В управлении активами давно используются количественные модели и алгоритмическая торговля, а в последние годы — методы машинного обучения для поиска инвестиционных сигналов. Развитие AI-агентов добавляет к этим инструментам возможность автономно организовывать и выполнять многоэтапные рабочие процессы в рамках заданной цели, доступных инструментов и установленных ограничений, меняя способ организации инвестиционного процесса.
Agentic Asset Management: что это и как работает
Концепцию агентного управления активами (Agentic Asset Management) пока нельзя считать устоявшейся отраслевой категорией. В широком смысле она описывает модель, в которой AI-агенты могут анализировать данные и формировать рекомендации, а также последовательно выполнять связанные задачи:
- отслеживать рынок;
- проверять инвестиционные гипотезы;
- контролировать риски;
- формировать портфель и осуществлять его ребалансировку.
Agentic Asset Management не обязательно предполагает полностью автономное управление инвестиционным портфелем. Наиболее реалистичная модель включает в себя разные уровни делегирования — от подготовки решений для портфельного менеджера до самостоятельного выполнения отдельных операций в пределах заранее определенного инвестиционного мандата.
Разница между агентным управлением и традиционной автоматизацией
Различные решения для автоматизации инвестиционного процесса используются уже многие десятилетия. Так, торговые алгоритмы могут автоматически анализировать рыночные сигналы и совершать сделки в соответствии с заданной стратегией, а робоэдвайзеры уже давно формируют и ребалансируют портфели без постоянного участия специалиста. Основное отличие агентного подхода заключается не в самой автоматизации, а в характере выполняемого процесса.
| Параметр | Традиционная автоматизация | Агентное управление |
| Постановка задачи | Выполнение заранее определенной модели, стратегии или набора правил | Работа с более общей целью или инвестиционной задачей |
| Планирование | Последовательность действий обычно задана заранее | AI-агент может самостоятельно разбивать задачу на этапы и определять порядок действий |
| Работа с данными и инструментами | Источники, инструменты и порядок их использования задаются заранее | Агент может выбирать, к каким из заранее разрешенных источников и инструментов обращаться на конкретном этапе |
| Адаптация процесса | Изменения происходят в рамках заложенной модели | Агент может корректировать последовательность действий по мере появления новой информации |
| Связь между этапами | Связь между этапами проектируется заранее и реализуется в качестве фиксированного рабочего процесса | Агент может динамически выбирать следующий шаг в рамках заданных границ |
| Ограничения | Определяются правилами алгоритма и параметрами стратегии | Автономность также ограничивается заданными правилами, лимитами и инвестиционным мандатом |
При этом современные количественные модели могут быть адаптивными, а агентные системы используют детерминированные компоненты — например, для точных расчетов, проверки лимитов и соблюдения жестких ограничений. Поэтому Agentic Asset Management правильнее рассматривать не как замену алгоритмического инвестирования, а как дополнительный уровень управления, который связывает анализ, принятие решений и исполнение в рамках единого рабочего процесса.
Участие AI-агентов в инвестиционном процессе
В управлении портфелем агентность может проявляться сразу на нескольких этапах:
- Исследование рынка. Агент может непрерывно отслеживать публикации финансовой отчетности, макроэкономические показатели, рыночные данные и другую релевантную информацию, сопоставлять их между собой и выявлять изменения, требующие внимания инвестиционной команды.
- Формирование портфеля. На основе инвестиционного мандата система может сравнивать разные сценарии распределения активов, оценивать ожидаемую доходность и риск, проверять ограничения и предлагать структуру портфеля.
- Мониторинг и ребалансировка. После формирования портфеля агент может отслеживать отклонения от целевых параметров, изменение риска или рыночного режима и при достижении заданных условий инициировать ребалансировку.
- Исполнение и контроль. При достаточном уровне полномочий система может формировать список сделок, проводить предварительные проверки и передавать поручения в торговую инфраструктуру, а случаи, выходящие за установленные правила, лимиты или полномочия системы, эскалировать специалисту.
Именно объединение этих функций отличает агентный подход от использования отдельных AI-инструментов. Один агент или группа специализированных агентов потенциально способны сопровождать инвестиционное решение на протяжении значительной части его жизненного цикла.
Ключевые преимущества агентных систем для управляющих активами
Один из ключевых экономических эффектов связан с масштабированием аналитической работы, поскольку традиционная инвестиционная команда ограничена количеством компаний, инструментов и рынков, которые специалисты способны качественно отслеживать. AI-агенты позволяют масштабировать аналитическую работу без сопоставимого увеличения численности команды.
Boston Consulting Group (BCG) в Global Asset Management Report 2026 оценивает, что внедрение AI-агентов может позволить управляющим компаниям увеличить в 2–5 раз охват инвестиционных исследований. При этом до 70–80% стандартных операций по исполнению сделок, включая предварительные проверки, управление поручениями и мониторинг исполнения, потенциально могут выполняться автономно. По базовой оценке BCG, комплексная перестройка процессов управления активами с широким внедрением инструментов на основе искусственного интеллекта может снизить совокупные издержки управляющих активами на 25–35% в течение трех–пяти лет.
