Крупные финансовые игроки все активнее оценивают, как именно технологии искусственного интеллекта могут повлиять на бизнес-модели в капитал-секторах. На этой неделе стало известно, что Bank of America планирует провести встречи с инвесторами: в фокусе — обсуждение идей и практических сценариев внедрения ИИ в компаниях частного сектора, работающих над инновациями в этой сфере. В рамках своей аналитической повестки банк отдельно выделил BGC Group как ключевую «AI-ставку» в покрытии компаний, связанных с рынками капитала.
Какие темы Bank of America вынес на встречи инвесторов
В подготовленных материалах и презентационных тезисах Bank of America обозначил пять направлений, где ИИ, по мнению банка, способен создать новые возможности для компаний из его «coverage universe» — то есть набора эмитентов и рыночных инфраструктурных игроков, за которыми банк ведет регулярное аналитическое наблюдение.
-
Новые сценарии использования рыночных данных на биржах.
-
Переход к решениям, предоставляемым через облако — как ожидается, это ускорится в экосистемах Nasdaq (NASDAQ:NDAQ) и Intercontinental Exchange (NYSE:ICE).
-
Более активное вовлечение розничных инвесторов у онлайн-брокеров, а также у Cboe Global Markets (CBOE:CBOE) и Virtu Financial (NASDAQ:VIRT).
-
Усиление ценности электронного трейдинга за счет внедрения ИИ-инструментов в MarketAxess (NASDAQ:MKTX) и Tradeweb (NASDAQ:TW).
-
Рост использования энергетических деривативов — в том числе на площадках и в инфраструктурах ICE, CME Group (NASDAQ:CME) и BGC.
Почему именно BGC Group попала в фокус
Отдельный акцент сделан на BGC Group. Bank of America охарактеризовал компанию как крупнейшего в мире энергетического брокера — то есть посредника на рынке, который сводит участников сделок и помогает формировать ликвидность и ценообразование в сегменте энергетических инструментов.
Банк ожидает, что BGC сможет стать «критическим партнером» в управлении рисками на фоне потенциального роста спроса на энергию — особенно в контексте развития дата-центров, которые необходимы для поддержки масштабирования ИИ. Проще говоря, чем больше вычислительных мощностей требуется для внедрения ИИ, тем выше может стать нагрузка на энергетическую инфраструктуру и тем активнее участники будут использовать соответствующие инструменты для хеджирования.
Существенный аргумент в пользу BGC — наличие у компании собственных данных о торговой активности, которые, по оценке банка, подходят для обучения моделей ИИ. Идея в том, что качественные исторические данные о сделках и поведении участников могут улучшать точность аналитики и помогать создавать новые автоматизированные сервисы.
Дополнительно Bank of America сослался на показатель, который назвал «коэффициентом компенсаций» в покрытии структуры рынка: он составляет 63% для BGC в сравнении с другими компаниями, за которыми наблюдает банк в рамках своего направления market structure coverage. Логика здесь следующая: чем выше доля расходов на персонал в операционной модели, тем больше потенциальный эффект от внедрения «офисной» автоматизации и инструментов ИИ для повышения производительности.
Генеративный ИИ как драйвер выручки от данных
Отдельный блок в материалах Bank of America посвящен генеративному ИИ — технологиям, которые умеют создавать контент и формировать ответы/выводы на основе данных. По мнению банка, такой класс решений способен ускорить рост доходов от рыночной информации: компании, обладающие собственными данными, могут находить для них новые применения и привлекать новых клиентов.
В частности, банк ожидает усиление эффекта в розничном сегменте. В среднем по покрытию market structure coverage, как заявлено, 14% чистой выручки приходится на долю данных (net revenue stems from data). Для понимания: это означает, что значительная часть доходов соответствующих бизнесов связана не только с комиссиями за операции, но и с продажей/монетизацией информации, аналитики и сервисов на основе данных.
Почему «естественный язык» снижает барьер входа
Bank of America также подчеркнул практическую сторону внедрения. Генеративный ИИ, по оценке банка, позволяет выполнять задачи data science — то есть аналитические исследования данных — через естественный язык (например, через запросы словами, а не через сложное программирование). Такой подход способен уменьшить зависимость от навыков программирования и расширить круг пользователей, которые могут работать с данными и инструментами аналитики.
Отдельно упомянуты токен-based модели лицензирования. В упрощенном виде это схемы, при которых доступ к функциям или контенту покупается не «целым пакетом», а через лицензирование в формате токенов — то есть единиц потребления. Bank of America добавил, что подобные модели могут сделать розничные сценарии более экономичными.
Контекст: что известно о лицензировании данных
В качестве примера рыночных трендов в материале также отмечено, что Nasdaq объявила о своей первой сделке по лицензированию данных с компанией из сегмента AI-powered search в марте. Смысл таких соглашений обычно в том, что поставщики данных предоставляют их для обучения и/или использования в поисковых и аналитических ИИ-сервисах, а затем получают плату за лицензии. Это подтверждает, что монетизация данных через ИИ переходит из теории в практику.
