Reset AI di Perbankan: Dari Hype ke ROI

Setelah beberapa tahun berinvestasi besar di AI, bank mulai bertanya pertanyaan yang berbeda: tidak apa yang AI dapat lakukan, tetapi mengapa sedikit dari itu yang telah diterjemahkan menjadi dampak bisnis yang dapat diukur. Di seluruh industri, fokus bergeser dari potensi teoritis AI ke dampak bisnis yang sebenarnya, dan bagi banyak bank, hasilnya telah bercampur hingga saat ini.

“Reset AI” mencerminkan pergeseran yang lebih luas dalam cara bank mendekati AI – beralih dari fase eksperimen dan fokus pada membangun solusi yang menghasilkan hasil nyata, dapat diukur.

Ketika Eksperimen Tidak Diterjemahkan ke Dampak

Gelombang pertama adopsi AI didorong oleh momentum ketika eksekutif menjelajahi kasus penggunaan di layanan pelanggan, underwriting, kepatuhan, dan operasi. Sementara inovasi dan investasi tinggi, terjemahan ke dampak operasional yang dapat diukur terbatas.

Seiring waktu, pola menjadi jelas. Tim membangun pilot yang kuat, tetapi solusi tersebut tetap terputus dari alur kerja sehari-hari. Mengintegrasikan dengan sistem warisan lebih kompleks daripada yang diharapkan, data tidak konsisten, dan kepemilikan antara tim bisnis dan teknologi tetap terfragmentasi. Dalam banyak kasus, masalahnya bukan solusi AI itu sendiri, tetapi ketidakmampuan untuk mengintegrasikan ke dalam sistem dan proses yang ada.

Sebagai contoh, bank mungkin membangun model AI untuk mendukung pengambilan keputusan kredit, tetapi jika outputnya tidak diintegrasikan ke dalam alur kerja originasi pinjaman yang lebih luas, tim masih menghabiskan waktu untuk meninjau, memvalidasi, dan melakukan transaksi pada outputnya, bukan fokus pada analisis dan kegiatan berbasis wawasan yang lebih berharga. Hasilnya adalah lebih banyak kegiatan, tetapi tidak selalu keputusan kredit yang lebih baik atau lebih efisien.

Pengalaman telah membuktikan bahwa membangun kemampuan AI dan menghasilkan nilai bisnis bukanlah hal yang sama. Kesuksesan sering diukur melalui metrik transaksional seperti jumlah kasus yang diluncurkan atau proses yang dioptimalkan. Fokus harus bergeser untuk menghasilkan hasil bisnis yang lebih baik, seperti keputusan kredit yang ditingkatkan, pendaftaran pedagang yang dipercepat, biaya kepatuhan yang dikurangi, atau garis atas yang ditingkatkan.

Pendekatan yang Lebih Disiplin Sedang Terbentuk

Pemimpin menjadi lebih selektif, fokus pada serangkaian kasus penggunaan spesifik domain dengan dampak yang jelas dan dapat diukur. Fungsi seperti penipuan, KYC (Know Your Customer), pengumpulan, dan pengambilan keputusan kredit muncul sebagai prioritas karena mereka menggabungkan volume tinggi dengan proses terstruktur dan hasil yang ditentukan yang memiliki makna bisnis yang signifikan.

Program AI sedang didefinisikan ulang dengan tantangan bisnis di jantung diskusi. Titik awal adalah masalah bisnis: Di mana inefisiensi? Di mana wawasan dan analisis dapat lebih dalam? Di mana keputusan memperlambat hal-hal? Di mana risiko tidak dikelola secara efektif?

AI sebagai Pemungkit Hasil.

Data telah lama bergerak dari kekhawatiran latar belakang ke prioritas strategis. Tanpa data yang bersih, konsisten, dan terkelola dengan baik, bahkan model AI yang paling canggih akan kesulitan menghasilkan hasil yang berarti.

Bagi banyak lembaga, menemukan cara untuk membuka nilai dari lingkungan warisan melalui API, middleware, dan arsitektur data yang lebih baik mendapat prioritas atas penggantian inti penuh, yang sering kali mahal, memakan waktu, dan berisiko. Untuk maju, AI harus disematkan langsung ke dalam alur kerja sehari-hari, bukan diperkenalkan sebagai alat atau dasbor mandiri yang karyawan harus kerjakan.

Ketika fondasi ini jatuh ke tempat, bank mulai melihat contoh jelas AI yang menghasilkan hasil yang nyata.

Dalam pendaftaran KYC, pemrosesan dokumen dan pengambilan keputusan yang didorong AI telah mengurangi waktu pendaftaran secara signifikan sambil meningkatkan akurasi. Dengan memanfaatkan kemitraan transformasi digital yang dipimpin domain, bank Asia terkemuka mengurangi waktu pendaftaran KYC sebesar 50%, tingkat kesalahan sebesar 67%, dan waktu penanganan lebih dari setengah. Selain itu, biaya operasionalnya turun sebesar 15% dan tingkat akurasi meningkat menjadi 96%.

