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 buletin FinTech Weekly

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

Dari kompresi biaya hingga pergeseran kondisi makroekonomi yang tidak menguntungkan hingga meningkatnya investasi teknologi yang belum memberikan hasil sesuai harapan, organisasi manajemen aset menghadapi tantangan signifikan saat kalender beralih ke 2026.

Dalam analisis 2025 tentang industri manajemen aset global, McKinsey & Company menemukan, misalnya, bahwa margin manajer aset telah menurun tiga poin persentase di Amerika Utara dan lima poin persentase di Eropa selama lima tahun terakhir akibat faktor-faktor seperti ini.

Namun, ada katup pelepas tekanan yang tersedia dalam bentuk penerapan kecerdasan buatan yang ditargetkan dan ditempatkan dengan baik. AI dalam berbagai bentuknya — generatif, agenik, dll. — mulai menunjukkan nilai dalam berbagai kasus penggunaan front-, middle-, dan back-office, memberikan manajer aset cara untuk menangkap produktivitas dan efisiensi baru, untuk mengidentifikasi dan memanfaatkan peluang bisnis baru yang menguntungkan sebelum pesaing. Dalam analisisnya, yang didasarkan pada survei kepada eksekutif tingkat C dari perusahaan manajemen aset di seluruh Amerika Utara dan Eropa, McKinsey menentukan bahwa untuk seorang manajer aset rata-rata, potensi dampak dari AI, AI generatif, dan AI agenik “dapat menjadi transformatif, setara dengan 25 hingga 40 persen dari basis biaya mereka.”

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

Menerapkan AI untuk Dampak Maksimal

Perusahaan di seluruh lanskap manajemen aset sedang menggunakan AI di berbagai bidang. Sebagian besar aktivitas itu terjadi di dalam organisasi yang lebih besar yang memiliki sumber daya mendalam untuk mengembangkan kemampuan mereka sendiri di sekitar model bahasa besar, dengan agen AI yang ditargetkan dan sejenisnya. Namun, sisi lain dari koin AI adalah bahwa ia juga dapat membantu manajer aset di luar organisasi Tier Satu terbesar bersaing dengan posisi yang lebih setara melawan perusahaan-perusahaan besar ini.

Lebih jauh, sementara banyak organisasi memfokuskan investasi mereka pada kasus penggunaan AI yang berhadapan dengan pelanggan, penting untuk tidak mengabaikan peluang untuk menciptakan nilai dengan 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 bijak untuk menghasilkan nilai dari AI bisa jadi menargetkan investasi yang menghapus dinding virtual antara tiga lapisan kantor untuk menciptakan efisiensi, meningkatkan produktivitas, menyederhanakan proses, dan lebih baik menginformasikan perencanaan dan strategi.

Singkatnya, cari kasus penggunaan AI yang mendorong — dan dapat memanfaatkan — pergerakan data yang lebih bebas di seluruh organisasi. Berikut adalah sejumlah yang terlihat sangat menjanjikan:

1. Mengotomatisasi dan mempercepat penutupan keuangan dan fungsi keuangan lainnya. Keuangan secara historis merupakan bidang yang penuh dengan proses manual. Dengan bantuan agen AI, organisasi manajemen aset memiliki kesempatan untuk mengotomatiskan banyak proses di sekitar fungsi keuangan, termasuk penutupan keuangan serta AR, AP, rekonsiliasi faktur, dan sejenisnya. Dalam skenario ini, AI dapat mendukung otomatisasi pergerakan data yang lebih baik. Ini juga dapat memberikan pengguna bisnis keuangan notifikasi proaktif — dan skenario yang dapat ditindaklanjuti — untuk masalah yang mungkin tidak terlihat dengan surplus/defisit modal, penyesuaian neraca, dan sejenisnya.

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

3. Mengidentifikasi dan cepat bergerak pada peluang untuk struktur biaya baru dan model bisnis. Organisasi dapat meminta alat AI mereka untuk meneliti dan memodelkan dampak perubahan biaya potensial serta model bisnis baru. Apa yang data historis sarankan tentang bagaimana perubahan biaya akan mempengaruhi piutang? Apakah ada peluang untuk memecah area bisnis yang ada (seperti kelas aset tertentu atau dana geografis) menjadi dua atau lebih bagian, atau untuk mengelompokkan pelanggan dengan cara yang berbeda, dan jika demikian, seberapa kuat kasus bisnis untuk langkah-langkah seperti ini?

