Franklin Templeton Pakai OpenAI: Cara Cerdas Bedah Risiko Saham

Mengapa Franklin Templeton Memilih OpenAI untuk Riset Saham?

Industri manajemen investasi hidup dari kualitas keputusan. Di Franklin Templeton, inisiatif ini dimulai dari tim riset ekuitas (equity research), unit yang bertugas menyaring ribuan saham potensial sebelum disodorkan ke meja manajer portofolio (portfolio manager).

Sebelum memakai AI mutakhir, alur kerja riset saham berjalan berurutan dan sangat bergantung pada tenaga manusia (human-led and sequential). Seorang analis biasanya harus mengerjakan analisis putaran pertama, menyimak rekaman panggilan laporan laba (earnings calls), lalu mempelajari kompetitor di tiap lini bisnis secara manual. Proses panjang ini menyita waktu berharga yang seharusnya bisa dipakai buat diskusi strategis.

Lewat OpenAI dan tool seperti Codex, Franklin Templeton ingin mengubah cara kerja sekuensial tersebut menjadi sistem kecerdasan berkelanjutan (continuous intelligence). Katrina Dudley, Senior Vice President Public Market Investments di Franklin Templeton, menjelaskan lompatan paradigma ini:

"Pencapaian terbesar dari penggunaan perangkat OpenAI adalah kemampuan menyatukan kecerdasan berkelanjutan dengan pertimbangan manusia. Sebelumnya, AI cuma mengotomatiskan proses kerja manual kami. Sekarang AI benar-benar mengotomatiskan kemampuan memunculkan wawasan cerdas, dan lapisan kecerdasan itu jika dipadukan dengan penilaian manusia menghasilkan terobosan luar biasa."

Perubahan ini bukan berarti analis digantikan oleh mesin. Justru sebaliknya, AI bertugas menarik data relevan ke permukaan agar para pengambil keputusan bisa melihat gambaran utuh dengan lebih cepat dan objektif.

Masalah Awal: Kenapa Sekadar Sambungin AI ke Database Selalu Gagal?

Perjalanan Franklin Templeton nggak langsung mulus sejak hari pertama. Saat pertama kali mencoba mengadopsi AI, tim teknis mereka mengambil pendekatan umum yang sering dilakukan banyak perusahaan: mengumpulkan data riset ke dalam database, lalu langsung menyambungkan model AI ke database tersebut.

Hasilnya? Gagal total. Model AI tidak mampu memberikan jawaban atau wawasan yang benar-benar dibutuhkan oleh tim investasi. Masalah utamanya sepele tapi fatal: model AI nggak mengerti bagaimana potongan-potongan data keuangan itu saling berhubungan di dunia nyata.

Bagi model bahasa, baris angka di laporan keuangan, transkrip wawancara direksi, dan catatan valuasi cuma sekumpulan teks acak jika tidak ada konteks struktural yang mengikatnya. Tanpa pemahaman konteks bisnis, AI sering kali memberikan jawaban yang dangkal, salah fokus, atau bahkan ngawur.

Kegagalan awal ini menjadi pelajaran berharga buat institusi mana pun yang mau mengadopsi AI. Sekadar mengandalkan teknik pencarian dokumen biasa (retrieval) tanpa arsitektur data yang matang bakal bikin implementasi AI macet di tengah jalan.

Kunci Sukses: Arsitektur Agen AI dan Semantic Layer

Menyadari kelemahan tersebut, tim Franklin Templeton merombak arsitektur sistem mereka. Solusinya adalah membangun agentic capabilities (kemampuan agen AI) dan menambahkan sebuah semantic layer—lapisan model terstruktur yang mendefinisikan arti data perusahaan serta bagaimana setiap data saling terhubung.

Dengan memanfaatkan Codex dan perangkat pendukung dari OpenAI, Franklin Templeton berhasil membangun apa yang mereka sebut sebagai lapisan kecerdasan terhubung (connected intelligence layer). Lapisan ini bertindak seperti jembatan penerjemah antara database mentah perusahaan dan model AI.

