生成式AI時代的資產管理，投信資料整備落後成課題

2026-08-15

投信資料結構化進度落後

連續創業家、從事金融機構AI活用支援的Semantic Base（東京・中央）代表野口哲表示，投資信託恐怕將被排除在生成式AI的資產管理服務之外，對此表達憂慮。原因在於，超過5800檔的投信資料中，大多尚未完成XBRL化。

各資產管理公司雖然已在金融廳的電子揭露系統（EDINET）揭露投信資訊，但僅限於基金名稱、資產負債表、損益表等內容，信託報酬率、持有標的、淨資產規模變化等主要項目，並未成為可比較的結構化資料。即使生成式AI讀取日本投信資料，也無法適當處理，還可能成為胡言亂語式回應的原因，對事實不符的資訊卻看似合理。有例子顯示，系統甚至會把投資標的企業的「股利」與投信支付給客戶的「分配金」混淆。

朝向以AI為前提的整備

這種落後的背景，在於業界過去一直不希望投信資料被單純比較並排出優劣。曾在大型銀行旗下資產管理公司擔任社長的人士表示：「資料整備就是成本。如果無法證明其效益高於成本，即使提出方案也無法取得共識。」

不過，隨著生成式AI普及，環境正在改變。三菱UFJ銀行5月宣布，將利用經營記帳應用程式的Moneytree金融資料基礎設施，提供「Apps in ChatGPT」。使用者只要詢問已連結的帳戶、餘額或本月支出，就能透過圖表和表格掌握自身金融行為。

包括3家大型銀行在內，共28家公司也已開始透過AI支援個人資產管理。構想是讓從投信搜尋、比較到購買契約，都能透過與AI對話完成。不過，如果只有部分投信資料完成XBRL化，便難以為使用者建立最適合的投資組合。未來要將XBRL化推進到什麼程度，將成為焦點。

在美國，除了投信的風險與報酬外，持有資產明細也已XBRL化。另一方面，AI提出的運用建議是否可能屬於投資建議或全權委託投資，相關討論則是日美共同課題。Semantic Base正與大型網路證券公司、資產管理公司等合作，推動先將尚未整備的投信資料結構化，再整合至金融機構的大型語言模型（LLM）。野口表示，目標是打造「數位版投信EDINET」。

根據日本央行的資金循環統計，日本家庭金融資產截至3月底為2386兆日圓。其中，股票與投資信託為563兆日圓，較一年前增加近3成，逼近保險與年金等的584兆日圓。隨著投資逐漸扎根家庭財務，要推動利用AI進行投資的個別最佳化，能夠被AI輕鬆讀取的資料整備不可或缺。

喜歡這篇內容？立即分享！