AI Nagpapalawak ng Pamamahala ng Kayamanan, Hindi Pinapalitan ang mga Tagapayo

Halos lahat ng industriya ay nakakaranas ng mga propesyonal na nababahala na maaaring kunin ng AI ang kanilang mga trabaho, lalo na sa mga puting-kolaborador, kaalaman-ubod na sektor.

Siyempre, totoo ito sa programming, pagsulat, at iba pang gawain kung saan ang makabagong AI batay sa LLMs (large Language Models) ay lubos na bihasa. Ngunit totoo rin ito para sa mga propesyonal sa pananalapi, na patuloy na nakikita ang AI at tinatawag na robo-advisors bilang posibleng kakumpitensya sa tradisyonal na pamamahala ng kayamanan na gawa ng tao.

Isang bagong pag-aaral ng dalawang Chinese na mananaliksik mula sa Shanghai University ang kumukwestiyon sa ideyang ito. Sa pagsusuri ng mga epekto ng LLMs sa mga kumpanyang pamamahala ng kayamanan sa Tsina, natuklasan nila na salungat sa mga prediksyon ng pag-aalis ng trabaho, ang pag-ampon ng LLM ay makabuluhang nagpapataas ng bilang ng mga tagapayo. Ang epekto ay dulot ng matinding pag-restructure ng mga mapagkukunan ng tao sa mga firmang pamamahala ng kayamanan, at ang mga LLM ay talagang nagpasigla ng pagkuha, lalo na para sa mga junior at support na posisyon.

Nailathala nila ang kanilang mga natuklasan sa International Review of Economics& Finance¹, sa pamagat na “Pinapalitan ba ng malalaking modelo ng wika o kinokomplemento ang mga tagapayo sa pamumuhunan? Ebidensya mula sa mga kumpanyang pamamahala ng kayamanan sa Tsina”.

Mula sa Karaniwang Paggawa Patungo sa Mga Advanced na Gawain

Ang kakaiba sa LLMs bilang isang radikal na uri ng awtomasyon ay ang uri ng gawain na kanilang kayang i-automate. Dati, ang awtomasyon ay karaniwang pumapalit sa rutin na manu-manong paggawa, samantalang ang LLMs ay maaaring magproseso ng di-istrukturadong impormasyon, magsagawa ng lohikal na pangangatwiran, at lumikha ng kumplikadong teksto.

Kaya ang mga LLM ay mas katulad ng kumplikado, flexible na mga robot sa linya ng produksyon kaysa sa mga simpleng, paulit-ulit na makina na hindi kayang hawakan ang mga flexible na gawain. At sa pisikal na mundo, ang ganitong kakayahan ay nagdulot ng napakalaking pagbawas sa bilang ng mga manggagawa sa pagmamanupaktura. Kaya hindi kataka-taka para sa mga knowledge worker na matakot na mapalitan ng ganitong teknolohiya: kahit hindi nito ganap na pinapalitan ang tao, maaaring lubos nitong mabawasan ang manpower na kailangan para sa isang tiyak na gawain.

Ngunit ang ganap na pag-automate ng gawain ay hindi kinakailangang tanging epekto ng teknolohiya.

Isa pang posibilidad ay gawing mas madali ang dating kumplikadong gawain na dati’y kayang pangasiwaan lamang ng mga sinanay at may karanasang propesyonal. Sa kontekstong ito, ang mga LLM ay maaaring maging katulad ng mga unang makina ng Rebolusyong Industriyal, na nagiging mas simpleng proseso ng pagmamanupaktura ang isang kumplikadong gawain na nangangailangan ng ekspertong kasanayan.

“Sa pamamagitan ng pagpapababa ng knowledge threshold na kinakailangan para sa independiyenteng pagtapos ng gawain, maaaring palawakin ng ganitong mga teknolohiya ang saklaw ng mga gawain na kayang hawakan ng mga junior na manggagawa nang mag-isa.”

Kung ganito ang kaso, dapat magkaroon ng epekto ang praktikal na pag-deploy ng mga LLM hindi lamang sa empleyo, kundi pati na rin sa estruktura ng mga firmang gumagamit nito.

