Anthropic baru-baru ini meluncurkan agent AI khusus layanan keuangan, menyasar skenario seperti investment bank, manajemen aset, asuransi, analisis kredit, dan keuangan perusahaan. Menurut pengumuman Anthropic, template agent ini dapat digunakan untuk pekerjaan keuangan yang sangat memakan waktu di industri, seperti pembuatan pitchbook, peninjauan KYC, dan penutupan buku bulanan, serta dapat diintegrasikan dengan Claude Cowork, Claude Code, dan Claude Managed Agents.
Namun mengatakan ini akan menggantikan peneliti keuangan mungkin masih terlalu dini. Podcast《Hardcore 財經通識》di Facebook menyebut bahwa masalah yang tepat ditargetkan Anthropic dalam industri penelitian keuangan adalah: ada banyak pembaruan informasi yang penting, tetapi tingkat repetisinya sangat tinggi. Namun data keuangan sering tidak punya “kesalahan yang terlihat”. Junior analyst akan, seiring waktu, membangun kemampuan data sense. Banyak informasi bukan hanya soal “bisa diperoleh”, melainkan harus tahu perubahan apa pada standar perusahaan kali ini, indikator mana yang tidak bisa dibandingkan langsung dengan periode sebelumnya, serta angka mana yang sebenarnya sekadar “bungkus” dari manajemen.
Anthorpic bisa membantu pekerjaan pembaruan informasi dalam industri penelitian keuangan
Anthropic kali ini meluncurkan 10 agent untuk layanan keuangan, yang dapat menjalankan tugas seperti membuat presentasi, meninjau laporan keuangan, menulis credit memo, dan lain-lain.
Paku, pembawa《Hardcore 財經通識》yang pernah bekerja di ruang trading perusahaan sekuritas besar dalam negeri, menilai respons pasar terhadap alat seperti ini mudah terjebak pada dua ekstrem: satu pihak membicarakan “kiamat industri keuangan”, “AI membobol cawan investasi suci”, sedangkan pihak lain pamer karena menggunakan vibe coding beberapa jam untuk membuat mesin penggerak investasi yang kinerjanya mengesankan dari backtest. Tetapi ia berpendapat kedua narasi itu terlalu menyederhanakan pekerjaan nyata dalam riset keuangan.
Paku mengatakan, masalah yang tepat ditargetkan Anthropic dalam industri penelitian keuangan adalah: banyak pembaruan informasi yang penting tetapi sangat repetitif. Dalam riset fundamental, baik buy-side maupun sell-side, laporan keuangan, earning call, database, presentasi, model, dan laporan kepada klien saling terhubung satu sama lain. Sebelum analis membangun model, data harus sudah siap; sementara karakteristik perusahaan sangat beragam, sehingga proses riset hampir tak terhindarkan memerlukan bantuan untuk menyusun informasi lintas database dan lintas dokumen.
Terutama pada musim laporan keuangan, jika analis sell-side menutup satu sektor penuh, maka ia harus sekaligus memperbarui banyak laporan keuangan, earning call, metrik kunci, model keuangan, dan laporan riset. Bahkan jika ada dukungan dari junior analyst, seluruh proses tetap terasa seperti neraka: metrik yang diperhatikan tiap perusahaan berbeda, cara penyesuaian model juga berbeda, dan klien sebagian besar adalah dana besar yang biayanya sangat mahal dari sisi waktu; analis harus mengekstrak best idea yang benar-benar bernilai dalam waktu singkat.
Keganjilan terbesar dalam riset keuangan: 80% waktu habis untuk pekerjaan bernilai rendah
Paku menilai bagian paling aneh dari riset keuangan adalah hasilnya sering sangat bergantung pada arah penilaian sejak awal—misalnya indikator kunci mana yang harus dilihat, tren mana yang harus difokuskan, bagaimana menangani data yang hilang, dan bagaimana membandingkan lintas perusahaan. Namun dalam praktiknya, analis menghabiskan banyak waktu untuk mengambil data, menarik Excel, memperbarui laporan, dan membuat presentasi.
Dengan kata lain, hasil riset mungkin 80% ditentukan oleh penilaian, tetapi 80% waktu kerja justru habis untuk penataan data dan pembaruan format.
Di sinilah Anthropic agent keuangan masuk. Ia tidak bermaksud langsung menemukan cawan investasi suci untuk analis, melainkan mencoba menghasilkan workflow riset dengan tingkat penyelesaian sekitar 60%: pertama bantu analis mengambil data, menghubungkan database, memperbarui model, menyusun presentasi dan dokumen; lalu manusia menunjukkan dengan bahasa alami di mana yang salah, apa yang perlu dilengkapi, dan bagian mana yang butuh data baru.
