Poin utama artikel ini adalah: persaingan dalam AI keuangan tidak terletak pada siapa yang dapat menciptakan "ChatGPT versi keuangan" yang lebih pandai berbicara, tetapi pada siapa yang dapat terintegrasi secara mendalam ke dalam alat kerja sehari-hari profesional keuangan (seperti Excel, PPT, Word) dan proses bisnis inti (seperti due diligence, persetujuan), serta langsung menghasilkan "hasil akhir" resmi yang dapat ditinjau dan diarsipkan.

Penulis artikel: Resonant Ones

Sumber artikel: Su Chu.AI

Persaingan AI keuangan bukan pada "siapa yang bisa mengobrol", tetapi pada "siapa yang bisa masuk ke Excel, PPT, dan alur persetujuan".

Banyak orang mengira bahwa persaingan dalam AI keuangan adalah melatih model besar yang lebih memahami keuangan.

Namun, Claude for Financial Services mengungkap jawaban sebenarnya: inti AI keuangan bukanlah model, melainkan alur kerja.

Ini bukan tentang membuat AI berbicara dengan pengguna tentang saham, tetapi membuat AI masuk ke Excel, PPT, Word, riset investasi, bank investasi, due diligence, kepatuhan, reconciliasi, dan alur persetujuan.

Hal ini sangat penting bagi pengusaha lokal. Karena jika Anda masih fokus pada "ChatGPT versi keuangan", kemungkinan besar Anda akan diserap oleh perusahaan besar, terminal data, dan套件 kantor; tetapi jika Anda bisa mengambil alih Excel, PPT, Word, dan paket persetujuan yang diproduksi ulang setiap hari oleh lembaga keuangan, peluang baru saja dimulai.

Sebuah skenario nyata

Bulan lalu saya berbicara dengan seorang teman yang bekerja di bidang PE. Tim mereka melakukan due diligence terhadap sebuah perusahaan konsumen, dan data room yang diterima memiliki 17 folder dan lebih dari 400 dokumen—kontrak, laporan audit, aliran dana bank, rincian pesanan, catatan wawancara, dan materi manajemen.

Dulu, seorang VP bersama dua analis membutuhkan dua minggu untuk menghasilkan draf awal IC Memo yang layak.

Sekarang bagaimana? Jika ada seseorang (atau sebuah Agent) yang dapat menyelesaikan pengolahan data, penandaan risiko, identifikasi item yang hilang, dan pembuatan draf awal dalam 24 jam—menurutmu, apakah klien akan membayarnya?

Ini bukan fiksi ilmiah. Claude for Financial Services sudah melakukan hal ini. Dan yang dirilis sebagai open source bukan sebuah aplikasi, melainkan sebuah paradigma produk berupa 'Agent + Skill + Connector + Deliverable + Persetujuan Manual'.

Pertama, temuan pertama. Struktur produk Claude for Financial Services sebenarnya sangat sederhana: Agent bertanggung jawab atas tugas end-to-end, Skill merangkum proses profesional keuangan, Connector terhubung dengan data keuangan dan sistem internal perusahaan, Excel, PowerPoint, dan Word menerima hasil akhir, ditambah dengan izin, referensi, audit, dan tinjauan manusia untuk memastikan bahwa lembaga keuangan dapat menggunakannya.

Bentuk AI keuangan masa lalu adalah Anda bertanya satu pertanyaan, AI memberikan satu jawaban. Namun, yang benar-benar dibutuhkan lembaga keuangan adalah: berikan saya sejumlah dokumen, dan saya butuh hasil akhir yang dapat ditinjau, dirujuk, diarsipkan, serta dapat dimasukkan ke dalam sistem bisnis. Perbedaan antara keduanya sangat besar. Nilai AI keuangan terletak pada hasil akhir, bukan pada kotak obrolan.

Perubahan lain yang patut diperhatikan adalah lembaga keuangan domestik sudah tidak lagi bersikap menunggu.

Dari tahun 2025 hingga 2026, saya melihat penerapan dibagi menjadi tiga kelompok. Bank bergerak paling cepat, Bank of Construction menyelesaikan deploy pribadi DeepSeek, mencakup ratusan skenario. Fund CITIC Construction menggunakan DeepSeek untuk due diligence REITs, mengurangi beban kerja 5 karyawan selama 70 hari menjadi hanya 1 orang dalam 10 hari—efisiensi meningkat 30 kali lipat.

