Lonjakan Global dalam Analisis Manajemen Kekayaan Berbasis Kecerdasan Buatan

Kecerdasan buatan semakin menjadi bagian dari infrastruktur analitis dalam pengelolaan kekayaan. Perusahaan-perusahaan menggunakannya untuk memproses lebih banyak informasi, memantau portofolio, dan menyesuaikan rekomendasi untuk setiap klien. PwC memperkirakan adopsi AI di sektor jasa keuangan akan tumbuh sebesar 30% per tahun. Namun, keberhasilan teknologi ini akan lebih bergantung pada kualitas data, pengendalian, dan penilaian profesional yang melingkupinya daripada pada daya komputasi.

Secara tradisional, pengelolaan kekayaan menggabungkan data pasar historis dengan pengalaman para penasihat dan manajer portofolio. Model tersebut tetap relevan, namun kini diuji oleh volume dan kecepatan informasi yang kini tersedia.

Tim investasi harus memantau indikator ekonomi, laporan perusahaan, harga pasar, perkembangan politik, serta perubahan dalam portofolio klien. Tidak ada analis individu yang mampu menganalisis setiap sinyal yang relevan secara real time.

Sistem kecerdasan buatan (AI) berpotensi memperkecil kesenjangan tersebut. Model pembelajaran mesin mampu memproses kumpulan data yang besar, mengidentifikasi pola-pola yang tidak biasa, dan memperbarui penilaian seiring masuknya informasi baru. Alat berbasis bahasa alami dapat menganalisis laporan perusahaan, liputan berita, dan hasil penelitian yang sebelumnya memerlukan tinjauan manual yang mendalam.

Hasilnya bukanlah kepastian. Melainkan landasan yang lebih luas dan lebih cepat untuk mengambil keputusan.

Dari analisis historis hingga pemantauan berkelanjutan

Analisis portofolio tradisional sering kali bersifat retrospektif. Para manajer menganalisis imbal hasil, korelasi, dan volatilitas di masa lalu untuk memahami bagaimana investasi dapat bereaksi dalam berbagai kondisi.

Kecerdasan buatan (AI) dapat memperluas proses ini dengan menggabungkan informasi historis dengan data pasar terkini. Portofolio dapat dipantau secara berkelanjutan, bukan hanya dievaluasi pada saat tinjauan terjadwal.

Hal ini memungkinkan perusahaan untuk mengidentifikasi konsentrasi risiko yang mulai muncul atau perubahan dalam risiko. Investasi yang tampaknya terdiversifikasi berdasarkan kelas aset, misalnya, mungkin bergantung pada kondisi suku bunga, harga komoditas, atau pasar geografis yang sama.

Model pembelajaran mesin mampu mengidentifikasi hubungan semacam itu di ribuan posisi. Model-model tersebut juga dapat membantu para manajer menguji bagaimana portofolio dapat bereaksi terhadap inflasi, fluktuasi nilai tukar, atau penurunan likuiditas pasar.

Kemampuan-kemampuan ini memang berharga, tetapi jangan disalahartikan sebagai prediksi yang dapat diandalkan. Pasar keuangan dipengaruhi oleh perilaku manusia, keputusan kebijakan, dan peristiwa tak terduga. Model yang dilatih berdasarkan kondisi sebelumnya mungkin tidak berfungsi dengan baik ketika kondisi tersebut berubah.

AI dapat menghitung kemungkinan hasil dengan lebih cepat. Namun, AI tidak dapat menghilangkan ketidakpastian yang melatarbelakanginya.

BlackRock menunjukkan pentingnya integrasi

BlackRock sering disebut sebagai contoh pengelolaan investasi yang didorong oleh teknologi. Platform Aladdin miliknya mengintegrasikan data portofolio, analisis risiko, serta fungsi perdagangan dan operasional.

Pentingnya platform ini tidak terletak pada satu algoritma prediktif saja, melainkan pada kemampuannya untuk menyajikan gambaran menyeluruh mengenai eksposur investasi. Manajer portofolio dapat menganalisis risiko di seluruh kelas aset, menguji berbagai skenario, dan memantau bagaimana pergerakan pasar memengaruhi berbagai posisi investasi.

Pembelajaran mesin dapat memperkuat fungsi-fungsi ini dengan mengidentifikasi pola atau anomali yang mungkin terlewatkan oleh analisis konvensional.

