Kecerdasan buatan dalam perbankan investasi: Mesin membaca, manusia memutuskan – siapa sebenarnya yang menang?

AI dalam perbankan investasi: Inilah tugas-tugas di mana algoritma (masih) gagal total

Struktur kesepakatan yang kreatif, transaksi bernilai jutaan dolar, dan penilaian visioner – begitulah cara bank investasi memasarkan layanan mereka. Namun, kenyataan bagi analis junior, di luar presentasi yang mewah, seringkali terlihat sangat berbeda: malam-malam tanpa akhir di ruang data virtual, secara manual menyaring ratusan PDF kontrak, dan dengan susah payah mentransfer angka ke dalam model Excel yang kompleks. Justru dalam kesenjangan antara keahlian yang dibayar mahal dan pengumpulan informasi yang membosankan inilah kecerdasan buatan (AI) saat ini menunjukkan potensi terbesarnya.

Meskipun raksasa Wall Street seperti JPMorgan dan Goldman Sachs telah lama menginvestasikan puluhan miliar dolar dalam sistem AI untuk membebaskan analis mereka dari tugas-tugas yang membosankan, kenyataan menunjukkan gambaran yang suram: Tidak setiap teknologi yang sangat dipuji dapat bertahan menghadapi kecepatan dan tekanan tanpa henti dari kesepakatan M&A yang sebenarnya. Terlebih lagi, otomatisasi menimbulkan pertanyaan mendalam: Jika algoritma mengambil alih riset di masa depan, bagaimana generasi bankir berikutnya akan mempelajari keahlian mereka? Dan pada titik mana seorang pembuat kesepakatan yang berpengalaman akan mempercayai analisis mesin? Artikel ini secara tegas meneliti aplikasi AI mana yang benar-benar berfungsi di sektor keuangan yang sangat diatur, di mana otomatisasi harus dihentikan secara sengaja, dan mengapa kepercayaan buta pada teknologi tanpa bukti yang kuat dengan cepat menjadi risiko tanggung jawab yang besar.

Bukti, bukan sekadar rumor: Ketika para bankir papan atas benar-benar mempercayai hasil kecerdasan buatan

Bank investasi secara resmi menjual penilaian, relasi, dan struktur kesepakatan yang kreatif. Namun, melihat pekerjaan sehari-hari para analis muda sebenarnya mengungkapkan gambaran yang sama sekali berbeda: menyaring ruang data, dengan susah payah mentransfer angka dari dokumen PDF ke model Excel, mencari presentasi lama yang dibuat bank tiga tahun lalu untuk klien serupa.

Perbedaan inilah yang menjadi inti permasalahan. Perbankan investasi menjual penilaian, namun sebagian besar jam kerja staf junior hanya dihabiskan untuk mengumpulkan informasi. Kesenjangan antara apa yang sebenarnya dibayar klien dan apa yang sebenarnya dihabiskan untuk jam kerja inilah yang membuat penggunaan kecerdasan buatan dalam perbankan investasi menjadi layak secara ekonomi.

Dengan latar belakang ini, ada baiknya kita mencermati lebih dekat bagaimana lembaga keuangan dapat memanfaatkan AI untuk keuntungan bisnis yang nyata. Singkatnya, bank yang menang di sini bukanlah bank dengan presentasi strategi yang paling berani. Mereka adalah bank yang secara konsisten menggunakan mesin untuk membaca dan mencari dokumen, sementara penilaian sebenarnya tetap dilakukan oleh manusia dan seluruh proses dijalankan dalam batasan sistem yang mereka kendalikan sendiri.

Harga tak terlihat dari sekadar mengumpulkan informasi

Alasan mengapa tidak ada yang menangani masalah ini adalah karena masalah ini tidak muncul sebagai pos biaya terpisah. Gaji sudah dianggarkan, analis sudah dipekerjakan dan ditugaskan. Membaca dan meninjau dokumen adalah tujuan awal dari pembelian jam kerja – oleh karena itu, upaya tersebut tetap tidak terlihat seperti biaya sewa setelah perjanjian sewa ditandatangani.

