Private Placement "Detroit Becomes Human" Moment: When AI Takes Over Alpha, What's Left for Human Fund Managers?

Penulis: Komentar Investasi Yuanchuan

Laporan pengangguran terbaru dari Anthropic membuat para profesional keuangan merinding.

Dalam laporan tersebut, tingkat penggantian pekerjaan di bidang keuangan mencapai 94%, menempati posisi kedua tertinggi di semua profesi, namun saat ini tingkat penggantian nyata hanya 28%, sehingga masih memiliki potensi besar di masa depan. Beruntung, ada sekitar 30% profesi yang hampir tidak terpengaruh, sehingga para profesional keuangan masih bisa mempertimbangkan peluang pekerjaan lain seperti pencuci piring, tukang pipa, dan lain-lain.

Setelah lama berkecimpung di industri ini, selalu saja muncul rasa cemas—para profesional keuangan hidup di dunia yang penuh perbandingan, penilaian penjualan dan peringkat kinerja menekan setiap hari, dan selama tidak belajar, akan timbul rasa tidak tenang.

Contohnya, setelah libur Tahun Baru Imlek, para pekerja di bidang keuangan kembali ke meja kerja dan masih berinteraksi dengan Chatbot, sementara rekan di meja sebelah, Xiao Deng, sudah memelihara 8 ekor lobster dan sedang berdebat dengan semangat tentang kenaikan dan penurunan harga minyak mentah.

Industri keuangan tidak pernah menolak efisiensi—dari pelaporan manual hingga perdagangan algoritmik, dari penjualan di bank offline hingga penjualan melalui internet—semuanya demikian. Tapi kali ini, AI tidak menggantikan alat keuangan yang tidak efisien, melainkan orang yang tidak efisien di balik alat tersebut. Pada akhirnya, biaya tertinggi di industri keuangan adalah manusia; di balik keuntungan perusahaan pengelolaan aset, yang dipertaruhkan adalah bagaimana mengelola lebih banyak uang dengan lebih sedikit orang.

Oleh karena itu, berbagai perusahaan hedge fund mulai mengadopsi kapasitas produksi canggih: Diewei Asset mengadakan kelas online, mengajarkan cara melatih “peneliti digital” yang bekerja otomatis 24/7; Mingxi Capital menggunakan Manus untuk otomatis menghasilkan brosur promosi yang menampilkan kenaikan dividen, dengan tata letak yang setara dengan majalah premium zaman dulu. Bahkan pelanggan menjadi lebih cerdas, setelah promosi dari manajer keuangan tentang hedge fund selebriti, mereka langsung bertanya ke Doubao apakah harus membeli.

Industri hedge fund secara perlahan memasuki masa transformasi seperti di film “Detroit: Become Human”, di mana setiap bagian dari rantai riset, operasi, dan penjualan mulai mengalami penggantian.

Biaya Gaji VS Token

Dalam lingkungan kompetitif di mana biaya operasional tinggi dan mendapatkan Alpha semakin sulit, rasio efisiensi tenaga kerja adalah indikator yang selalu dipikirkan oleh para bos hedge fund sebelum tidur.

Di rantai industri hedge fund, gaji peneliti umumnya tidak rendah. Menurut data from MuliCube, gaji tahunan peneliti kuantitatif saham biasanya berkisar antara 800.000 hingga 1,5 juta yuan, sedangkan peneliti subjektif sedikit lebih rendah, tetapi kadang-kadang ada insentif yang mengejutkan—misalnya, awal tahun ini, seorang peneliti subjektif yang mengelola dana ratusan miliar, karena mempromosikan Nvidia, mendapatkan bonus tahunan lebih dari 20 juta yuan.

Jika hedge fund mampu mengandalkan AI untuk riset dan pengambilan keputusan, mereka bisa menghemat jutaan yuan biaya. Jika AI bisa bekerja 24 jam, mengurangi biaya per jam sekaligus meningkatkan output, biaya perjalanan, lembur, biaya kendaraan, dan uang makan yang biasanya dipotong dari keuntungan, semuanya tidak lagi diperlukan oleh AI.