“Binabawasan ng mga teknolohiya ang gastos ng pagkuha ng kaalaman, pinalalawak ng mga production workers ang kanilang autonomy sa paglutas ng problema, binabawasan ang pag-akyat ng mga rutin na problema, at pinapataas ang saklaw ng kontrol ng mga senior specialist, na epektibong nagpapantay ng hierarchy.”

Pamamahala ng Kayamanan, AI & Mga Kompetitibong Kalamangan

AI & Pera ay May Isyu sa Tiwala

Sa araw-araw, ang mga empleyado sa pamamahala ng kayamanan ay gumagawa ng maraming rutin na gawain: pangangalap ng impormasyon sa merkado, pagsulat ng ulat, at dokumentasyon ng pagsunod. Lahat ng ito ay mga codifiable cognitive tasks kung saan malinaw na may comparative advantage ang AI.

Gayunpaman, ang pangunahing value proposition ng industriya ay nakasalalay sa tiwala, fiduciary duty, at pamamahala ng relasyon. Ang mga ito ay interpersonal na gawain na nangangailangan ng tacit knowledge at social intelligence na kasalukuyang nahihirapang tularan ng AI.

Ang puwang na ito ay naglimita sa pag-deploy ng AI sa industriya ng pananalapi hanggang ngayon, dahil mababa pa rin ang tiwala sa mga AI na tagapayo.

AI Maaaring Tumulong sa Paglago ng Pamamahala ng Kayamanan

Sa parehong panahon, ang pagpapababa ng gastos sa financial advice ng AI ay maaaring magpalago nang labis sa industriya, dahil ang mataas na advisory fees ay naglilimita sa personalized services sa mga high-net-worth na indibidwal, na nag-iiwan sa napakalawak na segment ng mass-affluent na patuloy na hindi nabibigyan ng sapat na serbisyo pagdating sa payo sa pamamahala ng kayamanan.

“Kung mababawasan ng mga LLM ang marginal cost ng rutin na serbisyo nang sapat, maaaring mapahintulutan nito ang mga firm na kumita sa pagpasok sa long-tail market na ito, na magpapasimula ng AI-enabled scaling na nagtutulak ng paglawak ng serbisyo at paglago ng empleyo sa halip na pag-aalis ng trabaho.”

Sa kontekstong ito, ang pamilihang Tsino ay partikular na kawili-wiling suriin para sa epekto ng mga LLM sa industriya:

• Ang mabilis na paglawak ng kayamanan ng mga sambahayan ay lumilikha ng malaking latent demand sa segment ng mass-affluent.
• Ang CSRC at SAC ng Tsina ay nagpapatupad ng mahigpit na human-in-the-loop na mga kinakailangan, na nagbabawal sa mga algoritmo na mag-exercise ng buong discretionary authority at nag-aatas ng lisensyadong oversight ng mga tagapayo sa lahat ng personalized na rekomendasyon.
  • Ang mga regulasyong ito ay nagdidirekta ng pag-ampon ng AI patungo sa hybrid na human-machine na mga modelo, na lumilikha ng partikular na paborableng kondisyon para sa complementarity kaysa sa ganap na pagpapalit.
• Ang digital na pinapagana na financial ecosystem ng Tsina at malawak na fintech infrastructure ay nagbubuo ng makabuluhang cross-firm variation sa pag-ampon ng LLM, na nagbibigay-daan sa kredibleng causal identification.

Epekto ng AI sa Pamamahala ng Kayamanan

Ano ang Kayang Gawin ng mga LLM sa Pamamahala ng Kayamanan?

Ang mga mananaliksik ay nagkategorya ng tatlong uri ng gawain sa pamamahala ng kayamanan na maaaring maapektuhan ng mga LLM, bawat isa ay may ibang antas ng substitutability.

Ang unang set ng mga gawain ay mga teknikal na pagsusuri, kabilang ang market data analysis, portfolio construction, investment research synthesis, at compliance documentation. Dahil sa explicit na mga patakaran, istrukturadong data inputs, at standardized outputs, ang mga gawain na ito ay perpekto para sa pag-deploy ng LLM upang palitan ang paggawa ng tao.

