AI laajentaa varainhoitoa, eikä korvaa neuvonantajia

Lähes kaikilla toimialoilla ammattilaiset ovat huolissaan siitä, että AI voisi viedä heidän työpaikkansa, erityisesti valkokaulus- ja tiedepohjaisilla sektoreilla.

Tämä pätee tietenkin ohjelmointiin, kirjoittamiseen ja muihin tehtäviin, joissa moderni LLM-pohjainen AI on erityisen taitava. Mutta se koskee myös rahoitusalan ammattilaisia, jotka yhä useammin näkevät AI:n ja niin sanotut roboneuvonantajat potentiaalisina kilpailijoina perinteiselle ihmisten tekemälle varainhoidolle.

Kaksi Shanghain yliopiston kiinalaista tutkijaa ovat julkaisseet uuden tutkimuksen, joka haastaa tämän ajatuksen. Analysoimalla LLM:ien vaikutuksia kiinalaisiin varainhoitoyrityksiin, he havaitsivat, että poissulkemisennusteista poiketen LLM:n käyttöönotto lisää merkittävästi neuvonantajien määrää. Tämä vaikutus johtuu voimakkaasta henkilöstörakenteen uudelleenjärjestelystä varainhoitoyrityksissä, ja LLM:t ovat itse asiassa lisänneet rekrytointia, erityisesti nuorille ja tukirooleille.

He julkaisi löydöksensä International Review of Economics& Finance¹ -lehdessä otsikolla “Korvaavatko suuret kielimallit sijoitusneuvonantajat vai täydentävätkö ne? Todisteita kiinalaisista varainhoitoyrityksistä”.

Rutiinityöstä edistyneisiin tehtäviin

Mitä tekee LLM:istä radikaalisti erilaisen automaatiotyypin, on se, millaisia tehtäviä ne voivat automatisoida. Aikaisemmin automaatio korvasi lähinnä rutiininomaista manuaalista työtä, kun taas LLM:t pystyvät käsittelemään jäsentämätöntä tietoa, suorittamaan loogista päättelyä ja tuottamaan monimutkaisia tekstejä.

LLM:t ovat siis enemmän kuin monimutkaisia, joustavia robotteja tuotantolinjalla kuin yksinkertaisempia, toistuvia koneita, jotka eivät pysty käsittelemään joustavia tehtäviä. Fyysisessä maailmassa tällainen kyky on johtanut massiiviseen henkilöstömäärän vähenemiseen valmistavassa teollisuudessa. Siksi on täysin ymmärrettävää, että tiedon työntekijät pelkäävät syrjäytyvänsä tältä teknologialta: vaikka se ei täysin korvaa ihmisiä, se voi dramaattisesti vähentää tiettyyn tehtävään tarvittavaa työvoimaa.

Mutta tehtävän täysin automatisointi ei välttämättä ole ainoa teknologian vaikutus.

Toinen mahdollisuus on tehdä aiemmin monimutkainen, koulutettujen ja kokeneiden ammattilaisten hallittava tehtävä helpommaksi. Tässä yhteydessä LLM:t voisivat olla enemmän kuin teollisen vallankumouksen varhaiset koneet, jotka muuntavat asiantuntijataidon vaativan monimutkaisen tehtävän yksinkertaisemmaksi valmistusprosessiksi, joka vaatii vähemmän koulutusta.

“Alentamalla itsenäiseen tehtävänsuoritukseen vaadittavaa tietokynnystä tällaiset teknologiat voivat laajentaa juniorityöntekijöiden itsenäisesti hallittavien tehtävien kirjoa.”

Jos näin on, LLM:ien käytännön käyttöönotto vaikuttaa paitsi työllisyyteen myös niiden käyttävien yritysten rakenteeseen.

“Teknologiat vähentävät tiedon hankinnan kustannuksia, tuotantotyöntekijät laajentavat ongelmanratkaisuautonomiaansa, nostavat vähemmän rutiinitehtäviä ylöspäin ja lisäävät senioriasiantuntijoiden hallintaväliä, tasoittaen hierarkiaa käytännössä.”