Paku menggambarkan hal ini seperti “junior yang sangat cepat, tapi masih perlu satu perintah satu tindakan”. Nilainya bukan untuk menggantikan analis senior, melainkan menurunkan jam kerja bernilai rendah yang sangat banyak, sehingga keputusan riset yang sesungguhnya kembali berada di tangan manusia.
Risiko terbesar: kesalahan data keuangan biasanya bersifat implisit
Namun Paku juga menekankan, tantangan terbesar agent keuangan bukan pada kemampuan menulis laporan, melainkan pada kemampuan memastikan data benar.
Ia menyebutkan bahwa bagian paling merepotkan dari pembaruan data keuangan adalah bahwa kesalahan sering tidak bersifat “terlihat”. Angka mungkin “terlihat semuanya ada”, tetapi sebenarnya salah tempat, tidak nyambung secara logika, atau salah definisi. Lebih parah lagi, semakin jauh kesalahan itu menyebar ke hilir, biaya penelusurannya naik secara eksponensial. Ketika model, presentasi, laporan, dan investment memo semuanya dibangun di atas data yang salah, akhirnya untuk balik lagi mengecek kesalahan biayanya jauh lebih tinggi dibandingkan bila dari awal manusia menentukan sumber dan definisi data yang benar.
Inilah yang menjadi tempat junior analyst berkembang seiring waktu, yakni apa yang disebut data sense. Banyak informasi kunci tidak ada dalam database terstruktur, melainkan tersimpan dalam management presentation, earning call, catatan atas laporan keuangan, dan metrik yang didefinisikan sendiri oleh perusahaan. Informasi ini bukan cuma soal “bisa ditemukan”, tetapi harus tahu perubahan standar apa yang dilakukan perusahaan kali ini, metrik mana yang tidak bisa dibandingkan langsung dengan periode sebelumnya, serta angka mana yang hanya “dibungkus” manajemen.
Masalah serupa juga muncul dalam benchmark AI keuangan. Baru-baru ini, penelitian BankerToolBench menyebutkan bahwa meskipun model frontier terbaik sekalipun, dalam pengujian end-to-end pada workflow junior analyst di investment bank, masih hampir separuh item penilaian yang gagal, dan evaluasi banker menunjukkan outputnya 0% mencapai standar client-ready. Ini menunjukkan AI agent sudah mampu menangani sebagian pekerjaan, tetapi masih ada kesenjangan yang jelas untuk langsung menyerahkan hasil keuangan berisiko tinggi.
AI bisa menulis SQL, tapi tidak bisa leluasa memainkan LTV dan churn rate
Paku juga menyebutkan bahwa jika tugasnya hanya penangkapan data yang sederhana, AI memang bisa sangat efektif. Apalagi jika alat ETL modern sudah cukup matang, jika digabung dengan antarmuka yang baik dan sistem dengan intervensi manusia, agent keuangan memang punya peluang meningkatkan efisiensi workflow riset.
Namun yang benar-benar berbahaya adalah ketika pengguna meminta AI menghitung metrik yang lebih kompleks atau sangat bergantung pada definisi, misalnya LTV per klaster, churn rate, dan model unit economics. Jika manusia tidak terlebih dulu menanamkan rumus dan benchmark dengan jelas, lalu membiarkan AI berkreasi tanpa batas, hasilnya bisa sangat berisiko. Alasannya karena metrik-metrik ini bukan soal matematika murni, melainkan bergantung pada definisi bisnis, standar data, dan konteks industri. Jika rumusnya salah sedikit, seluruh keputusan investasi bisa ikut melenceng.
Agent keuangan Anthropic bukan “cawan investasi suci AI”, bukan juga mainan untuk membuat mesin backtest dengan annualized 2000% hanya dengan vibe coding selama dua jam. Ia adalah alat industri yang mencoba merombak workflow riset keuangan.
Perubahan yang paling mungkin dibawanya adalah membebaskan analyst dari pembaruan data dalam jumlah besar, penyusunan Excel, penataan format laporan, dan pembuatan presentasi—agar manusia bisa mengembalikan waktu mereka ke penilaian: metrik mana yang penting, tren mana yang layak diikuti, data mana yang tidak bisa dipercaya, dan cara perbandingan mana yang bisa menyesatkan.
Artikel ini Anthorpic dorong AI Agent khusus keuangan, orang dalam ungkap kunci bahwa Claude tidak bisa menggantikan analis pertama kali muncul di 链新闻 ABMedia.