Sistem ini juga memperlihatkan keunggulan yang dimiliki oleh lembaga-lembaga besar. BlackRock dapat memanfaatkan data yang sangat luas, tim-tim ahli, dan investasi teknologi yang besar. Manajer kekayaan berskala kecil kemungkinan besar tidak akan mampu membangun infrastruktur serupa secara internal.

Sebaliknya, mereka mungkin mengandalkan platform eksternal yang menawarkan analisis portofolio berbasis kecerdasan buatan, alat kepatuhan, dan pelaporan klien. Hal ini memungkinkan perusahaan-perusahaan kecil untuk mengakses fitur-fitur yang lebih canggih, namun juga meningkatkan ketergantungan mereka pada penyedia layanan pihak ketiga.

Oleh karena itu, pertanyaan strategisnya bukan hanya apakah suatu perusahaan menggunakan kecerdasan buatan, tetapi siapa yang mengendalikan teknologi dan data yang menjadi dasarnya.

Layanan penasihat investasi berbasis robot memperluas jangkauan pasar

Robo-advisor termasuk di antara penerapan analitik otomatis yang paling awal terlihat dalam bidang pengelolaan kekayaan.

Perusahaan seperti Betterment dan Wealthfront menggunakan kuesioner digital dan model algoritmik untuk menyusun portofolio yang terdiversifikasi, menyeimbangkan kembali investasi, dan mengelola transaksi terkait pajak. Layanan mereka dapat disediakan dengan biaya yang lebih rendah dibandingkan dengan hubungan konsultasi tradisional.

Model ini memungkinkan klien dengan dana investasi yang lebih kecil untuk mengakses layanan pengelolaan portofolio. Model ini juga menetapkan standar terkait proses pembukaan rekening yang cepat, biaya yang transparan, dan akses digital yang terus-menerus.

Saran berbasis kecerdasan buatan (AI) generasi berikutnya kemungkinan akan lebih kompleks. Alih-alih hanya mengelompokkan nasabah ke dalam kategori risiko yang luas, sistem tersebut mungkin akan memperhitungkan pendapatan, pengeluaran, kebutuhan likuiditas, kondisi perpajakan, serta komitmen keuangan jangka panjang.

Hal ini membuka peluang untuk menerapkan strategi yang lebih disesuaikan dengan kebutuhan individu. Hal ini juga membutuhkan lebih banyak data pribadi dan penilaian yang lebih cermat.

Portofolio yang disesuaikan secara tepat dengan informasi yang tidak lengkap atau tidak akurat bukanlah portofolio yang benar-benar dipersonalisasi. Portofolio semacam itu hanyalah portofolio yang salah dengan keyakinan yang lebih besar.

Penghematan biaya menarik minat lembaga-lembaga

Deloitte memperkirakan bahwa analitik berbasis kecerdasan buatan (AI) telah berhasil menekan biaya operasional hingga 30% di beberapa perusahaan.

Penghematan tersebut berasal dari beberapa sumber. Sistem dapat mengotomatiskan pengumpulan data, pelaporan portofolio, dan peninjauan dokumen. Tim investasi dapat menyaring berbagai jenis aset tanpa perlu menambah jumlah karyawan dengan laju yang sama. Penasihat investasi mungkin dapat menghemat waktu dalam menyiapkan analisis rutin.

Hal ini tidak berarti bahwa penerapan AI tidak memerlukan biaya yang besar.

Lembaga keuangan harus berinvestasi dalam infrastruktur data, integrasi sistem, keamanan siber, dan pelatihan karyawan. Model-model tersebut memerlukan pengujian dan pemantauan berkelanjutan. Penyedia teknologi eksternal menimbulkan biaya lisensi dan ketergantungan operasional.

Kasus bisnis paling kuat terlihat ketika AI menggantikan pekerjaan yang bersifat repetitif atau meningkatkan proses yang sudah didukung oleh data yang andal. Kasus bisnis tersebut menjadi kurang kuat ketika perusahaan mencoba menerapkan analitik canggih pada sistem yang terfragmentasi dan catatan yang tidak konsisten.

Teknologi tidak dapat menghilangkan kerumitan operasional hanya dengan terhubung dengannya.

Pasar berkembang pesat

Pasar global untuk kecerdasan buatan (AI) di sektor jasa keuangan diproyeksikan mencapai 1,426,67 miliar dolar AS pada tahun 2024. Sekitar 701 lembaga keuangan telah menerapkan solusi AI atau berencana untuk melakukannya.