Varainhoito, AI ja kilpailuedut

AI ja raha kohtaavat luottamusongelman

Päivittäisessä työssä varainhoidon työntekijät suorittavat monia rutiinitehtäviä: markkinatiedon kerääminen, raporttien laatiminen ja sääntelydokumentointi. Kaikki nämä ovat koodattavissa olevia kognitiivisia tehtäviä, joissa AI:lla on selkeä vertailuetu.

Kuitenkin alan keskeinen arvotarjous perustuu luottamukseen, luottamustehtävään ja suhdehallintaan. Nämä ovat vuorovaikutustehtäviä, jotka vaativat implisiittistä tietoa ja sosiaalista älykkyyttä, joihin AI tällä hetkellä kamppailee.

Tämä aukko on rajoittanut AI:n käyttöönottoa rahoitusalalla tähän mennessä, sillä luottamus AI-neuvonantajiin on edelleen alhainen.

AI voi auttaa varainhoitoa kasvamaan

Samaan aikaan AI:n alentama taloudellisen neuvonnan kustannus voi auttaa alaa kasvamaan valtavasti, sillä korkeat neuvontakustannukset rajoittavat räätälöidyt palvelut varakkaisiin yksilöihin, jättäen laajan mass-affluent -segmentin kroonisesti alipalveluksiin varainhoitoneuvonnassa.

“Jos LLM:t alentavat rutiinipalveluiden marginaalikustannuksia riittävästi, ne voivat mahdollistaa yritysten kannattavan pääsyn tähän pitkän hännän markkinaan, käynnistäen AI:n mahdollistaman skaalaamisen, joka edistää palvelun laajentumista ja työllisyyden kasvua eikä syrjäytymistä.”

Tässä yhteydessä Kiinan markkinat ovat erityisen mielenkiintoisia LLM:ien alan vaikutuksen analysoimiseksi:

• Nopeasti kasvava kotitalousvarallisuus luo merkittävää piilevää kysyntää mass-affluent -segmentissä.
• Kiinan CSRC ja SAC valvovat tiukkoja ihmisen mukana -vaatimuksia, kieltäen algoritmeja käyttämästä täyttä harkintavaltaa ja edellyttäen lisensoidun neuvonantajan valvontaa kaikille räätälöidyille suosituksille.
  • Nämä säännöt ohjaavat AI:n käyttöönoton kohti hybridimalleja, luoden erityisen suotuisat olosuhteet täydentämiselle eikä täydelliselle korvaukselle.
• Kiinan digitaalisesti mahdollistama rahoitus-ekosysteemi ja laajalle levinnyt fintech-infrastruktuuri tuottavat merkittävää yritysten välistä vaihtelua LLM:n käyttöönotossa, mahdollistaen uskottavan kausaalisen tunnistuksen.

AI:n vaikutus varainhoitoon

Mitä LLM:t voivat tehdä varainhoidossa?

Tutkijat erottavat kolme varainhoidon tehtäväluokkaa, joihin LLM:t voivat vaikuttaa, jokaisella eri korvattavuustaso.

Ensimmäinen tehtäväryhmä on teknisiä analyysejä, kuten markkinadatan analyysi, salkunrakennus, sijoitustutkimuksen synteesi ja sääntelydokumentointi. Selkeiden sääntöjen, jäsennellyn datan syötteiden ja standardoitujen tulosteiden ansiosta nämä tehtävät soveltuvat erinomaisesti LLM:ien käyttöönottoon ihmistyön korvaamiseksi.

Toinen tehtäväryhmä on arviointi- ja päätöksentekotehtäviä, kuten riskiarviointi, skenaariotehtävät ja räätälöidyn ratkaisun suunnittelu. Nämä tehtävät edellyttävät implisiittisen tiedon ja kontekstuaalisen tietoisuuden yhdistämistä, joten LLM:t voivat korvata ihmistyötä vain kohtuullisesti.

