Analisis Pengelolaan Kekayaan Berbasis Kecerdasan Buatan
Kecerdasan buatan memberikan para manajer kekayaan akses ke lebih banyak data, analisis yang lebih cepat, dan gambaran yang semakin terperinci mengenai portofolio klien. Namun, nilainya tidak akan diukur dari volume informasi yang dapat diolahnya. Ujian sesungguhnya adalah apakah perusahaan dapat mengubah informasi tersebut menjadi keputusan yang lebih baik tanpa mengorbankan akuntabilitas, keamanan, atau kepercayaan klien.
Analisis berbasis kecerdasan buatan (AI) kini telah berkembang jauh melampaui rekomendasi portofolio dasar yang identik dengan generasi pertama robo-advisor. Manajer kekayaan kini memanfaatkan teknologi tersebut untuk memantau risiko, mengintegrasikan informasi keuangan, menganalisis pasar, dan mengidentifikasi perubahan dalam kondisi klien.
Skala peluang yang lebih luas ini sangat besar. PwC memperkirakan bahwa kecerdasan buatan dapat memberikan kontribusi sebesar $15,7 triliun bagi perekonomian global pada tahun 2030. Sektor jasa keuangan kemungkinan besar akan menjadi salah satu sektor yang paling terdampak karena sebagian besar pekerjaannya bergantung pada analisis data, pengenalan pola, dan pengambilan keputusan dalam kondisi ketidakpastian.
Namun, teknologi tersebut tidak menghilangkan ketidakpastian dalam berinvestasi. Teknologi tersebut mengubah seberapa cepat lembaga-lembaga dapat menganalisisnya.
Mulai dari portofolio otomatis hingga infrastruktur analitik
Penerapan awal kecerdasan buatan (AI) dalam pengelolaan kekayaan masih relatif terbatas. Robo-adviser menggunakan algoritma untuk menilai toleransi risiko, menyusun portofolio, dan menyeimbangkan kembali kepemilikan sesuai dengan aturan yang telah ditetapkan sebelumnya.
Platform-platform ini berhasil menekan biaya pengelolaan investasi dasar dan membuat portofolio yang terdiversifikasi dapat diakses oleh kelompok nasabah yang lebih luas. Namun, kemampuan analitisnya umumnya terbatas pada informasi keuangan yang terstruktur dan model investasi yang terstandarisasi.
Sistem-sistem saat ini mampu menangani beragam tugas yang lebih luas. Sistem-sistem tersebut dapat menggabungkan data portofolio dengan harga pasar, laporan perusahaan, indikator ekonomi, liputan berita, dan informasi eksternal lainnya. Pemrosesan bahasa alami memungkinkan sistem-sistem tersebut menganalisis teks, sementara model pembelajaran mesin mencari hubungan-hubungan yang mungkin sulit diidentifikasi melalui analisis tradisional.
Hal ini menciptakan proses investasi yang lebih dinamis. Alih-alih hanya mengandalkan tinjauan portofolio berkala, para penasihat dapat memantau eksposur dan faktor risiko seiring dengan tersedianya informasi baru.
Perbedaan ini penting. AI tidak lagi sekadar saluran distribusi otomatis. AI kini semakin menjadi bagian dari infrastruktur analitis yang mendasari keputusan investasi.
BlackRock menggambarkan besarnya pergeseran tersebut
Platform Aladdin milik BlackRock sering disebut sebagai contoh pengelolaan portofolio yang didorong oleh teknologi. Sistem ini menggabungkan analisis portofolio, pemantauan risiko, perdagangan, dan alat operasional dalam satu lingkungan terpadu.
Aladdin bukanlah sekadar produk kecerdasan buatan, dan juga tidak secara otomatis memprediksi pergerakan pasar. Keunggulannya terletak pada integrasi sejumlah besar data investasi ke dalam kerangka kerja analitis yang terpadu.
Manajer portofolio dapat menggunakan platform ini untuk menganalisis bagaimana perubahan suku bunga, nilai tukar, atau harga aset dapat memengaruhi berbagai posisi investasi. Mereka dapat menguji berbagai skenario, memantau konsentrasi, dan mengevaluasi risiko di seluruh portofolio yang mencakup berbagai kelas aset.
Pembelajaran mesin dapat memperluas kemampuan ini dengan mendeteksi pola dalam data historis dan data real-time. Analisis yang dihasilkan dapat membantu tim investasi mengidentifikasi titik-titik lemah lebih dini atau membandingkan berbagai kemungkinan hasil yang lebih luas.