Angka-angka ini mencerminkan minat yang luas, namun penerapan dapat memiliki banyak arti yang berbeda.

Sebuah lembaga mungkin menggunakan kecerdasan buatan (AI) untuk mengklasifikasikan dokumen. Lembaga lain mungkin menggunakannya untuk mendeteksi penipuan, segmentasi klien, atau penyusunan portofolio. Baik proyek percontohan maupun sistem analitik yang sepenuhnya terintegrasi sama-sama dianggap sebagai penerapan teknologi, meskipun dampaknya terhadap bisnis sangat berbeda.

Perbedaan yang lebih penting adalah antara tahap percobaan dan penerapan operasional.

AI hanya menjadi penting secara strategis jika diintegrasikan ke dalam pengambilan keputusan sehari-hari, didukung oleh data yang andal, dan dipahami oleh karyawan yang diharapkan menggunakannya.

Banyak perusahaan jasa keuangan masih berada di antara kedua tahap tersebut. Mereka telah memperoleh alat-alat tersebut, namun belum menyesuaikan proses mereka dengan alat-alat tersebut.

Deteksi penipuan memberikan gambaran yang lebih jelas

AI telah terbukti bermanfaat dalam mengidentifikasi aktivitas mencurigakan. Sistem-sistem tersebut mampu menganalisis sejumlah besar transaksi, mendeteksi pola yang tidak biasa, dan membandingkan pola perilaku antar akun.

Beberapa perusahaan manajemen kekayaan melaporkan peningkatan tingkat deteksi penipuan hingga 50%.

Teknologi ini dapat membantu lembaga mendeteksi perubahan yang mungkin terlewatkan oleh aturan konvensional. Sebuah transaksi mungkin tampak sah jika dilihat secara terpisah, tetapi menjadi mencurigakan jika dibandingkan dengan aktivitas klien sebelumnya atau jaringan yang lebih luas.

Hasil positif palsu tetap menjadi tantangan. Transaksi yang tidak biasa belum tentu merupakan tindakan penipuan, terutama dalam bidang kekayaan pribadi, di mana klien mungkin mentransfer dana dalam jumlah besar antarperusahaan, perwalian, dan yurisdiksi.

Oleh karena itu, sistem otomatis perlu membedakan antara aktivitas yang dapat diselesaikan dengan cepat dan kasus-kasus yang memerlukan penyelidikan oleh manusia.

Tujuannya bukanlah untuk menghilangkan proses peninjauan oleh manusia. Tujuannya seharusnya adalah untuk mengarahkan proses tersebut dengan lebih cerdas.

Personalisasi menguji batas-batas data

Rekomendasi yang didukung oleh kecerdasan buatan (AI) telah dikaitkan dengan peningkatan kepuasan pelanggan hingga 40%.

Saran yang lebih relevan dapat memperkuat hubungan dengan klien. Seorang penasihat yang memahami kebutuhan likuiditas, tingkat risiko, dan tujuan keuangan klien dapat menawarkan layanan yang terasa lebih responsif dibandingkan dengan portofolio model standar.

AI dapat mendukung hal ini dengan mengintegrasikan informasi dan mengidentifikasi perubahan yang mungkin terlewatkan jika tidak diperhatikan.

Sebuah sistem mungkin akan memberi peringatan bahwa cadangan kas klien telah turun di bawah batas yang disepakati, bahwa portofolio telah menjadi terlalu terkonsentrasi, atau bahwa kewajiban keuangan yang akan datang memerlukan perubahan dalam alokasi aset.

Analisis tersebut menjadi semakin mendalam seiring dengan semakin personalnya topik yang dibahas.

Perusahaan memerlukan aturan yang jelas mengenai data apa saja yang boleh dikumpulkan dan bagaimana data tersebut boleh digunakan. Klien harus memahami apakah rekomendasi tersebut didasarkan pada informasi yang mereka berikan secara langsung, perilaku yang diamati, atau asumsi yang dihasilkan oleh suatu model.

Personalisasi tanpa transparansi bisa terasa lebih seperti pengawasan daripada layanan.

Para penasihat membutuhkan jenis keahlian yang berbeda

Kecerdasan buatan (AI) mengubah apa yang diharapkan dari para profesional di bidang pengelolaan kekayaan.

