当我们在谈论AI重构资产管理时到底在谈论什么？
当我们在谈论AI重构资产管理时 到底在谈论什么？
2026年10月19日 07:11
【编者按】AI到底能不能替代基金经理？资管机构会不会长出“AI原生”组织？当“读得快、算得全”不再稀缺，真正的护城河又在哪里？
10月17日，在全球财富管理论坛2026上海苏河湾大会上，汇添富基金总经理张晖没有急着给答案，而是把AI重构资管的路径与边界，拆成了几个更值得追问的问题。
作为行业里少数投研出身、又对前沿技术保持高度敏锐的公募基金总经理，他的这个视角，或许正是理解这场变革的一把钥匙。
以下为发言精编。
各位领导、各位嘉宾，大家下午好！
这个环节原本设定的主题是“AI重构资管：范式变革与能力跃迁”，其实很难讲。因为我自己感觉，今天在行业里所应用的AI，实际上还没有真正改变 资产管理 的“范式”。
什么叫“范式”？范式就是一个专业共同体所共同接受的底层共识与准则。比方说，我们做价值投资的底层共识是什么？是寻找优秀的企业伴随其价值创造，是在面对未来不确定性时，你要求多少风险补偿。选股之后，构建组合还要回答怎么分散、怎么控制回撤、怎么在风险约束下追求收益最大化——这些传统的组合管理理论，也没有变。无论你今天用不用AI、工具怎么变，这些底层的投资范式实际上并没有发生变化。
当然了，未来是不是会变化，在后面的分享中会结合 人工智能 的发展脉络进行探讨，但在当前这个阶段，AI带来的更多是 资产管理 全流程的重塑。所以，我把今天演讲的题目改成了“AI重构 资产管理 行业的思考”，没有轻易使用“范式变革”这样的词。
借今天这个机会，我主要向大家汇报三个方面的思考：
第一，AI究竟在重构什么？当我们在谈论AI重构资产管理时，到底在谈论什么？
第二，AI如何落地，它的边界在哪里？在具体业务链条中，机器能做到哪一步、人必须守住哪一步？
第三，汇添富的探索与实践。我们在这一轮技术浪潮中的具体做法与未来蓝图。
我自己其实算是一个“技术狂热者”。2025年春节期间，DeepSeek R1刚出来不久，我想做个尝试，把我过去公开发表过的文章和观点喂给DeepSeek，生成一篇观察文章。这个尝试在媒体上发布后，意外获得了“10万+”的阅读量。从那以后，我们团队加快推进AI大模型的研究和建设工作，做了一系列有价值的探索。
一、AI究竟在重构什么？
首先，我认为资产管理的本质并没有变化，依然是“受人之托、代人理财”，是在既定的风险约束下，把客户的资金配置到合适的资产上去，真正被“重构”的是完成这件事的方式和底层的成本结构。
在这里，我想提出两个核心概念：AI替代的是“认知执行”，而人类保留的是“认知责任”。
什么叫“认知执行”？比如读研报、算财务模型、跑策略回测、写基础材料，这些在明确目标函数下处理信息的工作，现在已经是AI的绝对主场。但为什么投资这件事很特殊，机器难以替代人去承担“认知责任”？这里面有两个非常本质的问题：
第一个问题，风险定价与风险补偿，高度依赖于“人”的心理与经历。
现在的模型算得非常快，可以在极短时间内把一个行业所有公司的财报全部读完，把各类信息归纳得清清楚楚，甚至对企业未来的现金流和盈利增长，机器都可能算得很好。但是，做投资光算清楚增长是不够的，你还要回答：面对市场的不确定性和剧烈波动，你到底要求多少风险补偿？你在极端行情下敢不敢逆势操作？这种对风险的定价与承受力，跟投资经理的心理素质、过往穿越周期的经历是高度绑定的，绝不是冷冰冰的算法可以替代的。
第二个问题，是人的“认知结构”决定了你能否承担责任——我常在公司内部讲一个“手电筒理论”。