Namun, ketika Anda mempertimbangkan biaya sebenarnya dari upaya tersembunyi ini, masalahnya dengan cepat menjadi jelas. Hal ini menyebabkan pemeriksaan acak alih-alih tinjauan komprehensif, karena membaca setiap kontrak di ruang data secara menyeluruh memang tidak pernah layak secara finansial. Akibatnya, profil perusahaan menjadi usang, karena memperbarui empat puluh profil per kuartal secara teratur kalah bersaing dengan transaksi mendesak yang sedang berlangsung. Dan hal ini menyebabkan kesepakatan yang menjanjikan bahkan tidak ditindaklanjuti, karena tim sudah sepenuhnya sibuk dengan transaksi saat ini. Setiap keputusan ini pada dasarnya dibuat oleh kendala waktu, bukan oleh seorang bankir secara pribadi.

Aspek volume dari masalah ini menjadi semakin akut. Aktivitas yang didorong oleh sponsor keuangan tumbuh seiring dengan pertumbuhan pasar modal swasta, dengan analis Preqin memprediksi aset global dalam kelas aset alternatif akan mencapai sekitar $32 triliun pada tahun 2030. Ini berarti lebih banyak proses transaksi, lebih banyak proses penawaran kompetitif, dan lebih banyak uji tuntas per bankir daripada yang dapat diakomodasi secara realistis oleh rencana kepegawaian mana pun. Bank yang terus menerima biaya tersembunyi ini akan mendapati diri mereka membayarnya lebih mahal setiap tahun. Sebaliknya, mereka yang dapat memperluas cakupan mereka tanpa meningkatkan basis biaya mereka adalah mereka yang telah berhenti memandang penyaringan dokumen yang membosankan sebagai semacam ritual inisiasi bagi analis junior.

Aplikasi AI mana yang benar-benar tahan uji praktis?

Tidak semua kasus penggunaan sama-sama siap untuk diterapkan secara produktif, dan urutan penanganannya lebih penting daripada pilihan teknis perangkat lunak itu sendiri. Tiga kriteria filter membantu dalam klasifikasi cepat.

Pertama dan terpenting adalah volume. Anda harus memilih kumpulan dokumen yang terus-menerus dan teratur terkumpul, bukan hanya sesekali, karena alur kerja yang hanya dijalankan dua kali setahun tidak akan pernah mengumpulkan cukup pengalaman untuk membangun kepercayaan yang tulus. Kedua adalah pengulangan: bidang informasi yang sama, selalu ditanyakan dengan cara yang sama, di seluruh dokumen yang berbeda dalam susunan kata tetapi hampir tidak berbeda dalam struktur. Ketiga dan yang terpenting adalah verifikasi. Anda ingin mendapatkan hasil yang dapat dibandingkan seseorang dengan sumbernya dalam hitungan detik, karena verifikasi inilah yang pada akhirnya meyakinkan para skeptis.

Penerapan ketiga filter ini menghasilkan daftar prioritas singkat yang hampir sama di setiap bank. Ruang data mendapat nilai tertinggi, itulah sebabnya analisis cerdas terhadap dokumen uji tuntas biasanya diimplementasikan terlebih dahulu. Dokumen preseden internal berada di urutan kedua, karena sejarah bank sendiri sangat luas, sangat melelahkan untuk dicari, tetapi mudah diverifikasi setelah ditemukan. Pengajuan peraturan untuk pemantauan pasar yang berkelanjutan berada di urutan ketiga. Apa pun yang hasilnya berupa opini atau penilaian diotomatiskan terakhir – lebih lanjut tentang itu nanti.

Kapan seorang bankir berpengalaman mempercayai hasil mesin?

Pada dasarnya, semuanya bermuara pada satu karakteristik penting: setiap klaim harus didukung oleh sumbernya, dan verifikasi sumber tersebut tidak boleh memakan waktu lebih dari sepuluh detik. Ini mungkin terdengar seperti detail kecil dalam desain produk, tetapi sebenarnya inilah janji produk secara keseluruhan.