4. Menginformasikan keputusan tentang ekspansi ke produk atau wilayah baru. Organisasi Anda sedang mempertimbangkan langkah ke pasar geografis baru yang menjanjikan tetapi relatif berisiko. Bagaimana hasil langkah-langkah seperti ini di masa lalu dalam hal biaya yang diharapkan dan aktual? Apa dampak regulasi dan SDM yang mungkin dari langkah seperti itu? Sebuah dialog dengan asisten digital AI generatif dapat memberikan jawaban berharga untuk pertanyaan-pertanyaan seperti ini, yang menghasilkan keputusan strategis yang lebih baik.

5. Memodelkan skenario apa-jika sekitar dampak potensial dari penyeimbangan portofolio terhadap pendapatan masa depan serta prioritas investasi pelanggan dan selera risiko. Alat AI dapat memberikan wawasan tentang dampak potensial dari jenis pergeseran ini, sambil juga menawarkan rekomendasi tentang waktu optimal mengingat kewajiban piutang dan faktor lainnya. Dengan membuat koneksi seperti ini dengan data, AI membantu mengatasi pemisahan informasi antara fungsi keuangan dan manajemen portofolio front-office, mendukung perencanaan strategis dan penganggaran yang lebih tepat.

Dalam kasus salah satu perusahaan yang saya kerjakan, misalnya, mereka mencari untuk menggabungkan data atribusi portofolio tentang kinerja elemen individu dari portofolionya dengan data tentang selera risiko dan struktur biaya pelanggan. Tujuannya adalah untuk lebih memahami dampak finansial dari penyeimbangan portofolio relatif terhadap harapan pelanggan dan pendapatan masa depan.

6. Meningkatkan produktivitas. Beberapa eksekutif manajemen aset yang saya ajak bicara baru-baru ini mengatakan bahwa organisasi mereka berusaha untuk menggandakan aset yang dikelola tanpa peningkatan signifikan dalam jumlah karyawan, cukup dengan memanfaatkan AI dan agen AI secara lebih luas di seluruh organisasi mereka. Mereka menciptakan agen AI dan menempatkannya tepat di samping karyawan — sebagai perpanjangan digital dari karyawan tersebut, pada dasarnya. Akhirnya, peningkatan produktivitas yang diberikan agen-agen ini memungkinkan perusahaan kecil dan menengah untuk bersaing dengan posisi yang lebih setara dengan perusahaan-perusahaan besar.

7. Meningkatkan deteksi penipuan selama onboarding pelanggan. AI sangat mahir dalam memindai dan memvalidasi keaslian dokumen onboarding dengan cepat, mengidentifikasi bahkan anomali terkecil (dalam ukuran font, format dokumen, dll.) yang dapat menunjukkan bahwa pelanggan tidak seperti yang mereka tampakkan dan dengan demikian memerlukan lebih banyak penyaringan.

Sebagaimana berdampaknya kasus penggunaan seperti ini dalam organisasi manajemen aset, memaksimalkan nilai mereka sangat bergantung pada kualitas dan aksesibilitas data yang mendukungnya. Pertama dan terutama, data harus dapat dipahami oleh manusia dan mesin secara mandiri. Sering kali, perusahaan menarik data dari aplikasi sumber dan memindahkannya ke danau data. Namun, melakukan hal tersebut menghilangkan semantik dan konteks yang sangat penting yang spesifik untuk lingkungan aplikasi. Tanpa metadata ini, output AI — dan dampak keseluruhannya — bisa jadi suboptimal. Jadi, organisasi dalam banyak kasus lebih baik dibiarkan data itu di lingkungan aplikasi alaminya bersama metadata yang menyertainya. Anggap data di aplikasi ini sebagai baterai yang memberi daya pada AI generatif, AI agenik, dan analitik cerdas dalam sebuah organisasi. Semakin kuat baterainya, semakin baik posisi organisasi manajemen aset untuk memanfaatkan investasi AI mereka untuk mengatasi tantangan yang menghadang mereka.

Tentang penulis

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