假设今天让AI把生物医药行业里各种复杂的临床靶点、分子结构研究得非常清晰，最后机器可以直接输出一个投资决策。但实际上，我们是没有办法就这样做出决定的。因为你看到什么，不取决于世界本身是什么样的，而取决于你的认知结构。一个人的认知结构就像一把“手电筒”，它只能照亮你看得懂的那一小片区域。在手电筒光束之外的黑箱里，如果你完全不懂它底层的推演逻辑，一旦市场出现波动，你就根本拿不住，最后也完全没有办法为这个投资结果去承担“认知责任”。
所以，我们必须厘清“认知执行”和“认知责任”的边界。在“认知执行”层面，AI的赋能确实是惊人的。我们公司有一位做有色的基金经理，前段时间借助AI，系统性地把中国矿业大学的九本专业教科书全部学习了一遍，又高效地把海外主流的矿业公司全部梳理研究了一遍。这种效率在过去靠人工阅读是不可想象的，AI极大拓宽了他手电筒照亮的范围；但无论学习有多快，最终拍板下决心、为投资结果承担的“认知责任”，依然必须由人来扛，这是资管行业不可动摇的底线。
基于上述理解和判断，我把资管行业的智能化演进划分为三个阶段：
第一阶段是智能助手阶段。也就是被动应答、单点辅助的“副驾驶”。主要是人提出问题、发出指令，AI作出回应，帮助完成某个具体任务，比如读研报、写材料。目前各家机构都已经普及了，属于行业标配，不再构成差异化优势。
第二阶段是智能体协同阶段。这是当前各家资管机构角力的主战场。多智能体工作流开始接管各个业务场景，但在关键节点上仍然保留人类的判断，这一步带来的效率飞跃是量级上的。
第三阶段是AI原生组织阶段。我认为，前两个阶段其实都还没有改变投资范式，只有到了第三阶段，才真正可能发生范式转移。
为什么这么说？我想借“AI原生”这个词，分享一点我跨界思考的感悟。
熟悉 人工智能 历史的朋友都知道，符号主义和连接主义是AI发展中被反复提及的两种技术思路：前者强调由人显式定义规则、符号和分类，再让机器推理；后者强调让模型从 海量数据 中学习表征和连接。需要说明的是，AI的发展并不是简单的“前者失败、后者成功”——今天的大模型，仍然结合了大量的工程规则、人类反馈与约束条件，符号这一层并没有消失，反而在严肃应用里被重新补了回来。我借这两个词，只想说明一种组织知识的差异：知识是先由人写好、再交给机器执行，还是让机器自己从数据里发现结构、人负责设定目标与边界。
借用这个类比来看，我们现在的投研组织体系、价值判断标准、因子框架乃至管理模式，仍主要是人类先定义分类、规则和因子，AI更多是在这个既有框架内跑得更快。所以我说现在还谈不上范式变革——变的是速度，不是框架。
那未来会不会不一样？如果模型能够从 海量数据 中自行发现结构，人只设定目标、约束和责任边界，一种更接近“AI原生”的方式有没有可能成立？海外已经有一些私募和对冲基金在探索类似模式，但这里面还存在不少约束和制约因素，有待进一步去思考与探索。
但即便在当前阶段，传统公募投研与AI赋能下的投研体系正在拉开明显差距。过去受限于人力，传统投研深度跟踪的往往只有几百只核心标的，研究员大部分的宝贵精力都消耗在数据收集、清洗和基础建模这些案头工作上，真正留给深度思考的时间被严重挤压。而在AI接管案头工作后，全市场、跨资产的实时动态扫描成为常态，人的精力得以真正释放到商业逻辑推演和逆向思考上去。
这就引出了一个问题：当“读得快、算得全”被AI商品化，浅层信息搬运优势消退，资管机构的护城河到底在哪里？
我给大家讲一个我自己做过的实验。前段时间我收集了大量公开数据，设定了写作主题和框架要求，然后把同样的一批公开资料同时喂给国内外的好几个主流大模型，让它们各自生成一篇深度报告。最后出来的结果令人震惊——不管是国内模型还是国外模型，它们生成的文章不仅核心观点高度一致，甚至连篇章结构、部分段落的表述都是几乎一模一样的。