Di bidang pengelolaan aset, semua kemajuan teknologi pada dasarnya berfokus pada dua hal: meningkatkan efisiensi dan menurunkan biaya. Para bos hedge fund tidak peduli apakah AI benar-benar bisa berpikir seperti manusia, mereka hanya peduli apakah pekerjaan bisa selesai.

Howard Marks melakukan perhitungan ekonomi: jika bisa menghasilkan analisis dari asisten riset dengan gaji tahunan 200.000 dolar, maka bagi pemberi gaji, yang penting bukanlah apakah AI benar-benar berpikir atau hanya melakukan pencocokan pola, melainkan apakah hasil kerjanya cukup andal dan memiliki nilai guna.

Setelah libur Tahun Baru, delapan tim keuangan dari perusahaan sekuritas mengeluarkan tutorial “Memelihara Lobster”, mempercepat proses penggantian peneliti manusia, mereka menguji OpenClaw yang mampu secara aktif menghasilkan hasil riset seperti manusia.

Di aplikasi utama, sebuah presentasi berjudul “OpenClaw: Dari Pemula Hingga Mahir” telah diputar sebanyak 4.839 kali; Xu Jianhua dari tim keuangan di Northeast memperkenalkan 20 skill yang dapat meningkatkan efisiensi riset hingga 10 kali lipat; Cao Chunxiao dari Founder menggunakan lobster untuk mereplikasi strategi PB-ROE, pola cup-and-handle dalam pemilihan saham, serta penemuan dan pengujian faktor secara otomatis.

Membayangkan hal ini, sama saja dengan meng-upgrade skill set Buffett, O’Neil, dan Simmons sekaligus.

Trader yang Gemar Belajar

Para pelaku pasar yang aktif di pihak penjual dengan giat melakukan edukasi, sementara pihak pembeli juga sangat antusias belajar. Seorang hedge fund di Beijing yang khawatir mesin utama mereka terkontaminasi, memberikan setiap anggota tim riset satu komputer baru, dan juga memberi subsidi token sebesar 50.000 yuan, khusus untuk memelihara lobster.

Yang Xinbin dari Snowball Asset Management melatih dua peneliti lobster, dan menyatakan bahwa setiap hari mereka berinteraksi dengan AI jauh lebih banyak daripada dengan manusia. AI Agent yang mereka latih sendiri dalam dua hari mampu menyelesaikan pekerjaan yang mungkin setara dengan setengah tahun kerja seorang peneliti kuantitatif matang, bahkan potensi mereka jauh lebih besar.

Paul Wu dari Qinyuan Investment secara bertahap memasukkan AI ke berbagai departemen, dan merasakan bahwa AI mampu menyelesaikan siklus kerja tertentu secara mandiri dan berulang. Ia memprediksi, dalam waktu dekat, pengeluaran perusahaan akan berkurang menjadi cukup membeli dan memelihara satu agen analis Apple, dan selanjutnya mungkin menjadi penasihat portofolio investasi bernama Paul.

Dulu, banyak hedge fund mengalami keausan dalam konversi riset—peneliti merasa manajer dana tidak kompeten, manajer dana merasa peneliti tidak berguna. Kehadiran OpenClaw memberi para bos hedge fund peluang baru—tidak perlu lagi berurusan dengan konflik internal yang melelahkan dengan peneliti mediocre, dan juga tidak perlu khawatir peneliti inti akan diambil oleh pesaing dengan gaji tinggi.

Dari segi karakteristik, lobster memenuhi semua gambaran ideal manajer dana tentang peneliti: bekerja 24 jam tanpa cuti dan tanpa malas; menyimpan memori jangka panjang, data penting bisa langsung diucapkan; setia dan patuh, tidak akan membentuk faksi sendiri dengan strategi utama; terus-menerus melakukan iterasi diri, tidak seperti peneliti lama yang terjebak dalam ketergantungan jalur lama dan akhirnya tertinggal zaman.

Jika di masa depan, biaya token berbasis silikon jauh lebih murah daripada gaji berbasis karbon, bagaimana para bos hedge fund bisa menolak AI peneliti yang patuh, berguna, dan bisa dilatih?

