头部公募加速布局人工智能应用
公司专栏 2026-11-16 14:27
头部公募正加速布局AI赛道,密集采购算力设备、数据库服务器及液冷机房等基础设施,推动人工智能在投研、客户服务、渠道运营等核心业务场景落地,以构筑业务护城河并挖掘第二增长曲线。多家基金公司落地差异化AI智能体应用,不同机构根据自身业务特点搭建起适配不同场景的AI服务体系,让智能工具逐步渗透到日常业务的各个环节。
算力基建成为布局核心前置环节
近期,多家基金公司集中发布算力服务器采购公告,采购规模从数百万元到千万元不等,算力扩容、硬件升级工作持续推进,基金行业算力投入不断提速。不少头部机构的年度算力投入较往年实现翻倍,千万元级别的年度算力预算已经浮出水面,从头部机构加码基础设施,到中小基金公司探索高性价比路径,公募行业一场围绕算力的布局正在全面提速。
对于公募机构而言,算力投入绝非跟风之举,而是一项基础性、长期性的战略布局。搭建自有算力平台,既是保障“数据不出域”、沉淀数据资产,也是夯实基础设施,为模型和智能体快速迭代提供良好的基础保障。随着大模型参数规模持续扩大,以及AI应用对算力并发能力的要求不断提升,本地化算力池的建设需求日益迫切,今年以来,无论是头部基金公司还是中小型基金公司,算力投入都有不同程度的增加,不少公司表示,未来算力预算将保持持续、稳定增长。

为什么公募机构更倾向于自建算力底座而非直接使用公有云服务?核心原因在于资管业务对数据安全的极高要求,金融对“数据不出域、可审计”的硬要求,使得私有化算力比公有云更可控,核心投研数据、持仓信息、未公开业务资料一旦出域就可能引发合规风险,自建算力本质上是为业务运行买下了合规的确定性保障。
差异化AI智能体覆盖全业务场景
当前,不同公募机构的AI应用探索已经走出了差异化路线,没有出现千篇一律的复制模式,各家都在结合自身的业务优势打造专属的智能服务能力。易方达推出指数直通车Skill,依托长期沉淀的金融数据资源与成熟服务体系,将核心产品能力延伸至AI智能体,打造覆盖指数、场内ETF、场外基金的一站式智能分析工具,该智能体目前具备47项数据服务能力,覆盖产品检索、持仓结构、收益表现、估值分析、基本面研判等多个维度,投资者可通过自然语言交互提问,由AI智能体自动调取、整合多维数据,显著降低专业投资信息的获取与分析门槛。
南方基金成立AI推进中心,搭建顶层推进机制,成立由管理层牵头的AI推进工作领导小组,并新设一级部门“AI推进中心”,自研RISK AI智能风险定价模型,可实时监控370余个风险因子,快速捕捉市场风险事件,完成个股风险评估并输出标准化风险定价分数。与此同时,南方基金AI智能体正式登陆相关智能体平台,围绕基金筛选核心需求,搭建热点解盘、基金评测、基金甄选、指数洞察、债市观察五大专业模块,覆盖25类高频服务场景,搭载13项核心专业能力,以任务化、对话式形态为投资者提供专业金融服务。
平安基金构建智能化陪伴知识库提升展业效能,传统模式下,市场解读、产品答疑、客户热点梳理等内容,需由总部团队整理后逐层传导,流程冗长、响应滞后,公司搭建新一代智能化陪伴知识库,对产品信息、市场观点、客户高频问题进行结构化重构,一线渠道人员可快速获取标准化、高质量解答,大幅压缩内容传导的中间环节,提升一线服务的响应速度。
博时基金应用AI技能组件辅助个股研究与投资线索挖掘,其AI个股研究工具可辅助研究员快速整理研究内容、输出分析成果;投资线索挖掘技能可结合市场事件、资金流向、情绪变化,动态筛选、沉淀可跟踪的市场投资线索。博时基金还严格区分私有模型和通用模型的应用场景:涉及内部数据、投研底稿、持仓及未公开信息等场景,主要使用自主研发、全内部部署的企业智慧中枢和BsBox智能体;仅处理公开信息的场景,可借助垂类投研工具以及通用智能体工作台提效。
人机协同与人工终审确立行业统一准则
公募AI升级普遍确立人机协同与人工终审准则,AI主要承接高重复、低风险的标准化工作,核心投资决策与风险判断始终由专业人员把控,通过AI初筛、人工复核、专家终审的模式严守合规底线。当前头部公募普遍确立“人机协同、循序渐进、人工终审”的落地准则,优先在高重复、低风险、标准化场景落地AI工具,核心投资决策、风险判断始终由专业人员把控。
在实际业务推进过程中,不少机构都明确划定了AI的业务边界,不会让智能工具贸然进入容错空间极低的核心环节。例如,对于ETF管理的PCF生成与优化等执行流程、优化方向、目标阈值等已确定且不容出错的环节,仍坚持人工为主的程序化处理;在PCF校验后的交互、IOPV异常捕获、流动性管理动态规划、申赎预判等有一定容错度且基于海量数据的环节,才倾向引入AI。
身处AI渗透业务全链条的过程中,从业者的角色也在逐步发生转变,逐渐从内容的直接生产者转变为AI交付成果后的把关人。员工不必再从头到尾全部自己完成所有标准化工作,而是升级为对AI交办任务、审核结果,把更多精力投入到需要深度研判、经验沉淀的核心环节中。
在数据安全防护层面,不少公募机构的AI平台专门构建了全方位防护体系,通过统一网关实施严格权限控制、数据过滤与操作审计,对不同敏感级别的数据采取差异化防护策略,确保每一项操作都有明确权限界定与行为追溯。针对业务敏感数据,严格限定使用内部模型进行处理,从数据流转到模型应用全链路规避安全风险。
考核导向转向长期能力沉淀
AI建设投入不再简单挂钩短期业绩与规模回报,考核重心转向场景覆盖率、业务效率改善、数据质量及系统稳定性。算力硬件投入是前置基础,未来真正拉开行业差距的核心在于高质量投研数据沉淀与模型工程化落地的深度融合。
过去两三年间,AI在公募行业里的运用,大多还只是点缀,零散、孤立、各自为营,更像是少数技术爱好者的尝鲜。而如今,风向已然调转,在多家受访公募机构眼中,AI不再是试试看的可选项,而是业务转型底层基建的必备项。不少公司已经将AI应用提升至公司级战略层面,在组织架构上设立AI专岗团队,还成立公司应用推广小组,围绕投研、合规风控、交易、运营、营销、办公等领域全面推进AI应用落地。
行业内也有机构提出,关注的重点并不是“用了哪个AI工具”,而是AI能不能真正解决业务中的实际问题、能不能形成可复制的工作方式,以及能不能最终沉淀为公司的长期能力。因此在工具应用上,公司会根据不同场景持续测试、比较和优化,成熟一个场景、沉淀一套能力,再逐步推广。
当引入AI近乎成为行业共识,如何打造差异化竞争力、守牢内部数据安全边线正成为一些公募机构思考的新方向。除了通用AI外,自研内部大模型的探索开始增多,资管AI转型真正拉开差距的,从来不是单一模型,而是藏在背后的能力协同。
哪些场景仍会出现AI判断偏差、算力投入的长期成本是否可控、一线业务人员是否会对智能工具产生依赖,这些都是行业推进AI落地过程中普遍关注的开放性问题,各家机构也在结合自身的业务实践逐步探索适配自身发展节奏的推进路径。
(编辑:付健)

购物车