Mengapa Analis Kecurangan Manual Anda Mungkin Memandang Hal-Hal yang Salah

Menurut sebuah survei industri terbaru, hampir tiga perempat lembaga keuangan masih memeriksa secara manual sebagian besar dokumen pendapatan mereka untuk kecurangan, dengan banyak yang meninjau hingga setengah dari semua pengajuan secara manual. Mengingat munculnya model AI yang kuat yang mampu melakukan pengambilan keputusan otomatis yang canggih, mengapa banyak pemberi pinjaman masih mengandalkan mata manusia untuk menangkap slip gaji palsu dan pernyataan bank yang diubah?

Jawabannya melampaui inersia institusional. Analis manual membawa nilai yang nyata, dan reviewer berpengalaman mengembangkan pengenalan pola yang sulit untuk direplikasi secara algoritmik. Namun, ada perbedaan antara menjaga manusia dalam proses dan menjaga mereka fokus pada pekerjaan yang unik memanfaatkan penilaian manusia. Banyak pemberi pinjaman tidak membuat perbedaan yang jelas enough, dan konsekuensinya muncul dalam tingkat kecurangan, biaya tenaga kerja, dan paparan kecurangan yang paling sulit untuk ditangkap.

Apa yang Analis Berpengalaman Bawa ke Meja

Sebelum membuat kasus untuk perubahan, layak untuk memahami apa yang analis kecurangan lakukan dengan baik. Analis kecurangan berpengalaman bukanlah pemeriksa kotak. Seorang analis yang telah memproses ribuan dokumen pendapatan selama bertahun-tahun telah menginternalisasi petunjuk yang tidak sepenuhnya ditangkap oleh himpunan aturan. Analis manusia juga membawa sesuatu yang sistem otomatis tidak bisa: akuntabilitas institusional dan regulasi. Mereka memahami budaya operasional bisnis mereka, harapan regulasi, tren teknologi, dan wawasan umum lainnya yang datang dari hidup dan terlibat di dunia. Analis juga dapat menemukan anomali yang jatuh di luar data pelatihan model, terutama ketika cincin kecurangan beroperasi dengan cara yang benar-benar baru.

Menariknya, keterbatasan AI itu sendiri menekankan mengapa pengawasan manusia penting. Stanford HAI 2026 AI Index telah mendokumentasikan apa yang disebut para peneliti “kecerdasan bergerigi”: model canggih yang mampu lulus ujian sains tingkat pascasarjana yang gagal pada tugas yang bisa ditangani anak, seperti membaca jam analog, berhasil hanya sekitar setengah waktu. AI dapat mendeteksi cincin kecurangan yang kompleks tetapi melewatkan pola phishing dasar. Profil kemampuan yang tidak rata itu adalah argumen untuk pengawasan manusia yang cerdas, bukan untuk status quo.

Batasan Keras yang Tidak Bisa Dilewati Analis

Mengakui apa yang analis manual lakukan dengan baik tidak boleh mengaburkan apa yang mereka tidak bisa lakukan. Metadata dokumen tidak terlihat oleh mata telanjang tetapi sangat mengungkapkan bagi alat komputasi: tanggal pembuatan, riwayat pengeditan, tanda tangan perangkat lunak, dan data GPS yang disematkan dalam gambar yang dipindai dapat mengungkap dokumen palsu dalam hitungan detik. Seorang reviewer manusia tidak akan pernah melihat metadata ini.

Data konsorsium dan jaringan juga berada di luar cakrawala pengamatan analis. Menemukan satu Nomor Keamanan Sosial yang muncul di seluruh aplikasi dealer dalam seminggu adalah tugas komputasi yang sepele dan mustahil bagi manusia dalam volume besar. Deteksi inkonsistensi mikro mengikuti logika yang sama: perubahan font halus, perubahan piksel, dan ketidakberesan pemformatan dalam dokumen palsu memerlukan perbandingan komputasi untuk muncul secara andal. Ketika volume pinjaman mobil tumbuh, tinjauan manual tidak berskala. Ini hanya menjadi lebih mahal.

Masalah Alokasi yang Salah

Masalahnya bukan bahwa pemberi pinjaman menggunakan analis manual. Ini adalah bahwa mereka menggunakan analis pada dokumen dan alur kerja yang salah. Ketika lembaga keuangan secara manual meninjau hingga setengah dari volume dokumen pendapatan mereka, analis menghabiskan sebagian besar waktu mereka pada pengajuan yang AI bisa kliring atau bendera secara otomatis. Dokumen yang benar-benar memerlukan mata manusia yang terlatih hanya mewakili sebagian kecil dari total tersebut.

