AI Agen dalam Keuangan: Bagaimana Para Pemimpin Data Melakukan Skalasi dengan Aman

Di seluruh Eropa, para pemimpin data di layanan keuangan merasa seperti berjalan di atas tali – ingin menerapkan dan menskalakan alat-alat AI, namun dibatasi oleh kepatuhan, manajemen risiko, dan tantangan untuk membuktikan nilai yang nyata. Menurut survei CDO Insights 2025 kami, lebih dari 97% pemimpin data global mengatakan mereka kesulitan untuk menunjukkan dengan jelas nilai bisnis dari AI generatif. Dan, sementara 87% berencana untuk mempercepat investasi di AI, 67% mengakui mereka telah mengalihkan kurang dari setengah pilot AI mereka ke dalam penerapan skala penuh. Salah satu hambatan terbesar adalah mendapatkan persetujuan dari kepemimpinan. Lebih dari sepertiga (35%) mengatakan bahwa mendapatkan dukungan dan menunjukkan nilai adalah tantangan utama yang menghambat peluncuran AI. Artinya, banyak yang masih terjebak dalam pola tunggu, ragu-ragu untuk berkomitmen pada peluncuran yang lebih luas tanpa bukti terukur. Keraguan ini sangat kontras dengan potensi teknologi tersebut. McKinsey memperkirakan bahwa AI dan analitik dapat memberikan nilai tambah tahunan hingga $1 triliun untuk perbankan global, sementara AI generatif saja dapat berkontribusi hingga $340 miliar untuk laba operasional. Ini adalah peluang yang terlalu signifikan untuk diabaikan – tetapi harus didekati dengan cara yang menjaga kepatuhan, membangun kepercayaan, dan menghasilkan pengembalian yang terbukti.

Jalan ke depan

Meskipun ada tantangan yang signifikan, ada organisasi di seluruh Eropa, dan dunia, yang memajukan peluncuran AI mereka, mengeksplorasi bagaimana mereka dapat menuai manfaat dari agen AI. Mereka yang membuat kemajuan tidak melakukannya dengan terjun langsung ke penerapan yang kompleks dan berjangka panjang. Sebaliknya, mereka mengadopsi pendekatan yang terukur: memulai dari skala kecil, membangun kepercayaan, membuktikan nilai, dan meningkatkan skala hanya setelah teknologi membuktikan keefektifannya. Peluncuran AI yang paling sukses tidak terjadi dalam semalam. Mereka dimulai dengan langkah-langkah kecil berdampak tinggi yang membangun kepercayaan dan memberikan hasil. Berikut adalah tiga langkah untuk memulai.

1. Gunakan AI untuk membersihkan data sebelum melakukan skalasi

Bahkan dengan persetujuan kepatuhan, sistem AI hanya sekuat data yang menjadi dasarnya. Kualitas data yang buruk akan merusak akurasi, efisiensi, dan kepercayaan. Faktanya, 43% pemimpin data mengatakan masalah data adalah hambatan terbesar mereka untuk menskalakan AI generatif. Menggembirakannya, AI sendiri dapat membantu memperbaiki masalah data ini. Di layanan keuangan, misalnya, beberapa perusahaan menggunakan alat AI untuk membersihkan data piutang, menghapus duplikat, memperbaiki entri yang kedaluwarsa, dan menyelesaikan catatan yang tidak cocok. Setelah data selaras dan andal, perusahaan dapat mengotomatiskan tindak lanjut, meningkatkan arus kas, dan beroperasi dengan keyakinan lebih besar pada wawasan yang digerakkan AI. Ini juga merupakan prioritas investasi utama. 86% pemimpin data berencana meningkatkan pengeluaran untuk manajemen data, dengan hampir setengahnya menyebutkan membuat data cocok untuk AI sebagai motivasi utama mereka.

