”：体量优势外、数字能力/金融专长等更为关键。AI需要紧密结合金融领域高质量数据提升金融能力、需要应用于金融业务场景对客服务/赋能从业人员才能创造业务价值，相较于部分仅拥有体量优势的头部机构，我们认为，在供给侧拥有更强金融专长、在渠道侧拥有更强获客及运营能力、在需求侧拥有用户资源且对需求深入洞察的头部金融机构及大型持牌金融科技公司更有望脱颖而出。