Model ini juga menunjukkan mengapa skala itu penting. Manajer aset berskala besar memiliki akses ke kumpulan data yang luas, tenaga kerja yang ahli, dan modal yang diperlukan untuk membangun sistem yang canggih. Sementara itu, manajer kekayaan berskala lebih kecil cenderung memperoleh kemampuan serupa melalui penyedia teknologi eksternal.
Data yang lebih banyak, namun belum tentu lebih jelas
Pasar global untuk kecerdasan buatan (AI) di sektor keuangan diperkirakan akan tumbuh sekitar 23% per tahun antara tahun 2021 dan 2025, menurut Statista. Pertumbuhan ini mencerminkan kemajuan teknologi sekaligus keinginan lembaga keuangan untuk memperoleh nilai lebih dari data yang mereka miliki.
Sistem kecerdasan buatan (AI) mampu memproses informasi dari sumber-sumber yang sebelumnya sulit dimasukkan ke dalam analisis portofolio. Sumber-sumber tersebut antara lain sentimen di media sosial, perkembangan geopolitik, citra satelit, dan pengungkapan informasi perusahaan yang tidak terstruktur.
Masukan semacam itu dapat memperkaya riset investasi. Namun, masukan tersebut juga dapat menimbulkan gangguan.
Aktivitas di media sosial mungkin lebih mencerminkan emosi jangka pendek daripada perubahan mendasar. Analisis berita bisa saja salah menafsirkan konteks. Peristiwa geopolitik jarang sekali memiliki dampak tunggal dan dapat diprediksi terhadap pasar.
Oleh karena itu, kemampuan untuk memproses lebih banyak informasi tidak boleh disamakan dengan kemampuan untuk membuat perkiraan yang akurat. Model-model tersebut mungkin mengidentifikasi hubungan-hubungan yang menghilang ketika kondisi pasar berubah. Model-model tersebut juga mungkin memberikan hasil numerik yang tepat untuk asumsi-asumsi yang masih sangat tidak pasti.
Nilai kecerdasan buatan (AI) sebagian terletak pada perluasan cakupan analisis. Tanggung jawab untuk menilai informasi mana yang relevan tetap berada di tangan para profesional investasi.
Analisis real-time mengubah laju pengambilan keputusan
Proses pengelolaan kekayaan tradisional sering kali mengandalkan pelaporan bulanan atau triwulanan. Hal ini dapat membuat penasihat dan klien bekerja berdasarkan informasi yang sudah tidak mutakhir.
Sistem yang didukung kecerdasan buatan (AI) dapat menganalisis portofolio secara berkelanjutan. Perubahan harga pasar, volatilitas, atau korelasi dapat langsung tercermin dalam penilaian risiko.
Hal ini mungkin memungkinkan perusahaan untuk merespons masalah yang muncul dengan lebih cepat. Sebuah sistem dapat mengidentifikasi bahwa beberapa investasi yang tampaknya tidak saling terkait telah terpapar pada risiko suku bunga, mata uang, atau likuiditas yang sama. Sistem tersebut juga mungkin mendeteksi bahwa portofolio seorang klien telah melampaui batas yang telah disepakati setelah terjadi pergerakan pasar yang tajam.
Kecepatan memang berguna, tetapi hal itu bisa menimbulkan tekanan untuk bertindak padahal sebaiknya bersikap menahan diri.
Investor jangka panjang tidak perlu melakukan transaksi setiap kali terjadi perubahan kondisi pasar. Peringatan yang terlalu sering dapat mendorong intervensi yang tidak perlu dan merusak strategi yang telah disusun dengan cermat.
Oleh karena itu, para manajer kekayaan perlu membedakan antara informasi yang memerlukan tindakan dan informasi yang sekadar menggambarkan fluktuasi jangka pendek.
Personalisasi tidak hanya sebatas kuesioner risiko
Salah satu argumen terkuat yang dikemukakan mengenai AI adalah bahwa teknologi ini mampu memberikan saran investasi yang lebih disesuaikan dengan kebutuhan masing-masing.
Penyusunan portofolio tradisional sering kali mengelompokkan nasabah ke dalam kategori-kategori umum berdasarkan usia, kekayaan, dan toleransi terhadap kerugian. Sistem kecerdasan buatan (AI) berpotensi memperhitungkan rentang variabel yang jauh lebih luas, termasuk pendapatan, pola pengeluaran, kebutuhan likuiditas, beban pajak, dan jadwal komitmen keuangan di masa depan.
Hasilnya bisa berupa portofolio yang lebih sesuai dengan kondisi nyata klien.
Bagi keluarga kaya, personalisasi juga dapat mencakup konsolidasi portofolio investasi yang kompleks. Sekuritas publik, perusahaan swasta, properti, utang, dan barang koleksi mungkin tersebar di beberapa bank dan yurisdiksi. Platform yang didukung kecerdasan buatan (AI) dapat membantu mengorganisir informasi ini dan mengidentifikasi risiko yang tidak terlihat dalam rekening individu.