Lopuksi on suhdehallintatehtävät. Näihin kuuluvat luottamuksen rakentaminen, emotionaalinen tuki markkinoiden heilahtelujen aikana sekä pitkäaikaisen suhteen kehittäminen. Nämä tehtävät vaativat vuorovaikutuksellista herkkyyttä, kontekstuaalista harkintaa ja aitoa inhimillistä yhteyttä, mikä tekee LLM:istä enimmäkseen sopimattomia tähän rooliin.

Datan kerääminen

Tutkijat keräsivät useita sääntelytietokantoja, yritysten ilmoituksia ja markkinadataa rakentaakseen kattavan paneelidatan, joka kattaa kiinalaiset varainhoitoyritykset, sisältäen 7795 havaintoa vuosilta 2019–2024.

Yritystason LLM:n käyttöönoton tunnistamiseksi kerättiin työpaikkailmoituksia ja työntekijäprofiilitietoja suurilta rekrytointialustoilta.

Varainhoitohenkilöstö jaettiin juniorineuvonantajiin (≤3 vuoden kokemus), keskitasoinen neuvonantajiin (4–10 vuoden kokemus) ja seniorineuvonantajiin (>10 vuoden kokemus).

Lopuksi asiakastason analyysi sisällyttää sijoitustuotot, varojen allokoinnin, maksurakenteet ja asiakassäilyvyyden tilan.

Kuka on eniten vaikuttunut

Aikaisemmat tutkimukset osoittivat, että LLM:n käyttöönotto työpaikoilla toi 14–56 %:n tuottavuuskasvun, mutta se hyödytti suhteettomasti vähemmän kokeneita ja aloitaitoisia työntekijöitä. Tämän seurauksena yritykset korostivat enemmän vuorovaikutustaitoja ja asiakaspalvelutaitoja LLM:n käyttöönoton jälkeen. Kuitenkin perinteisen teknisen taidon kysyntä ei merkittävästi laskenut, mikä viittaa siihen, että AI muutti sitä, mitä täydentäviä inhimillisiä kykyjä yritykset arvostivat, eikä tehnyt teknisestä asiantuntemuksesta tarpeetonta.

“Tämä malli, jossa AI täydentää eikä pelkästään korvaa matalasti koulutettua työtä, poikkeaa merkittävästi aiemmista IT:n käyttöönottojaksoista, jotka tyypillisesti täydensivät korkeasti koulutettuja työntekijöitä.”

Seurauksena LLM:n käyttöönotto on positiivisesti yhteydessä pehmeiden taitojen (viestintäkyky, tunneäly, asiakassuhteiden hallinta) korostumiseen.

LLM:ien käyttö

Vain 17,8 % yritys-vuosi -havainnoista sisältää LLM:n käyttöönoton, mikä osoittaa, että vaikka LLM:n käyttö on edelleen melko harvinaista, merkittävä osa varainhoitoyrityksistä on aloittanut näiden teknologioiden integroimisen.

Teknologiakeskusten sijainnit osoittavat suurempia vaikutuksia kuin ei-teknologiset alueet. Tämä malli todennäköisesti heijastaa parempaa pääsyä AI-osaajiin, vahvempaa teknologia-infrastruktuuria ja kehittyneempiä asiakkaita, jotka arvostavat AI:n parantamia palveluita suurissa teknologiakeskuksissa.

LLM:n käyttö korreloi vahvimmin juniorineuvonantajien kanssa, kohtalaisesti keskitasoisten neuvonantajien kanssa ja heikosti seniorineuvonantajien kanssa, mikä vastaa odotettua AI:n käyttöönoton profiilia varainhoitoalalla.

Kun tarkastellaan, mihin rooliin LLM:itä enimmäkseen käytetään, tutkimus osoittaa vahvan yhteisliikkeen LLM:n käytön ja tukiroolien välillä sekä lähes nollayhteyden asiakasyhteyksien rooleihin.