Analisis yang menyatakan bahwa batas tanggung jawab dalam kontrak adalah 12 persen dari harga pembelian pada awalnya hanyalah sebuah pernyataan. Namun, analisis yang menyatakan hal yang sama dan merujuk langsung ke halaman 84 dari amandemen kontrak ketiga, adalah bukti. Yang pertama membutuhkan kepercayaan buta, yang kedua praktis mengundang verifikasi – dan itulah yang ingin dilakukan oleh seorang Wakil Presiden dengan informasi apa pun yang berkaitan dengan transaksi yang sedang berlangsung.

Kita dapat mengamati bagaimana kepercayaan berkembang secara alami dalam kondisi ini. Wakil presiden meninjau dua puluh hasil pertama, dan semuanya lolos pemeriksaan. Pada kali berikutnya, hanya sepuluh dari lima puluh hasil yang diperiksa. Pada kesepakatan kedua yang diproses, ia hanya memeriksa hasil yang mengejutkannya dan menerima sisanya tanpa peninjauan lebih lanjut. Tidak ada yang secara resmi menyetujui perubahan perilaku ini—hal itu muncul begitu saja karena peninjauan secara konsisten memberikan hasil yang bersih, dan tidak ada promosi penjualan vendor perangkat lunak yang dapat membangkitkan tingkat kepercayaan seperti ini.

Sayangnya, kebalikannya juga sama akuratnya. Satu jawaban yang diucapkan dengan percaya diri, tetapi salah, tanpa sumber yang dapat diverifikasi dapat menghambat proyek lebih jauh daripada satu bulan penuh waktu henti sistem, karena cerita tentang kesalahan ini menyebar ke seluruh organisasi. Seluruh rantai pemrosesan, dari dokumen hingga keputusan, bergantung pada keakuratan sumber yang dapat dikutip, dan sistem yang memberikan jawaban tanpa bukti ini pada akhirnya hanya menghasilkan rumor.

Di titik mana otomatisasi harus mencapai batasnya secara sengaja?

Setiap program AI yang bereputasi membutuhkan daftar yang jelas tentang apa yang tidak boleh diotomatisasi – idealnya ditetapkan sebelum proyek percontohan pertama. Mesin memberikan bukti, manusia memberikan posisi dan penilaian. Daftar batasan inilah yang secara eksplisit membedakan hal ini, alih-alih baru ditemukan secara menyakitkan di tengah proses yang sedang berlangsung dan kritis.

Satu bukti dapat diverifikasi: bahwa setiap kontrak dalam ruang data berisi klausul perubahan kendali, bahwa perusahaan pembanding didukung dengan setiap indikator kinerja utama dan didukung oleh sumber, atau bahwa kata-kata yang tepat dari klausul eksklusivitas, termasuk tanggal kadaluarsanya, direproduksi secara akurat. Di sisi lain, posisi adalah penilaian berdasarkan konteks yang tidak dapat ditangkap oleh satu dokumen pun: apakah klausul perubahan kendali tertentu benar-benar menghadirkan hambatan dalam praktik atau lebih merupakan poin negosiasi, berapa nilai sebenarnya suatu perusahaan, atau kepada siapa dari dua penawar klien harus memberikan kontrak dan bagaimana menangani penawar yang kalah setelahnya.

Program-program yang pada akhirnya gagal hampir selalu dimulai dengan menangani masalah posisi, biasanya model valuasi atau rekomendasi transaksi langsung, berdasarkan logika bahwa pekerjaan yang paling berharga layak mendapat perhatian paling awal. Namun, hasilnya selalu sama: Para bankir berpengalaman menolak untuk bergantung pada kesimpulan yang tidak dapat mereka periksa secara kritis sendiri. Dan penolakan ini dibenarkan dengan alasan yang baik. Dalam kasus-kasus ini, masalahnya bukanlah teknologi, tetapi pilihan kasus penggunaan awal yang salah.