Namun, personalisasi bergantung pada data yang akurat dan terkini. Jika aset pribadi jarang dinilai atau tujuan klien tidak didokumentasikan dengan baik, analisis yang dihasilkan dapat menimbulkan kesan keliru seolah-olah analisis tersebut akurat.
Sebuah sistem hanya dapat melakukan perhitungan berdasarkan informasi yang diterimanya. Sistem tersebut tidak dapat menentukan apakah seorang klien telah menyembunyikan detail penting atau apakah preferensi yang diungkapkan mencerminkan perilaku mereka selama krisis pasar.
Otomatisasi mengubah cara kerja para penasihat
AI dapat mengurangi waktu yang dihabiskan untuk tugas-tugas rutin seperti pengumpulan data, penyusunan laporan portofolio, pengelompokan dokumen, dan persiapan rapat.
Hal ini memberikan para penasihat lebih banyak ruang untuk melakukan kegiatan-kegiatan yang sulit diotomatisasi: mendiskusikan prioritas keluarga, menjelaskan pertimbangan pro dan kontra, serta membantu klien mengambil keputusan di tengah tekanan emosional.
Perubahan ini mungkin dapat meningkatkan produktivitas, terutama di perusahaan-perusahaan di mana para penasihat yang sangat berkualifikasi masih menghabiskan banyak waktu untuk mengumpulkan informasi secara manual.
Hal ini juga dapat meningkatkan ekspektasi klien. Ketika teknologi mampu menghasilkan ringkasan portofolio dan analisis pasar hampir seketika, klien akan semakin enggan membayar biaya tambahan untuk pekerjaan administratif.
Para penasihat perlu menunjukkan nilai tambah melalui interpretasi, bukan sekadar akses terhadap informasi. Peran mereka akan semakin berfokus pada pengujian kesimpulan yang dihasilkan oleh kecerdasan buatan (AI), menempatkannya dalam konteks yang tepat, serta menjelaskan mengapa rekomendasi tertentu sesuai untuk klien.
Hal ini membutuhkan keterampilan yang berbeda. Pengetahuan di bidang keuangan tetap sangat penting, namun para penasihat juga perlu memahami asumsi dan keterbatasan di balik sistem yang mereka gunakan.
Model belajar dari data historis yang tidak sempurna
Model pembelajaran mesin sering digambarkan sebagai model yang terus mengalami peningkatan seiring dengan bertambahnya data yang diproses. Dalam praktiknya, peningkatan tersebut tidak terjadi secara otomatis maupun permanen.
Pasar keuangan terus berubah. Peraturan direvisi, kebijakan moneter berubah, dan perilaku investor pun menyesuaikan diri. Hubungan yang tampak dapat diandalkan berdasarkan data historis dapat melemah atau bahkan berbalik arah.
Model juga dapat mewarisi bias dari informasi yang digunakan untuk melatihnya. Jika keputusan-keputusan di masa lalu didasarkan pada asumsi yang sempit mengenai perilaku klien atau risiko, sistem AI mungkin akan mengulangi pola-pola tersebut dalam skala yang lebih besar.
Hal ini sangat penting terutama dalam penilaian kesesuaian dan segmentasi nasabah. Sistem otomatis tidak boleh mengesampingkan atau merugikan nasabah berdasarkan korelasi yang tidak dapat dijelaskan atau dibenarkan oleh perusahaan.
Oleh karena itu, pengujian rutin sangatlah penting. Manajer kekayaan perlu membandingkan hasil model dengan hasil aktual, menganalisis perilaku yang tidak terduga, dan menentukan kapan suatu sistem perlu dilatih ulang atau dihentikan penggunaannya.
Pengawasan oleh manusia tidak boleh hanya terbatas pada persetujuan atas rekomendasi setelah rekomendasi tersebut disusun. Pengawasan tersebut harus mencakup perancangan, pengujian, dan tata kelola proses analitis itu sendiri.
Regulasi akan mengikuti rantai pengambilan keputusan
Seiring dengan semakin besarnya pengaruh kecerdasan buatan (AI), pihak regulator kemungkinan akan lebih fokus pada bagaimana hasil yang dihasilkan secara otomatis memengaruhi nasabah.
Kewajiban yang sudah ada tidak lenyap hanya karena suatu rekomendasi didukung oleh algoritma. Perusahaan tetap harus memastikan bahwa nasihat yang diberikan sesuai, komunikasi dilakukan dengan jelas, dan informasi nasabah terlindungi.