Paremmat palvelut, samat hinnat

Tutkimus osoittaa, että LLM:n käyttö korreloi merkittävästi positiivisesti kaikkien palvelunlaatuindikaattorien kanssa: salkkun tuotto, riskikorjattu tuotto, asiakassäilyvyys ja hallinnoitujen varojen (AUM) kasvu. LLM:n käyttö liittyy myös valitusten määrän ja sääntelytoimien vähenemiseen.

LLM:n käyttö johti 11,5 %:n parannukseen keskimääräisissä salkkun tuotoissa. 2,5 prosenttiyksikön parannus säilyvyydessä tarkoittaa 23,8 %:n vähenemistä asiakaspoistumassa.

Silti LLM:n käytön ja neuvontapalkkioiden välillä ei ole korrelaatiota.

Tämä viittaa todennäköisesti siihen, että kilpailupaineet saattavat estää yrityksiä nostamasta palkkioita, vaikka palveluparannukset ovat selvästi havaittavissa, ja hyödyt kohdistuvat ensisijaisesti asiakkaille eikä tuottajille. Tämä on erityisen todennäköistä alalla, jossa palvelun laatu on havaittavissa ja yritykset kilpailevat suorituskyvyllä.

AI ei korvaa, vaan uudelleenjärjestää ihmistyövoimaa

Kaiken kaikkiaan tulokset osoittavat, että AI uudelleenjärjestää varainhoidon tehtäviä, mutta sillä ei ole nettosyrjäytysevaikutusta.

Kun LLM:t ottavat haltuun rutiininomaiset analyysitehtävät, yritykset arvostavat yhä enemmän työntekijöitä, jotka voivat käyttää harkintaa (kognitiiviset taidot), työskennellä tehokkaasti AI-työkalujen kanssa (tehokkuustaidot), kommunikoida tehokkaasti asiakkaiden kanssa (sosiaaliset taidot) ja ylläpitää vahvoja asiakassuhteita (asiakastaidot).

Nämä havainnot eivät viittaa siihen, että tekniset taidot olisivat tarpeettomia. Sen sijaan ne osoittavat, että selvästi inhimilliset kyvyt nousevat arvokkaammiksi teknisen asiantuntemuksen rinnalla, kun AI ottaa suuremman osan rutiininomaisesta analyysityöstä.

Vähentämällä teknisten tehtävien kustannuksia AI voi olla muutakin kuin tuottavuustyökalu – se voi olla voimakas skaalaustyökalu varainhoitoalalle, auttaen sitä laajentamaan tavoitettavissa olevaa markkinaa suuremmalle väestönosalle.

Nämä havainnot voidaan yleistää muihin samanlaisia olosuhteita omaaviin toimialoihin: vastaamattomaan piilevään kysyntään, ihmisen mukana -sääntelyyn ja suhdeperusteisiin palvelumalleihin.

Sijoittaminen AI-varainhoitoon

Tutkimus ei tarkastele Morgan Stanley (MS ) eikä vahvista, että samat tulokset toteutuvat Kiinan ulkopuolella. Se kuitenkin tunnistaa ne olosuhteet, joissa AI-avusteinen varainhoito voi skaalautua menestyksekkäästi. Morgan Stanley tarjoaa sijoittajille altistuksen liiketoiminnalle, joka yhdistää suuren neuvonantajaverkoston, itseohjautuvan sijoittamisen, työpaikkapalvelut ja yhä kehittyvämmät AI-kyvyt.

Morgan Stanley

Morgan Stanley on pitkään jatkunut pankki-, lainaus- ja varainhoitogigantti, jonka kokonaisasiakasvarat olivat 2025 9,3 biljoonaa dollaria, joista noin kolme neljäsosaa tulee varainhoitokategoriasta. On myös syytä huomata, että kokonaisasiakasvarat ovat kasvaneet erittäin nopeasti vuodesta 2020 lähtien.

