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 Manajemen Kekayaan di SAP.

Temukan berita dan acara fintech teratas!

Berlangganan buletin FinTech Weekly

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

Dari penekanan margin biaya (fee compression) hingga pergeseran kondisi makroekonomi yang kurang menguntungkan, serta meningkatnya investasi teknologi yang belum memberikan hasil seperti yang diharapkan, organisasi manajemen aset menghadapi hambatan besar saat kalender memasuki tahun 2026.

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

Namun, ada katup penurun tekanan yang tersedia dalam bentuk penempatan AI yang ditargetkan dan tepat sasaran. AI dalam berbagai bentuknya — generatif, agenik, dll. — mulai menunjukkan nilai dalam berbagai skenario penggunaan untuk fungsi front-, middle-, dan back-office, memberi manajer aset cara untuk menangkap peningkatan produktivitas dan efisiensi baru, mengidentifikasi serta memanfaatkan peluang bisnis yang menguntungkan lebih cepat daripada kompetitor. Dalam analisisnya, yang didasarkan pada survei terhadap eksekutif level C dari perusahaan manajemen aset di seluruh Amerika Utara dan Eropa, McKinsey menetapkan bahwa untuk rata-rata manajer aset, potensi dampak dari AI, gen AI, dan agentic AI “dapat bersifat transformatif, setara dengan 25 hingga 40 persen dari basis biaya mereka.”

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

Menerapkan AI untuk Dampak Maksimum

Perusahaan di seluruh lanskap manajemen aset sedang menggunakan AI di berbagai bidang. Sebagian besar aktivitas tersebut terjadi di dalam organisasi yang lebih besar yang memiliki sumber daya mendalam untuk mengembangkan kapabilitas mereka sendiri di sekitar large-language models, agen AI yang ditargetkan, dan semacamnya. Namun, sisi lain dari koin AI adalah bahwa ia juga bisa membantu manajer aset di luar organisasi papan atas Tier One terbesar untuk bersaing dengan posisi yang lebih setara melawan perusahaan-perusahaan besar tersebut.

Lebih dari itu, meskipun banyak organisasi memfokuskan investasi mereka pada kasus penggunaan AI yang berorientasi pada pelanggan, penting untuk tidak mengabaikan peluang untuk menciptakan nilai melalui implementasi AI lain yang skalabel di seluruh front, middle, dan back office. Alih-alih mencari solusi titik (point solutions) yang mungkin tidak terintegrasi dengan baik satu sama lain, pendekatan yang lebih bijak untuk menghasilkan nilai dari AI bisa jadi dengan menargetkan investasi yang menghapus “dinding maya” di antara ketiga lapisan kantor agar tercipta efisiensi, memperkuat produktivitas, menyederhanakan proses, dan memberi 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 contoh yang terlihat sangat menjanjikan:

1. Otomatiskan dan percepat penutupan keuangan serta fungsi keuangan lainnya. Keuangan secara historis adalah area yang dipenuhi proses manual. Dengan bantuan agen AI, organisasi manajemen aset memiliki peluang untuk mengotomatisasi banyak proses seputar fungsi keuangan, termasuk penutupan keuangan serta AR, AP, rekonsiliasi faktur, dan semacamnya. Dalam skenario seperti ini, AI dapat mendukung peningkatan otomatisasi pergerakan data. Ia juga dapat memberi pengguna bisnis bagian keuangan pemberitahuan proaktif – dan skenario yang dapat ditindaklanjuti – untuk masalah yang mungkin belum terlihat terkait kelebihan/kekurangan modal, penyesuaian neraca, dan semacamnya.

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

3. Identifikasi dan segera mobilisasi peluang untuk struktur biaya dan model bisnis baru. Organisasi dapat meminta alat AI mereka untuk meneliti dan memodelkan dampak dari perubahan biaya potensial serta model bisnis baru. Apa yang disarankan oleh data historis tentang bagaimana perubahan biaya akan memengaruhi piutang usaha? Apakah ada peluang untuk membagi area bisnis yang ada (seperti kelas aset tertentu atau reksa dana berbasis geografis tertentu) menjadi dua atau lebih bagian, atau mengelompokkan pelanggan secara berbeda, dan jika demikian, seberapa kuat landasan kasus bisnis untuk langkah-langkah seperti itu?