Batasan ini memang bergeser seiring waktu, dan pergeserannya terjadi seiring dengan berkembangnya kepercayaan: selangkah demi selangkah, satu hasil terverifikasi demi hasil terverifikasi lainnya. Oleh karena itu, daftar batasan tersebut harus ditinjau dan disesuaikan setiap tahun, bukan tetap kaku. Yang sebenarnya dilindungi adalah kegagalan yang jauh lebih sering terjadi yang disebabkan oleh sekadar pernyataan – ketika batasan tersebut hanya digeser dalam presentasi, di depan orang-orang yang, jika ragu, hanya memutuskan untuk diam-diam mematuhinya.

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat mengimplementasikan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI terkelola adalah solusi lengkap dan bebas khawatir Anda untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang kompleks, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda menerima solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra khusus – seringkali hanya dalam beberapa hari.

Keunggulan utama secara sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi siap pakai dalam hitungan hari, bukan bulan. Kami menghadirkan solusi praktis yang menciptakan nilai tambah langsung.

🔒 Keamanan data maksimal: Data sensitif Anda tetap aman. Kami menjamin pemrosesan yang aman dan sesuai peraturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Konsentrasikan pada apa yang Anda kuasai. Kami mengurus seluruh implementasi teknis, pengoperasian, dan pemeliharaan solusi AI Anda.

📈 Tahan masa depan & dapat diskalakan: AI Anda tumbuh bersama Anda. Kami memastikan optimasi dan skalabilitas berkelanjutan, serta secara fleksibel menyesuaikan model dengan kebutuhan baru.

Informasi selengkapnya di sini:

• Platform AI Terkelola

Apa yang terjadi ketika beberapa penawaran datang secara bersamaan?

Konsistensi throughput pada hari-hari sepi pada akhirnya merupakan metrik yang tidak berarti. Tim penjualan tidak pernah lumpuh selama minggu-minggu biasa – mereka lumpuh ketika pelanggan ketiga menelepon dengan situasi mendesak dan langsung, dan pada saat yang sama, seorang eksekutif berpengalaman sedang berada di pesawat dan tidak tersedia.

Justru pada titik inilah ukuran sampel berkurang, pertanyaan uji tuntas sekunder tetap tidak terjawab, dan risiko mengabaikan temuan penting menjadi paling tinggi karena perhatian paling terpecah. Setiap alat yang layak dibeli harus membuktikan dirinya di bawah tekanan yang tepat ini.

Oleh karena itu, inilah yang seharusnya Anda uji. Lonjakan mendadak lima puluh kontrak di bawah tekanan waktu mengungkapkan lebih banyak tentang kualitas suatu sistem daripada penggunaan normal selama sebulan penuh. Tiga hal penting yang perlu diamati adalah: apakah akurasi menurun seiring dengan peningkatan volume; apakah antrian memberikan hasil parsial yang dapat digunakan atau hanya memaksa seluruh tim untuk menunggu; dan apakah sistem secara terbuka menampilkan apa yang tidak dapat ditentukannya sendiri dengan pasti.

Di bawah tekanan seperti itu, sistem yang masuk akal untuk menandai ketidakpastian bahkan lebih penting daripada tingkat keberhasilan semata. Sistem yang menghasilkan 400 hasil yang tidak ambigu dan 30 kasus yang secara eksplisit ditandai sebagai tidak pasti memberikan tim daftar tugas yang jelas. Sebaliknya, sistem yang menghasilkan 430 hasil yang tampaknya tidak ambigu, 30 di antaranya sebenarnya salah, menghadirkan risiko tanggung jawab yang nyata bagi tim. Dalam kondisi stres, tidak ada yang punya waktu untuk secara retrospektif menentukan pendekatan mana dari kedua pendekatan tersebut yang sebenarnya mereka adopsi.