这个实验提示我们，如果全行业都用大模型、分析相同的公开数据，最后得出的结论可能是高度同质化的，这里面就很难产生超额收益。我认为，未来资管机构的护城河，会向三个高阶维度集中：
第一，是私有知识的沉淀。公开语料大家都有，但非公开的一线深度产业调研、买方专有的知识图谱是机器凭空算不出来的。比方说，汇添富成立这么多年以来，我们在无数次产业调研中积累的独有认知，以及在历经多轮市场周期洗礼后沉淀下来的经验与复盘，能不能系统化地沉淀为我们的私有知识库？这是机构之间拉开差距的底座。
第二，是反共识判断与组合表达。面对同样的信息，你有没有穿透表象识别出市场隐含假设的预期差？在极端行情下有没有逆向投资的勇气？更关键的是，如何把研究观点转化为最优风险收益比的持仓久期管理与组合构建？
第三，是受托信任与长期陪伴。穿越周期的战略定力，以及基于“人”的受托责任担当所建立起来的深度客户信任，这是算法难以替代的温度。
二、AI重构资管的路径与边界是什么？
看清了重构的本质，接下来第二个问题：AI在资管机构到底该怎么落地，边界又划在哪里？
在投研端，我们用一把带有三个刻度的“尺子”来拆解所有投研工序，这三个刻度分别是：可验证性、后果严重性、责任归属。用这把尺子一量，整个投研流程就可以清晰地解构为三层——越往上走，AI替代的程度逐层递减，而人类的责任逐层递增：
第一层是“信息吸收层”，包括研报检索、会议纪要结构化、上市公司公告跟踪等，这一层可验证性强、容错度相对高，AI已经近乎全面替代，信息收集相关的案头工作效率大幅提升。
第二层是“建模与因子层”，在财务建模、因子挖掘和历史回测上，机器具有天然的算力优势；但这里面埋伏着三个陷阱——回测式伪发现、过度拟合、以及策略拥挤，所以这一层的核心机制必须是“AI生成+对抗性校验+人工审核上线”。
第三层是“判断形成层”，AI非常擅长总结“历史数据说了什么”，但它还不擅长判断“当前的市场价格已经反映了什么”。在这一层，AI的角色是帮我们推演市场隐含假设、搜集正反两方面的博弈证据；但最终判断哪些反共识机会值得出手、给多少风险预算，必须由基金经理来主导并承担责任。
因此，当我们将投研系统重构成一个包含数据解析、估值建模、情绪分析等分工明确的“多智能体协作网络”并接入买方私有知识库后，最终呈现在人类基金经理面前的，是一套“决策看板”。看板给基金经理的，不是一个黑盒式的“买入”或“卖出”指令，而是一套可检验、可追溯、可审计的完整论证：潜在的预期差在哪里，支持与反对的关键证据分别是什么，这个投资逻辑在什么边界条件下会失效？
除了投研端，销售端与服务端的重构同样非常深刻。
销售端的重构，在于以买方投顾式服务赋能销售，低成本实现“超个性化”配置。
整个行业一直希望给客户提供真正的买方投顾式服务，因为每个客户的财富状况、风险承受能力、流动性诉求都不同，理应进行千人千面的精准匹配。但过去受制于服务成本，这种定制化配置只能覆盖极少数高净值大客户；面对海量的普通零售客户，人工定制的成本就非常高，往往难以真正落地，最终还是以标准化产品的销售为主。
现在有了AI，情况大不一样了。我们可以利用AI资产配置引擎——也就是“多约束求解器”，把宏观市场的实时数据流，与每一个客户的风险偏好、流动性约束、收益目标放在一起进行动态求解，面向海量客户生成千人千面的“1+N”专属资产配置方案。这不仅能把投顾人员从繁琐的报告生成与合规材料准备中解放出来，还可以让“超个性化”的资产配置，以极低的边际成本向普通大众规模化下沉。