Lähde: Morgan Stanley

Morgan Stanleyn ensisijainen roboneuvonantaja-alusta on sen E*TRADE -brändi, joka veloittaa vuosittaisen neuvontapalkkion noin 0,30 %.

Pelkkää roboneuvonantajaa lukuun ottamatta Morgan Stanley tarjoaa myös muita varainhoitopalveluita:

• Virtuaalineuvonantajat: puhelimitse tapahtuva pääsy etäneuvonantajatiimiin strukturoitua suunnittelua varten ilman omistettua täyspalveluista ihmisen välittäjää.
• Täyspalveluinen talousneuvonantaja: perinteinen yksi‑yksi‑suunnittelu monimutkaisiin varainhoitotarpeisiin.

Lähde: Morgan Stanley

Tämä rakenne muistuttaa läheisesti tutkimuksessa tarkasteltua ihmisen ja koneen mallia: AI hoitaa tiedonhankinnan, kokousdokumentoinnin ja rutiinivalmistelut, kun taas lisensoidut neuvonantajat säilyttävät vastuun asiakassuhteista ja suosituksista.

Kun AI-kyvyt kehittyvät, niiden tulisi mahdollistaa Morgan Stanleyn vähentää asteittain teknisten taitojen kustannuksia ja jakaa työvoimaa uudelleen laajempaan inhimillisen kosketuksen käyttöön, jota tarvitaan suoremman, henkilökohtaisemman neuvonnan tarjoamiseen.

Morgan Stanleyn koko ja maine kaikilla asiakastasoilla auttavat sitä ottamaan AI:n käyttöön tehokkaasti miljoonille asiakkaille ja laajentamaan varainhoitomarkkinaa.

On syytä huomata, että AI on jo käytössä sisäänpääsymenetelmänä, joka ohjaa asiakkaita kohti korkeampia varainhoitotasoja, 7 miljoonan uuden asiakassuhteen myötä vuodesta 2020, pääosin E‑TRADE:n ja Workplace kautta, joka on markkinajohtava alusta talousneuvonantajille.

Lähde: Morgan Stanley

“Morgan Stanley at Work hallinnoi noin 1,2 biljoonaa dollaria varoja työpaikkarahoitusratkaisuliiketoimintansa kautta. Yritys näkee tulevaisuudessa yritysasiakkaiden käyttävän alustoja ‘puhdistaan agenttipohjaisesti, hyödyntäen AI‑voimaisia työkaluja sen sijaan, että kirjautuisivat suoraan ShareWorks- tai Equity Edge -järjestelmiin.’

• Neuvonantajien tukeman asiakasmäärän kasvattaminen
• Räätälöityjen palveluiden laajentaminen edelleen mass‑affluent -markkinoille
• Neuvonantajien tuottavuuden parantaminen ilman palvelun laadun heikentymistä
• Säilyvyyden vahvistaminen tiheämpien ja henkilökohtaisempien vuorovaikutusten avulla
• Varainhoitotulojen skaalaaminen ilman suhteellista hallinnollista kasvua

Tämä ei tarkoita, että AI välttämättä parantaisi Morgan Stanleyn voittoja, sillä tämä tutkimus osoittaa, että tällaiset parannukset ja voitot saattavat enimmäkseen kohdistua asiakkaille. Kuitenkin sen pitäisi vahvistaa sen johtavaa asemaa alalla, ja AI:n mahdollistama varainhoitomarkkinoiden globaali laajentuminen hyödyttäisi koko alaa.

Uusimmat Morgan Stanley (MS) osakeuutiset ja kehitykset

Viitattu tutkimus

^{1. Lina Song and Huaili Lyu. Korvaavatko suuret kielimallit sijoitusneuvonantajat vai täydentävätkö ne? Todisteita kiinalaisista varainhoitoyrityksistä. International Review of Economics& Finance. lokakuu 2026. Article: 105636. Volume 111. 10.1016/j.iref.2026.105636}