Perbedaan ini tidak dibuat oleh teknologi saja, tetapi oleh pendekatan proses. Alih-alih melapisi AI pada alur kerja yang ada, prosesnya direkayasa ulang dari ujung ke ujung. Inilah tempat bank semakin memfokuskan perhatian mereka.

Perubahan serupa sedang berlangsung dalam kejahatan keuangan. Secara tradisional, sebagian besar upaya telah bersifat reaktif, fokus pada penyelidikan peringatan yang dikirim setelah insiden terjadi. Bank sekarang menggunakan AI untuk mengidentifikasi pola, memprediksi potensi penipuan, dan mitigasi risiko. Perpindahan dari reaktif ke proaktif adalah tempat AI menciptakan nilai nyata.

Pengawasan Manusia Berkembang, Bukan Menghilang

Di industri jasa keuangan yang sangat diatur, keputusan membawa konsekuensi keuangan dan reputasi yang substansial. Regulator mengharapkan transparansi dan akuntabilitas, yang berarti pengawasan manusia tetap penting.

Ketika AI mengambil alih tugas berulang dan berbasis aturan, peran manusia bergeser ke penanganan pengecualian, pengambilan keputusan yang kompleks, dan pengawasan. Alih-alih memproses transaksi, tim semakin fokus pada meninjau output, menangani kasus tepi, memastikan kualitas, dan mitigasi risiko.

Dalam praktiknya, ini berarti AI menangani tugas rutin dan membosankan, sementara orang-orang mempertahankan akuntabilitas akhir. Fokus bergeser dari pekerjaan berbasis volume ke hasil yang ditingkatkan dengan kualitas keputusan, kontrol, dan kepercayaan regulator.

Governance adalah Sentral dalam Ekosistem Digital

Ketika model AI diterapkan secara besar-besaran, mereka perlu terus dipantau, diuji, dan diperbarui. Pertanyaan seputar keterjelasan, bias, dan kepatuhan bukanlah masalah sekunder, tetapi sentral dalam cara sistem ini dievaluasi.

Kepemilikan meluas di luar IT, dengan tim bisnis, risiko, dan kepatuhan memainkan peran yang jauh lebih aktif dalam cara AI diterapkan dan dikelola. Tanpa governance yang kuat, kepercayaan pada keputusan yang didorong AI sulit dipertahankan. Organisasi yang membuat kemajuan paling banyak sedang memperlakukan governance, keterjelasan, dan auditability sebagai persyaratan desain, bukan sebagai pemikiran terakhir.

Apa yang Akan Memisahkan Pemimpin dari yang Lain

Lembaga yang akan maju adalah mereka yang tetap fokus – memprioritaskan beberapa kasus penggunaan dengan dampak yang lebih tinggi, sepenuhnya merekayasa ulang proses untuk lebih baik memanfaatkan AI, memperkuat fondasi data, dan membangun governance dari awal.

Lainnya mungkin terus bereksperimen, tetapi tanpa disiplin yang terfokus, akan lebih sulit untuk menerjemahkan upaya menjadi hasil.

Apa yang Akan Terjadi Selanjutnya

Jika beberapa tahun terakhir tentang menjelajahi potensi AI, fase berikutnya akan ditentukan oleh dampaknya pada operasi perbankan sehari-hari.

Pembicaraan bergeser dari otomatisasi dasar ke sistem yang lebih maju, agen yang dapat menangani proses multi-langkah dan membuat keputusan kontekstual. Kami sudah melihat peningkatan ini di kejahatan keuangan, kredit, dan pelayanan – dan langkah berikutnya adalah fokus pada skala.

Sebagian besar, penskalaan yang efektif bergantung pada mengetahui di mana otonomi masuk akal dan di mana intervensi diperlukan.

Dalam proses risiko rendah, volume tinggi, ada lebih banyak ruang untuk menguji pengambilan keputusan otonom. Di area risiko yang lebih tinggi, model AI mungkin menghasilkan fase pertama output, tetapi wawasan dan pengawasan manusia tetap kunci. Keseimbangan ini akan dibentuk oleh nafsu risiko, harapan regulator, dan apakah ekonominya masuk akal.

Kemampuan untuk menskalakan secara efektif sambil menunjukkan dampak bisnis yang dapat diukur adalah bagaimana pemimpin akan memisahkan diri dari kumpulan. Lembaga yang melakukan ini dengan benar akan menjadi mereka yang tetap fokus pada hasil bisnis yang jelas, berinvestasi untuk memperkuat fondasi data, dan membangun AI ke dalam alur kerja inti, bukan memperlakukannya sebagai alat mandiri. Just as importantly, they’ll put the right governance in place to continuously monitor and refine how these systems perform. AI di perbankan ada untuk tetap, tetapi tidak lagi hanya tentang mengadopsi teknologi canggih. Ini tentang bagaimana teknologi itu memperbaiki keputusan, mengurangi gesekan, dan menghasilkan nilai dunia nyata.