AI expanderar förmögenhetsförvaltning, inte ersätter rådgivare

Nästan alla branscher ser yrkesverksamma som är oroade över att AI kan ta deras jobb, särskilt inom vita kråkor och kunskapsdrivna sektorer.

Detta är naturligtvis sant för programmering, skrivande och andra uppgifter där modern AI baserad på LLM:er (stora språkmodeller) är särskilt skicklig. Men detta gäller också för finansproffs, som i allt högre grad ser AI och så kallade robo‑rådgivare som potentiella konkurrenter till traditionell mänsklig förmögenhetsförvaltning.

En ny studie av två kinesiska forskare vid Shanghai University utmanar denna idé. Genom att analysera effekterna av LLM:er på kinesiska förmögenhetsförvaltningsföretag fann de att, i motsats till förutsägelser om ersättning, ökar antalet rådgivare avsevärt vid införandet av LLM:er. Denna effekt drivs av en stark omstrukturering av mänskliga resurser i förmögenhetsförvaltningsföretag, och LLM:er stimulerade faktiskt anställningar, särskilt för juniora och stödfunktioner.

De publicerade sina resultat i International Review of Economics& Finance¹, under titeln “Gör stora språkmodeller ersättning eller komplettering av investeringsrådgivare? Evidens från kinesiska förmögenhetsförvaltningsföretag”.

Från rutinarbete till avancerade uppgifter

Vad som gör LLM:er till en radikalt annorlunda typ av automatisering är vilken typ av uppgift de kan automatisera. Tidigare ersatte automatisering mest rutinmässigt manuellt arbete, medan LLM:er kan bearbeta ostrukturerad information, utföra logisk resonemang och generera komplexa texter.

Så LLM:er är mer som komplexa, flexibla robotar på en produktionslinje än enklare, repetitiva maskiner som inte klarar flexibla uppgifter. Och i den fysiska världen har denna förmåga lett till en massiv minskning av personalstyrkan inom tillverkning. Så det är inte orimligt att kunskapsarbetare fruktar att bli ersatta av sådan teknik: även om den inte helt ersätter människor kan den drastiskt minska den arbetskraft som behövs för en given uppgift.

Men att automatisera bort uppgiften helt är inte nödvändigtvis den enda effekten av tekniken.

En annan möjlighet är att göra en tidigare komplex uppgift, som bara kunde hanteras av utbildade och erfarna yrkespersoner, enklare att utföra. I det sammanhanget kan LLM:er vara mer som de tidiga maskinerna under den industriella revolutionen, som omvandlade en komplex uppgift som krävde expertkunskap till en enklare tillverkningsprocess som krävde mindre utbildning.

“Genom att sänka kunskapströskeln som krävs för självständigt slutförande av uppgifter kan sådan teknik utöka det spektrum av uppgifter som juniora arbetare kan hantera autonomt.”

Om så är fallet bör den praktiska implementeringen av LLM:er ha en effekt inte bara på sysselsättningen utan också på strukturen i de företag som använder dem.

“Tekniker minskar kostnaden för kunskapsinhämtning, produktionsarbetare utökar sin problemlösningsautonomi, eskalerar färre rutinproblem uppåt och ökar kontrollspannet för seniora specialister, vilket effektivt plattar till hierarkin.”

Förmögenhetsförvaltning, AI & konkurrensfördelar

AI & pengar har ett förtroendeproblem

I det dagliga arbetet utför anställda inom förmögenhetsförvaltning många rutinuppgifter: insamling av marknadsinformation, utarbetande av rapporter och dokumentation för efterlevnad. Alla dessa är kodifierbara kognitiva uppgifter där AI har ett tydligt jämförande försprång.

Dock vilar branschens kärnvärdeerbjudande på förtroende, fiduciärt ansvar och relationshantering. Detta är interpersonella uppgifter som kräver tyst kunskap och social intelligens, något AI för närvarande har svårt att replikera.

Detta gap har hittills begränsat AI‑implementeringen i finanssektorn, eftersom förtroendet för AI‑rådgivare förblir lågt.

AI kan hjälpa förmögenhetsförvaltning att växa

Samtidigt kan AI:s sänkning av kostnaden för finansiell rådgivning hjälpa branschen att växa enormt, eftersom höga rådgivningskostnader begränsar personliga tjänster till högnettoförmögenhetsindivider, vilket lämnar den stora mass‑affluent‑segmentet kroniskt underbetjänat när det gäller förmögenhetsförvaltningsrådgivning.