Dalam ekosistem investasi, sebuah keputusan tidak cuma dipengaruhi oleh riset fundamental. Ada banyak sudut pandang lain yang harus dipertimbangkan secara bersamaan:

• Riset (Research): Analisis pertumbuhan bisnis, prospek produk, dan estimasi laba perusahaan.
• Risiko (Risk): Potensi penurunan harga, volatilitas pasar, dan eksposur makroekonomi.
• Kepatuhan (Compliance): Batasan regulasi, batasan alokasi portofolio, dan mandat hukum klien.
• Perdagangan (Trading): Likuiditas saham di pasar sekunder dan efisiensi biaya eksekusi order.

Lewat fondasi kecerdasan yang teratur dan reusable, agen AI bisa menarik perspektif dari keempat divisi tersebut sekaligus. Ketika seorang analis mengajukan ide investasi saham baru, sistem langsung menyajikan wawasan menyeluruh ke hadapan manajer portofolio tanpa perlu rapat koordinasi panjang antar-divisi yang memakan waktu berhari-hari.

Melawan Bias: Alasan AI Investasi Harus Fokus ke Risiko, Bukan Asal Cocok

Salah satu wawasan paling menarik dari studi kasus Franklin Templeton adalah bagaimana sifat alami AI konsumen justru berbahaya jika diterapkan mentah-mentah di industri pasar modal.

Banyak tool AI komersial dirancang untuk mempelajari preferensi pengguna. Kalau kamu menyukai satu gaya tulisan atau satu penyedia riset tertentu, sistem rekomendasi AI bakal terus-menerus menyodorkan laporan dari penyedia yang sama. Dalam kehidupan sehari-hari, fitur personalisasi ini terasa nyaman. Tapi bagi manajer investasi, personalisasi semacam itu adalah bencana karena menciptakan efek ruang gema (echo chamber) dan membawa bias berbahaya ke dalam portofolio.

Franklin Templeton justru menginginkan hal sebaliknya: sistem AI harus memaksa analis melihat keragaman opini (diversity of research and opinion). Sistem dirancang agar tidak menyembunyikan pandangan yang berlawanan (contrarian views).

Selain itu, sistem AI Franklin Templeton sengaja diinstruksikan untuk memprioritaskan risiko investasi. Bagi mereka, ide investasi yang bagus bukanlah ide yang hanya memaparkan potensi cuan setinggi langit, melainkan ide yang didukung argumen kuat sekaligus membedah risiko terburuknya secara transparan. Jika ada analis yang menulis catatan riset berisi identifikasi risiko yang kritis, AI akan menonjolkan poin tersebut agar manajer portofolio bisa mengambil keputusan yang jauh lebih matang.

Dari Eksperimen ke Produksi: Hackathon dan Peran AI Champions

Franklin Templeton sadar betul bahwa inovasi teknologi nggak bakal jalan kalau cuma dipaksakan dari atas ke bawah oleh jajaran direksi. Mereka menerapkan strategi adopsi berbasis praktik langsung di lapangan:

1. Menyelenggarakan Hackathon Internal: Tim investasi dipertemukan langsung dengan para pakar teknis dan Codex. Lewat hackathon ini, praktisi pasar modal diajak merancang dan menguji coba alat bantu kerja mereka sendiri sesuai kebutuhan harian.
2. Membentuk Investment AI Champions: Karyawan yang antusias dan punya pemahaman mendalam tentang alur kerja investasi ditunjuk sebagai penggerak. Mereka bertugas menyaring proyek eksperimen yang berhasil untuk dibawa ke tahap produksi.
3. Menerapkan Kontrol dan Tata Kelola Ketat: Jalur dari eksperimen santai menuju sistem kelas produksi wajib melewati tinjauan keamanan siber (security review), pendampingan ahli teknis, serta perjanjian tata kelola data (data controls) yang ketat.
4. Menghadirkan Lab Praktik Cepat: Begitu ada teknologi atau model baru yang dirilis, manajemen segera menyediakan laboratorium uji coba agar tim bisa langsung mengevaluasi relevansinya terhadap pekerjaan mereka.

