Samenvatting

  • Vermogensbeheerders hebben moeite om aan de verwachtingen van klanten voor e-commerce-stijl productaanbevelingen te voldoen vanwege complexe productkenmerken, nalevingsbeperkingen en multidimensionale doelen.
  • Benaderingen op basis van regels of segmentatie leveren bot, one-size-fits-all advies op, wat het vertrouwen van de klant ondermijnt en de schaalbaarheid beperkt.
  • Door modellen voor machinaal leren, wiskundige optimalisatie (portefeuilleoptimalisatie), grote taalmodellen en een Agentic AI orkestratielaag over elkaar heen te leggen, kunnen banken diverse data integreren en de ruwe output van machinaal leren vertalen naar betere verklaringen, aanbevelingen en geautomatiseerde acties.

Vermogensbeheer zit vast in het verleden. Klanten leven in een wereld van moeiteloze, hypergepersonaliseerde aanbevelingen van YouTube, TikTok of Amazon, maar banken pushen producten via regels, onhandige segmentatie en giswerk van adviseurs. Banken hebben moeite om gelijke tred te houden met de verwachtingen van klanten en de complexiteit van de huidige portefeuilles. Hybride AI kan dit veranderen. Door machine learning, de discipline om portefeuilles te optimaliseren en de contextuele intelligentie van grote taalmodellen te combineren, aangestuurd door een Agentic AI-laag, kunnen vermogensbeheerders aanbevelingen doen die slim, persoonlijk en goed getimed aanvoelen. Het systeem kan van elke interactie leren, past zich automatisch aan de wettelijke beperkingen aan en legt zichzelf uit in een taal die klanten en adviseurs echt begrijpen.

Het resultaat is een echte sprong voorwaarts: adviseurs krijgen scherpere begeleiding, digitale kanalen worden conversiemotoren en klanten voelen zich eerder begrepen dan benaderd. Banken die hybride AI omarmen, zullen het volgende tijdperk van advies bepalen, een tijdperk waarin relaties tussen mensen worden aangedreven door samenwerking tussen AI en AI, en waarin vertrouwen niet wordt opgebouwd door relaties of verkoop, maar door intelligentie.

Inleiding

In het tijdperk van Netflix zijn we gewend geraakt aan zeer gepersonaliseerde producten en diensten in ons dagelijks leven. Vermogensbeheerklanten, met name de segmenten die worden bediend door relatiebeheerders (RM's), verwachten steeds vaker hetzelfde niveau van op maat gemaakte aanbevelingen voor financiële producten als ze krijgen bij films of winkelen. Maar het leveren van personalisatie in Netflix-stijl in een sterk gereguleerde vermogenscontext is veel complexer. Financiële producten hebben ingewikkelde kenmerken, zoals risiconiveaus, voorwaarden en belastingimplicaties, en moeten afgestemd zijn op de unieke doelen en beperkingen van elke klant. Bedrijven die deze personalisatiekloof overbruggen, kunnen de betrokkenheid en loyaliteit van hun klanten vergroten.

In deze whitepaper wordt onderzocht hoe generatieve AI productaanbevelingen in vermogensbeheer kan transformeren via een hybride aanpak die traditionele machine learning en portefeuilleoptimalisatie combineert met GenAI.

De personalisatiekloof in vermogensbeheer

Vermogensbeheer heeft te maken met unieke uitdagingen die effectieve productaanbevelingen moeilijk maken. Op ML gebaseerde aanbevelingen die in e-commerce worden gebruikt, optimaliseren meestal voor één doel (het volgende beste product om te kopen), maar vermogensbeheerders hebben te maken met meerdere doelstellingen en beperkingen: kapitaalgroei, inkomen, risicobeperking, belastingefficiëntie, liquiditeit, en individuele klantdoelen en -voorkeuren. Zowel ML als PO zijn opgebouwd rond gestructureerde data; een holistische productaanbeveling moet ongestructureerde informatie bevatten zoals markttrends, risicoprofielen van cliënten, gedragspatronen en het sentiment van cliënten, die moeilijk te coderen is in gestructureerde informatie waarop ML- en PO-modellen getraind moeten worden.