Bagaimana dokumen-dokumen sensitif dapat disimpan di dalam lingkungan bank itu sendiri?

Pertanyaan ini biasanya menghentikan sebagian besar program AI dalam praktiknya – dan biasanya baru di tahap akhir proses. Sebuah tim menemukan alat yang menganalisis kontrak dengan baik dan awalnya mengujinya pada pengumuman perusahaan yang tersedia untuk umum di mana tidak ada risiko nyata. Hasilnya meyakinkan, jadi seseorang menyarankan untuk menerapkan sistem tersebut ke ruang data nyata. Hal ini segera memicu audit keamanan.

Penyedia perangkat lunak menawarkan jaminan kontraktual: tidak ada pelatihan model dengan data perusahaan sendiri, penghapusan setelah tiga puluh hari, dan kontrak perusahaan yang disesuaikan juga tersedia. Namun, departemen kepatuhan mengajukan pertanyaan yang jauh lebih sederhana dan lebih penting: ke mana dokumen-dokumen tersebut sebenarnya ditransfer secara fisik, dan siapa lagi yang memiliki akses ke dokumen-dokumen tersebut? Jawaban jujur ​​biasanya: ke server bersama di luar bank – dan memang seharusnya begitu, di situlah percakapan berakhir.

Informasi rahasia yang sensitif terhadap harga, data pelanggan yang bersifat konfidensial, dokumen yang terikat perjanjian kerahasiaan, dan hambatan informasi antar departemen yang diawasi ketat oleh otoritas regulasi, membuat akhir ini tak terhindarkan. Kesalahan sebenarnya bukan terletak pada proyek percontohan itu sendiri atau pada kehati-hatian yang beralasan dari departemen kepatuhan, tetapi pada pilihan model implementasi yang sejak awal tidak mungkin dapat mengatasi hambatan ini.

Model yang pada akhirnya diterapkan menjaga setiap evaluasi dan setiap kesimpulan tetap konsisten dalam batasan sistem bank itu sendiri. Dengan mengisolasi setiap transaksi individual, model ini secara tepat mencerminkan batasan informasi yang telah ditentukan, menerapkan kontrol akses langsung pada setiap permintaan, dan menyimpan catatan lengkap dari setiap interaksi. Dilihat dari sudut pandang ini, departemen kepatuhan itu sendiri menjadi pendukung proyek daripada menjadi penghalang, karena tingkat kontrol menjawab pertanyaan dari lini pertahanan kedua bahkan sebelum pertanyaan tersebut perlu diajukan. Mengambil keputusan mendasar ini sebelum proyek percontohan pertama pada akhirnya menghemat sekitar enam bulan.

Apa yang sebenarnya dihabiskan dan diinvestasikan oleh perusahaan-perusahaan besar?

Diskusi abstrak seputar manajemen pengambilan data dan pembangunan kepercayaan menjadi konkret ketika kita melihat jumlah investasi aktual dan peluncuran dari lembaga-lembaga terbesar. JPMorgan kini mengoperasikan LLM Suite internalnya untuk lebih dari 200.000 karyawan, mendanai lebih dari 400 kasus penggunaan AI yang terdokumentasi dengan anggaran teknologi sekitar $18 miliar untuk tahun 2026. Goldman Sachs, setelah fase uji coba dengan sekitar 10.000 karyawan, telah meluncurkan GS AI Assistant, yang didasarkan pada model dari OpenAI, Google, dan Anthropic di balik lapisan keamanannya sendiri, kepada sekitar 46.000 karyawan di seluruh perusahaan dan melaporkan peningkatan produktivitas lebih dari 20 persen dalam pengembangan perangkat lunak. Morgan Stanley, di sisi lain, telah mencapai tingkat penggunaan lebih dari 98 persen dari semua tim penasihat dengan asisten AI-nya untuk penasihat keuangan dan telah menguji asisten digital sejak musim panas 2026 yang dapat berinteraksi dengan klien sepanjang waktu, dengan wewenang pengambilan keputusan atas keputusan portofolio aktual secara eksplisit tetap berada di tangan manusia.