Ang ikalawang set ng mga gawain ay judgment at decision tasks, kabilang ang risk assessment, scenario analysis, at personalized solution design. Ang mga gawain na ito ay nangangailangan ng integrasyon ng tacit knowledge at contextual awareness, kaya ang mga LLM ay maaaring bahagyang pumalit lamang sa paggawa ng tao.

Sa huli, may mga relationship management tasks. Kabilang dito ang pagtatayo ng tiwala, emosyonal na suporta sa panahon ng volatility ng merkado, at pangmatagalang paglinang ng relasyon. Ang mga gawain na ito ay nangangailangan ng interpersonal sensitivity, contextual judgment, at tunay na koneksyon ng tao, kaya karamihan sa mga LLM ay hindi angkop para sa papel na ito.

Pangangalap ng Datos

Ang mga mananaliksik ay nagtipon ng maraming regulatory databases, corporate disclosures, at market data upang makabuo ng komprehensibong panel dataset na sumasaklaw sa mga kumpanyang pamamahala ng kayamanan sa Tsina, na may 7,795 na obserbasyon mula 2019-2024.

Upang matukoy ang firm-level LLM adoption, kinolekta ang mga job postings at impormasyon ng profile ng empleyado mula sa mga pangunahing recruitment platform.

Ang mga personnel sa pamamahala ng kayamanan ay hinati sa junior advisors (≤3 taong karanasan), mid advisors (4–10 taong karanasan), at senior advisors (>10 taong karanasan).

Sa huli, ang client-level analysis ay sumasama ng investment returns, asset allocation, fee structures, at client retention status.

Sino ang Pinakaaapektuhan

Ipinakita ng mga nakaraang pag-aaral na habang ang pag-ampon ng LLM sa mga workplace setting ay nagpakita ng productivity gains na 14-56%, ito ay higit na nakinabang sa mga hindi gaanong may karanasan at mababang-skill na manggagawa. Bilang resulta, mas binigyang-diin ng mga firm ang interpersonal at customer-facing na kakayahan matapos mag-ampon ng LLM. Gayunpaman, ang demand para sa tradisyonal na teknikal na kasanayan ay hindi gaanong bumaba, na nagpapahiwatig na ang AI ay nagbago ng kung anong complementary na human capabilities ang pinahahalagahan ng mga firm sa halip na gawing hindi na kailangan ang teknikal na kadalubhasaan.

“Ang pattern na ito, kung saan ang AI ay nag-aaugment sa halip na simpleng pumalit sa mababang-skill na trabaho, ay malaki ang pagkakaiba sa mga nakaraang alon ng IT adoption na karaniwang kinokomplemento ang mas mataas na skilled na manggagawa.”

Ang kahihinatnan ay ang pag-ampon ng LLM ay positibong nauugnay sa pagtaas ng pagpapahalaga sa soft skills (kakayahang makipagkomunika, emotional intelligence, pamamahala ng relasyon sa kliyente).

Paggamit ng LLM

Tanging 17.8% ng firm-year observations ang may kasamang LLM adoption, na nagpapahiwatig na bagaman ang paggamit ng LLM ay medyo hindi pangkaraniwan, may makabuluhang proporsyon ng mga firm sa pamamahala ng kayamanan ang nagsimulang isama ang mga teknolohiyang ito.

Ipinapakita ng mga lokasyon ng tech hub ang mas malaking epekto kaysa sa mga hindi tech hub. Ang pattern na ito ay marahil sumasalamin sa mas mahusay na access sa AI talent, mas matibay na teknolohikal na imprastruktura, at mas sopistikadong mga kliyente na pinahahalagahan ang AI-enhanced services sa mga pangunahing sentro ng teknolohiya.

Ang paggamit ng LLM ay pinakamalakas na nauugnay sa junior advisors, katamtaman sa mid advisors, at pinakamahina sa senior advisors, na tumutugma sa inaasahang profile ng AI deployment sa industriya ng pamamahala ng kayamanan.

