Lonjakan Global dalam Pengelolaan Portofolio Berbasis Kecerdasan Buatan

Kecerdasan buatan semakin terintegrasi secara mendalam dalam pengelolaan portofolio, membantu perusahaan investasi menganalisis pasar, memantau risiko, dan menyesuaikan layanan sesuai kebutuhan masing-masing klien. Daya tariknya terletak pada kemampuannya memproses volume informasi yang besar lebih cepat daripada tim riset konvensional, namun teknologi ini tidak menggantikan prinsip-prinsip yang menjadi landasan penyusunan portofolio. Alokasi aset, diversifikasi, penilaian, dan pengendalian risiko tetap menjadi inti; AI mengubah kecepatan dan skala penerapan prinsip-prinsip tersebut.

Deloitte menemukan bahwa sekitar 60% dari perusahaan manajemen investasi yang disurvei menggunakan AI dalam skala terbatas pada kegiatan distribusi yang berkaitan dengan data, sementara hanya 11% yang menggambarkan penggunaannya sebagai luas. Angka-angka tersebut menunjukkan bahwa industri ini telah melampaui tahap eksperimen, namun belum mencapai integrasi penuh. Sebagian besar perusahaan belum menyerahkan keputusan portofolio kepada sistem otonom. Mereka menerapkan AI secara selektif dalam riset, komunikasi dengan klien, kepatuhan, dan proses operasional di mana manfaatnya dapat diukur dengan lebih jelas.

Otomatisasi muncul lebih dulu daripada kecerdasan buatan

Manajemen portofolio sudah mulai mengadopsi teknologi jauh sebelum gelombang kecerdasan buatan generatif (AI) saat ini. Dana kuantitatif menggunakan model statistik untuk mengidentifikasi pola, sementara sistem perdagangan algoritmik mengotomatiskan eksekusi dan mempersingkat waktu antara sinyal investasi dan transaksi. Penasihat robotik kemudian membawa prinsip serupa kepada investor perorangan dengan menggunakan kuesioner digital, portofolio model, dan penyeimbangan ulang otomatis untuk menyediakan layanan pengelolaan investasi dasar dengan biaya lebih rendah.

Wealthfront menjadi salah satu contoh paling terkenal dari pergeseran ini setelah didirikan pada tahun 2008 dan meluncurkan layanan investasi otomatis pada tahun 2011. Platformnya menyusun portofolio dari reksa dana yang diperdagangkan di bursa (ETF), menyesuaikan alokasi sesuai profil risiko klien, serta mengotomatiskan fungsi-fungsi seperti penyeimbangan kembali portofolio dan pemanfaatan kerugian pajak. Signifikansi model ini tidak terletak pada kemampuan memprediksi pasar, melainkan pada standarisasi proses yang sebelumnya membutuhkan lebih banyak campur tangan manusia, sehingga memungkinkan perusahaan melayani basis klien yang besar dengan biaya yang relatif rendah.

Perbedaan antara otomatisasi dan kecerdasan buatan sangat penting karena kedua istilah tersebut sering kali digunakan secara bergantian. Sistem berbasis aturan dapat menyeimbangkan kembali portofolio tanpa belajar dari data baru, sementara model pembelajaran mesin dapat merevisi kesimpulannya seiring perubahan kondisi pasar. Keduanya dapat meningkatkan efisiensi, namun masing-masing membawa asumsi dan risiko yang berbeda.

AI memperluas cakupan analisis

Tim investasi modern harus mengolah laporan perusahaan, rilis data ekonomi, harga pasar, berita, riset, serta volume data alternatif yang semakin besar. Kecerdasan buatan dapat mengorganisir informasi ini, mengidentifikasi pola-pola yang tidak biasa, dan menyoroti perkembangan yang mungkin terlewatkan jika tidak diperhatikan. Sistem berbasis bahasa alami dapat menganalisis konferensi telekonferensi laporan keuangan atau dokumen pelaporan regulasi, sementara model pembelajaran mesin dapat membandingkan hubungan di antara ribuan instrumen keuangan dan variabel ekonomi.

Kemampuan-kemampuan ini dapat memperkuat penelitian dengan membantu manajer portofolio menguji lebih banyak hipotesis dan memantau lebih banyak posisi. Sebuah sistem mungkin mendeteksi bahwa beberapa aset yang tampaknya terdiversifikasi ternyata terpapar pada risiko suku bunga, mata uang, atau rantai pasokan yang sama. Sistem tersebut juga dapat memperbarui penilaian-penilaian tersebut lebih sering daripada yang dimungkinkan dalam tinjauan portofolio triwulanan.