Perusahaan asuransi dan sekuritas juga ikut bergabung, CITIC Construction Securities menyediakan layanan penasihat investasi berbasis multi-agents, PICC Property & Casualty mengintegrasikan DeepSeek untuk membangun basis pengetahuan profesional, dan model besar Ping An telah dipanggil 818 juta kali dalam setengah tahun.

Tetapi yang benar-benar menarik adalah kelompok ketiga—PE, manajemen aset, dan manajemen kekayaan. Mereka memiliki banyak data, anggaran cukup, dan tekanan pengiriman tinggi, tetapi saat ini sebagian besar masih berada di tahap POC. Ini bukan disebut tertinggal, ini disebut jendela peluang bagi perusahaan rintisan.

Dalam konteks startup memasuki bidang ini, banyak orang langsung berpikir untuk membuat versi keuangan dari ChatGPT. Namun, hal ini sangat berisiko karena akan menghadapi tiga jenis pesaing kuat sekaligus.

Pemasok model akan terus menurunkan biaya kemampuan umum. Terminal data keuangan seperti Wind, Choice, iFinD, dan Tonghuashun sudah memiliki data dan akses pengguna; setelah AI dimasukkan, pertanyaan umum di bidang keuangan sulit untuk dikenai biaya secara terpisah. Lembaga keuangan besar lebih cenderung membangun pusat AI internal sendiri dan mengintegrasikan kemampuan umum ke dalam sistem otorisasi mereka.

Perusahaan rintisan berhadapan langsung, diserang dari tiga arah.

Namun, jika Anda melihat dari sudut pandang lain, bukan dari sisi pintu masuk, melainkan dari lapisan operasional, situasinya berbeda. Apa itu lapisan operasional vertikal? Yaitu memperdalam AI di sekitar satu posisi spesifik, satu proses spesifik, atau satu hasil pengiriman spesifik. Misalnya, struktur dokumen due diligence PE/investasi bank, audit model keuangan Excel, tinjauan awal dokumen pinjaman kredit, pembuatan otomatis formulir tinjauan kepatuhan, bantuan tinjauan dokumen klaim asuransi dan underwriting, serta pengorganisasian otomatis catatan rapat manajer klien.

Arah-arah ini tampaknya tidak sebesar "model keuangan besar", tetapi lebih sesuai dengan anggaran klien.

Produk seperti apa yang layak untuk dilakukan

Saya menyimpulkan bahwa keempat kondisi harus dipenuhi secara bersamaan.

Menangkap data

Skenario bernilai tinggi sebenarnya sering memerlukan integrasi dengan dokumen internal pelanggan, CRM, penyimpanan awan, email, kontrak, dan sistem persetujuan. Hanya memproses halaman web publik memiliki nilai yang sangat terbatas.

Proses berjalan lancar

Pengguna keuangan tidak akan mengubah kebiasaan kerja mereka demi AI. Produk harus masuk ke alat yang sudah mereka gunakan, seperti Excel, PPT, Feishu, WeCom, DingTalk, WPS, dan CRM.

Submit documents

Lembaga keuangan membayar bukan untuk jawabannya, tetapi untuk bahan. Hanya jika bisa menghasilkan daftar tinjauan, memo, deck, dan Excel, mereka bersedia membayar.

Tetapkan batasan tanggung jawab

AI harus mendukung referensi, pelacakan, izin, audit, dan tinjauan manusia. Tidak memberikan saran investasi, tidak melakukan perdagangan otomatis, dan tidak menggantikan persetujuan akhir.

Keempat hal ini jika kurang satu, produk akan sulit masuk ke lingkungan produksi nyata.

Jika dilihat dari sudut pandang yang lebih luas, dalam 24 bulan ke depan, saya merasa ada tujuh bidang spesifik yang paling patut diperhatikan.

Penelitian dan due diligence berada di peringkat pertama. Banyak dokumen, waktu terbatas, dan hasil yang jelas, paling mendekati arah Hebbia dan Rogo.