Penggantian Tidak Hanya Lobster

Para hedge fund subjektif masih mempertimbangkan apakah biaya token sepadan, sementara perusahaan kuantitatif besar yang membangun infrastruktur komputasi sendiri sudah menekan biaya token ke tingkat sangat rendah. Tapi mereka justru tampak tenang dan tidak terlalu khawatir.

Seorang ahli kuantitatif terkemuka dari Shanghai mengatakan, “OpenClaw bagi komunitas teknologi kuantitatif hanyalah semacam mainan setengah jadi, seperti mainan.” Artinya, ini bertujuan menurunkan hambatan teknis bagi institusi subjektif dan trader ritel, serta memberikan jalur pengembalian biaya yang jelas bagi perusahaan model besar yang mengeluarkan investasi besar di infrastruktur awal, tetapi tidak banyak arti untuk lingkungan produksi yang serius seperti investasi kuantitatif.

Seorang ahli kuantitatif terkemuka lainnya menyatakan secara lebih lugas, lobster di dunia keuangan seperti semacam skema piramida. OpenClaw memiliki karakteristik acak, tidak sistematis, dan keamanan yang rendah, sehingga dapat membawa ketidakpastian besar ke seluruh sistem kuantitatif.

Dalam komunitas kuantitatif, OpenClaw bukanlah kekuatan produksi yang maju. Cui Yuchun dari Xuntu Technology berpendapat, tidak perlu terlalu cemas:

Lobster dalam hal optimisasi agen dan pemanggilan alat (termasuk browser riset, penulisan, analisis data, dan lain-lain) bahkan jauh lebih lemah dibanding Manus, Kimi, dan agen lainnya. Untuk peneliti tanpa latar belakang pemrograman, dibutuhkan 5-10 jam untuk mengatur dan menjalankan, dan sebagian besar tugas tidak akan mendapatkan hasil di atas 60 poin.

Ketika lobster yang digunakan trader ritel dengan skill China Stock Analysis memilih saham, seolah-olah membuka pintu dunia baru, platform Multi-Agent (multi-agen) yang telah dibangun oleh kuantitatif mampu mengalahkan lobster dengan koleksi alat agen yang lebih kaya. Namun, sistem yang kuat ini tidak selalu membutuhkan lebih banyak manusia.

Sistem riset kuantitatif tradisional biasanya menggunakan arsitektur pipeline: pembersihan data → perhitungan faktor → prediksi model → optimisasi portofolio. Setelah memasuki era AI, beberapa institusi mulai menyederhanakan menjadi pembagian peran → pemanggilan alat → desain alur kerja, seperti yang dilakukan oleh Man Group dari luar negeri. Pekerjaan yang bersifat standar dan berulang secara bertahap digantikan oleh AI Agent, sehingga tidak lagi membutuhkan banyak peneliti yang merasa teralienasi di pabrik faktor.

Contohnya, sistem multi-agen Apollo AI dari Xiyue Investment, di mana AI Agent terintegrasi ke berbagai bagian seperti riset, data, perdagangan, dan operasi. Pendiri mereka, Zhou Xin, menggambarkannya seperti memiliki tujuh atau delapan ratus karyawan AI.

Dari kekuatan seperti “pabrik tanpa manusia” dalam kuantitatif yang seperti fiksi ilmiah, hingga posisi para trader ritel yang memanfaatkan OpenClaw untuk mengurangi kesenjangan informasi, posisi manajer dana subjektif yang berada di tengah-tengah efisiensi menjadi cukup canggung—melihat informasi yang dihasilkan peneliti dengan susah payah, kemudian dikurangi oleh kuantitatif, dan ditekan oleh trader ritel, mereka tak terhindarkan terjebak dalam ketakutan AI FOMO.

