Agentic AI muncul sebagai titik kritis baru dalam persaingan industri perbankan global. Di tengah tekanan efisiensi, meningkatnya risiko fraud berbasis AI, dan ekspektasi nasabah yang kian tinggi, teknologi ini tidak lagi sekadar alat inovasi, melainkan penentu daya saing. Bank yang mampu mengadopsinya secara tepat—dengan governance yang kuat—berpeluang mempercepat proses, meningkatkan kualitas keputusan, dan memperkuat ketahanan operasional. Sebaliknya, keterlambatan dapat menciptakan kesenjangan kompetitif yang sulit dikejar.
Oleh: Tuhu Nugraha *)
Fokus:
■ Agentic AI menggeser peran AI dari sekadar alat bantu menjadi eksekutor proses.
■ Risiko baru muncul: fraud berbasis AI, kesenjangan kompetitif, dan tekanan efisiensi.
■ Governance dan strategi implementasi menjadi kunci menentukan daya saing bank.
Industri perbankan tidak sedang menghadapi perubahan kecil, melainkan pergeseran medan persaingan. Agentic AI hadir pada saat yang sangat menentukan: ekonomi global bergerak dalam ketidakpastian, pertumbuhan tidak sekuat beberapa tahun lalu, tekanan efisiensi makin besar, ekspektasi nasabah terus naik, sementara fraud dan kejahatan siber justru naik kelas karena juga memakai AI.
Dalam situasi seperti itu, pertanyaan bagi direksi bukan lagi apakah teknologi ini menarik untuk dicoba. Pertanyaannya adalah apakah bank mampu membaca titik masuk yang tepat sebelum tekanan datang dari terlalu banyak arah sekaligus. Agentic AI, dengan kata lain, bukan lagi isu laboratorium inovasi. Ia mulai masuk ke wilayah daya saing.
Dalam konteks itu, Agentic AI menjadi relevan bukan sekadar sebagai alat otomasi, tetapi sebagai cara untuk menjaga daya saing: mempercepat proses yang lambat, mengurangi beban repetitif yang mahal, dan membantu manusia mengambil keputusan lebih cepat tanpa kehilangan kendali.
Menunggu pun bukan lagi posisi yang aman. Di tengah ketidakpastian global, perlambatan ekonomi, tekanan biaya, dan ekspektasi nasabah yang terus naik, bank tidak cukup hanya bergerak lebih cepat; bank juga harus tetap presisi di bawah tekanan.
Dalam konteks itu, Agentic AI menjadi relevan bukan sekadar sebagai alat otomasi, tetapi sebagai cara untuk menjaga daya saing: mempercepat proses yang lambat, mengurangi beban repetitif yang mahal, dan membantu manusia mengambil keputusan lebih cepat tanpa kehilangan kendali.
AI yang Mulai Bertindak
Banyak diskusi masih mencampuradukkan Generative AI dengan Agentic AI. Padahal bedanya sangat menentukan arah keputusan. Generative AI membantu manusia membuat konten, merangkum dokumen, menjawab pertanyaan, atau mempercepat analisis. Agentic AI melangkah lebih jauh. Ia mulai mampu menjalankan rangkaian tugas, menjaga konteks, berinteraksi dengan berbagai sistem, dan mendorong pekerjaan menuju hasil tertentu.
Di situlah relevansinya bagi bank menjadi jauh lebih serius. Begitu AI bergerak dari sekadar memberi rekomendasi menjadi ikut menjalankan proses, pembahasan tidak lagi berhenti pada efisiensi. Ia langsung menyentuh akuntabilitas, tata kelola, pengawasan manusia, audit, reputasi, dan ketahanan operasional. Bagi bank, isu utamanya bukan sekadar produktivitas. Isunya adalah kualitas keputusan.
Perbedaannya bisa dilihat sederhana. Generative AI menjawab pertanyaan seperti: apa isi kontrak ini? Agentic AI melangkah lebih jauh: mengekstrak poin penting, membandingkannya dengan regulasi terbaru, lalu menyiapkan draf revisi untuk ditinjau tim legal. Yang satu membantu memahami pekerjaan. Yang lain mulai ikut menjalankan alurnya.
Di situlah relevansinya bagi bank menjadi jauh lebih serius. Begitu AI bergerak dari sekadar memberi rekomendasi menjadi ikut menjalankan proses, pembahasan tidak lagi berhenti pada efisiensi. Ia langsung menyentuh akuntabilitas, tata kelola, pengawasan manusia, audit, reputasi, dan ketahanan operasional. Bagi bank, isu utamanya bukan sekadar produktivitas. Isunya adalah kualitas keputusan.