“Om LLM:er minskar den marginella kostnaden för rutinservice tillräckligt, kan de möjliggöra att företag lönsamt tränger in på denna långsvansmarknad, vilket utlöser AI‑driven skalning som driver tjänsteexpansion och sysselsättningstillväxt snarare än ersättning.”

I det sammanhanget är den kinesiska marknaden särskilt intressant att analysera för LLM:ernas inverkan på branschen:

• Snabbt växande hushållsrikedom skapar betydande latent efterfrågan i mass‑affluent‑segmentet.
• Kinas CSRC och SAC upprätthåller strikta människa‑i‑slingan‑krav, vilket förbjuder algoritmer att utöva fullt diskretionärt mandat och kräver licensierad rådgivaröversyn av alla personliga rekommendationer.
  • Dessa regler kanaliserar AI‑adoption mot hybrida människa‑maskin‑modeller, vilket skapar särskilt gynnsamma förutsättningar för komplementaritet snarare än fullständig substitution.
• Kinas digitalt möjliggjorda finansiella ekosystem och omfattande fintech‑infrastruktur skapar meningsfull variation mellan företag i LLM‑adoption, vilket möjliggör trovärdig kausal identifiering.

AI:s inverkan på förmögenhetsförvaltning

Vad kan LLM:er göra i förmögenhetsförvaltning?

Forskarna skiljer mellan tre kategorier av uppgifter i förmögenhetsförvaltning som kan påverkas av LLM:er, var och en med olika grad av ersättningsbarhet.

Den första uppgiftsgruppen är tekniska analyser, inklusive marknadsdataanalys, portföljkonstruktion, syntes av investeringsforskning och dokumentation för efterlevnad. Tack vare explicita regler, strukturerade datainmatningar och standardiserade utdata är dessa uppgifter idealiska för att låta LLM:er ersätta mänsklig arbetskraft.

Den andra uppgiftsgruppen är bedömnings‑ och beslutsuppgifter, inklusive riskbedömning, scenarioplanering och design av personliga lösningar. Dessa uppgifter kräver integration av tyst kunskap och kontextuell medvetenhet, så LLM:er kan bara måttligt ersätta mänsklig arbetskraft.

Slutligen finns relationhanteringsuppgifterna. Detta omfattar förtroendeskapande, emotionellt stöd under marknadsvolatilitet och långsiktig relationsodling. Dessa uppgifter kräver interpersonell känslighet, kontextuell bedömning och autentisk mänsklig kontakt, vilket gör LLM:er i stort sett olämpliga i denna roll.

Insamling av data

Forskarna samlade flera regulatoriska databaser, företagsdisclosure‑dokument och marknadsdata för att konstruera ett omfattande paneldatamaterial som täcker kinesiska förmögenhetsförvaltningsföretag, med 7 795 observationer under 2019‑2024.

För att identifiera företagsnivåns LLM‑adoption samlades jobbannonser och anställdas profilinformation in från stora rekryteringsplattformar.

Förmögenhetsförvaltningspersonal delades in i juniora rådgivare (≤3 års erfarenhet), mellananrådgivare (4–10 års erfarenhet) och seniora rådgivare (>10 års erfarenhet).

Slutligen inkluderar analysen på kundnivå investeringsavkastning, tillgångsallokering, avgiftsstrukturer och kundretentionsstatus.

Vem drabbas mest

Tidigare studier visade att medan LLM‑adoption i arbetsplatsmiljöer avslöjade produktivitetsvinster på 14‑56 % gynnade den mindre erfarna och lägre kvalificerade arbetskraften oproportionerligt. Som en följd lade företag större vikt vid interpersonella och kundfokuserade förmågor efter att ha antagit LLM:er. Efterfrågan på traditionella tekniska färdigheter minskade dock inte signifikant, vilket tyder på att AI förändrade vilka kompletterande mänskliga kapaciteter företag värderade snarare än att göra teknisk expertis onödig.

“Detta mönster, där AI kompletterar snarare än bara ersätter lågfärdig arbetskraft, skiljer sig markant från tidigare vågor av IT‑adoption som vanligtvis kompletterade högfärdig arbetskraft.”