Traditionele aanbevelingssystemen in vermogensbeheer, voor zover ze bestaan, zijn vaak simplistisch. Veel banken vertrouwen op op regels gebaseerde assetallocatie of brede klantsegmentatie. Dit zijn botte instrumenten die geen rekening houden met persoonlijke nuances, zoals de interesse van een klant in duurzaam beleggen of zijn liquiditeitsbehoeften. Het kan ook leiden tot algemene, one-size-fits-all suggesties. Vandaar dat veel RM's terugvallen op handmatige benaderingen, vertrouwend op hun eigen ervaring en intuïtie in plaats van op data-driven inzichten. Klanten kunnen op hun beurt productpresentaties ontvangen die losstaan van hun doelen, waardoor hun vertrouwen in het adviesproces afneemt.

Vooruitgang op het gebied van AI, met name GenAI in combinatie met machine learning en portefeuilleoptimalisatie, biedt een manier om vooruit te komen.

Een hybride GenAI-aanpak voor slimmere aanbevelingen

Om de huidige beperkingen te overwinnen, stellen we een hybride GenAI-aanbevelingsmotor op maat voor vermogensbeheer voor. “Hybride” betekent hier dat het meerdere AI-technieken combineert en menselijk toezicht integreert, waarbij de sterke punten van elke techniek worden benut en de zwakke punten worden verzacht.

1) Machinaal leren: traditionele ML-modellen zijn effectief in het analyseren van klantgedrag data eerdere beleggingen, productaanvragen of website-/appkliks. Dit brengt patronen en inzichten in peergroups aan het licht (bijv. vaststellen dat klanten die vergelijkbaar zijn met klant A interesse tonen in ESG-aandelenfondsen).

2) Portefeuilleoptimalisatie: het systeem endogeen verschillende doelstellingen en management-/regelgevingsbeleid omvat, waaronder

  • Nalevingsregels: Dit zorgt ervoor dat, hoe creatief de AI ook wordt, de suggesties gepast en toegestaan zijn en afgestemd op de bedrijfsstrategie, bijvoorbeeld het risicoprofiel.
  • Strategische activaspreiding: Modelportefeuilles waarin de opvattingen van portefeuillebeheerders en veronderstellingen over de kapitaalmarkt, zoals liquiditeitsvereisten, zijn opgenomen.
  • Campagnes: Door de CIO of CFO geleide activaklasseprioritering om de frontlinie op een bepaald moment in de richting van bepaalde producten of productcategorieën te sturen, bijvoorbeeld een doelallocatie in een activaklasse zoals obligaties of aandelen

3) Kanaalintegratie:

  • Voor mensgericht gebruik moet het systeem geïntegreerd worden in de dagelijkse workflow van de RM. Aanbevelingen moeten verschijnen in het CRM-dashboard van de adviseur of als waarschuwingen in een mobiele app voor gebruik onderweg. Het platform moet de feedback van de adviseur vastleggen: (“de klant is alleen geïnteresseerd in informatie over USD-obligaties”). Na verloop van tijd creëert dit een leerproces waarbij de AI zich aanpast aan wat adviseurs al dan niet nuttig vinden, en zichzelf afstemt op de klant.
  • Voor digitale kanalen - apps voor mobiel bankieren, chats, e-mail - moet het systeem kunnen voorzien in kanaalspecifieke berichten, bijv. afgekorte productpraatjes, die op het juiste moment worden afgeleverd.

4) Redeneren op basis van LLM: Een grote taalmodelcomponent voegt context toe aan kandidaataanbevelingen en kan op regels gebaseerde en ML-gebaseerde input opnemen en een redeneerlaag toevoegen. LLM's kunnen ongestructureerde data zoals informatie over modelportefeuilles, klantprofielen, notities van RM-vergaderingen en marktonderzoek opnemen om ML- en regelgebaseerde input te evalueren. Als een machine-learningmodel bijvoorbeeld een fonds in de technologiesector markeert dat klanten kochten die vergelijkbaar zijn met onze doelklant, kan het LLM opmerken dat Klant A onlangs in een e-mail zijn voorzichtigheid heeft uitgesproken over technologieaandelen. De LLM kan dan de rangschikking van de aanbeveling aanpassen of een alternatief voorstellen.