"Pesan dari pimpinan kami sangat konsisten: kami mendorong inovasi dan eksperimen dengan AI dalam batasan koridor risiko yang jelas. Tidak semua inisiatif akan berhasil, tetapi masing-masing harus menghasilkan wawasan yang memperkuat kapabilitas kami, menginformasikan keputusan masa depan, dan mendorong perbaikan berkelanjutan," tegas Katrina Dudley.

Dengan memindahkan beban riset repetitif ke sistem AI, Dudley punya target jangka panjang yang sangat manusiawi: ia ingin para analis menghabiskan lebih banyak waktu di lapangan. Analis diharapkan lebih sering bertemu langsung dengan manajemen perusahaan publik maupun swasta, mengobrol dengan pakar industri, dan membawa temuan empiris tersebut kembali ke meja investasi. Dalam pandangannya, sentuhan manusiawi tetap menjadi pembeda utama dalam dunia finansial.

Dampak Nyata buat Manajer Investasi dan Analis di Indonesia

Meski studi kasus ini datang dari institusi keuangan global, pelajaran dari franklin templeton openai ini relevan banget buat lanskap pasar modal dan industri finansial di Indonesia. Manajer investasi lokal, perusahaan sekuritas, hingga divisi treasury perbankan di Indonesia menghadapi tumpukan data yang luar biasa banyak setiap hari—mulai dari keterbukaan informasi Bursa Efek Indonesia (BEI), laporan keuangan tahunan emiten, hingga riset makroekonomi Bank Indonesia.

Berikut beberapa dampak dan peluang adopsi yang bisa langsung dipetik:

1. Efisiensi Skrining Saham Lapis Kedua dan Ketiga: Analis saham di Indonesia kerap kewalahan membedah emiten mid-cap dan small-cap karena keterbatasan personel. Dengan agen AI dan lapisan semantik yang terhubung ke laporan keuangan emiten, tim riset bisa menyaring peluang saham undervalued tanpa mengabaikan aspek tata kelola (governance).
2. Kepatuhan terhadap UU Perlindungan Data Pribadi (UU PDP): Pendekatan Franklin Templeton yang mewajibkan tinjauan keamanan dan pembatasan akses data (data controls) sebelum masuk tahap produksi adalah contoh wajib buat institusi finansial di Indonesia. Data portofolio nasabah dan strategi investasi internal nggak boleh bocor ke server pihak ketiga tanpa enkripsi dan kontrak yang jelas.
3. Mencegah Jebakan Bias Konfirmasi di Kalangan Analis: Sering kali analis saham lokal jatuh cinta pada satu saham tertentu sehingga mengabaikan sinyal bahaya. Memanfaatkan AI yang sengaja diprogram buat mencari kelemahan tesis investasi (devil's advocate) bakal bikin portofolio reksa dana atau dana pensiun jauh lebih terlindungi dari gejolak pasar.

Biar makin kebayang, berikut contoh template prompt yang mengadopsi filosofi Franklin Templeton untuk membedah catatan riset saham:

Kamu adalah seorang manajer risiko investasi senior yang kritis dan skeptis. Tugasmu bukan mencari alasan untuk membeli saham ini, melainkan menguji ketahanan tesis investasi berikut. Berikut adalah ringkasan tesis investasi emiten X:[tempel ringkasan analisis/data emiten di sini] Berdasarkan data tersebut, lakukan evaluasi dengan kriteria berikut:1. Identifikasi minimal 3 asumsi paling rapuh dalam tesis investasi ini yang berpotensi meleset jika kondisi makro berbalik arah.2. Tunjukkan potensi risiko likuiditas, tata kelola, atau beban utang tersembunyi yang belum dibahas tuntas.3. Berikan skenario terburuk (downside scenario) dan katalis negatif yang bisa memicu penurunan valuasi secara tajam. Sajikan analisis secara objektif tanpa bias optimisme.

