Apa itu AI dalam Perbankan?

AI dalam perbankan menggambarkan bagaimana bank semakin gencar menggunakan AI untuk menganalisis lebih banyak jenis data, melandasi pengambilan keputusan, dan membantu mencegah kejahatan siber. Rangkaian alat baru ini adalah landasan transformasi digital dalam perbankan, yang mendukung alur kerja sehari-hari seperti pemasaran, layanan nasabah, penjaminan, dan deteksi penipuan.

Mengapa Harus Ada AI dalam Perbankan?

Institusi perbankan terus menghadapi tekanan untuk meningkatkan daya saingnya, khususnya karena ekspektasi nasabah akan layanan digital yang bebas hambatan terus meningkat. Bank juga perlu melakukan diferensiasi diri sekaligus mengantisipasi persyaratan peraturan dan serangan siber yang semakin canggih. Machine learning dan AI generatif (GenAI) dapat membantu bank beradaptasi dan mengatasi tantangan ini. AI dalam perbankan dapat membawa rangkaian alat baru untuk membantu karyawan agar lebih produktif dan membuat alur kerja tradisional menjadi lebih baik dengan otomatisasi yang lebih banyak serta kemampuan untuk memahami dan menindaklanjuti data yang tidak terstruktur dengan volume yang lebih tinggi.

Retrieval-Augmented Generation (RAG) untuk Perbankan

Seiring bank mengevaluasi potensi nilai model bahasa besar/large language models (LLM) seperti ChatGPT untuk berinteraksi dengan nasabah dan memberdayakan karyawan dengan chatbot AI dan asisten pribadi, RAG dapat membantu mengurangi liabilitas yang diakibatkan respons yang tidak akurat. RAG adalah pendekatan inovatif untuk penerapan LLM di mana model AI merujuk pada basis pengetahuan spesifik perusahaan ketika merespons pertanyaan. Hasilnya, respons yang dihasilkan AI dapat memberikan pengetahuan mengenai penawaran produk, protokol bank, dan merek tertentu dengan cara yang lebih memenuhui persyaratan.

Manfaat AI dalam Perbankan

AI memiliki potensi untuk menciptakan penawaran produk dan pengalaman yang dipersonalisasi, menjadi lebih baik dalam memperkirakan tren pasar berdasarkan analisis data yang lebih komprehensif, serta mengenali perilaku aneh yang dapat mengindikasikan serangan siber atau tindak penipuan. Dengan rangkaian alat AI yang canggih, bank dapat membantu menarik dan mempertahankan lebih banyak nasabah, membuat keputusan yang lebih cerdas, serta membantu mencegah dan merespons kejahatan siber secara lebih cepat dan lebih efisien. McKinsey memperkirakan bahwa GenAI dapat menciptakan nilai tambah sebesar US$200 miliar hingga US$350 miliar untuk industri perbankan setiap tahunnya jika sepenuhnya diimplementasikan.¹

Kasus Penggunaan AI dalam Perbankan

Machine learning dan GenAI mendukung beberapa kasus penggunaan potensial dan nyata dalam perbankan. Berikut adalah beberapa contohnya:

• Otomatisasi pemasaran dan layanan nasabah yang dipersonalisasi: chatbot AI yang cerdas dapat membantu memberikan jawaban yang lebih komprehensif dan berempati terhadap pertanyaan nasabah serta membantu meningkatkan skor kepuasan. GenAI juga dapat membantu menciptakan rencana penjangkauan yang disesuaikan dengan calon nasabah, sehingga berpotensi meningkatkan dampak komunikasi dengan menargetkan saluran, waktu, dan frekuensi kontak yang tepat.
• Orientasi klien, penilaian pinjaman, dan penjaminan: GenAI dapat membantu menganalisis data yang tidak terstruktur dan dokumen yang padat teks, seperti laporan industri atau laporan berita, untuk membantu memperdalam proses mengenal nasabah/know your customer (KYC). Bank juga dapat menggunakan GenAI untuk mengakselerasi penjaminan pinjaman sesuai persyaratan.
• Produktivitas staf: Layanan GenAI perusahaan dapat membantu meningkatkan produktivitas individu dengan mengotomatiskan tugas menjemukan yang terkait dengan pengelolaan kotak masuk, menyusun notulensi rapat dan ringkasan tindakan, serta merangkum analisis tugas berat ke dalam konten percakapan yang dapat dicari.
• Deteksi penipuan dan antipencucian uang (AML): Sistem keamanan siber yang didukung AI dapat menganalisis pola transaksi mendekati real-time untuk membantu mengidentifikasi aktivitas mencurigakan, bahkan mengotomatiskan proses deteksi, peringatan, dan remediasi penipuan untuk mencapai operasional yang lancar dan efisien.
• Komputasi rahasia: Platform yang diperkuat menggunakan isolasi yang didukung perangkat keras untuk membantu melindungi data di tingkat memori atau mesin virtual terhadap pembobolan data. Komputasi rahasia juga dapat mendukung pembelajaran gabungan untuk pelatihan dan inferensi model AI, sehingga memungkinkan beberapa bank untuk belajar dan mengidentifikasi pola dalam satu kumpulan data bersama sekaligus menjaga kerahasiaan dan privasi nasabah.

Masa Depan AI dalam Perbankan

AI dalam perbankan akan terus menjadi lebih kompleks dan cakap dalam menyelesaikan tugas-tugas yang lebih kompleks. Untuk mendapatkan nilai semaksimal mungkin dari AI, bank perlu menerapkan standar explainable AI dan AI yang bertanggung jawab secara ketat agar tetap memenuhi persyaratan dan menjaga kepercayaan pelanggan.

Seiring penerapan AI menjadi lebih cakap dan kompleks, penerapan AI juga harus lebih transparan untuk membantu memastikan penerapan ini memenuhi persyaratan peraturan yang ketat, harapan nasabah akan privasi, dan profil ancaman yang semakin tinggi untuk data finansial yang sensitif. Dibandingkan dengan industri lainnya, bank perlu lebih mematuhi prinsip-prinsip explainable AI (XAI) dan AI yang bertanggung jawab untuk membantu memahami dan mengomunikasikan cara sistem machine learning dan GenAI memproduksi hasil dan output yang spesifik. Hal ini sangat penting dalam keputusan yang berdampak pada akses nasabah terhadap peluang finansial, seperti kelayakan memperoleh pinjaman.