5) Versterkingsleren & feedbacklus: een versterkingslerende component evalueert de resultaten en stelt de aanbevelingsstrategie voortdurend bij. De feedback kan van verschillende bronnen komen: acties van de klant (heeft de klant het aanbevolen product gekocht of interesse getoond in het product?), acties van de adviseur (heeft de adviseur de aanbeveling met de klant gedeeld of heeft hij deze overgeslagen?), en resultaten van de prestaties (heeft de aanbevolen investering de verwachte resultaten opgeleverd in verhouding tot de doelstellingen van de klant?). Deze signalen worden in het leeralgoritme ingevoerd om het model aan te passen.

Door middel van deze hybride aanpak op meerdere lagen combineert de aanbevelingsengine data-driven inzicht, contextueel begrip, strikte governance en continu leren. Het is GenAI-aangedreven, maar gegrond in de realiteit van vermogensbeheer met veel contact.

Aan de slag

Door de precisie van machinaal leren en portefeuilleoptimalisatie te combineren met de contextuele intelligentie van grote taalmodellen en agentische AI kan een krachtige end-to-end beslissingsmotor gecreëerd worden. Machine learning en portfolio-optimalisatie blinken uit in gestructureerde voorspellingstaken omdat ze grote, schone datasets met hoge nauwkeurigheid kunnen verwerken. Deze resultaten zijn echter vaak beperkt en context-blind. Door modellen voor machine learning, portfolio-optimalisatie, grote taalmodellen en een Agentic AI orkestratielaag over elkaar heen te leggen, kunnen banken “lawaaierige” data zoals klantgesprekken, feedback of marktcommentaar opnemen en de ruwe output van machine learning omzetten in betere verklaringen, aanbevelingen en geautomatiseerde acties.

Hybride AI-aangedreven productaanbevelingen in WM bieden een krachtige kans om de normen voor adviesdiensten in hun respectieve markten opnieuw vast te stellen. Banken moeten:

  • Beoordeling het huidige platform en de processen voor klantpersonalisatie. Vaak begrijpen maar weinig mensen binnen de bank het end-to-end systeem en hoe het in de praktijk wordt gebruikt.
  • Verken de GenAI tools en data middelen die al beschikbaar zijn (u bent misschien dichter bij de implementatie van een dergelijk systeem dan u denkt), en de vele nieuwere modellen en methoden die vandaag de dag op de markt zijn.
  • Experiment in gecontroleerde pilots - bijvoorbeeld beginnen met een subset van adviseurs en klanten, en een beperkte productset, om de hybride aanbevelingsmotor in actie te testen.

Verder dan hybride AI

De trend om traditionele machine learning te combineren met LLM's en AI Agents is niet uniek voor de financiële dienstverlening. E-commercespelers maken zich op voor de opkomst van Agentic Commerce: een wereld waarin mensen niet langer rechtstreeks met apps en websites werken, maar in plaats daarvan hun persoonlijke AI-assistenten voor hen laten ontdekken en transacties laten uitvoeren. Een wereld waarin klanten hun persoonlijke AI-agenten vragen “hoe kan ik het beste een nieuwe hypotheek op mijn huis nemen” of “zoek een paar sneakers voor het verjaardagscadeau van mijn zoon”.

In deze wereld werken traditionele machine learning en productaanbevelingen niet meer zoals voorheen - in plaats daarvan zullen we een AI-naar-AI betrokkenheid zien, AI's die zich bezighouden met verkennen, ontdekken, onderhandelen, vertalen en uitvoeren, met toezicht van mensen om richting te geven, een duwtje in de rug te geven en uiteindelijk goed te keuren.

Ook vermogensbeheerders kunnen met deze trend te maken krijgen - in plaats van klanten te ontmoeten, zullen relatiebeheerders en hun AI-tools binnenkort misschien in contact komen met de persoonlijke AI-vertegenwoordigers van hun klanten, in plaats van met de klant. Banken moeten deze verschuiving niet als een bedreiging zien, maar als een ontwerpopdracht om adviesplatforms te bouwen die het vertrouwen van AI-agenten - en de mensen erachter - kunnen verdienen.