Потенциальный эффект не ограничивается сокращением расходов, поскольку расширение аналитического охвата позволяет подробнее анализировать активы, исследование которых раньше было экономически нецелесообразно, а более дешевое построение и обслуживание портфелей — создавать персонализированные стратегии для клиентов с меньшим объемом капитала.
BNY рассматривает переход к работе с данными в реальном времени и развитие агентных решений как два взаимосвязанных фактора, которые способствуют трансформации buy-side-компаний. Автономные агенты в этом контексте выступают в роли постоянно доступных помощников, которые задействуются на разных этапах инвестиционного цикла — от анализа до контроля рисков и операционных процессов.
Ограничения автономного управления и требования к контролю
По мере роста автономии человек может выходить из контура оперативного принятия решений, сохраняя надзорную роль. Это делает особенно важными несколько ограничений агентных систем:
- Система должна строго соблюдать ограничения инвестиционного мандата. Решение не может быть принято или исполнено, если оно нарушает установленные ограничения на классы активов, концентрацию, ликвидность или риск.
- Инвестиционная организация должна обеспечивать трассируемость принятого решения, то есть иметь возможность фиксировать использованные данные и инструменты, примененные ограничения, выполненные действия и точки согласования человеком.
- AI-агенты зависят от качества исходной информации. Ошибка в рыночных данных, неверная интерпретация документа или ложная причинно-следственная связь могут быстро распространяться по всей цепочке решений, особенно если между этапами отсутствуют независимые проверки.
- Множество агентов не обязательно обеспечивает независимость мнений. Если они используют одинаковые модели, данные и методы, внешне разнообразные решения могут содержать одни и те же ошибки.
Тао Чжан, главный представитель Банка международных расчетов (BIS) в Азиатско-Тихоокеанском регионе, сообщал в ходе доклада на Global Fintech Fest 2025, что широкое использование схожих AI-моделей для торговли и управления портфелями может приводить к синхронным реакциям участников рынка, усиливая рыночные движения, повышая волатильность и создавая риски для финансовой стабильности.
Неравномерное и осторожное внедрение AI-решений в отрасли отмечал в феврале 2026 года Брайан Дейли, директор Отдела управления инвестициями Комиссии по ценным бумагам и биржам США (SEC). По словам чиновника, главным препятствием на пути более широкого внедрения систем на основе искусственного интеллекта участники рынка называют риски юридической ответственности.
Модель автономного инвестиционного портфеля
Одной из наиболее наглядных исследовательских иллюстраций того, как автономность AI-агентов может сочетаться с формализованными инвестиционными ограничениями, в 2026 году стала модель Self-Driving Portfolio, которую предложили исследователи Эндрю Энг, Назым Азимбаев и Андрей Ким.
Модель реализована посредством экспериментальной агентной архитектуры стратегического распределения активов, в рамках которой около 50 специализированных AI-агентов формируют предположения о состоянии рынков, используют более 20 методов построения портфеля, проверяют результаты друг друга и голосуют за различные варианты распределения активов. Отдельный исследовательский агент способен предлагать новые методы, а мета-агент сравнивает предыдущие прогнозы с фактическими результатами и корректирует код и инструкции других агентов.
Ключевым элементом, задающим рамки работы системы, выступает Investment Policy Statement (IPS) — документ инвестиционной политики, который фиксирует инвестиционные цели, допустимые классы активов, параметры риска и другие ограничения. В агентной архитектуре IPS направляет работу системы и определяет границы допустимых решений.
Важно отметить, что Self-Driving Portfolio остается исследовательской архитектурой стратегического распределения активов, а не примером уже сложившейся практики полностью автономного управления институциональным капиталом. Ее значение состоит прежде всего в демонстрации того, как автономность нескольких агентов может быть встроена в единый контур инвестиционной политики и ограничений.
Изменения на рынке управления активами под влиянием агентных систем
Рост автоматизации меняет распределение обязанностей и рабочего времени. Аналитики могут меньше времени тратить на поиск и первичную обработку информации, трейдеры — на сопровождение стандартных заявок, а управляющие — на регулярную проверку заранее определенных условий. Высвобождающиеся ресурсы могут направляться на задачи, где требуется профессиональное суждение, такие как:
постановка инвестиционных целей;
анализ нестандартных ситуаций;
разработка новых стратегий;
работа с клиентскими мандатами.
Распространение агентных систем может изменить не только организацию инвестиционного процесса, но и экономику конкуренции между управляющими компаниями. Если часть аналитической и операционной работы становится дешевле и легче масштабируется, преимущества, которые раньше напрямую зависели от размера команды и объема доступных ресурсов, могут постепенно ослабевать.
Эффект при этом будет неодинаковым для разных участников рынка, поскольку крупные управляющие смогут опираться на уже накопленные данные, технологическую инфраструктуру и клиентскую базу при масштабировании агентных систем, тогда как для небольших компаний удешевление отдельных аналитических и операционных функций может снизить часть входных барьеров.
По мере того как AI-агенты берут на себя базовые аналитические и операционные функции, дифференциация между управляющими смещается от объема выполняемой вручную работы к тому, как компания формулирует инвестиционную политику, использует данные, выстраивает систему контроля и принимает решения в нестандартных ситуациях. Поэтому долгосрочный эффект Agentic Asset Management, вероятно, будет заключаться в изменении того, какие компетенции и организационные возможности определяют качество управления активами.