Ciri mencolok dari ketiga kasus tersebut adalah pola arsitektur yang sama: ketersediaan dan wewenang pengambilan keputusan sengaja dipisahkan. Mesin diizinkan untuk menganalisis, meringkas, dan memberikan saran kapan saja, tetapi wewenang untuk bertindak secara aktual tetap dikecualikan secara kontraktual dan teknis. Pemisahan ini selaras dengan batasan yang telah dijelaskan sebelumnya antara fakta yang dapat diverifikasi dan penilaian kewirausahaan yang sebenarnya, dan secara empiris menegaskan bahwa lembaga-lembaga dengan keberhasilan peluncuran terbesar mematuhi prinsip ini.

Dari perspektif makroekonomi, ini bukan lagi fenomena khusus. Goldman Sachs memperkirakan bahwa total investasi terkait AI di Amerika Serikat akan mendekati hampir $600 miliar pada tahun 2026, setara dengan sekitar 2 persen dari PDB AS, sementara investasi AI global diperkirakan akan melebihi $1 triliun untuk pertama kalinya. Pada saat yang sama, analisis yang sama memperingatkan bahwa sekitar dua pertiga dari pengeluaran ini akan dibiayai oleh alokasi ulang dalam anggaran perusahaan yang ada, menunjukkan efek penggeseran (crowding-out) yang nyata, meskipun masih moderat, terhadap investasi lain. Bagi bank investasi, ini berarti bahwa tekanan kompetitif untuk berinvestasi dalam AI sendiri semakin meningkat, tidak hanya karena alasan efisiensi, tetapi juga karena basis klien mereka sendiri, khususnya perusahaan teknologi dan penerbitan obligasi mereka, sudah membawa topik ini ke setiap konsultasi pasar modal.

Persyaratan peraturan yang mendefinisikan kerangka kerja

Seiring dengan booming investasi, lanskap regulasi untuk pengoperasian sistem ini juga bergeser. Undang-Undang AI Eropa awalnya menetapkan bahwa aplikasi berisiko tinggi di sektor keuangan, seperti penilaian kelayakan kredit individu, harus sepenuhnya diuji kepatuhannya, didokumentasikan, dan tunduk pada pengawasan manusia wajib pada tanggal 2 Agustus 2026. Namun, apa yang disebut Omnibus Digital tentang AI menunda tenggat waktu ini selama enam belas bulan hingga 2 Desember 2027, pada musim panas 2026, karena standar pengujian teknis yang diperlukan tidak tersedia tepat waktu. Untuk aktivitas perbankan investasi inti—penasihat M&A, penerbitan pasar modal, dan uji tuntas—klasifikasi risiko tinggi ini sebagian besar tidak relevan, karena aktivitas ini terutama berfokus pada pinjaman, penetapan harga asuransi, dan aplikasi biometrik. Meskipun demikian, kewajiban transparansi mendasar telah berlaku sejak Agustus 2026: Komunikasi pelanggan yang didukung atau dibuat oleh sistem AI harus dapat diidentifikasi sebagai demikian, yang juga relevan untuk analisis yang dihasilkan secara otomatis dan korespondensi pelanggan dari bank.

Di Amerika Serikat, Komisi Sekuritas dan Bursa (SEC) menerapkan pendekatan audit yang netral terhadap teknologi, tetapi jauh lebih ketat. Prioritas audit untuk tahun 2026 secara eksplisit mengidentifikasi sistem AI dalam nasihat investasi, proses kepatuhan, dan komunikasi pelanggan sebagai area fokus utama. Lembaga harus menunjukkan tujuan optimasi yang dikejar oleh setiap sistem AI yang diterapkan dan apakah hal ini dapat menimbulkan konflik kepentingan antara bank dan pelanggan. Tinjauan kontrak dengan penyedia AI eksternal juga mendapat perhatian lebih besar, terutama mengenai apakah data pelanggan digunakan untuk melatih model pihak ketiga. Hal ini sesuai dengan hambatan kepatuhan yang dijelaskan dalam artikel mengenai solusi ruang data yang dihosting secara eksternal. Kedua rezim peraturan tersebut bergerak ke arah yang sama: bukan pelarangan AI, tetapi dokumentasi wajib tentang kontrol, asal data, dan tanggung jawab manusia pada akhirnya.