2. Mulailah dengan agen pelaksana yang fokus

Menerapkan agen “pelaksana” dengan tujuan sempit adalah salah satu cara tercepat untuk menghasilkan kemenangan yang terukur. Agen-agen ini dirancang untuk menangani tugas yang sangat spesifik dan terdefinisi dengan baik, seperti menyusun ringkasan rapat, memproses transaksi standar, atau mengkategorikan pertanyaan pelanggan yang masuk. Karena agen pelaksana mudah dipantau, mereka menghasilkan keluaran yang jelas dapat dilacak dan lebih mudah divalidasi keakuratannya. Ini tidak hanya mengurangi risiko operasional, tetapi juga memberikan bukti awal bagi pemangku kepentingan, membantu mendapatkan persetujuan untuk adopsi yang lebih luas. Setelah keberhasilan ditunjukkan dengan agen tugas tunggal, organisasi dapat memperkenalkan struktur agenik yang lebih kompleks, seperti perencana dan pengatur, untuk menangani alur kerja multi-langkah.

3. Sederhanakan pelaporan kepatuhan melalui otomatisasi

Kepatuhan adalah area yang sangat intensif sumber daya di layanan keuangan. Pelaporan regulasi seringkali memerlukan pengumpulan dan rekonsiliasi data dari berbagai sumber, proses yang dapat menghabiskan ratusan jam dan bergantung pada sejumlah kecil spesialis terlatih. AI unggul di sini, memberikan titik awal yang sangat baik untuk menguji dan menskalakan teknologi. Setelah data dasar dibersihkan dan distrukturkan, AI dapat mengambil alih sebagian pekerjaan berat. Misalnya, menghasilkan laporan yang sesuai dengan BCBS 239 dapat diotomatisasi sebagian menggunakan pemetaan metadata yang dikombinasikan dengan model AI agenik. Sistem ini dapat menghasilkan draf pertama yang akurat yang kemudian ditinjau oleh petugas kepatuhan, mengurangi waktu penyelesaian sambil mempertahankan kontrol kualitas. Potensi di sini signifikan. McKinsey menyoroti satu bank global yang mencapai peningkatan produktivitas 200% hingga 2.000% dalam proses know-your-customer (KYC) dengan mengadopsi pendekatan “pabrik agen AI”. Mereka mempertahankan pengawasan manusia tetapi mengotomatiskan langkah-langkah yang paling memakan waktu.

Pelajaran dari perjalanan data sebuah bank multinasional

Sebuah bank multinasional Belanda menyadari pentingnya membangun fondasi data untuk kesuksesan AI. Mereka menyadari pentingnya manajemen data, menjadikannya prioritas. Mereka berinvestasi dalam proses organisasi yang tepat untuk memungkinkan pengiriman dalam skala besar, membuat pilihan yang disengaja untuk memberdayakan tim. Dan mereka memberikan arahan yang jelas dan kolaborasi lintas fungsi yang kuat kepada tim untuk berhasil. Kombinasi data yang terpercaya, tim yang diberdayakan, dan arahan strategis yang jelas inilah yang memungkinkan AI memberikan nilai bisnis — bukan hanya hasil teknologi.

Membangun momentum tanpa kehilangan kendali

Dengan 76% perusahaan layanan keuangan berencana untuk meluncurkan solusi AI agenik dalam 12 bulan ke depan, momentum sedang terbangun. Namun, jelas bahwa organisasi yang paling sukses tidak terburu-buru melakukan transformasi skala penuh. Mereka menerapkan AI secara strategis, berfokus pada kasus penggunaan kecil yang terkendali dengan baik yang memberikan nilai terukur dan meningkatkan efisiensi operasional. Mereka juga menanamkan tata kelola di setiap tahap, memastikan tim kepatuhan terlibat sejak dini dan sering. Dengan mengadopsi pendekatan bertahap ini, perusahaan dapat mempercepat adopsi AI tanpa mengorbankan kepercayaan atau keselarasan regulasi, mengubah “memulai dari yang kecil” dari keterbatasan yang dirasakan menjadi strategi pertumbuhan yang disengaja dan terbukti. Dalam adopsi AI, kecepatan penting, tetapi keamanan dan skalabilitas lebih penting. Lembaga layanan keuangan yang memulai dari skala kecil, membuktikan nilai, dan melakukan skalasi dengan percaya diri akan menjadi yang paling siap untuk membuka potensi triliunan dolar dari AI.