Kecerdasan buatan di sektor keuangan: bagaimana bank benar-benar menggunakannya.

Kecerdasan buatan di sektor keuangan Dari sekadar janji utama, hal itu telah berubah menjadi baris kode yang berjalan di lingkungan produksi 24 jam sehari.

Bank-bank yang sepuluh tahun lalu masih memperdebatkan "apakah" akan mengadopsi AI, kini berlomba-lomba siapa yang dapat mengekstrak nilai paling besar sebelum pesaing mereka melakukan hal yang sama.

Ini bukan lagi tentang teknologi futuristik — ini tentang bertahan hidup di masa sekarang.

Lanjutkan membaca teks!

Ringkasan

1. Apa yang sebenarnya telah berubah dengan kecerdasan buatan di sektor keuangan
2. Di mana bank menerapkan AI saat ini (dan apa yang tidak disebutkan dalam presentasi)
3. Keuntungan sebenarnya (dan yang hanya muncul di slide 47)
4. Masalah-masalah yang belum terpecahkan oleh siapa pun.
5. Ke mana semua ini akan mengarah — dan apa yang bisa salah besar?

Apa saja perubahan nyata yang terjadi di sektor keuangan berkat kecerdasan buatan?

Perbedaannya bukan terletak pada akronim AI, tetapi pada kenyataan bahwa sistem-sistem tersebut kini belajar sendiri dari setiap transaksi, setiap klik, setiap keterlambatan pembayaran.

Sebelumnya, bank memiliki aturan tetap yang ditulis oleh komite; sekarang bank memiliki model yang menulis ulang aturan itu sendiri saat Anda tidur.

Hal ini menciptakan asimetri yang brutal: siapa pun yang menguasai siklus data + model + umpan balik dapat melihat pola yang sama sekali tidak dapat dilihat oleh manusia.

Seorang manajer hubungan pelanggan bisa memiliki pengalaman 15 tahun dan tetap kalah dari algoritma yang telah melihat 15 juta perilaku serupa dalam seminggu terakhir.

Hal yang paling menarik (dan meresahkan) adalah bahwa kemampuan untuk melihat pola dalam skala besar ini tidak disertai dengan kemampuan yang setara untuk menjelaskan mengapa seseorang melihat hal itu.

"Kotak hitam" yang terkenal itu belum hilang — hanya saja sekarang menjadi lebih menguntungkan.

Baca juga: Bisnis pertanian perkotaan berkelanjutan di tahun 2026: bagaimana cara memulainya sekarang?

Di mana bank menerapkan AI saat ini (dan apa yang tidak disebutkan dalam presentasi)

Dalam deteksi penipuan, prosesnya hampir seperti film. Sistem tidak lagi mencari "transaksi tidak lazim" berdasarkan daftar aturan.

Dia membuat peta perilaku setiap klien dan, ketika sesuatu menyimpang secara signifikan dari peta tersebut, dia membunyikan alarm—seringkali sebelum pemegang rekening menyadari ada sesuatu yang tidak beres.

Dalam penawaran produk, personalisasi telah menjadi sangat detail. Ini bukan lagi soal "Anda memiliki profil investasi yang moderat.".

Begini penjelasannya: "Anda cenderung meningkatkan pengeluaran untuk pesan antar makanan pada Kamis malam setelah berolahraga di gym, jadi berikut ini tambahan limit kartu kredit yang memberikan cashback dalam kategori tersebut.".

++ Bagaimana menyeimbangkan kehidupan pribadi dan bisnis sebagai seorang pengusaha?

Pelanggan tidak selalu menyadari bahwa mereka sedang dianalisis dengan ketelitian seperti ini.

Dalam analisis kredit untuk usaha kecil, beberapa bank Brasil sudah melakukan pengecekan silang data alternatif (seperti transaksi Pix, pembayaran tagihan berulang, dan bahkan musim pencarian Google Trends di wilayah tersebut) untuk mengambil keputusan dalam hitungan menit yang sebelumnya membutuhkan waktu berminggu-minggu.

++ Dana darurat ideal untuk tahun 2026: berapa banyak yang harus ditabung per bulan?

Ini berfungsi dengan baik — sampai suatu hari model tersebut mempelajari pola yang salah dan melipatgandakan kesalahan tersebut di ribuan keputusan.

Keuntungan sebenarnya (dan yang hanya muncul di slide 47)

Produktivitas meningkat secara terukur. Proses yang dulunya memakan waktu 14 hari kini berjalan dalam 14 menit — dan dengan lebih sedikit orang yang menangani dokumen.

Ini bukanlah prestasi kecil di industri di mana margin kesalahan diukur dalam poin basis.

Pengalaman pelanggan meningkat ketika bank berhasil menerapkan personalisasi dengan tepat.

Mereka yang menerima saran yang benar-benar masuk akal cenderung bertahan lebih lama, berbelanja lebih banyak, dan mengeluh lebih sedikit.

Masalahnya adalah mekanisme yang sama yang berhasil juga bisa menakutkan — ada batasan halus antara "bermanfaat" dan "invasif" yang masih belum sepenuhnya dipahami oleh algoritma.

Statistik yang paling sering dikutip belakangan ini berasal dari McKinsey: AI generatif dapat menyuntikkan nilai tahunan antara US$200 dan US$340 miliar ke sektor perbankan global.

Angka tersebut memang mengesankan, tetapi yang tersembunyi adalah bahwa sebagian besar nilai ini berasal dari pengurangan biaya — dengan kata lain, lebih sedikit orang yang melakukan tugas-tugas yang sebelumnya membutuhkan seluruh tim.

