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 tekanan kompresi biaya hingga pergeseran yang kurang menguntungkan dalam kondisi makroekonomi, serta meningkatnya investasi teknologi yang belum memberikan hasil seperti yang diharapkan, organisasi manajemen aset menghadapi hambatan besar saat kalender beralih ke 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 penopang tekanan dalam bentuk penerapan kecerdasan buatan yang ditargetkan dan tepat sasaran. AI dalam berbagai bentuknya — generatif, agentic, dll. — mulai menunjukkan nilai dalam beragam kasus penggunaan untuk front-, middle-, dan back-office, memberi manajer aset cara untuk menangkap peningkatan produktivitas dan efisiensi baru, mengidentifikasi serta memanfaatkan peluang bisnis yang menguntungkan di depan para pesaing. Dalam analisisnya, yang didasarkan pada survei terhadap eksekutif C-level dari perusahaan manajemen aset di seluruh Amerika Utara dan Eropa, McKinsey menyimpulkan bahwa bagi rata-rata manajer aset, potensi dampak dari AI, gen AI, dan agentic AI “bisa bersifat transformatif, setara dengan 25 hingga 40 persen dari basis biaya mereka.”

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

Menerapkan AI untuk Dampak Maksimal

Perusahaan-perusahaan di seluruh lanskap manajemen aset sedang menggunakan AI di berbagai lini. Sebagian besar aktivitas itu terjadi di dalam organisasi yang lebih besar, yang memiliki sumber daya mendalam untuk mengembangkan kapabilitas mereka sendiri terkait large-language models, dengan agen AI yang ditargetkan, dan sejenisnya. Tetapi sisi lain dari koin AI adalah bahwa ia juga dapat membantu manajer aset di luar organisasi terbesar Tier One bersaing dengan tingkat yang lebih setara melawan perusahaan-perusahaan besar tersebut.

Selain itu, meskipun banyak organisasi memfokuskan investasi mereka pada kasus penggunaan AI yang berorientasi pada pelanggan, penting untuk tidak mengabaikan peluang untuk menciptakan nilai melalui penerapan AI lain yang dapat diskalakan di front, middle, dan back office. Alih-alih mencari solusi point yang mungkin tidak terintegrasi dengan baik satu sama lain, pendekatan yang lebih bijaksana untuk menghasilkan nilai dari AI bisa jadi menargetkan investasi yang meruntuhkan dinding virtual antara ketiga lapisan kantor tersebut untuk menciptakan efisiensi, meningkatkan produktivitas, menyederhanakan proses, dan memberi informasi yang lebih baik untuk perencanaan dan strategi.

Singkatnya, cari 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 serta fungsi keuangan lainnya. Keuangan secara historis merupakan area yang sarat dengan proses manual. Dengan bantuan agen AI, organisasi manajemen aset memiliki peluang untuk mengotomatisasi banyak proses di sekitar fungsi keuangan, termasuk penutupan keuangan serta AR, AP, rekonsiliasi invoice, dan sejenisnya. Dalam skenario-skenario ini, AI dapat membantu meningkatkan otomatisasi pergerakan data. AI juga dapat memberi pengguna bisnis keuangan notifikasi proaktif – dan skenario yang dapat ditindaklanjuti – untuk masalah yang berpotensi tidak terlihat terkait surplus/defisit modal, penyesuaian neraca, dan sejenisnya.

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

3. Identifikasi dan mobilisasi dengan cepat peluang untuk struktur biaya dan model bisnis baru. Organisasi dapat meminta alat AI mereka untuk meneliti dan memodelkan dampak dari perubahan biaya yang potensial serta model bisnis baru. Data historis apa yang menunjukkan bagaimana perubahan biaya akan memengaruhi piutang? Apakah ada peluang untuk memecah area bisnis yang ada (seperti kelas aset tertentu atau dana geografis tertentu) menjadi dua atau lebih bagian, atau mengelompokkan pelanggan secara berbeda, dan jika ya, seberapa kuat business case untuk langkah seperti itu?