Namun, data yang lebih banyak tidak secara otomatis menghasilkan keputusan investasi yang lebih baik. Pasar tidak hanya berisi informasi, tetapi juga “kebisingan”, dan model-model dapat mengidentifikasi korelasi yang menghilang begitu kondisi ekonomi berubah. Sebuah sistem mungkin menghasilkan jawaban yang tepat tanpa memastikan apakah hubungan di baliknya bersifat tahan lama atau bermakna secara ekonomi. Kecerdasan Buatan (AI) memperluas cakupan hal-hal yang dapat dianalisis, tetapi manajer portofolio tetap harus memutuskan faktor apa yang layak memengaruhi alokasi modal.

Personalisasi menjadi lebih mudah diterapkan secara luas

AI juga mengubah cara perusahaan menyesuaikan portofolio dan komunikasi dengan masing-masing klien. Model pengelolaan kekayaan tradisional sering kali mengelompokkan investor berdasarkan kategori umum seperti usia, aset, dan toleransi risiko. Sistem yang lebih canggih dapat memperhitungkan arus kas, kewajiban, kebutuhan likuiditas, kondisi perpajakan, serta komitmen keuangan yang direncanakan untuk menghasilkan gambaran kesesuaian yang lebih terperinci.

Hal ini dapat memungkinkan perusahaan untuk mengidentifikasi kapan portofolio klien tidak lagi mencerminkan kondisi mereka atau ketika kepemilikan aset di beberapa rekening menimbulkan konsentrasi yang tidak disengaja. Penasihat keuangan juga dapat memanfaatkan ringkasan yang dihasilkan oleh kecerdasan buatan (AI) untuk mempersiapkan pertemuan dan memfokuskan pembahasan pada keputusan yang paling relevan bagi klien, alih-alih menghabiskan waktu untuk mengumpulkan informasi secara manual.

Kualitas personalisasi bergantung pada kualitas data dasar yang mendasarinya. Banyak perusahaan masih menyimpan informasi klien di berbagai sistem yang terpisah, sementara aset pribadi dan struktur keluarga mungkin didokumentasikan secara tidak konsisten. AI dapat menganalisis data yang diterimanya, tetapi tidak dapat memperbaiki setiap kelalaian atau menentukan apakah preferensi yang dinyatakan klien akan tetap berlaku saat terjadi penurunan pasar yang parah. Rekomendasi yang lebih terperinci pun tetap dapat menjadi tidak sesuai jika didasarkan pada informasi yang tidak lengkap.

Manajemen risiko menawarkan manfaat yang lebih besar

Risiko portofolio merupakan salah satu bidang di mana kecerdasan buatan (AI) berpotensi memberikan manfaat praktis yang paling nyata. Alat pembelajaran mesin dapat memantau perubahan dalam volatilitas, korelasi, likuiditas, dan konsentrasi portofolio, sehingga memungkinkan perusahaan mendeteksi risiko yang mulai muncul lebih cepat. Alat-alat tersebut juga dapat mendukung analisis skenario dengan membandingkan bagaimana berbagai aset bereaksi selama periode tekanan pasar sebelumnya.

Alat-alat semacam itu sangat berguna karena risiko sering kali muncul di berbagai kategori yang dalam pelaporan tradisional diperlakukan secara terpisah. Sebuah portofolio mungkin berisi saham, obligasi, dan investasi swasta yang semuanya bergantung pada kondisi ekonomi yang sama, meskipun diklasifikasikan sebagai kelas aset yang berbeda. AI dapat membantu mengungkap paparan bersama yang tersembunyi ini dengan menganalisis hubungan yang lebih luas.

Meskipun demikian, analisis historis memiliki batasan. Model yang dilatih berdasarkan krisis-krisis sebelumnya tidak dapat sepenuhnya memprediksi peristiwa dengan penyebab atau struktur pasar yang berbeda, sementara korelasi sering kali berubah justru pada saat investor paling membutuhkannya. Oleh karena itu, tim manajemen risiko perlu menggabungkan hasil model dengan uji ketahanan yang didasarkan pada situasi yang belum pernah terjadi dalam data yang tersedia. Kecerdasan buatan (AI) dapat meningkatkan sistem peringatan, tetapi tidak dapat mengidentifikasi setiap sumber kerugian yang mungkin terjadi.

Penghematan biaya bergantung pada perancangan ulang

Perusahaan investasi memperkirakan bahwa kecerdasan buatan (AI) akan menurunkan biaya melalui otomatisasi proses peninjauan dokumen, pelaporan, rekonsiliasi data, serta sebagian aspek layanan klien. Penghematan ini dapat sangat signifikan di organisasi-organisasi di mana karyawan yang sangat terampil masih menghabiskan banyak waktu untuk tugas-tugas yang berulang. Dengan demikian, manajer portofolio dan penasihat dapat lebih fokus pada analisis, strategi, serta hubungan dengan klien.