Konsekuensinya dapat diprediksi. Analis menjadi lelah dan kurang tajam tepat ketika mereka menghadapi kasus yang kompleks dan berisiko tinggi yang sebenarnya membutuhkan keahlian mereka. Kecurangan yang paling sulit bersembunyi di tempat-tempat di mana seorang reviewer yang lelah yang bekerja melalui antrian panjang paling tidak siap untuk menemukannya. Biaya tenaga kerja yang tinggi, throughput yang lebih rendah, dan tidak ada perbaikan yang signifikan dalam tingkat deteksi kecurangan bukanlah pertukaran yang layak.

Apa yang Terlihat seperti Model yang Lebih Pintar

Solusinya bukan untuk menghilangkan tinjauan manual. Ini adalah untuk menggunakannya kembali. Alat otomatis harus menangani volume: menyaring dokumen pendapatan untuk sinyal kecurangan yang diketahui, anomali metadata, dan hit data konsorsium. Ini membebaskan analis untuk fokus pada kasus tepi, banding, eskalasi, dan pola kecurangan baru yang alat AI tidak siap untuk menyelesaikannya.

Lembaga sering mengabaikan lapisan lain: AI memantau AI. Sistem otomatis harus melacak bagaimana alat pengambilan keputusan digunakan dan apakah hasilnya bergeser dengan cara yang menunjukkan degradasi model atau vektor kecurangan baru. Pengawasan manusia paling berharga ketika diposisikan pada titik-titik pengungkit, bukan didistribusikan secara merata di seluruh dokumen dalam antrian. Protokol eskalasi yang jelas, dengan ambang batas yang didefinisikan yang diaudit secara teratur, adalah apa yang menjaga model ini dari kembali ke kebiasaan.

Dimensi Kepatuhan yang Tidak Bisa Diabaikan Pemberi Pinjaman

Regulator memperhatikan lebih dekat bagaimana keputusan deteksi kecurangan yang dibantu AI dibuat dan siapa yang bertanggung jawab atasnya. Lembaga yang dapat mendokumentasikan proses tinjauan bertingkat, penyaringan AI diikuti oleh tinjauan manusia yang ditargetkan pada kriteria yang ditentukan, akan lebih baik posisi daripada mereka yang mengandalkan otomatisasi yang tidak transparan atau tinjauan manual yang tidak berbeda. Sistem black-box yang tidak bisa dijelaskan oleh siapa pun di lembaga adalah suatu kewajiban, bukan solusi.

Petugas kepatuhan perlu cukup dekat dengan teknologi untuk memahami apa yang sebenarnya dilakukan AI, bukan hanya menandatangani sistem yang tidak pernah mereka evaluasi. Ini memerlukan investasi dalam pelatihan, transparansi vendor, dan fungsi audit yang berkelanjutan yang menjaga penilaian manusia tetap terkait dengan hasil otomatis.

Pertanyaan yang Tepat untuk Ditanyakan

Pengamatan bahwa tiga perempat pemberi pinjaman masih sangat mengandalkan tinjauan kecurangan manual bukanlah skandal. Ini mungkin mencerminkan insting yang sehat untuk menjaga manusia bertanggung jawab dalam proses yang berisiko tinggi. Namun, insting bukanlah strategi. Volume tinjauan manual yang terjadi di seluruh industri tidak mencerminkan keputusan yang disengaja tentang di mana penilaian manusia menambah nilai paling banyak. Ini mencerminkan kebiasaan.

Setiap lembaga dalam ruang ini harus bertanya tidak apakah menggunakan tinjauan manual, tetapi di mana menggunakannya, berapa banyak, dan pada apa. Pemberi pinjaman yang menjawab pertanyaan tersebut dengan jelas, dan membangun alur kerja untuk mencocokkannya, akan menangkap lebih banyak kecurangan, menghabiskan lebih sedikit melakukan itu, dan jauh lebih baik posisi ketika regulator datang bertanya tentang bagaimana keputusan dibuat. Analis yang telah meninjau dokumen rutin layak bekerja pada kasus yang sebenarnya membutuhkan mereka.