4. Beri informasi untuk keputusan ekspansi ke produk atau wilayah geografis baru. Organisasi Anda sedang mempertimbangkan langkah ke pasar geografis baru yang menjanjikan namun relatif berisiko. Bagaimana hasil langkah-langkah serupa di masa lalu dari sisi biaya yang diharapkan dan biaya aktual? Apa dampak regulasi dan SDM (HR) yang kemungkinan muncul dari langkah seperti itu? Dialog dengan asisten digital AI generatif dapat menghasilkan jawaban berharga untuk pertanyaan-pertanyaan seperti ini, sehingga menghasilkan keputusan strategis yang lebih terinformasi.

5. Modelkan skenario “bagaimana-jika” mengenai potensi dampak rebalancing portofolio terhadap pendapatan di masa depan serta prioritas investasi dan tingkat selera risiko pelanggan. Alat AI dapat memberikan wawasan tentang potensi dampak pergeseran semacam ini, sekaligus menawarkan rekomendasi tentang waktu yang optimal dengan mempertimbangkan kewajiban utang usaha dan faktor-faktor lain. Dengan membuat keterkaitan seperti ini terhadap data, AI membantu mengatasi kesenjangan informasi antara fungsi keuangan dan manajemen portofolio front-office, mendukung perencanaan strategis dan penganggaran yang lebih tepat sasaran.

Dalam kasus salah satu firma yang saya tangani, misalnya, mereka berupaya menggabungkan data atribusi portofolio tentang kinerja elemen-elemen individual dalam portofolionya dengan data tentang tingkat selera risiko dan struktur biaya pelanggan. Tujuannya adalah untuk lebih memahami dampak bergema secara finansial (financial reverberations) dari rebalancing portofolio sehubungan dengan ekspektasi pelanggan dan pendapatan di masa depan.

6. Tingkatkan produktivitas. Beberapa eksekutif manajemen aset yang baru-baru ini saya ajak bicara mengatakan bahwa organisasi mereka ingin menggandakan aset yang dikelola tanpa peningkatan yang berarti pada jumlah karyawan, cukup dengan memanfaatkan AI dan agen AI secara lebih luas di seluruh organisasi mereka. Mereka membuat agen AI dan menempatkannya tepat di samping karyawan — sebagai ekstensi digital dari karyawan tersebut, pada dasarnya. Pada akhirnya, peningkatan produktivitas yang diberikan oleh agen-agen ini memungkinkan firma kecil dan menengah untuk “melawan” sesuai bobotnya guna bersaing dengan firma-firma besar dalam posisi yang lebih setara.

7. Tajamkan deteksi penipuan selama onboarding pelanggan. AI mahir dalam pemindaian dan verifikasi cepat terhadap keaslian dokumen onboarding, mengidentifikasi bahkan anomali paling kecil (dalam ukuran font, format dokumen, dll.) yang dapat menunjukkan bahwa seorang pelanggan bukanlah sosok yang mereka klaim, sehingga memerlukan penyaringan yang lebih ketat.

Seberdampak apa pun kasus penggunaan seperti ini di dalam organisasi manajemen aset, memaksimalkan nilainya sangat bergantung pada kualitas dan aksesibilitas data yang menjadi asupannya. Pertama dan terutama, data harus dapat dipahami oleh manusia dan mesin berdasarkan layanan mandiri (self-service). Sering kali, perusahaan mengambil data dari aplikasi sumber dan memindahkannya ke sebuah data lake. Namun, melakukan hal itu menghilangkan semantik dan konteks yang sangat penting dan spesifik bagi lingkungan aplikasi tersebut. Tanpa metadata tersebut, keluaran AI — dan dampak keseluruhannya — bisa menjadi kurang optimal. Jadi, dalam banyak kasus, organisasi akan lebih baik bila membiarkan data itu tetap berada di lingkungan aplikasi alaminya bersama metadata pendamping. Anggap data dalam aplikasi-aplikasi tersebut sebagai baterai yang menghidupi generative AI, agentic AI, dan analitik cerdas di dalam sebuah organisasi. Semakin kuat baterainya, semakin baik posisi organisasi manajemen aset untuk memanfaatkan investasi AI mereka guna menembus hambatan-hambatan yang mereka hadapi.

Tentang penulis

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