Konsekvensen är att LLM‑adoption är positivt associerad med ökad betoning på mjuka färdigheter (kommunikationsförmåga, emotionell intelligens, kundrelationshantering).

Användning av LLM:er

Endast 17,8 % av företags‑år‑observationerna involverar LLM‑adoption, vilket indikerar att medan LLM‑användning fortfarande är relativt ovanlig har en betydande andel förmögenhetsförvaltningsföretag börjat integrera dessa teknologier.

Teknikhub‑platser visar större effekter än icke‑teknikhub‑platser. Detta mönster speglar troligen bättre tillgång till AI‑talang, starkare teknikinfrastruktur och mer sofistikerade kunder som värdesätter AI‑förstärkta tjänster i stora teknikcentrum.

LLM‑användning korrelerar starkast med juniora rådgivare, måttligt med mellananrådgivare och svagast med seniora rådgivare, vilket matchar den förväntade profilen för AI‑implementering i förmögenhetsförvaltningsbranschen.

När man ser på vilken roll LLM:er mest används visar studien en stark samvariation mellan LLM‑användning och stödfunktioner och en nästan noll‑association med kundfokuserade positioner.

Bättre tjänster, samma priser

Studien visar att LLM‑användning är signifikant positivt korrelerad med alla servicekvalitetsmått: portföljavkastning, riskjusterad avkastning, kundretention och AUM‑tillväxt. LLM‑användning är också förknippad med en minskning av klagomålsfrekvens och regulatoriska åtgärder.

LLM‑användning ledde till en förbättring på 11,5 % i genomsnittlig portföljavkastning. Förbättringen med 2,5 procentenheter i retention motsvarar en minskning med 23,8 % av kundbortfall.

Det finns dock ingen korrelation mellan LLM‑användning och rådgivningsavgifter.

Detta indikerar sannolikt att konkurrenstrycket kan hindra företag från att ta ut högre avgifter, trots påvisbara serviceförbättringar, med fördelarna som främst flödar till kunderna snarare än till leverantörerna. Detta är särskilt sannolikt i en bransch där servicekvalitet är observerbar och företag konkurrerar på prestation.

AI ersätter inte utan omstrukturerar mänsklig arbetskraft

Sammanfattningsvis visar resultaten att AI omstrukturerar uppgifter i förmögenhetsförvaltning, men har ingen netto‑ersättnings‑effekt.

När LLM:er tar över rutinmässiga analytiska uppgifter, värderar företag i allt högre grad anställda som kan utöva omdöme (kognitiva färdigheter), arbeta effektivt med AI‑verktyg (effektivitet), kommunicera effektivt med kunder (sociala färdigheter) och upprätthålla starka kundrelationer (kundfärdigheter).

Dessa fynd tyder inte på att tekniska färdigheter blir onödiga. Istället indikerar de att tydligt mänskliga förmågor blir mer värdefulla tillsammans med teknisk expertis när AI tar över en större del av rutinmässigt analytiskt arbete.

Genom att minska kostnaden för tekniska uppgifter kan AI vara inte bara ett produktivitetsverktyg utan ett kraftfullt skalningsverktyg för förmögenhetsförvaltningsbranschen, vilket hjälper den att expandera sin adresserbara marknad till en större del av befolkningen.

Dessa insikter kan överföras till andra industrier med liknande förutsättningar: outnyttjad latent efterfrågan, människa‑i‑slingan‑reglering och relationsbaserade servicemodeller.

Investering i AI‑förmögenhetsförvaltning

Studien undersöker inte Morgan Stanley (MS ) eller fastställer att samma resultat kommer att inträffa utanför Kina. Den identifierar dock de förutsättningar under vilka AI‑assisterad förmögenhetsförvaltning kan skala framgångsrikt. Morgan Stanley erbjuder investerare exponering mot en verksamhet som kombinerar ett stort rådgivarnätverk, självstyrt sparande, arbetsplats‑tjänster och alltmer sofistikerade AI‑kapaciteter.

Morgan Stanley

Morgan Stanley är ett långetablerat jättedriv i bank, utlåning och förmögenhetsförvaltning, med 9,3 bln USD i totala kundtillgångar år 2025, varav cirka tre fjärdedelar kommer från förmögenhetsförvaltningskategorin. Det är också värt att notera att de totala kundtillgångarna har vuxit mycket snabbt sedan 2020.