Bayangkan AI sebagai seorang pekerja magang yang sangat cepat, tidak pernah tidur, dan tidak pernah meminta kenaikan gaji.

Dia terkadang membuat kesalahan yang merugikan, tetapi biaya rata-rata per tugas menurun drastis.

Ini adalah tawaran yang menguntungkan — sampai pada titik di mana kesalahan bukan lagi pengecualian, tetapi norma sistemik.

Masalah-masalah yang belum terpecahkan oleh siapa pun.

Privasi telah menjadi ladang ranjau regulasi. Semakin banyak data yang digunakan AI, semakin besar risiko kebocoran atau interpretasi yang bias yang menyebabkan diskriminasi tidak langsung.

LGPD (Undang-Undang Perlindungan Data Umum Brasil) memang ada, tetapi kesenjangan antara apa yang dipersyaratkan oleh hukum dan apa yang dibutuhkan model agar dapat berfungsi dengan baik masih sangat besar.

Bias algoritmik bukan hanya teori akademis — bias ini telah muncul dalam persetujuan kredit, penetapan harga asuransi, dan bahkan dalam penetapan batas kartu kredit.

Aspek yang paling berbahaya adalah bahwa bias seringkali tersembunyi di dalam korelasi yang tampaknya netral.

Bank-bank besar sedang membentuk tim "etika AI" dan menjalankan audit secara terus-menerus, tetapi biayanya tinggi dan hasilnya tidak pernah 100%.

Sistem lama masih menjadi titik lemah.

Banyak prinsip inti perbankan ditulis pada tahun 80-an atau 90-an. Mengintegrasikan AI modern ke dalamnya seperti mencoba menghubungkan mobil listrik canggih ke stopkontak 110V dari tahun 70-an.

Hal itu bisa dilakukan, tetapi akan menguras dompet dan menguji kesabaran Anda.

Mungkinkah menciptakan mesin yang membuat keputusan keuangan yang lebih adil daripada manusia tanpa pernah meniru bias yang dimiliki manusia?

Ke mana semua ini akan mengarah — dan apa yang bisa salah besar?

Batasan berikutnya adalah agen otonom.

Tidak hanya menyarankan investasi, tetapi juga mengeksekusi pesanan, menyeimbangkan kembali portofolio, menegosiasikan persyaratan dengan pihak lawan — semuanya dalam batasan yang telah ditentukan.

Beberapa bank sudah menguji coba hal ini di lingkungan sandbox. Ketika keluar dari lingkungan sandbox, kecepatan reaksi pasar akan berubah secara dramatis.

Kombinasi AI, blockchain, dan kontrak pintar dapat membuat produk keuangan tertentu (seperti derivatif atau sekuritisasi) jauh lebih murah dan lebih cepat.

Risikonya adalah kecepatan yang sama yang mengurangi biaya juga memperkuat penularan dalam situasi krisis.

Di sisi lain, tekanan untuk keuangan berkelanjutan memaksa bank untuk menggunakan AI guna mengukur jejak karbon dari seluruh portofolio secara hampir real-time.

Siapa pun yang dapat melakukan ini dengan akurat akan memenangkan hati klien institusional yang saat ini menghindari praktik greenwashing.

Proyeksi menunjukkan bahwa pengeluaran untuk AI di sektor perbankan akan mencapai US$14 triliun pada tahun 2030.

Jumlahnya memang besar, tetapi yang benar-benar penting adalah siapa yang akan menguasai siklus data → model → keputusan → umpan balik sebelum yang lain.

Contoh-contoh yang menunjukkan denyut nadi permasalahan tersebut.

Sebuah bank berukuran sedang di pedalaman São Paulo telah mulai menyetujui kredit untuk pengecer menggunakan data Pix dari 90 hari terakhir ditambah musiman pendapatan yang dilaporkan berdasarkan rezim pajak Simples Nacional.

Hasil: penurunan tunggakan sebesar 22% selama 18 bulan dan peningkatan volume kredit yang disalurkan kepada UKM di wilayah tersebut sebesar 37%.

Algoritma tersebut melakukan kesalahan serius dalam tiga bulan pertama — tetapi ia belajar dengan cepat.

Contoh lain: sebuah aplikasi yang membuat "peta kehidupan finansial" untuk pengguna.

Alih-alih tujuan umum (“menabung 20%”), ia memproyeksikan skenario konkret — “jika Anda mempertahankan pola pengeluaran ini dengan aplikasi pengiriman, Anda akan menunda pembayaran uang muka rumah impian Anda selama 14 bulan”.

Interaksi di aplikasi meningkat 2,1 kali lipat. Orang-orang kembali karena mereka merasa ada seseorang yang benar-benar memahami kehidupan mereka.

Pertanyaan yang dimiliki setiap orang (dan jawaban yang tidak ingin diberikan siapa pun)

ITU kecerdasan buatan di sektor keuangan Ini bukan lagi sebuah tren.

Inilah gravitasi baru. Siapa pun yang pertama kali belajar menavigasi gravitasi ini akan menentukan aturan main untuk 15 tahun ke depan.

Yang lainnya akan mengejar mereka — atau menghilang dalam upaya tersebut.

Selidiki lebih dalam:

++ Apa itu kecerdasan buatan (AI) dalam bidang keuangan?

++ AI di sektor perbankan

Ditulis oleh Andre Neri Diperbarui pada 10 Maret 2026