1. Bukan “tanya AI saham apa yang dibeli”, tetapi “ubah laboratorium riset menjadi software”
Hal paling menarik dari investasi otonom bukan meminta chatbot memilih saham hari ini.
Perubahannya adalah otomatisasi seluruh siklus riset: mengumpulkan ide, membuat hipotesis, menulis kode, menguji dengan data, membuang kegagalan, membandingkan kandidat yang lolos, memasukkannya ke portofolio, lalu mencari lagi.
Algo-trading lama sering berarti manusia merancang strategi dan mesin mengeksekusi. Model baru mendekati manusia yang menetapkan arah riset serta kriteria, sementara agen AI bekerja seperti tim peneliti.
Ini bukan tempat ramalan.
Ini laboratorium 24 jam.
Penelitinya tidak tidur. Kadang pingsan karena rate limit.
2. Nilai J-Quants adalah menghapus kerepotan antara ide dan eksperimen
Dalam riset saham Jepang, persiapan data sering lebih melelahkan daripada hipotesis.
Master saham, harga, keuangan, margin, short selling, dividen, futures dan options bisa mengubah satu ide sederhana menjadi arkeologi CSV.
J-Quants mengurangi friksi melalui data standar berbasis API.[1]
Per 1 Oktober 2026, Standard ¥3.300 per bulan dan Premium ¥16.500. Premium memberi seluruh riwayat yang tersedia dan cakupan data lebih luas.
¥16.500 tidak membeli alpha.
Itu membeli lebih sedikit ekspedisi mencari CSV.
Begitu akses data dapat diprogram, agen dapat bergerak dari hipotesis ke pengambilan data, Python, backtest dan penyimpanan hasil tanpa putus.
3. Ketika implementasi tidak lagi langka, ide dan evaluasi menjadi langka
Dulu, sepuluh ide mungkin hanya menghasilkan satu atau dua implementasi.
Coding, debugging, dokumentasi API, pembersihan data dan visualisasi menjadi rem alami.
Agen coding kuat melepas rem itu.
“Coba ini.”
“Sudah.”
“Ubah kondisi.”
“Sudah.”
“Walk-forward?”
“Sudah.”
Akhirnya datang makhluk mitos yang mengubah pikiran menjadi kode.
Sepuluh menit kemudian muncul masalah baru.
Ide berguna mulai kurang.
Ketika AI juga membuat ide dalam jumlah besar, bottleneck pindah lagi: memilih mana yang layak dipercaya.
Nilai bergeser dari implementasi ke desain ruang pencarian, falsifikasi dan fungsi evaluasi.
4. Kekuatan paling berbahaya adalah membuat 1.000 strategi buruk secepat cahaya
Riset otonom mempercepat penemuan sekaligus overfitting.
Buat ratusan variasi kecil, simpan yang kebetulan bagus di masa lalu, dan backtest akan terlihat seperti hedge fund jenius.
Live trading bisa terlihat seperti dokumenter kepunahan.
Karena itu dibutuhkan gerbang penolakan: out-of-sample, walk-forward, biaya transaksi, slippage, stabilitas tahunan, sensitivitas regime, korelasi, turnover, likuiditas, kapasitas, dan deteksi ide duplikat.
Kalau mempekerjakan seratus peneliti AI, besarkan tempat sampah lebih dulu.
Laboratorium tanpa standar penolakan hanyalah kebun binatang backtest.
5. Berapa biaya setup serius pada 2026?
J-Quants Standard ¥3.300/bulan dan Premium ¥16.500.[1]
Claude Max berharga $100/bulan untuk Max 5x dan $200 untuk Max 20x, termasuk Claude Code interaktif.[2][3]
Namun $200 bukan tiket unlimited 24/7. Ada batas sesi lima jam dan batas mingguan.[2]
Sejak 15 Juni 2026, Claude Agent SDK dan claude -p mendapat kredit bulanan terpisah untuk pengguna yang memenuhi syarat: $100 pada Max 5x dan $200 pada Max 20x.[4]
Harga API Sonnet 5.5 adalah $2 per juta token input dan $10 output; Opus 5.5 $4/$20.[5] GPT-6.1 Sol juga $2/$10 pada Standard, sedangkan Astra $10/$50.[6]
“AI” bukan satu tarif tenaga kerja.