Kapag tinitingnan kung anong role ang pinakaginagamit ng LLM, ipinapakita ng pag-aaral ang malakas na co-movement ng paggamit ng LLM sa mga support roles at halos walang kaugnayan sa mga client-facing na posisyon.

Mas Mahusay na Serbisyo, Parehong Presyo

Ipinapakita ng pag-aaral na ang paggamit ng LLM ay makabuluhang positibong correlated sa lahat ng service quality metrics: portfolio return, risk-adjusted return, client retention, at AUM growth. Ang paggamit ng LLM ay nauugnay din sa pagbaba ng complaint rate at regulatory action.

Ang paggamit ng LLM ay nagdulot ng 11.5% na pagbuti sa average portfolio returns. Ang 2.5 percentage point na pagbuti sa retention ay kumakatawan sa 23.8% na pagbawas sa pag-alis ng kliyente.

Gayunpaman, walang correlation sa pagitan ng paggamit ng LLM at advisory fees.

Ito ay marahil nagpapahiwatig na ang competitive pressures ay maaaring pigilan ang mga firm na kumuha ng mas mataas na bayad, sa kabila ng kapansin-pansing pagbuti ng serbisyo, kung saan ang benepisyo ay pangunahing napupunta sa mga kliyente kaysa sa mga producer. Ito ay partikular na malamang sa isang industriya kung saan ang kalidad ng serbisyo ay nasusukat, at ang mga firm ay nagkakumpetensya sa performance.

AI Hindi Pinapalitan Kundi Nag-restructure ng Trabaho ng Tao

Sa pangkalahatan, ipinapakita ng mga natuklasan na ang AI ay nagre-restructure ng mga gawain sa pamamahala ng kayamanan, ngunit walang net displacement effect.

Habang kinukuha ng mga LLM ang rutin na analytical tasks, mas pinahahalagahan ng mga firm ang mga empleyado na kayang mag-exercise ng judgment (cognitive skills), magtrabaho nang epektibo gamit ang AI tools (efficiency skills), makipagkomunika nang maayos sa mga kliyente (social skills), at mapanatili ang matibay na relasyon sa kliyente (customer skills).

Ang mga natuklasan ay hindi nagsasabing ang mga teknikal na kasanayan ay nagiging hindi na kailangan. Sa halip, ipinapakita nito na ang mga natatanging kakayahan ng tao ay nagiging mas mahalaga kasabay ng teknikal na kadalubhasaan habang ang AI ay kumukuha ng mas malaking bahagi ng rutin na analytical work.

Sa pamamagitan ng pagpapababa ng gastos ng mga teknikal na gawain, maaaring maging hindi lamang isang productivity tool ang AI kundi isang makapangyarihang scaling tool para sa industriya ng pamamahala ng kayamanan, na tumutulong nitong palawakin ang addressable market nito sa mas malaking bahagi ng populasyon.

Ang mga natuklasan ay maaaring ilapat sa iba pang industriya na may katulad na kondisyon: hindi pa nasasagot na latent demand, human-in-the-loop na regulasyon, at mga service model na nakabatay sa relasyon.

Pamumuhunan sa AI Wealth Management

Ang pag-aaral ay hindi sumuri sa Morgan Stanley (MS ) o nagpatunay na ang parehong resulta ay magaganap sa labas ng Tsina. Gayunpaman, tinukoy nito ang mga kondisyon kung saan ang AI-assisted wealth management ay maaaring mag-scale nang matagumpay. Ang Morgan Stanley ay nag-aalok sa mga mamumuhunan ng exposure sa isang negosyo na pinagsasama ang malawak na network ng mga tagapayo, self-directed investing, workplace services, at patuloy na pinapahusay na AI capabilities.

Morgan Stanley

Ang Morgan Stanley ay isang matagal nang higanteng bangko, nagpapautang, at nagmamay-ari ng pamamahala ng kayamanan, na may $9.3T na kabuuang client assets noong 2025, kung saan halos 3/4 nito ay nagmula sa kategoryang wealth management. Mahalaga ring pansinin na ang kabuuang client assets ay lumago nang napakabilis mula 2020.