Source: Morgan Stanley

Morgan Stanleys primära robo‑rådgivarplattform är dess E*TRADE‑varumärke, som tar ut en årlig rådgivningsavgift på omkring 0,30 %.

Utöver en renodlad robo‑rådgivare erbjuder Morgan Stanley även andra förmögenhetsförvaltningstjänster:

• Virtuella rådgivare: Telefonbaserad åtkomst till ett team av fjärrrådgivare för strukturerad planering utan en dedikerad fullservice‑mänsklig mäklare.
• Fullservice‑finansiella rådgivare: Traditionell en‑till‑en‑dedikerad planering för komplexa förmögenhetsförvaltningsbehov.

Source: Morgan Stanley

Denna struktur liknar den människa‑maskin‑modell som studien undersökte: AI hanterar informationshämtning, mötesdokumentation och rutinförberedelser medan licensierade rådgivare behåller ansvaret för kundrelationer och rekommendationer.

Allteftersom AI‑kapaciteterna växer bör det möjliggöra för Morgan Stanley att successivt minska kostnaderna för tekniska färdigheter och omfördela arbetskraften mot en större satsning på den mänskliga närvaro som krävs för mer direkt, personlig rådgivning.

Morgan Stanleys storlek och rykte på alla kundnivåer kommer hjälpa dem att implementera AI effektivt till miljontals kunder och expandera förmögenhetsförvaltningsmarknaden.

Det är värt att notera att AI redan används som en ingångspunkt som kanaliserar kunder mot högre nivåer av förmögenhetsförvaltning, med 7 miljoner nya kundrelationer sedan 2020, främst från E*TRADE och Workplace, en marknadsledande plattform för finansiella rådgivare.

Source: Morgan Stanley

“Morgan Stanley at Work övervakar cirka 1,2 triljarder USD i tillgångar genom sin arbetsplats‑finansieringslösning. Företaget föreställer sig att företagskunder så småningom interagerar med plattformarna ”på ett rent agentur‑sätt, med AI‑drivna verktyg snarare än att logga in direkt i ShareWorks eller Equity Edge.”

Så AI kan bli en konkurrensfördel för Morgan Stanley genom olika mekanismer:

• Öka antalet kunder som varje rådgivare kan stödja
• Utvidga personliga tjänster längre in i mass‑affluent‑marknaden
• Förbättra rådgivares produktivitet utan att minska servicekvaliteten
• Stärka retention genom mer frekventa och personliga interaktioner
• Skala förmögenhetsförvaltningsintäkter utan proportionell administrativ tillväxt

Det betyder inte att AI nödvändigtvis kommer att förbättra Morgan Stanleys vinster, eftersom studien visar att sådana förbättringar och vinster sannolikt främst gynnar kunderna. Men det bör hjälpa till att befästa deras ledande position i branschen, och den sannolika globala expansionen av förmögenhetsförvaltningsmarknaden tack vare AI bör gynna hela sektorn.

Senaste Morgan Stanley (MS) aktienyheter och utveckling

Studie refererad

^{1. Lina Song och Huaili Lyu. Gör stora språkmodeller ersättning eller komplettering av investeringsrådgivare? Evidens från kinesiska förmögenhetsförvaltningsföretag. International Review of Economics& Finance. Oktober 2026. Artikel: 105636. Volym 111. 10.1016/j.iref.2026.105636} in Swedish. Do not translate brand names,company names,personal names,URLs,HTML tags,shortcode names,or shortcode attribute keys. Preserve WordPress shortcode syntax,but translate human-visible quoted shortcode values. AUTHOR PROFILE USER_META RULE: If a Last_name field appears in this payload,treat it as the author title and company field,not as a personal name. Translate only role,title,and connective words in that value. Preserve every company,brand,product,website,and personal name exactly as written. Do not translate or alter First_name,display_name,nickname,username,or other personal-name values. AUTHOR PROFILE USER_META OUTPUT RULE: Return only the translated field value. Never include completion markers,explanations,completion-marker instructions,or statements that no additional text needs translation. If the value does not need translation,return the original value only. You are an expert content translator; your tone should be professional and SEO optimized.