Tujuh Kasus Penggunaan AI untuk Membantu Manajer Aset Meningkatkan Efisiensi dan Produktivitas di Tengah Tantangan Pasar

Stuart Grant adalah Kepala Pasar Modal, Manajemen Aset dan Kekayaan di SAP.

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna dan lainnya

Dari penekanan biaya hingga perubahan kondisi makroekonomi yang tidak menguntungkan hingga investasi teknologi yang semakin meningkat namun belum membuahkan hasil sesuai harapan, organisasi pengelola aset menghadapi tantangan besar saat tahun 2026 semakin dekat.

Dalam analisis industri pengelolaan aset global tahun 2025, McKinsey & Company menemukan, misalnya, bahwa margin pengelola aset di Amerika Utara menurun tiga poin persentase dan di Eropa lima poin persentase selama lima tahun terakhir akibat faktor-faktor tersebut.

Namun, ada katup pelepas tekanan berupa penerapan kecerdasan buatan yang tepat sasaran dan tepat tempat. AI dalam berbagai bentuk — generatif, agenik, dll. — mulai menunjukkan nilai dalam berbagai kasus penggunaan di front-, middle-, dan back-office, memberi pengelola aset cara untuk meraih peningkatan produktivitas dan efisiensi, mengidentifikasi serta memanfaatkan peluang bisnis baru yang menguntungkan sebelum pesaing. Dalam analisisnya, yang didasarkan pada survei terhadap eksekutif tingkat C dari perusahaan pengelolaan aset di Amerika Utara dan Eropa, McKinsey menentukan bahwa untuk pengelola aset rata-rata, potensi dampak dari AI, gen AI, dan AI agenik “bisa menjadi transformasional, setara dengan 25 hingga 40 persen dari basis biaya mereka.”

Tantangan bagi organisasi pengelolaan aset, maka, adalah menentukan di mana dalam organisasi mereka AI dapat memberikan nilai paling besar.

Penerapan AI untuk Dampak Maksimal

Perusahaan di seluruh lanskap pengelolaan aset menggunakan AI di berbagai bidang. Banyak aktivitas tersebut terjadi di organisasi besar yang memiliki sumber daya mendalam untuk mengembangkan kemampuan mereka sendiri terkait model bahasa besar, agen AI yang ditargetkan, dan sejenisnya. Tetapi sisi lain dari AI adalah bahwa ia juga dapat membantu pengelola aset di luar organisasi Tier Satu terbesar bersaing secara lebih setara melawan perusahaan-perusahaan besar ini.

Selain itu, meskipun banyak organisasi memfokuskan investasi mereka pada kasus penggunaan AI yang berhadapan langsung dengan pelanggan, penting untuk tidak mengabaikan peluang menciptakan nilai melalui implementasi AI lain yang dapat diskalakan di seluruh front-, middle-, dan back-office. Alih-alih mencari solusi titik yang mungkin tidak terintegrasi dengan baik satu sama lain, pendekatan yang lebih bijaksana untuk menghasilkan nilai dari AI adalah menargetkan investasi yang menghilangkan tembok virtual antara ketiga lapisan kantor tersebut untuk menciptakan efisiensi, meningkatkan produktivitas, menyederhanakan proses, dan memberikan informasi yang lebih baik untuk perencanaan dan strategi.

Singkatnya, carilah kasus penggunaan AI yang mendorong — dan dapat memanfaatkan — pergerakan data yang lebih bebas di seluruh organisasi. Berikut beberapa yang tampak sangat menjanjikan:

1. Otomatiskan dan percepat penutupan keuangan dan fungsi keuangan lainnya. Keuangan secara historis merupakan bidang yang penuh proses manual. Dengan bantuan agen AI, organisasi pengelolaan aset memiliki peluang untuk mengotomatisasi banyak proses di sekitar fungsi keuangan, termasuk penutupan keuangan, AR, AP, rekonsiliasi faktur, dan sejenisnya. Dalam skenario ini, AI dapat mendukung otomatisasi yang lebih baik dalam pergerakan data. Ia juga dapat memberikan pemberitahuan proaktif — dan skenario yang dapat ditindaklanjuti — untuk masalah yang mungkin tidak terlihat sebelumnya terkait surplus/defisit modal, penyesuaian neraca, dan lain-lain.

2. Tingkatkan manajemen risiko melalui penyelarasan yang nyata dengan keuangan. Data dari back office sangat berharga bagi tim manajemen risiko di middle office. Tim tersebut dapat menggunakan data tentang kepemilikan investor, arus kas, likuiditas pasar, margin/jaminan, dll., yang dikombinasikan dengan data profil dan komunikasi pelanggan untuk mengidentifikasi sinyal awal penebusan klien dan risiko likuiditas terkait.