Penghematan tersebut tidak terjadi secara otomatis karena perusahaan harus berinvestasi dalam infrastruktur data, keamanan siber, integrasi sistem, dan pelatihan karyawan sebelum teknologi tersebut dapat beroperasi secara efektif. Aplikasi AI yang diterapkan pada basis data yang terfragmentasi justru dapat menambah lapisan kerumitan, bukan menguranginya. Penyedia layanan eksternal juga menimbulkan biaya lisensi dan ketergantungan yang harus dievaluasi bersamaan dengan peningkatan efisiensi yang diharapkan.

Kasus bisnis yang paling kuat dimulai dengan proses yang terdefinisi dengan jelas dan hasil yang dapat diukur. Pengurangan waktu yang dibutuhkan untuk menyusun laporan portofolio dapat dievaluasi, begitu pula dengan penurunan jumlah peringatan kepatuhan yang salah. Ambisi yang luas untuk mentransformasi manajemen investasi melalui kecerdasan buatan (AI) lebih sulit untuk diuji dan cenderung menghasilkan eksperimen yang mahal tanpa hasil yang jelas.

Penilaian manusia menjadi semakin terlihat

AI sering kali digambarkan sebagai cara untuk menghilangkan emosi dan bias manusia dari keputusan investasi. Aturan-aturan sistematis memang dapat mencegah seorang manajer portofolio meninggalkan suatu strategi karena rasa takut jangka pendek atau menjadi terlalu terikat pada suatu investasi tertentu. Namun, model-model tersebut tetap mencerminkan pilihan manusia terkait data, tujuan, dan batasan yang digunakan untuk menyusunnya.

Para peneliti yang menentukan periode sejarah mana yang relevan, bagaimana risiko harus diukur, dan hasil apa yang harus dioptimalkan oleh sistem. Oleh karena itu, bias dapat muncul melalui desain model, bukan melalui intuisi seorang pedagang. Karyawan juga dapat mengembangkan bias otomatisasi, yaitu menerima suatu rekomendasi hanya karena rekomendasi tersebut tampak canggih secara matematis, meskipun asumsi yang mendasarinya lemah.

Peran manajer portofolio kini berfokus pada interpretasi dan penilaian kritis. Para profesional perlu memiliki pemahaman yang memadai tentang sistem untuk mengenali kapan hasil analisis bertentangan dengan logika ekonomi, kapan data tidak dapat diandalkan, atau kapan perubahan kondisi pasar telah membuat suatu model menjadi kurang relevan. Penilaian manusia tidak lenyap dari proses ini; justru perannya kini lebih berfokus pada menentukan kapan mesin tidak boleh diikuti.

Peraturan tersebut dikeluarkan sebagai tindak lanjut dari keputusan tersebut

Pengelolaan portofolio yang didukung AI tetap tunduk pada kewajiban kesesuaian, kewajiban fidusia, dan kewajiban pengungkapan yang sama seperti nasihat konvensional. Sebuah perusahaan tidak dapat mengalihkan tanggung jawab kepada algoritma apabila suatu rekomendasi tidak tepat atau model menghasilkan hasil yang merugikan. Otoritas pengawas akan mengharapkan lembaga-lembaga tersebut mendokumentasikan bagaimana sistem memengaruhi pengambilan keputusan dan siapa yang tetap bertanggung jawab atas persetujuannya.

Keterjelaskan menjadi sangat penting terutama ketika AI berdampak pada klien individu. Investor tidak perlu memahami setiap perhitungan teknis, tetapi mereka harus dapat menerima penjelasan yang mudah dipahami mengenai alasan mengapa suatu portofolio atau rekomendasi dianggap sesuai. Model yang sangat kompleks mungkin hanya memberikan peningkatan yang sedikit dalam kinerja prediktif, sementara pada saat yang sama membuat penjelasan tersebut menjadi lebih sulit.

Oleh karena itu, perusahaan dihadapkan pada dilema antara kompleksitas dan kontrol. Dalam beberapa penerapan, model yang lebih sederhana—yang dapat dipahami oleh karyawan dan regulator—mungkin lebih bermanfaat daripada sistem yang lebih akurat namun perilakunya tidak dapat dijelaskan atau dipertanyakan secara meyakinkan.