Kompetitor Belajar, Fraud Meningkat
Keterlambatan adopsi sering dianggap sekadar masalah citra inovasi. Padahal konsekuensinya jauh lebih material.
Pertama, bank bisa tertinggal dari kompetitor dalam kecepatan belajar. Pada fase ini, keunggulan awal tidak datang semata-mata dari membeli teknologi, tetapi dari kemampuan organisasi untuk belajar lebih dulu: memahami use case mana yang benar-benar memberi nilai, area mana yang sebaiknya dihindari, bagaimana merancang kontrol, dan kapan AI harus berhenti lalu mengembalikan keputusan kepada manusia.
Kedua, ekspektasi nasabah sudah berubah. Mereka mungkin tidak akan menyebut istilah Agentic AI, tetapi mereka akan merasakan gejalanya ketika sebuah bank tetap lambat, responsnya kaku, prosesnya bertele-tele, dan penanganan masalahnya terasa tertinggal dibanding pengalaman digital lain yang mereka gunakan setiap hari. Yang dibaca nasabah bukan nama teknologinya, melainkan kualitas pengalaman yang mereka terima.
Ketiga, fraud dan kejahatan siber berbasis AI terus meningkat. Penipu tidak menunggu kesiapan industri perbankan. Mereka memakai AI untuk membuat serangan lebih personal, lebih meyakinkan, dan lebih sulit dikenali. Social engineering berbasis AI, voice cloning, dan scam yang semakin adaptif menunjukkan bahwa lawan yang dihadapi bank hari ini tidak lagi bekerja dengan logika lama. Jika bank terlambat memperkuat kapasitas deteksi, triase, investigasi awal, dan respons dengan bantuan sistem yang lebih cerdas, perlombaannya menjadi timpang: pelaku fraud sudah naik kelas, sementara sistem pertahanan bank masih tertahan di fase sebelumnya.
Ekspektasi nasabah sudah berubah. Mereka mungkin tidak akan menyebut istilah Agentic AI, tetapi mereka akan merasakan gejalanya ketika sebuah bank tetap lambat, responsnya kaku, prosesnya bertele-tele, dan penanganan masalahnya terasa tertinggal dibanding pengalaman digital lain yang mereka gunakan setiap hari. Yang dibaca nasabah bukan nama teknologinya, melainkan kualitas pengalaman yang mereka terima.
Keempat, ada inefisiensi yang diam-diam menggerus daya tahan organisasi. Banyak proses back-office dan middle-office terlihat normal hanya karena sudah lama dijalankan, padahal sebenarnya mahal, lambat, dan menyita energi tim bernilai tinggi untuk pekerjaan repetitif. Dalam kondisi ekonomi yang lebih berat, mempertahankan proses manual untuk pekerjaan yang sebenarnya bisa diorkestrasi lebih baik dapat berubah menjadi beban struktural.
Ada satu biaya lain yang sering luput dibaca: biaya dari tidak melakukan apa-apa. Dalam konteks Agentic AI, bank yang mulai lebih awal tidak hanya mendapatkan waktu lebih dulu. Mereka lebih cepat membangun data pembelajaran, mengenali titik gagal, menyempurnakan arsitektur kontrol, dan membentuk insting organisasi tentang kapan AI boleh berjalan dan kapan harus dihentikan. Karena itu, bank yang menunggu dua tahun tidak sekadar tertinggal dua tahun secara kalender. Ia bisa tertinggal jauh lebih dalam pada kematangan model, disiplin pengawasan, dan learning curve organisasinya.
Mulai dari Risiko Terukur
Meski urgensinya tinggi, bank tidak boleh bergerak dengan logika yang salah. Dalam industri yang dibangun di atas manajemen risiko, titik masuk Agentic AI seharusnya tidak ditentukan oleh use case yang paling menarik di slide presentasi, melainkan oleh area yang manfaatnya jelas, risikonya terukur, dan kontrolnya bisa dibangun dengan disiplin.
Karena itu, sweet spot Agentic AI hari ini bukan pada keputusan finansial final yang langsung menyentuh hak nasabah. Bukan pada persetujuan kredit otomatis penuh, penolakan nasabah tanpa review manusia, atau area yang jika salah segera berubah menjadi persoalan hukum, audit, dan reputasi.