Perbandingan: Cara Kerja Lama vs Alur Riset Berbasis AI Franklin Templeton

Biar makin jelas bagaimana transformasi ini mengubah rutinitas kerja harian, tabel berikut membandingkan alur kerja riset saham tradisional dengan sistem connected intelligence yang diterapkan Franklin Templeton bersama OpenAI:

Tren Adopsi AI di Raksasa Keuangan Global

Langkah Franklin Templeton bukanlah peristiwa yang berdiri sendiri. Sektor perbankan dan manajemen investasi global memang sedang bergerak cepat memonetisasi kapabilitas model bahasa besar ke alur kerja operasional inti mereka. Seperti yang dilaporkan OpenAI pada bagian studi kasus sektor finansial mereka, beberapa institusi besar lainnya juga mencatat pencapaian nyata.

Perusahaan jasa keuangan Credit Saison, misalnya, sukses membukukan laba atas investasi (return on investment) hingga 954% dalam proyek uji coba ChatGPT Enterprise yang mereka jalankan pada akhir Oktober 2026.

Di belahan dunia lain, institusi perbankan raksasa asal Brasil, Itaú, mengambil langkah yang nggak kalah agresif. Mereka membangun ekosistem kecerdasan buatan generatif yang langsung melayani seluruh basis nasabahnya demi mendongkrak pengalaman perbankan digital ke tingkat yang belum pernah ada sebelumnya.

Tak ketinggalan, manajer investasi Benefit Street Partners juga memanfaatkan Codex untuk membantu analis mereka menjawab pertanyaan seputar data portofolio dan kredit dengan kecepatan berkali-kali lipat dibanding metode konvensional.

Fenomena ini membuktikan bahwa adopsi AI di institusi finansial sudah melewati fase eksperimen main-main. Model AI kini menjadi tulang punggung analisis data skala besar, mirip dengan transformasi yang dibahas pada artikel tentang implementasi Cult Fit dan OpenAI Codex di industri kebugaran dan otomatisasi ChatGPT Enterprise pada manajemen properti Heimstaden.

Uji Coba Model Finansial Sendiri Lewat Classai Router

Bagi tim analisis atau pengembang teknologi finansial di Indonesia, membangun sistem agen AI dan semantic layer seperti Franklin Templeton tidak harus menunggu anggaran miliaran rupiah. Kamu bisa mulai merancang alur kerja serupa dengan memanfaatkan API model-model penalaran terdepan.

Lewat Classai Router, kamu bisa mengakses beragam model unggulan OpenAI dan penyedia global lainnya menggunakan satu API key terpadu. Model seperti GPT-4o tersedia dengan tarif Rp525 per 1 juta token input dan Rp2.700 per 1 juta token output, atau versi GPT-4.1 di harga Rp525 / Rp2.700 per 1 juta token yang sangat ekonomis untuk mengekstrak ribuan halaman laporan keuangan emiten BEI. Jika butuh alternatif model dengan logika penalaran kode dan analisis terstruktur yang tajam, kamu juga bisa menjajal Claude Sonnet 5.5 (Rp3.600 / Rp18.000 per 1 juta token) cukup dengan mengganti satu baris string model pada kodinganmu.

Semua transaksi di Classai Router tercatat transparan per panggilan token dengan mata uang rupiah, bisa diisi ulang mulai Rp10.000 lewat QRIS atau virtual account bank lokal tanpa ribet kartu kredit luar negeri. Kalau tim analis keuanganmu ingin mendalami cara praktis merancang prompt analisis laporan keuangan dan otomatisasi alur kerja, kamu juga bisa mempelajari kurikulum terarah di kelas AI untuk Finance & Accounting.

Transformasi yang dilakukan Franklin Templeton membuktikan bahwa pemenang di era kecerdasan buatan bukanlah mereka yang menyerahkan keputusan sepenuhnya pada mesin, melainkan institusi yang mampu memperkuat pertimbangan manusia (human judgment) lewat wawasan cerdas yang disajikan tanpa henti oleh AI.