3. Identifikasi dan mobilisasi cepat peluang untuk struktur biaya dan model bisnis baru. Organisasi dapat memerintahkan alat AI mereka untuk meneliti dan memodelkan dampak perubahan biaya potensial serta model bisnis baru. Apa yang disarankan data historis tentang bagaimana perubahan biaya akan mempengaruhi piutang? Apakah ada peluang untuk membagi area bisnis yang ada (seperti kelas aset tertentu atau dana geografis) menjadi dua atau lebih bagian, atau mengelompokkan pelanggan secara berbeda, dan seberapa kuat justifikasi bisnis untuk langkah-langkah tersebut?

4. Berikan informasi untuk pengambilan keputusan tentang ekspansi ke produk atau wilayah baru. Organisasi Anda mempertimbangkan langkah ke pasar geografis baru yang menjanjikan tetapi relatif berisiko. Bagaimana hasil langkah serupa di masa lalu dari segi biaya yang diharapkan dan aktual? Apa dampak regulasi dan SDM yang mungkin timbul dari langkah tersebut? Dialog dengan asisten digital AI generatif dapat memberikan jawaban berharga untuk pertanyaan-pertanyaan ini, menghasilkan keputusan strategis yang lebih baik.

5. Modelkan skenario “bagaimana jika” terkait dampak rebalancing portofolio terhadap pendapatan masa depan serta prioritas investasi dan toleransi risiko pelanggan. Alat AI dapat memberikan wawasan tentang dampak potensial dari perubahan semacam ini, sekaligus menawarkan rekomendasi tentang waktu optimal berdasarkan kewajiban hutang dan faktor lainnya. Dengan menghubungkan data seperti ini, AI membantu mengatasi ketidaksesuaian informasi antara fungsi keuangan dan pengelolaan portofolio front-office, mendukung perencanaan strategis dan penganggaran yang lebih tepat sasaran.

Sebagai contoh, salah satu perusahaan yang saya tangani sedang berusaha menggabungkan data atribusi portofolio tentang kinerja elemen-elemen portofolio tertentu dengan data tentang toleransi risiko dan struktur biaya pelanggan. Tujuannya adalah untuk memahami lebih baik dampak keuangan dari rebalancing portofolio terhadap harapan pelanggan dan pendapatan masa depan.

6. Tingkatkan produktivitas. Beberapa eksekutif pengelolaan aset yang baru saya ajak bicara mengatakan organisasi mereka berusaha menggandakan aset yang dikelola tanpa peningkatan signifikan dalam jumlah karyawan, hanya dengan memanfaatkan AI dan agen AI secara lebih luas di seluruh organisasi. Mereka menciptakan agen AI dan menempatkannya berdampingan dengan karyawan — sebagai ekstensi digital dari karyawan tersebut. Pada akhirnya, peningkatan produktivitas yang diberikan agen ini memungkinkan perusahaan kecil dan menengah bersaing secara lebih setara dengan perusahaan besar.

7. Perkuat deteksi penipuan saat onboarding pelanggan. AI mahir dalam memindai dan memvalidasi keaslian dokumen onboarding dengan cepat, mengidentifikasi bahkan anomali kecil (seperti ukuran font, format dokumen, dll.) yang dapat menunjukkan bahwa pelanggan tidak seperti yang terlihat dan memerlukan penyaringan lebih lanjut.

Sebagaimana kasus penggunaan ini dapat berdampak besar dalam organisasi pengelolaan aset, memaksimalkan nilainya sangat bergantung pada kualitas dan aksesibilitas data yang mendukungnya. Pertama dan terutama, data harus dapat dipahami oleh manusia dan mesin secara mandiri. Seringkali, perusahaan menarik data dari aplikasi sumber dan memindahkannya ke data lake. Namun, hal ini menghilangkan semantik dan konteks penting yang spesifik untuk lingkungan aplikasi tersebut. Tanpa metadata ini, output AI — dan dampak keseluruhannya — bisa kurang optimal. Oleh karena itu, dalam banyak kasus, organisasi lebih baik membiarkan data tersebut tetap di lingkungan aplikasi aslinya bersama metadata pendukungnya. Anggaplah data dalam aplikasi ini sebagai baterai yang memberi daya pada generative AI, AI agenik, dan analitik cerdas dalam organisasi. Semakin kuat baterainya, semakin baik posisi organisasi pengelolaan aset dalam memanfaatkan investasi AI mereka untuk menembus tantangan yang dihadapi.

Tentang penulis

Stuart Grant adalah Kepala Pasar Modal, Manajemen Aset dan Kekayaan di SAP. Selama lebih dari 20 tahun, ia bekerja dengan data di industri pasar modal dalam berbagai peran termasuk manajemen produk, pengembangan bisnis, dan manajemen bisnis.