Franklin Templeton Mengembangkan Alur Kerja Riset Berbasis AI Bersama OpenAI

Franklin Templeton sedang mengembangkan alur kerja kecerdasan buatan untuk riset ekuitas dengan menggunakan Codex dari OpenAI dan alat lainnya, menurut OpenAI dalam kisah pelanggan yang diterbitkan pada 5 November 2026. Tujuan awalnya adalah membantu manajer portofolio membandingkan berbagai sudut pandang riset dan mengkaji risiko di balik ide investasi. Informasi tersebut menggambarkan upaya yang masih beralih dari tahap eksperimen menuju produksi, bukan penerapan yang telah rampung di seluruh perusahaan.

Pendekatan AI pertama perusahaan pengelola aset itu menempatkan data dalam basis data dan menghubungkan model ke sana. Namun, pendekatan tersebut tidak menghasilkan jawaban yang dibutuhkan tim karena model tidak memahami keterkaitan antar-data. Tim kemudian menambahkan agen dan lapisan semantik, yang didefinisikan sebagai model terstruktur tentang makna data perusahaan dan keterhubungan antar-data tersebut. Codex dan alat lainnya digunakan untuk mengembangkan lapisan kecerdasan yang saling terhubung ini.

Sistem yang direncanakan ini dimaksudkan untuk menghimpun masukan dari bidang riset, risiko, kepatuhan, dan perdagangan, yang masing-masing memberikan sudut pandang berbeda terhadap suatu investasi. Landasannya memadukan konektor tepercaya, konteks portofolio dan alur kerja, serta kapabilitas berbasis agen untuk menyajikan wawasan yang dapat ditindaklanjuti oleh analis dan manajer portofolio. Unsur-unsur tersebut diharapkan membuat sistem dapat digunakan kembali dan dikelola dengan tata kelola yang baik, sekaligus memberikan konteks yang lebih luas bagi keputusan investasi dibandingkan yang dapat disediakan oleh koneksi basis data awal.

Merombak Proses Riset yang Berurutan

Katrina Dudley, wakil presiden senior Franklin Templeton untuk investasi pasar publik, menggambarkan proses riset ekuitas sebelumnya sebagai proses yang dipimpin manusia dan berlangsung secara berurutan. Analis melakukan analisis awal atas saham, meninjau panggilan konferensi laporan keuangan, dan mengkaji pesaing berdasarkan lini bisnis saat menyiapkan ide baru untuk diajukan kepada manajer portofolio atau memberikan pembaruan tentang posisi yang sudah ada dalam portofolio.

“Kami telah beralih dari sekadar meningkatkan proses riset menjadi merancang ulang alur kerja riset investasi,” kata Dudley. Tujuan jangka panjangnya adalah menyediakan kecerdasan yang saling terhubung bagi seluruh tim investasi, mulai dari analis hingga para pemimpin setiap kelompok investasi, sembari tetap mengandalkan penilaian manusia di samping wawasan yang dihasilkan sistem.

Penerapan ini mencakup hackathon Codex yang mempertemukan pakar teknis dengan praktisi investasi saat para praktisi tersebut mengembangkan alat mereka sendiri. Para penggerak AI di bidang investasi berupaya mengubah eksperimen itu menjadi alur kerja yang siap digunakan dalam produksi. Peninjauan keamanan, dukungan ahli, pengendalian data, dan perjanjian terkait data merupakan bagian dari proses tersebut. Franklin Templeton juga mengadakan lokakarya praktik bagi tim tak lama setelah teknologi baru diluncurkan. Dudley mengatakan bahwa pimpinan mendorong eksperimen dalam batasan risiko yang ditetapkan dengan jelas, sekaligus menerima bahwa tidak semua inisiatif akan berhasil.

Keberagaman Riset dan Risiko Membentuk Rancangan

Pendekatan perusahaan ini menanggapi keterbatasan alat pembelajaran preferensi: sistem yang mempelajari preferensi pengguna terhadap satu penyedia riset dapat menampilkan lebih banyak laporan dari penyedia tersebut, sehingga berpotensi mempersempit sudut pandang yang masuk ke dalam proses investasi. Sebaliknya, Franklin Templeton ingin tim investasi mendapatkan beragam riset dan opini.

Perusahaan juga ingin AI menekankan risiko, bukan hanya tesis investasi. “Kami membutuhkan AI yang memahami bahwa ide investasi yang bagus adalah ide yang didukung penalaran kuat, tetapi juga telah melalui analisis risiko dan membuat manajer portofolio kami menyadari risiko tersebut,” kata Dudley. Persyaratan ini mengaitkan secara langsung keluaran teknologi dengan informasi yang dibutuhkan manajer portofolio saat mengevaluasi sebuah ide.

Dudley juga ingin para analis lebih banyak turun ke lapangan untuk berbicara dengan para ahli dan profesional, termasuk eksekutif di perusahaan swasta, lalu membawa sudut pandang mereka kembali ke tim investasi. Karena itu, upaya ini lebih dari sekadar menambahkan satu alat: pendekatannya memadukan pengembangan perangkat lunak, arsitektur data, dan pengendalian investasi. Ukuran keberhasilan utamanya adalah apakah eksperimen yang dirancang untuk peran tertentu dapat dikembangkan menjadi alur kerja produksi yang dikelola dengan tata kelola yang baik, sekaligus mempertahankan keberagaman riset, analisis risiko yang eksplisit, dan perspektif manusia yang dianggap penting oleh Dudley.