Masalah keamanan membatasi laju adopsi

Sistem portofolio berbasis kecerdasan buatan (AI) memerlukan akses ke data sensitif terkait pasar, klien, dan transaksi. Hal ini menimbulkan risiko yang berkaitan dengan kerahasiaan, keamanan siber, serta penggunaan penyedia teknologi eksternal. Catatan pengelolaan kekayaan dapat mengungkap struktur keluarga, kepentingan bisnis, posisi perpajakan, dan transaksi yang direncanakan, sehingga kebocoran data dapat menimbulkan dampak yang sangat merugikan.

Lembaga-lembaga perlu memiliki aturan yang jelas mengenai sistem mana saja yang boleh mengakses informasi nasabah, di mana data tersebut diproses, dan apakah penyedia layanan eksternal dapat menggunakannya untuk melatih model-model lain. Karyawan juga harus dilarang memasukkan informasi rahasia ke dalam alat-alat yang belum disetujui untuk penggunaan di bidang keuangan.

Keamanan siber hanyalah sebagian dari masalahnya. Perusahaan harus bersiap menghadapi hasil yang tidak akurat, gangguan layanan, dan kemungkinan terjadinya manipulasi model akibat data yang rusak. Ketahanan operasional menuntut kemampuan untuk mendeteksi masalah dan tetap beroperasi ketika sistem otomatis tidak tersedia.

Keunggulan kompetitif bergeser ke arah implementasi

Alat-alat berbasis kecerdasan buatan (AI) kini semakin mudah diakses, sehingga mengurangi kemungkinan bahwa akses terhadap teknologi itu sendiri akan menciptakan keunggulan yang bertahan lama. Perusahaan pesaing dapat memperoleh model, kapasitas komputasi, dan data pasar yang serupa, yang berarti diferensiasi akan semakin bergantung pada informasi eksklusif, integrasi yang efektif, serta kualitas pengawasan manusia.

Lembaga-lembaga besar mungkin dapat memanfaatkan kumpulan data yang luas dan tim ahli, sementara perusahaan-perusahaan kecil dapat memperoleh kemampuan canggih melalui platform eksternal. Perusahaan-perusahaan kecil ini memperoleh akses dengan biaya lebih rendah, namun harus menyerahkan sebagian kendali atas infrastruktur dan desain model. Dalam kedua kasus tersebut, nilai sistem bergantung pada apakah sistem tersebut terintegrasi ke dalam proses investasi, bukan sekadar ditambahkan sebagai fitur yang terpisah.

Penelitian terbaru PwC mengenai manajemen aset dan kekayaan menyatakan bahwa perusahaan-perusahaan terkemuka kini mengintegrasikan teknologi seperti kecerdasan buatan (AI) dan analitik canggih ke dalam inti proses investasi, distribusi, dan layanan, alih-alih hanya menggunakannya sebagai alat pendukung. Perbedaan ini mencerminkan fase berikutnya dalam adopsi teknologi: keunggulan kompetitif akan berasal dari perancangan ulang alur kerja dan pengambilan keputusan yang berpusat pada teknologi tersebut, bukan sekadar mengumumkan bahwa AI telah diterapkan.

Pengelolaan portofolio tetap merupakan upaya yang penuh ketidakpastian

AI akan terus merambah ke berbagai bidang, seperti penelitian, manajemen risiko, layanan klien, dan operasional portofolio, dalam tiga hingga lima tahun ke depan. Alat berbasis bahasa alami akan mempermudah akses terhadap informasi, sementara model pembelajaran mesin akan membantu perusahaan memantau portofolio yang lebih besar dan lebih kompleks. Perkembangan ini diperkirakan akan membuat lembaga investasi menjadi lebih cepat dan lebih mudah diskalakan.

AI tidak akan membuat pasar menjadi dapat diprediksi. Harga mencerminkan perubahan ekspektasi, keputusan politik, dan perilaku manusia, sementara pola yang ditemukan dalam data historis dapat melemah begitu para investor mulai bertransaksi berdasarkan pola tersebut. AI mungkin dapat meningkatkan probabilitas pengambilan keputusan yang tepat, tetapi tidak dapat menjamin hasilnya atau menentukan risiko mana yang sebaiknya diterima oleh seorang investor.

Oleh karena itu, model yang paling dapat diandalkan bukanlah model yang sepenuhnya otomatis maupun yang sepenuhnya bergantung pada penilaian individu. Mesin dapat memproses informasi, mendeteksi pola, dan menerapkan aturan portofolio, sementara manusia menilai apakah hasilnya masuk akal secara ekonomi dan tetap sesuai untuk klien. Kecerdasan buatan (AI) sedang mengubah mekanisme pengelolaan portofolio, namun alokasi aset yang disiplin, akuntabilitas yang jelas, dan pemahaman terhadap ketidakpastian akan terus menentukan apakah mekanisme tersebut menghasilkan hasil investasi yang lebih baik.