Mereka juga perlu menentukan siapa yang bertanggung jawab jika suatu keputusan yang didukung AI menimbulkan kerugian. Tanggung jawab tersebut mungkin terbagi di antara manajer kekayaan, penyedia perangkat lunak, penyedia data, dan karyawan yang menggunakan sistem tersebut.
Kompleksitas tersebut menjadikan dokumentasi menjadi hal yang penting. Perusahaan harus mampu menjelaskan data apa saja yang digunakan, bagaimana hasil analisis memengaruhi rekomendasi akhir, dan pada tahap mana pertimbangan manusia turut berperan dalam proses tersebut.
Transparansi teknis sepenuhnya mungkin tidak selalu dapat dicapai pada model-model yang kompleks. Namun, seorang manajer kekayaan tetap harus mampu memberikan penjelasan yang mudah dipahami mengenai alasan di balik suatu keputusan.
Klien tidak perlu memahami setiap baris kode. Namun, mereka perlu mengetahui dasar-dasar yang menjadi landasan pengelolaan uang mereka.
Masalah keamanan membatasi keinginan untuk bereksperimen
Analisis berbasis kecerdasan buatan bergantung pada akses ke informasi keuangan dan pribadi yang terperinci. Data yang sama yang membuat suatu layanan menjadi lebih bermanfaat juga membuatnya menjadi lebih sensitif.
Manajer kekayaan harus mempertimbangkan di mana informasi tersebut disimpan, sistem mana saja yang dapat mengaksesnya, dan apakah penyedia AI eksternal menggunakan data klien untuk menyempurnakan model mereka sendiri.
Keamanan siber hanyalah salah satu bagian dari masalah ini. Perusahaan juga menghadapi risiko akibat pengungkapan informasi secara tidak sengaja, pengaturan izin yang salah, serta karyawan yang memasukkan informasi rahasia ke dalam alat yang tidak sesuai.
Klien kekayaan pribadi mungkin memiliki kepentingan dalam perusahaan keluarga, perwalian, dan transaksi di masa depan yang tidak diketahui publik. Kebocoran data dapat menimbulkan konsekuensi komersial, hukum, dan pribadi yang jauh melampaui nilai rekening yang terkena dampaknya.
Oleh karena itu, lembaga-lembaga perlu menerapkan pengawasan yang ketat terhadap sistem yang telah disetujui dan kasus penggunaan yang diizinkan. Eksperimen tidak boleh dilakukan dengan mengorbankan kerahasiaan.
Keunggulan kompetitif kini bergeser ke tahap implementasi
Gartner memperkirakan bahwa 75% strategi investasi akan didasarkan pada analisis berbasis kecerdasan buatan (AI) pada tahun 2026. Angka pastinya masih perlu diverifikasi, namun tren ini masuk akal: analisis otomatis semakin umum diterapkan di sektor jasa keuangan.
Seiring dengan semakin luasnya akses terhadap alat-alat AI, teknologi itu sendiri tidak lagi menjadi faktor pembeda yang signifikan. Perusahaan pesaing mungkin menggunakan model, data pasar, dan platform eksternal yang serupa.
Keuntungannya akan terlihat dari pelaksanaannya.
Manajer kekayaan yang memiliki data terkonsolidasi, penasihat berpengalaman, dan tata kelola yang jelas akan berada dalam posisi yang lebih baik untuk memanfaatkan AI secara efektif. Perusahaan yang beroperasi dengan catatan yang terfragmentasi dan sistem yang kurang terintegrasi mungkin justru hanya akan mengotomatisasi kelemahan yang sudah ada.
Lembaga-lembaga yang paling sukses kemungkinan besar tidak akan menyerahkan keputusan investasi sepenuhnya kepada mesin. Mereka juga tidak akan memperlakukan AI sebagai tambahan semata-mata untuk mempercantik layanan tradisional.
Mereka akan menggunakan teknologi tersebut secara selektif: untuk mengorganisir informasi, mengevaluasi portofolio, memantau risiko, dan mempersiapkan para penasihat agar dapat melakukan diskusi yang lebih mendalam dengan klien.
Analisis berbasis kecerdasan buatan (AI) dapat membuat pengelolaan kekayaan menjadi lebih cepat, lebih responsif, dan lebih akurat. Namun, analisis tersebut tidak dapat menentukan tujuan keuangan mana yang paling penting bagi sebuah keluarga atau seberapa besar tingkat ketidakpastian yang benar-benar siap diterima oleh seorang klien.
Itu semua tetap merupakan masalah penilaian. Tujuan dari analisis yang lebih baik bukanlah untuk menggantikan penilaian tersebut, melainkan untuk memberikan landasan yang lebih kokoh bagi penilaian tersebut.