Kedua adalah audit model Excel—bank investasi, PE, kredit, dan manajemen aset memiliki banyak Excel, dengan kesalahan rumus, hardcoding, dan asumsi yang tidak konsisten, sehingga ruang bantuan AI sangat besar.

Peringkat ketiga dalam bantuan persetujuan kredit, baik bank maupun non-bank memerlukan tinjauan dokumen awal, analisis arus kas, ekstraksi risiko, dan pembuatan laporan pemberian kredit. Peringkat keempat adalah tinjauan kepatuhan, yang mencakup perbandingan regulasi, tinjauan materi pemasaran, dan pemeriksaan KYC—semuanya cocok untuk dijadikan asisten AI yang dapat dirujuk dan meninggalkan jejak.

Pencocokan administrasi dan operasi keuangan dana, penilaian, verifikasi biaya, dan dokumen audit sangat terstandardisasi dan memiliki biaya kesalahan yang tinggi.

Banyak dokumen klaim asuransi dan underwriting, banyak aturan, tekanan审核 besar, tetapi harus tetap melibatkan konfirmasi manual.

Terakhir adalah manajer klien dan copilot penasihat investasi, bukan AI yang langsung memberikan saran investasi, melainkan membantu penasihat dalam persiapan sebelum rapat, penjelasan produk, ringkasan rapat, dan pembaruan CRM.

Ketujuh arah ini memiliki asumsi umum: produk harus dapat diaudit, dapat dirujuk, dan dapat diprivatkan.

Lembaga keuangan tidak akan menerima "AI sepertinya mengatakan demikian". Angka-angka ini berasal dari mana? Sumbernya di mana? Siapa yang meninjau? Apakah data keluar dari wilayahnya? Ini adalah prasyarat untuk keputusan pengadaan. Oleh karena itu, dari awal harus dirancang pelacakan sumber, persetujuan manual, isolasi data, dan pencatatan operasi. Ini bukan biaya kepatuhan, tetapi hambatan produk.

Masih ada tren yang lebih besar. Setelah kemampuan model menjadi komoditas, peluang berpindah ke workflow, connector, dan lapisan tata kelola. Seperti halnya ketika komputasi awan membuat infrastruktur TI menjadi API, para pengusaha generasi baru akan membuat SaaS di atasnya. Hal yang sama juga berlaku untuk model besar hari ini—siapa yang bisa membungkus workflow industri di atasnya, dia akan memiliki hambatan.

Kerja pengetahuan di industri keuangan memiliki kepadatan informasi tinggi, persyaratan format ketat, dan batasan tanggung jawab kuat, sehingga sifat-sifat ini menentukan bahwa bidang ini tidak dapat dengan cepat dicakup oleh AI umum. Ini justru menjadi zona aman bagi perusahaan rintisan.

Bagaimana startup bisa masuk?

Jangan mulai dengan platform.

Cari skenario sempit: memiliki data nyata, template tetap, hasil yang jelas, tinjauan manual, anggaran departemen, dan dapat memvalidasi ROI dalam 60-90 hari.

Jangan katakan begitu:

Saya ingin membuat platform AI untuk lembaga keuangan.

Harus dikatakan seperti ini:

Saya terlebih dahulu akan membantu tim PE/FA mengotomatisasi strukturasi dokumen Data Room, lalu menghasilkan Q&A due diligence, daftar risiko, dan draf awal IC Memo.

Semakin spesifik, semakin mudah untuk terjual.

Apakah risiko terbesar digantikan oleh perusahaan besar?

Pintu umum akan digantikan. Pertanyaan dan jawaban keuangan umum, ringkasan laporan riset biasa, dan pencarian data sederhana sangat mudah dicakup oleh model besar dan terminal data.

Tetapi proses vertical deep tidak akan.

Karena perusahaan besar tidak mau melakukan pekerjaan kotor untuk setiap posisi spesifik. Yang benar-benar sulit adalah: mengintegrasikan sistem internal klien, memahami proses posisi, menyesuaikan template klien, dan mendampingi klien dari POC hingga produksi.

Ini bukan sesuatu yang bisa diselesaikan secara otomatis oleh API model.