服务端的重构，在于客户陪伴从“单品推销”转向“买方投顾式”情绪陪伴与信任构建。
我们一直在讨论“基金赚钱、基民不赚钱”的行业痛点。为什么基民不赚钱？原因有很多方面，其中投资者的行为偏差是重要一环。市场稍微一波动，投资者的心态就容易失衡，这背后反映的是客户的“心理久期”太短，总是频繁关注短期波动；同时，客户的“考核久期”也太短——经常拿自己持有的基金，去跟短期涨得快的基金做比较，却忽视了产品本身的风格特征，由此带来的情绪起伏，也让长期投资很难真正坚持下去。现在，我们可以通过“AI行为感知器”，在客户授权与合规框架内，实时识别客户的非理性交易信号并提前预警；由机器提供理性的底层算法支撑，人类投顾则负责情绪疏导、长期陪伴与信任构建，把投顾的核心价值从“解答市场发生了什么”真正转移到“在市场动荡中维持客户的战略定力”。
当然，讲了这么多落地场景，为什么我一开始还是强调“范式很难改变”？因为横亘在我们面前的，还有风险与底线的“三道刚性边界”：
第一道边界，是技术的边界——数据幻觉的硬伤至今没有根除。
尽管如今大模型能力已经大幅跃升，但即便是顶尖的模型，在面对复杂财务推演与多步计算时，“高阶幻觉”依然顽固。在严肃的金融场景里，面对幻觉，我们不能消极等待模型自己升级，必须靠扎实的工程手段去克制它：
一是靠私域数据筑底。严格要求模型以我们自己经过校验的调研底稿、内部会议纪要和业务数据为依据；即便使用公开信息，也只采信公告、财报等权威来源，不允许它在良莠不齐的网络语料里自由发挥。
二是最核心的工程基建——建立全公司统一的“知识本体”（Ontology）。这是一个知识工程术语，指把一个领域里的概念、属性以及它们之间的关系，用标准化的方式显式定义出来。我们要为AI绘制一张极其严密的知识地图，把全公司的产业链分析语言、公司评估语言、财务指标、因子口径，以及它们彼此之间的层级结构和因果关系，全部用标准化的语言定义清楚。让公司所有的Agent都必须在同一套标准口径下说话——只有通过知识本体把模型的“自由度”降下来，AI在金融应用中的“可靠性”才能真正提上去。
第二道边界，是市场的边界——必须高度警惕“算法共振”。
刚才也有嘉宾提到了这一点。正如我前面做的那个实验，当全市场都共享相似的底层模型与公开数据时，交易信号的同质性会被大幅抬高。过去的“羊群效应”来自人类的情绪传染，而未来的“羊群效应”很可能来自算法的同频共振。这意味着我们未来的风险管理体系，不能仅依赖波动率等传统风险指标，还必须将“信号同质性”、“交易拥挤度”以及潜在的“流动性压力”进一步纳入日常风险监测视野。
第三道边界，是责任的边界——受托责任永远不可外包。
一个“没有人类责任主体的全自动基金”，在资管行业里不会成为主流——客户不会买单，也难以符合监管对受托责任的要求。人类在资管链条中最核心的价值，就是判断与担当。真正的智慧，在于清醒地知道什么时候该放手让AI辅助，什么时候必须由人站出来亲自负责。
三、汇添富的AI实践及展望
最后，我简要向大家汇报一下汇添富在AI领域的探索与实践。
我们在公司战略层面高度重视这场技术变革。早在去年，我们就成立了公司层面的AI创新委员会和跨部门 AI应用 小组，统筹算力、数据与业务优先级；今年，我们更是把公司的年号正式定为“拥抱 AI应用 年”，并通过举办内部“汇客松”（即黑客松，Hackathon）AI创新大赛、全员培训认证等文化引领，自上而下与自下而上相结合地推进AI落地。
在推进路径上，我们构建了“三层进阶、共生融合”的体系：基础层以Copilot助手实现全员效能普及；核心层以多Agent协同重构重点业务工序；战略层则围绕前沿技术演进与业务模式升维，开展前瞻性的研究与探索。