Meski urgensinya tinggi, bank tidak boleh bergerak dengan logika yang salah. Dalam industri yang dibangun di atas manajemen risiko, titik masuk Agentic AI seharusnya tidak ditentukan oleh use case yang paling menarik di slide presentasi, melainkan oleh area yang manfaatnya jelas, risikonya terukur, dan kontrolnya bisa dibangun dengan disiplin.
Pintu masuk yang lebih masuk akal ada di wilayah yang lebih tenang tetapi nilai ekonominya nyata. Compliance dan legal operations adalah salah satu contohnya: pekerjaan padat dokumen, repetitif, dan menyita waktu tim yang mahal.
Dukungan AML dan investigasi fraud juga relevan, bukan untuk menyerahkan keputusan final kepada AI, tetapi untuk membantu triase, membaca pola, menelusuri histori, dan menyiapkan temuan awal.
Banyak bank sebenarnya tidak kekurangan alert; yang kurang adalah kapasitas manusia untuk memproses alert itu secara cepat dan konsisten. Trade finance dan operasi berbasis dokumen juga layak diperhitungkan. Banyak hambatan di sini muncul bukan karena persoalan strategis tingkat tinggi, melainkan karena volume, mismatch, dan detail administratif yang memperlambat layanan. Jika direksi mencari quick win yang sehat, wilayah seperti ini jauh lebih masuk akal dibanding langsung menaruh AI di keputusan yang sensitif.
Augmentasi, Bukan Reduksi
Dalam konteks perbankan, Agentic AI sebaiknya tidak dibingkai sebagai alat untuk sekadar mengefisienkan jumlah karyawan. Cara pandang seperti itu terlalu sempit. Nilai strategis Agentic AI justru terletak pada kemampuannya untuk mengaugmentasi kapasitas manusia, terutama pada area yang rawan human error bila dikerjakan manual, terlalu lambat untuk ritme risiko hari ini, atau terlalu kompleks untuk ditangani manusia secara konsisten dalam skala besar.
Banyak fungsi di bank sebenarnya bukan kekurangan orang, melainkan kekurangan kapasitas untuk menjaga kualitas keputusan di tengah volume pekerjaan, tekanan waktu, dan kompleksitas data yang terus meningkat. Dalam investigasi fraud, misalnya, masalahnya sering bukan tidak adanya analis, tetapi keterbatasan manusia untuk membaca pola dan menghubungkan sinyal yang tersebar dengan kecepatan yang dibutuhkan. Dalam compliance, tantangannya juga bukan semata jumlah staf, melainkan beban dokumen yang besar dan repetitif sehingga menyita waktu tenaga ahli untuk pekerjaan yang sebetulnya bisa dipercepat tanpa mengorbankan kontrol.
Agentic AI seharusnya tidak dibaca sebagai proyek pengurangan orang, melainkan sebagai agenda penguatan kapasitas organisasi. Fungsi manusia perlu bergeser: dari mengerjakan proses yang repetitif menjadi mengawasi AI, memvalidasi output, membaca anomali, menangani eskalasi, dan memastikan keputusan berisiko tinggi tetap berada di bawah kendali manusia.
Dalam kerangka seperti itu, Agentic AI seharusnya tidak dibaca sebagai proyek pengurangan orang, melainkan sebagai agenda penguatan kapasitas organisasi. Fungsi manusia perlu bergeser: dari mengerjakan proses yang repetitif menjadi mengawasi AI, memvalidasi output, membaca anomali, menangani eskalasi, dan memastikan keputusan berisiko tinggi tetap berada di bawah kendali manusia.
Governance Tidak Boleh Terlambat
Agar Agentic AI benar-benar menjadi penguat daya saing, bukan sumber masalah baru, governance tidak boleh datang belakangan.
Di level operasional, setidaknya ada empat fondasi yang perlu dijaga. Pertama, human-in-the-loop harus menjadi default, terutama pada fase awal, karena dalam industri perbankan kecepatan tanpa kontrol bukan keunggulan.
Kedua, ownership harus jelas: siapa yang bertanggung jawab atas model, siapa yang memvalidasi hasil, dan siapa yang memegang keputusan akhir.
Untuk konteks perbankan, pendekatan seperti private AI, on-premise deployment, atau model yang berjalan di lingkungan tertutup menjadi relevan agar performa tidak dibayar dengan kompromi berlebihan terhadap kerahasiaan data dan kontrol operasional.