Pinagmulan: Morgan Stanley

Ang pangunahing robo-advisor platform ng Morgan Stanley ay ang brand nitong E*TRADE, na nagcha-charge ng taunang advisory fee na humigit-kumulang 0.30%.

Sa labas ng purong robo-advisor, nag-aalok din ang Morgan Stanley ng iba pang wealth management services:

• Virtual Advisors: Phone-based access sa isang team ng remote advisors para sa structured planning nang walang dedikadong full-service na human broker.
• Full-Service Financial Advisors: Tradisyonal na 1-on-1 na dedikadong pagpaplano para sa kumplikadong pangangailangan sa pamamahala ng kayamanan.

Pinagmulan: Morgan Stanley

Ang estrukturang ito ay malapit na kahawig ng human-machine model na sinuri sa pag-aaral: hinahawakan ng AI ang information retrieval, meeting documentation, at routine preparation habang ang mga lisensyadong tagapayo ay nananatiling responsable sa mga relasyon sa kliyente at mga rekomendasyon.

Habang lumalago ang kakayahan ng AI, dapat nitong payagan ang Morgan Stanley na unti-unting bawasan ang gastos para sa mga teknikal na kasanayan at muling ilipat ang manpower patungo sa mas malawak na deployment ng human touch na kailangan para sa mas direkta, personal na pag-aadvise.

Ang laki at reputasyon ng Morgan Stanley sa lahat ng antas ng customer ay makakatulong nitong i-deploy ang AI nang epektibo sa milyun-milyong kliyente at palawakin ang pamilihan ng pamamahala ng kayamanan.

Kapansin-pansin na ang AI ay ginagamit na bilang entry point na nagdadala ng mga customer patungo sa mas mataas na antas ng pamamahala ng kayamanan, na may 7 milyong bagong client relationships mula 2020, karamihan ay nagmumula sa E-TRADE at Workplace, isang market-leading platform para sa mga financial advisors.

Pinagmulan: Morgan Stanley

“Ang Morgan Stanley at Work ay nangangasiwa ng humigit-kumulang $1.2 trilyon sa assets sa pamamagitan ng kanyang workplace financial solutions business. Inaasahan ng firm na sa kalaunan ay makikipag-ugnayan ang mga corporate client sa mga platform “sa isang purong agentic na paraan, gamit ang AI-powered tools sa halip na mag-log in nang direkta sa ShareWorks o Equity Edge.”

Kaya maaaring magbigay ang AI ng kompetitibong kalamangan para sa Morgan Stanley sa pamamagitan ng iba’t ibang mekanismo:

• Pagsasamo ng bilang ng mga kliyenteng kayang suportahan ng bawat tagapayo
• Pinalalawak ang personalized services patungo sa mass-affluent market
• Pinapabuti ang produktibidad ng tagapayo nang hindi binabawasan ang kalidad ng serbisyo
• Pinalalakas ang retention sa pamamagitan ng mas madalas at personalized na interaksyon
• Pag-scale ng kita sa pamamahala ng kayamanan nang walang katumbas na paglago ng administratibo

Hindi ito nangangahulugang tiyak na mapapabuti ng AI ang kita ng Morgan Stanley, dahil ipinapakita ng pag-aaral na ang ganoong pagbuti at kita ay maaaring karamihan ay mapunta sa mga customer. Ngunit dapat itong makatulong na patatagin ang posisyon nito bilang lider sa industriya, at ang inaasahang global expansion ng pamilihan ng pamamahala ng kayamanan dahil sa AI ay makikinabang sa buong industriya.

Pinakabagong Balita at Pag-unlad sa Stock ng Morgan Stanley (MS)

Study Referenced

^{1. Lina Song and Huaili Lyu. Pinapalitan ba ng malalaking modelo ng wika o kinokomplemento ang mga tagapayo sa pamumuhunan? Ebidensya mula sa mga kumpanyang pamamahala ng kayamanan sa Tsina. International Review of Economics& Finance. Oktubre 2026. Article: 105636. Volume 111. 10.1016/j.iref.2026.105636}