Selama libur Tahun Baru, saya membaca laporan tahunan dari seorang manajer utama di Shenzhen yang mengelola dana subjektif terkemuka. Ia mengeluhkan ekspektasi yang terlalu tinggi dari manajer dana terhadap peneliti:

“Manajer dana berharap peneliti mampu tetap sensitif terhadap pasar, memberi sinyal peluang secara tepat waktu, dan memberikan analisis serta penilaian yang lebih unggul dari pesaing, bahkan harus selalu berada di ‘lingkaran inti’. Kalau peneliti bisa melakukan semua itu, mengapa masih perlu manajer dana? Mereka bisa sendiri main saham dan jadi kaya, mengapa harus melayani manajer dana?”

Karena itu, ia mengurangi ekspektasi—peneliti hanya bertugas meneliti objek dan masalah tertentu, tidak perlu lagi menemukan peluang atau memberi saran investasi, karena itu adalah pekerjaan manajer dana.

Sebaliknya, jika manajer dana subjektif hanya membutuhkan seseorang yang tidak masuk ke inti industri dan hanya mengandalkan analisis meja untuk mengikuti objek, maka peneliti seperti itu, langkah berikutnya, pasti akan digantikan oleh AI Agent.

Penutup

Di pasar A-share, dua tahun terakhir terasa seperti ada tombol percepatan yang ditekan.

Terutama semester pertama tahun ini, banyak hal terjadi. Tahun lalu, saat Imlek, Deepseek dirilis; saat libur Qingming, “King of Knowledge” melakukan kenaikan pajak secara brutal; hingga Tahun Baru Imlek kali ini, seluruh rakyat memelihara lobster, dan belum selesai bulan pertama, konflik di Timur Tengah sudah pecah. Otak para profesional keuangan terus-menerus overload, bahkan sulit mengingat kapan terakhir kali mereka menikmati liburan tanpa harus belajar. Setidaknya, sebagai penulis, daya pikir saya sudah tidak cukup lagi.

Dua tahun lalu, saat berkomunikasi dengan manajer dana untuk menulis artikel, mereka selalu dengan senang hati menggunakan kalimat canggung untuk menggambarkan kondisi kerja mereka—“Setiap hari saya pergi bekerja seperti menari tap dance.” Tapi dalam dua tahun terakhir, saat berbicara tentang “iterasi” tim, “iterasi” konsep investasi, dan “iterasi” pemahaman industri, mereka berbicara tanpa tersenyum.

Perkembangan AI begitu cepat, kemajuan sesama industri juga sangat pesat, tampaknya satu-satunya cara agar tidak tersisih adalah terus melakukan iterasi.

Industri ini masih terlalu penuh kecemasan.

AI tidak memahami manusia, ia tidak bisa memprediksi apakah di pasar A-share yang penuh investor ritel ini, saat ini yang sedang diperdagangkan adalah turunan ketiga atau kelima; AI sulit berempati, ia tidak bisa memahami mengapa seseorang bertahan di posisi dua tong minyak selama bertahun-tahun, hanya untuk menunggu hari di mana mereka bisa keluar; AI tidak bertanggung jawab, ia tidak akan dipukuli investor karena kerugian 30%, dan tidak perlu menulis surat permintaan maaf, merenungkan jiwa, atau introspeksi diri.

Jika di masa depan AI menggantikan semua manajer dana dan peneliti, maka hipotesis pasar efisien akan terbukti benar, tidak akan ada lagi yang disebut Alpha, dan hampir tidak akan ada lagi Buffett berikutnya.

Jadi, masalah sebenarnya adalah, di masa depan, ketika AI mengambil alih pengumpulan data, menjalankan model, dan menulis laporan, apa yang tersisa bagi manusia? Yang tersisa justru adalah kecintaan terhadap investasi itu sendiri, intuisi terhadap ketidakpastian, dan alasan mengapa orang tetap bertahan meskipun mereka dihina karena penelitian yang katanya lebih buruk dari AI.

Kita tidak bisa mengubah tren peningkatan proporsi AI, tetapi kita bisa mengubah pola pikir yang sibuk menghadapi dan kelelahan karena kejar-kejaran.

Seperti dalam permainan “Detroit: Become Human”, pilihan terakhir yang harus diambil pemain bukanlah untuk menghapus AI, maupun tunduk padanya, melainkan menentukan peran apa yang akan dimainkan manusia dan AI masing-masing.