Di era digital yang semakin maju, lembaga keuangan di Asia telah berada di garis terdepan dalam adopsi Kecerdasan Buatan (AI). Khususnya dalam sektor manajemen keuangan, adopsi AI telah semakin merasuki setiap layanan dan operasional. Demi memenuhi permintaan konsumen akan layanan yang lebih personal, real-time, dan tanpa hambatan, banyak lembaga keuangan telah mencoba memanfaatkan AI. Namun, tantangan datang seiring dengan inovasi ini, yaitu bagaimana menerapkan AI secara bertanggung jawab, transparan, dan akuntabel.
Adopsi AI dalam Manajemen Keuangan di Asia
Seiring dengan kemajuan teknologi, nasabah kini menuntut layanan yang semakin personal, insight secara real-time, dan interaksi digital yang mulus tanpa hambatan. Untuk memenuhi permintaan tersebut, banyak lembaga keuangan mencoba memanfaatkan AI. Namun, setiap inovasi datang dengan tanggung jawab yang tidak ringan. Dalam konteks ini, regulator seperti Monetary Authority of Singapore dan Otoritas Jasa Keuangan (OJK) di Indonesia menaikkan standar penerapan AI yang bertanggung jawab, menuntut transparansi dan akuntabilitas yang lebih tinggi.
Berkaca dari situasi ini, bank memiliki tantangan ganda: harus bergerak cukup cepat untuk tetap kompetitif, namun tetap harus disiplin agar berada pada koridor kepatuhan dan aman. Masalahnya, memenuhi ekspektasi tersebut, tidaklah sesederhana itu. Banyak institusi masih bergantung pada sistem lama yang terfragmentasi dan berjalan dalam silo, sehingga sulit untuk mendukung personalisasi real-time, deteksi penipuan yang adaptif, atau AI yang dapat dijelaskan (Explainable AI).
Fondasi Data Terpadu untuk AI yang Tepercaya
Babak berikutnya dalam manajemen keuangan akan ditentukan oleh kekuatan arsitektur data. Fondasi data yang terpadu mampu memecahkan silo antara cloud, on-premise, dan edge, memberikan institusi kelincahan untuk merespons perubahan pasar, sekaligus menjaga kendali penuh atas data sensitif. Sebuah laporan global menunjukkan bahwa 97% organisasi jasa keuangan mengakui data silo menghambat kemampuan mereka dalam mengimplementasikan model AI secara efektif. Hal ini menegaskan kebutuhan akan satu fondasi data yang terkelola dengan baik, agar bank bisa menembus batas silo, mempercepat pengambilan keputusan, dan menghadirkan insight yang lebih personal secara real-time.
Untuk mewujudkan hal tersebut, banyak institusi beralih ke arsitektur hybrid AI yang menyatukan lingkungan on-premise dan cloud, menyeimbangkan kontrol dan skalabilitas. Saat ini, 62% institusi jasa keuangan telah mengadopsi model hybrid AI, dan secara global 91% menilai model pendekatan ini sangat bernilai. Sebagai contoh, Bank of Singapore, divisi private banking dari OCBC Bank, baru-baru ini meluncurkan tools berbasis AI yang mengotomatiskan laporan sumber kekayaan. Waktu persiapan yang sebelumnya membutuhkan 10 hari kini dipangkas menjadi hanya satu jam, dengan tingkat akurasi dan kepatuhan yang lebih baik.
Tata Kelola dan Kepercayaan di Setiap Alur Kerja AI
Pentingnya tata kelola dan keamanan data terpadu lintas lingkungan telah diakui oleh 84% organisasi sebagai sesuatu yang “krusial” atau “sangat penting”. Artinya, tata kelola harus mengalir di sepanjang rantai pasok AI, mulai dari akses data dan pelatihan model, hingga deployment dan monitoring. Dengan menanamkan guardrails atau pengaman ini di setiap tahap, organisasi dapat menghilangkan titik buta (blind spot) dan memastikan outcome dari AI tetap dapat dijelaskan, adil, dan mematuhi regulasi tanpa memperlambat proses delivery-nya.
- Standard Chartered Bank memanfaatkan platform data terpadu untuk memperkuat pengawasan risiko, menerapkan data lineage dan penegakan kebijakan, serta membangun budaya penggunaan data yang bertanggung jawab.
- Di Indonesia, BNI melanjutkan perjalanan transformasi digitalnya dengan memanfaatkan AI untuk menyederhanakan operasional, meningkatkan keamanan dan tata kelola, serta mengelola data dalam skala besar.
Mengurangi Ketergantungan Sistemik melalui Ekosistem Terbuka dan Terpadu
Masa depan AI di perbankan tidak hanya soal skala, tetapi juga ketahanan dan kemandirian. Institusi yang terlalu bergantung pada satu platform atau satu model penerapan, berisiko mengalami inefisiensi dan kehilangan fleksibilitas ketika kondisi pasar dan regulasi berubah. Arsitektur data lakehouse memungkinkan bank menjalankan beban kerja sensitif di lingkungan yang terkontrol, sekaligus bereksperimen dan melakukan pengembangan (scale-up) di cloud, semua dalam kerangka operasional yang konsisten. Dengan menyatukan data dalam arsitektur seperti ini, institusi dapat memperkuat kepatuhan, menjaga kelincahan, dan memastikan operasional mereka tetap relevan dalam jangka panjang.
Sebagai contoh, United Overseas Bank (UOB) yang sebelumnya menghadapi fragmentasi data di lebih dari 95 sistem, mengimplementasikan solusi untuk mengonsolidasikan data dari lebih dari 30 sumber. Fondasi ini kini mendukung analitik mandiri, personalisasi berbasis AI di aplikasi UOB TMRW, serta operasional ATM prediktif yang mampu mengurangi perjalanan pengisian ulang hingga 33%.
Manajemen keuangan di Asia sedang berada di titik krusial yang menuntut kerangka strategi baru. Bank yang memodernisasi fondasi data mereka, menanamkan tata kelola secara menyeluruh, serta mendiversifikasi infrastrukturnya, tidak hanya akan memenuhi tuntutan regulasi, mereka akan menetapkan standar global untuk AI yang bertanggung jawab dan berorientasi pada nasabah. Dengan mendefinisikan ulang cara data dan AI dikelola di seluruh organisasi, institusi keuangan Asia dapat melampaui inovasi yang sifatnya inkremental (sedikit-sedikit) dan membentuk lanskap manajemen keuangan yang lebih lincah, tangguh, dan kompetitif.
➡️ Baca Juga: Liga Champions: PSG Menang Telak Atas Chelsea dengan Tujuh Gol, Tanpa Drama