围绕公司的核心业务链条，我们在关键岗位上重点建设了研究、投资助理、规则化投资、投顾、营销、运营六大Agent集群。这六大集群并不是孤立运行的，而是形成了一个严密的闭环，我们把它高度概括为三个词——“系统+AI+人工”：系统定规则，AI出主意，人来作判断。
具体来看几个核心场景的落地成效：
在投研端，我们的“研究员Agent”通过接入专业私有知识库、内化买方研究框架，再经过专家的人工校对与反馈迭代，目前已经接管了研究员约40%的基础案头工作（如多源信息整合、初稿撰写、核心指标动态跟踪与逻辑归档），把研究员真正解放出来去攻关深度产业逻辑。同时，我们的“投资助理Agent”矩阵（涵盖投资框架、组合管理、投资复盘、产品约束、日常工作5大子Agent）实现了对投资全流程的覆盖，把风控与归因从过去的“静态事后回顾”升级为“动态实时预警”。
在这里，我想特别强调我们在投研端全力推进的一件事——用AI赋能“规则化投资”。
什么叫“规则化投资”？近几年我一直在公司内部反复强调这个理念。我认为，作为一家大型资管机构，我们提供给客户的每一只产品，它的底层资产属性、风险收益特征和投资风格都必须是极其清晰、可预期的。基金经理的能力圈、投资风格和风险意愿，必须与他所管理的产品精准对应；而产品的实际运作表现，也必须严格对应基金契约所约定的风险收益特征。
不仅定位要清晰，在投资执行的过程中，你的策略落地、组合构建、投资纪律，更必须有一套刚性的流程来保障规则化实施，绝不能发生风格漂移。
怎么保证不漂移？过去靠人工定期检视，往往是滞后的。现在有了AI，我们围绕“规则化投资”打造了一个多Agent督导体系，相当于为公司的每一个投资组合，都配备了一个7×24小时在线的“AI监督员”。无论是主动权益、固定收益、股债混合，还是绝对收益、社保养老、量化和FOF组合，都有专属的专业Agent进行全天候巡检。它超越了传统风控“单一指标是否越线”的被动预警，不仅能第一时间发现组合异常，更能通过跨Agent协同去深度解释：持仓为什么发生变化？这种变化是否符合既定策略？风险属性是否发生了隐性迁移？需不需要升级处置？我认为，这是我们在AI赋能投研纪律管理上做得非常有价值的一个突破。
在投顾端，我们始终坚持“以客户需求为起点”，而非“以产品销售为起点”。我们构建了由市场解读、产品研究、客户管理、策略研究、投教陪伴组成的5大投顾Agent体系，底层打通了多项MCP标准化数据服务和多维评估指标体系。它的核心逻辑，就是把“客户需求特征、产品清晰定位、投资经理画像、底层投资策略”这四个维度深度咬合，真正做到“四位一体”的精准匹配，朝着“千人千顾、千人千投”的目标迈进。
展望未来，我们对资管价值链的AI重构蓝图，规划为三层架构：
基础支撑层，是统一的数据底座与模型治理框架。全面整合客户行为、行情财报与另类数据，并在治理层严格落实权限控制、审计留痕、评估框架与安全护栏。
核心执行层，是Agentic AI驱动的智能协同网络。全面贯通“投研、组合与交易、风控与合规、中后台运营、销售与服务”五大核心价值链环节，实现端到端的智能协同。
终极基石层，始终是“人类监管与终极问责机制”。由基金经理和投委会作出最终投资决策并承担受托责任；由合规团队和模型治理委员会对算法进行全流程的监督与审计。
我就汇报到这里。这是一个正在发生剧烈变化的世界，许多技术演进的速度甚至完全超出了我们过去的经验预期，今天主要是把我们在拥抱AI过程中的一些阶段性思考和实践的总结拿出来，供大家批评指正。
谢谢大家！
（文章来源：中国基金报）