Peneliti dan direktur riset bisa berbeda lima kali lipat.
6. Apakah ¥900.000 per bulan berlebihan? Tidak. Sangat mungkin
Dengan model $2/$10 tanpa cache:
50M input + 5M output ≈ $150.
200M + 20M ≈ $600.
500M + 50M ≈ $1.500.
Dengan model $10/$50:
50M + 5M ≈ $750.
200M + 20M ≈ $3.000.
400M + 40M ≈ $6.000.
Jika dibulatkan $1 = ¥150, maka $6.000 sekitar ¥900.000.
Bukan fiksi ilmiah.
Jalankan model mahal paralel cukup lama dan tagihan itu muncul sendiri.
Cache, Batch, routing model murah dan early stop bisa memangkas biaya. Context panjang, tool calls, retry dan agen gagal tanpa pengawasan bisa menaikkannya lagi.
Pertanyaan yang tepat bukan “berapa harga API?”, tetapi “berapa banyak siklus riset yang diizinkan tiap bulan?”.
7. Harga per unit bisa turun, tetapi total belanja bisa naik
Epoch AI memperkirakan pada September 2026 bahwa biaya untuk mencapai tingkat performa AI yang sama telah turun sekitar 47% per kuartal sejak 2023, kira-kira 13 kali per tahun.[7]
Tidak ada jaminan laju ini berlanjut.
Tetapi arahnya jelas: kemampuan yang sama semakin murah.
Apakah total budget turun?
Biaya per tugas mungkin turun.
Totalnya belum tentu.
Jika satu tugas turun dari $1 menjadi $0,10, pengguna mungkin menjalankan seratus, bukan sepuluh.
Satu agen dengan sepuluh ide berubah menjadi seratus agen dengan seratus ide, plus critic agents, meta-agent dan gelombang eksplorasi berikutnya.
Ini mirip Jevons paradox.
AI makin murah.
Kita memakai jauh lebih banyak AI.
8. Pemenang mungkin bukan pembeli model paling pintar, tetapi pengatur kecerdasan terbaik
Tidak perlu mengirim semua pekerjaan ke model termahal.
Itu membuat mesin pembuat tagihan, bukan sistem riset.
Gunakan model murah untuk hipotesis massal, Python dan SQL untuk filter deterministik, model kelas menengah yang kuat untuk implementasi dan debugging, gerbang statistik, lalu model terbaik hanya untuk mengkritik kandidat akhir.
Loop numerik diserahkan ke CPU dan batch compute.
LLM menulis program. Komputer mengulanginya.
Jangan jadikan model mahal sebagai pekerja pabrik.
Jadikan ia direktur riset.
Keterampilan manajemen utama adalah mengalokasikan harga kecerdasan yang tepat untuk setiap pekerjaan.
Kesimpulan
Agen otonom dan J-Quants menurunkan hambatan bagi individu untuk melakukan riset sistematis saham Jepang.
Saat data, implementasi, validasi dan laporan semakin otomatis, peran manusia berpindah dari mengerjakan semuanya sendiri menuju mendesain ruang pencarian dan menilai bukti.
Bottleneck berikutnya adalah biaya AI.
Namun masa depan kemungkinan bukan sekadar “AI makin mahal”.
Harga per kemampuan turun.
Jumlah tugas yang mungkin naik.
Keinginan memakai AI naik lebih cepat.
Total belanja bisa meningkat.
Pertanyaan masa depan bukan “berapa harga AI?”
Melainkan:
“Berapa banyak kecerdasan yang harus dibeli laboratorium ini setiap bulan sebelum nilai marginalnya berhenti masuk akal?”
AI meruntuhkan dinding implementasi.
Di baliknya ada kebebasan.
Di samping kebebasan ada tagihan.