Para analis perlu memahami bagaimana model-model tersebut mencapai kesimpulan dan di mana letak keterbatasannya. Para penasihat harus mampu menerjemahkan hasil analisis otomatis menjadi rekomendasi yang dapat dipahami oleh klien.

Hal ini tidak berarti setiap penasihat harus menjadi ilmuwan data. Namun, hal ini menuntut pengetahuan teknis yang memadai agar dapat mengkritisi hasil analisis, bukan sekadar menerimanya begitu saja.

Peran manusia menjadi sangat penting ketika tujuan keuangan saling bertentangan. Seorang nasabah mungkin menginginkan imbal hasil tinggi, risiko rendah, likuiditas instan, dan jangka waktu investasi yang panjang secara bersamaan. Tidak ada model yang dapat menyeimbangkan preferensi-preferensi tersebut tanpa menetapkan prioritas.

Penasihat investasi juga harus mengelola reaksi klien saat pasar sedang bergejolak. Meskipun algoritma mungkin menunjukkan bahwa portofolio tersebut masih sesuai, klien yang cemas mungkin tetap memerlukan pembicaraan sebelum memutuskan untuk tetap berinvestasi.

Nilai dari nasihat manusia terletak sebagian pada kemampuan menafsirkan angka-angka dan sebagian lagi pada pemahaman terhadap orang di balik angka-angka tersebut.

Model dapat memperparah kelemahan yang sudah ada

Sistem kecerdasan buatan (AI) belajar dari data yang dihasilkan oleh keputusan-keputusan sebelumnya. Jika keputusan-keputusan tersebut mengandung bias, asumsi yang tidak lengkap, atau klasifikasi yang kurang tepat, model tersebut berisiko mengulanginya dalam skala yang lebih besar.

Hal ini berkaitan dengan segmentasi nasabah, penilaian kesesuaian, dan pemilihan investasi.

Sebuah sistem mungkin menyimpulkan bahwa pelanggan dengan karakteristik demografis atau keuangan yang serupa menginginkan produk yang serupa. Pola-pola semacam itu mungkin secara statistik masuk akal, namun belum tentu sesuai untuk individu tertentu.

Model investasi menghadapi masalah yang serupa. Data historis mungkin lebih menguntungkan strategi yang berkinerja baik di bawah rezim moneter atau regulasi tertentu. Ketika rezim tersebut berubah, kesimpulan tersebut mungkin tidak lagi berlaku.

Lembaga keuangan perlu menguji model-model tersebut dalam berbagai skenario dan memeriksa apakah hasilnya dapat dijelaskan. Mereka juga harus memantau kinerja sistem setelah implementasi, alih-alih berasumsi bahwa akurasi akan meningkat dengan sendirinya.

Pembelajaran berkelanjutan hanya bermanfaat jika sistem tersebut belajar dari informasi yang relevan.

Tata kelola menentukan apakah skala menjadi risiko

Seiring dengan semakin besarnya pengaruh kecerdasan buatan (AI), lembaga-lembaga perlu menetapkan tanggung jawab yang jelas terkait penggunaannya.

Komite investasi harus mengetahui keputusan mana yang didukung oleh kecerdasan buatan (AI) dan mana yang diotomatisasi. Tim kepatuhan memerlukan akses ke logika di balik klasifikasi klien dan peringatan risiko. Pimpinan puncak harus memahami di mana penyedia layanan eksternal terlibat.

Pedoman etika saja tidaklah cukup. Tata kelola memerlukan mekanisme pengendalian yang praktis.

Perusahaan memerlukan prosedur untuk menyetujui model, menguji data, mencatat perubahan, dan mengambil tindakan ketika sistem berperilaku di luar dugaan. Karyawan harus mengetahui kapan hasil otomatis dapat diabaikan dan bagaimana keputusan tersebut harus didokumentasikan.

Klien juga harus memiliki jalur untuk mengajukan keberatan terhadap keputusan yang berdampak pada mereka.

Sebuah lembaga tidak dapat mengalihkan tanggung jawab fidusia atau regulasi kepada sebuah algoritma. Perusahaan tetap bertanggung jawab, meskipun teknologi tersebut disediakan oleh pihak lain.

Data menjadi aset kompetitif utama

Lembaga keuangan sering kali menggambarkan model kecerdasan buatan sebagai sumber keunggulan kompetitif. Pada kenyataannya, banyak perusahaan yang memiliki akses ke teknologi serupa.

Keunggulan yang lebih berkelanjutan kemungkinan besar akan berasal dari data.

