90% pengelola dana global menganggap AI penting, tetapi baru 12% yang memakainya di portofolio. Ini alasan teknis kenapa AI belum bisa cetak return konsisten.
Key Takeaways
- Kesenjangan adopsi sangat lebar: 90% pengelola dana institusi menilai AI penting, tetapi baru 12% pengelola cadangan devisa dan 16% manajer investasi yang menjalankannya secara terstruktur.
- Fokus utama masih efisiensi operasional: pemanfaatan terbesar ada pada ekstraksi data dokumen dan draf riset yang mempercepat pekerjaan hingga 37%, bukan perumusan strategi portofolio.
- Pasar finansial sulit ditebak model otomatis: rasio sinyal terhadap noise yang rendah serta pergeseran rezim pasar membuat keterlibatan manusia tetap mutlak di meja keputusan.
Sembilan puluh persen pengelola dana institusi global meyakini kecerdasan buatan akan menjadi alat penentu dalam pengelolaan aset. Namun, realitas di meja pengelola portofolio berbicara lain. Baru 12% pengelola cadangan devisa dan 16% manajer investasi global yang benar-benar mengintegrasikan teknologi ini ke dalam strategi kerja harian. Sekitar separuh pelaku pasar bahkan menempatkan adopsi teknologi generatif sebagai prioritas rendah.
Bukan Mesin Pencetak Return, Melainkan Pangkas Jam Kerja
Harapan publik bahwa teknologi ini langsung menghasilkan alpha berlebih ternyata meleset. Di meja manajer investasi, penerapan paling nyata hari ini justru berada di back-office dan riset awal: menyalin data laporan keuangan, menyusun draf kuesioner uji kelayakan, serta memilah 80% hingga 90% data tidak terstruktur seperti berita dan laporan emiten. Penggunaan alat bantu ini terbukti memangkas waktu kerja analis hingga 37% dengan mutu hasil yang setara.
Alih-alih membangun arsitektur komputasi internal yang mahal, mayoritas pengelola dana lebih memilih memakai produk siap pakai dari penyedia pihak ketiga. Tujuannya sederhana: menekan biaya operasional sebesar 5% hingga 15%, sembari membebaskan analis dari pekerjaan administrasi yang menyita waktu.
Kenapa Model Prediksi Mandek di Meja Trading
Masuknya teknologi ini ke jantung keputusan investasi menghadapi tiga tembok tebal: keterbatasan data historis yang relevan, rasio sinyal terhadap noise pasar yang sangat tipis, dan perubahan rezim pasar yang tidak pernah berulang sama persis. Saham dan obligasi tidak bergerak dengan logika teks bahasa biasa. Model pembelajaran mesin yang tampak sempurna saat diuji ke data masa lalu sering mengalami overfitting dan berbalik keliru begitu pola pasar berubah arah.
Itu sebabnya kurang dari 10% pengelola dana yang berani memakai model otomatis penuh untuk eksekusi portofolio. Sifat model yang seperti kotak hitam menghadirkan risiko fatal. Sekali model salah membaca data, dampaknya langsung menghantam portofolio bernilai triliunan rupiah tanpa ada yang bisa menjelaskan akar masalahnya secara transparan.
Arah adopsi ke depan bukan lagi soal mengganti peran pengelola dana dengan sistem pintar, melainkan seberapa disiplin analis memvalidasi hasil olahan data tersebut. Ujian sebenarnya ada pada angka efisiensi: apakah pemangkasan waktu riset ini mampu memperbaiki kualitas keputusan portofolio, atau justru tergerus oleh beban biaya komputasi dan pusat data yang konsumsi listriknya diperkirakan naik dua kali lipat hingga 945 terawatt-jam pada 2030.