4. Memberi informasi tentang keputusan ekspansi ke produk atau wilayah geografis baru. Organisasi Anda sedang mempertimbangkan langkah ke pasar geografis baru yang menjanjikan tetapi relatif berisiko. Bagaimana hasil dari langkah-langkah sebelumnya seperti itu dari sisi biaya yang diharapkan dan biaya aktual? Apa dampak regulasi dan HR yang mungkin dari langkah seperti itu? Dialog dengan asisten digital AI generatif dapat menghasilkan jawaban berharga atas pertanyaan-pertanyaan seperti ini, sehingga menghasilkan keputusan strategis yang lebih terinformasi.

5. Modelkan skenario what-if mengenai potensi dampak rebalancing portofolio terhadap pendapatan masa depan sekaligus prioritas investasi pelanggan dan tingkat selera risiko. Alat AI dapat memberikan wawasan mengenai potensi dampak pergeseran semacam ini, sekaligus menawarkan rekomendasi mengenai waktu yang optimal dengan mempertimbangkan kewajiban utang usaha dan faktor lain. Dengan membangun keterkaitan seperti ini dengan 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 satu perusahaan yang saya tangani, misalnya, mereka berupaya menggabungkan data portofolio-attribution tentang kinerja elemen-elemen individual portofolio mereka dengan data mengenai selera risiko dan struktur biaya para pelanggan. Tujuannya adalah untuk lebih memahami gema finansial dari rebalancing portofolio dibandingkan dengan ekspektasi pelanggan dan pendapatan masa depan.

6. Tingkatkan produktivitas. Beberapa eksekutif manajemen aset yang baru-baru ini saya ajak bicara mengatakan bahwa organisasi mereka ingin menggandakan aset di bawah manajemen tanpa peningkatan jumlah karyawan yang material, cukup dengan memanfaatkan AI dan agen AI secara lebih luas di seluruh organisasi mereka. Mereka membuat agen AI dan menempatkannya tepat berdampingan dengan karyawan — sebagai ekstensi digital dari karyawan tersebut, pada dasarnya. Pada akhirnya, peningkatan produktivitas yang diberikan oleh agen-agen ini memungkinkan perusahaan kecil dan menengah untuk “mengejar ketertinggalannya” agar bisa bersaing pada pijakan yang lebih setara dengan perusahaan yang lebih besar.

7. Asah deteksi penipuan saat onboarding pelanggan. AI mampu memindai dan memvalidasi keaslian dokumen onboarding dengan cepat, mengidentifikasi bahkan anomali paling minor (ukuran font, format dokumen, dll.) yang dapat menunjukkan bahwa pelanggan tersebut bukanlah sosok yang mereka klaim, sehingga memerlukan penyaringan yang lebih ketat.

Seberapa berdampak pun kasus penggunaan seperti ini dapat terjadi di dalam organisasi manajemen aset, memaksimalkan nilainya sangat bergantung pada kualitas dan aksesibilitas data yang memberinya makan. Pertama dan terutama, data harus dapat dipahami oleh manusia dan mesin secara mandiri (self-service). Sering kali, perusahaan menarik data keluar dari aplikasi sumber dan memindahkannya ke data lake. Namun, melakukan itu menghilangkan semantik dan konteks yang sangat penting yang spesifik untuk lingkungan aplikasi tersebut. Tanpa metadata ini, keluaran AI — dan dampak keseluruhannya — bisa menjadi kurang optimal. Jadi, dalam banyak kasus, organisasi akan lebih terbantu jika membiarkan data tersebut tetap berada di lingkungan aplikasi alaminya bersama metadata pendamping. Anggap data dalam aplikasi-aplikasi ini sebagai baterai yang menyalakan generative AI, agentic AI, dan intelligent analytics di dalam sebuah organisasi. Semakin kuat “baterai”-baterai tersebut, semakin baik posisi organisasi manajemen aset untuk memanfaatkan investasi AI mereka dalam 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 telah bekerja dengan data di industri pasar modal dalam peran yang mencakup manajemen produk, pengembangan bisnis, dan manajemen bisnis.