Seorang manajer kekayaan yang memiliki data yang lengkap, akurat, dan terstruktur dengan baik dapat memanfaatkan kecerdasan buatan (AI) untuk menghasilkan analisis yang lebih relevan. Sebaliknya, pesaing yang memiliki data yang terpisah-pisah akan mendapatkan hasil yang kurang memadai dari model yang sama.

Kualitas data merupakan tantangan tersendiri dalam sektor kekayaan pribadi. Aset dapat disimpan melalui berbagai bank, perusahaan, dan struktur hukum. Penilaian investasi pribadi jarang dilakukan. Informasi dapat diterima dalam berbagai format dan mata uang.

Sebelum perusahaan dapat menyediakan layanan analitik tingkat lanjut, mereka harus terlebih dahulu mengatasi masalah mendasar dalam menyusun gambaran yang komprehensif mengenai kekayaan klien.

Pekerjaan ini kurang mencolok dibandingkan peluncuran asisten AI. Namun, pekerjaan ini justru lebih penting.

Nilainya mungkin besar, tetapi distribusinya tidak merata

McKinsey memperkirakan bahwa kecerdasan buatan (AI) berpotensi menghasilkan nilai tambah hingga 1 triliun dolar AS bagi industri perbankan global pada tahun 2028.

Nilai tersebut tidak akan terdistribusi secara merata. Lembaga-lembaga besar dapat melakukan investasi besar-besaran dalam sistem internal, data, dan tenaga ahli. Perusahaan-perusahaan kecil mungkin dapat memanfaatkan platform eksternal yang lebih terjangkau, namun akan memiliki kendali yang lebih sedikit atas infrastruktur teknologinya.

Sebagian dari keuntungan tersebut akan terlihat dalam bentuk penurunan biaya operasional. Sebagian lainnya mungkin berasal dari pengelolaan risiko yang lebih baik, peningkatan deteksi penipuan, atau kemampuan untuk melayani klien yang sebelumnya tidak menguntungkan.

Tentu saja akan ada juga investasi yang gagal. Perusahaan mungkin membeli perangkat yang tidak digunakan oleh karyawan, sistem yang tidak dapat diintegrasikan, atau model yang hasilnya ternyata terlalu tidak dapat diandalkan untuk pengambilan keputusan penting.

Oleh karena itu, pengeluaran untuk AI harus dievaluasi layaknya investasi lainnya. Lembaga-lembaga memerlukan masalah yang jelas, hasil yang dapat diukur, dan rencana implementasi yang kredibel.

Kehadiran AI saja belum tentu menjadi bukti adanya inovasi.

Analisis yang lebih baik tetap membutuhkan keputusan yang lebih baik

Kecerdasan buatan (AI) akan terus merambah ke seluruh sektor pengelolaan kekayaan global. Pembelajaran mesin, pemrosesan bahasa alami, dan analisis data secara real-time akan menjadi fitur standar pada platform investasi.

Seiring dengan hal ini, teknologi itu sendiri akan menjadi kurang menonjol.

Perusahaan-perusahaan terkuat adalah mereka yang mampu memadukan kecepatan analisis dengan tata kelola yang disiplin serta penilaian yang didasari pengalaman. Mereka akan memanfaatkan kecerdasan buatan (AI) untuk mengidentifikasi risiko, mengelola informasi, dan menguji asumsi—bukan sekadar menganggap hasil AI sebagai instruksi.

Klien kemungkinan besar tidak akan peduli algoritma apa yang digunakan untuk mengelola portofolio mereka. Yang menjadi perhatian mereka adalah apakah penasihat mereka memahami kondisi mereka, melindungi data mereka, dan mengambil keputusan yang dapat dijelaskan.

Kecerdasan buatan (AI) dapat membuat pengelolaan kekayaan menjadi lebih efisien dan responsif. Teknologi ini dapat memperluas akses ke analisis yang canggih serta memberikan para profesional investasi gambaran yang lebih jelas mengenai portofolio yang kompleks.

Hal itu tidak dapat menentukan tujuan dari kekayaan, risiko apa saja yang sebaiknya diterima oleh sebuah keluarga, atau bagaimana cara menyelesaikan prioritas keuangan yang saling bertentangan.

Pertanyaan-pertanyaan itu tetaplah pertanyaan manusia. Teknologi yang lebih baik hanya berarti jika dapat membantu menjawabnya dengan lebih cerdas.