Ketiga, data dan infrastruktur harus dibaca sebagai isu strategis. Untuk konteks perbankan, pendekatan seperti private AI, on-premise deployment, atau model yang berjalan di lingkungan tertutup menjadi relevan agar performa tidak dibayar dengan kompromi berlebihan terhadap kerahasiaan data dan kontrol operasional.
Keempat, traceability tidak boleh diabaikan. Bank perlu memiliki jejak keputusan yang jelas: agent mana yang bertindak, data apa yang digunakan, model versi berapa yang berjalan, kapan manusia memberi persetujuan, dan pada fase mana error mulai muncul.
Fondasi terakhir ini penting bukan hanya untuk audit, tetapi untuk menjaga kendali ketika sistem salah membaca konteks, salah mengeksekusi proses, atau menghasilkan deviasi berulang. Karena itu, bank perlu audit layer yang kuat—mulai dari logging architecture yang aman hingga pendekatan tamper-evident seperti blockchain—agar saat terjadi error sistemik, sumber masalah, kronologi, dan akuntabilitasnya cepat ditelusuri. Ini juga sejalan dengan prinsip tata kelola AI dalam NIST AI RMF, kerangka manajemen risiko AI untuk membantu organisasi merancang, menerapkan, dan mengevaluasi sistem AI secara lebih bertanggung jawab, serta rezim regulasi AI berisiko tinggi di Eropa.
Arah ini juga konsisten dengan posisi regulator. OJK telah meluncurkan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia sebagai acuan minimal agar AI di bank dikembangkan dan diterapkan secara bertanggung jawab, dengan pengelolaan risiko dan prinsip kehati-hatian sebagai fondasinya. OJK juga menekankan pentingnya strategi reskilling dan upskilling agar transisi menuju ekonomi digital berlangsung adil dan melahirkan tenaga kerja yang relevan serta kompetitif.
Ujian Kepemimpinan
Pada akhirnya, Agentic AI bukan sekadar ujian teknologi bagi industri perbankan. Ia adalah ujian kepemimpinan: apakah direksi mampu membaca momentum, memilih titik masuk yang tepat, dan menjaga kendali ketika mesin mulai bertindak.
Bank yang akan unggul bukan yang paling berisik bicara AI, melainkan yang paling matang mengubah tekanan operasional, kompleksitas risiko, dan tuntutan efisiensi menjadi keunggulan strategis yang tetap berada di bawah kendali.
Dalam konteks ini, yang sedang dipertaruhkan bukan hanya kecepatan adopsi, tetapi kapasitas institusi untuk tetap memimpin ketika ritme risiko bergerak lebih cepat daripada manusia bisa merespons sendirian. Karena itu, bank yang akan unggul bukan yang paling berisik bicara AI, melainkan yang paling matang mengubah tekanan operasional, kompleksitas risiko, dan tuntutan efisiensi menjadi keunggulan strategis yang tetap berada di bawah kendali.
*) Tuhu Nugraha adalah Principal Indonesia Applied Digital Economy & Regulatory Network (IADERN), kini aktif menjadi pembicara di banyak forum internasional mengenai AI, strategi digital dan tata kelola teknologi negara-negara berkembang.
Digionary:
● Agentic AI: AI yang mampu menjalankan tugas secara mandiri dan berkelanjutan
● Compliance: Kepatuhan terhadap regulasi dan aturan
● Fraud: Tindakan penipuan dalam sistem keuangan
● Generative AI: AI yang menghasilkan konten seperti teks, gambar, atau suara
● Governance: Tata kelola untuk memastikan sistem berjalan sesuai aturan
● Human-in-the-loop: Keterlibatan manusia dalam proses pengambilan keputusan AI
● Middle-office: Fungsi operasional yang mendukung aktivitas bisnis utama
● Reskilling: Pelatihan ulang untuk meningkatkan keterampilan baru
● Traceability: Kemampuan melacak proses dan keputusan dalam sistem
● Voice cloning: Teknologi meniru suara seseorang menggunakan AI
#AgenticAI #Perbankan #AIIndonesia #DigitalBanking #Fintech #CyberSecurity #FraudPrevention #ArtificialIntelligence #BankingTransformation #OJK #RiskManagement #AITrends #FutureOfBanking #TechInFinance #Compliance #MachineLearning #AILeadership #DigitalEconomy #Innovation #BankingStrategy