Sisi negatif yang kurang menyenangkan: pengurangan staf dan skeptisisme

Narasi tentang AI sebagai peningkatan efisiensi semata mengabaikan realitas tidak nyaman yang semakin terbuka dibahas. Menurut mitra McKinsey, Debasish Patnaik, bank-bank sudah memangkas program analis tingkat pemula mereka hingga dua pertiga, sementara pada saat yang sama, sekitar 62 persen spesialis AI yang dibutuhkan direkrut dari jajaran junior yang sama. Hal ini menimbulkan pertanyaan struktural yang sengaja diabaikan oleh artikel aslinya: Jika pelatihan tradisional para bankir muda bergantung pada pekerjaan membaca yang sangat membosankan yang sekarang diotomatisasi, dari mana generasi pengambil keputusan berpengalaman berikutnya akan datang jika mereka kehilangan lahan pelatihan pengumpulan informasi? Pertanyaan ini sebagian besar masih belum terjawab dalam debat saat ini dan kemungkinan akan terbukti menjadi salah satu risiko nyata otomatisasi di tahun-tahun mendatang, yang jauh melampaui sekadar masalah privasi data atau akurasi.

Selain itu, ada peringatan metodologis, yang diakui sendiri oleh Goldman Sachs: Kontribusi makroekonomi dari gelombang investasi AI terhadap produk domestik bruto dan efek perpindahan terkait pada investasi lain, secara keseluruhan, lebih kecil daripada yang sering diasumsikan dalam debat publik. Bagi bank-bank individual, ini berarti: Mereka yang hanya mengandalkan tren saat ini dan membuat pengumuman AI yang luas tanpa mematuhi disiplin yang dijelaskan dalam artikel mengenai batasan otomatisasi, verifikasi sumber, dan kedaulatan data pada akhirnya berisiko kehilangan kepercayaan yang dapat dipicu oleh satu hasil yang salah dan tidak berdasar.

Mengapa keuntungan riil dalam perbankan investasi tidak berasal dari AI? Tunjukkan dampaknya

Manfaat ekonomi kecerdasan buatan dalam perbankan investasi tidak muncul dari pengumuman spektakuler atau janji pemrosesan transaksi yang sepenuhnya otonom. Manfaat tersebut muncul ketika bank memiliki keberanian untuk secara jujur ​​membedakan antara fakta yang dapat diverifikasi dan pertimbangan bisnis yang sebenarnya, dan secara konsisten menerjemahkan perbedaan ini ke dalam sistem, proses, dan aturan akses. Angka aktual dari JPMorgan, Goldman Sachs, dan Morgan Stanley menunjukkan bahwa lembaga-lembaga yang mencapai implementasi paling produktif adalah lembaga-lembaga yang secara ketat memisahkan ketersediaan dan wewenang pengambilan keputusan serta memahami persyaratan dokumentasi peraturan sebagai alat, bukan sebagai hambatan. Lembaga-lembaga yang mengambil jalan ini tidak akan lebih sukses karena teknologi mereka tampak lebih mengesankan, tetapi karena mereka membebaskan penciptaan nilai aktual para bankir mereka dari jebakan waktu pengumpulan informasi semata dan mengarahkannya kembali ke apa yang benar-benar ingin dibayar oleh pelanggan: penilaian yang tepat, transparan, dan pada akhirnya manusiawi.

Saya akan dengan senang hati menjadi penasihat pribadi Anda.

Anda dapat menghubungi saya di wolfenstein∂xpert.digital atau

Hubungi saya di +49 7348 4088 965 .

LinkedIn