Perbankan global menghadapi paradoks adopsi AI: meski 77% bank telah meluncurkan aplikasi generative AI, inisiatif ini sering mandek karena data perusahaan yang terfragmentasi dan tidak memiliki konteks bisnis yang memadai. Oracle menekankan bahwa fondasi AI perbankan bukan terletak pada kecanggihan model, melainkan pada ketersediaan data terpercaya, semantik bisnis yang jelas, dan tata kelola yang ketat agar AI dapat menghasilkan keputusan yang akurat, dapat dijelaskan, dan mematuhi regulasi tanpa mengorbankan stabilitas operasional sistem inti yang sudah ada.
DIGI-HIGHLIGHTS:
■ 77% bank sudah pakai genAI tapi banyak proyek mandek akibat data terfragmentasi dan ketiadaan konteks bisnis yang memadai untuk audit.
■ Kunci sukses AI perbankan adalah semantik bisnis dan tata kelola data agar output akurat, explainable, dan patuh regulasi tanpa risiko baru.
■ Oracle tawarkan platform yang orkestrasi AI lewat aturan enterprise existing, bukan memaksa migrasi data, demi stabilitas dan kepercayaan jangka panjang.
Di ruang rapat dewan direksi bank-bank terbesar dunia, pertanyaan tentang kecerdasan buatan (AI) telah bergeser dari “apakah kita perlu menggunakannya?” menjadi “mengapa investasi kami belum memberikan hasil yang diharapkan?”.
Sebuah studi EY-Parthenon tahun 2025 mengungkapkan bahwa 77% bank telah meluncurkan atau melakukan soft-launch aplikasi generative AI, dan hampir sembilan dari sepuluh eksekutif perbankan mengharapkan teknologi ini memberikan manfaat bisnis besar dalam dua tahun ke depan. Namun, realitas di lapangan menunjukkan cerita yang lebih rumit.
Banyak inisiatif AI yang terhenti tepat ketika bank berusaha melangkah keluar dari fase pilot project menuju implementasi skala enterprise. Penyebabnya bukanlah kurangnya ambisi atau anggaran, melainkan warisan masalah data yang telah menumpuk selama puluhan tahun. Sistem perbankan modern dibangun di atas tumpukan akuisisi, merger, dan evolusi teknologi yang berjalan sendiri-sendiri. Hasilnya? Informasi nasabah, data transaksi, pelaporan regulasi, dan proses bisnis tersimpan dalam silo-silo yang tidak saling berbicara, menciptakan lanskap data yang tidak konsisten dan terfragmentasi.
Paul Lilford, Direktur Strategi Produk untuk AI Data Platform and Analytics di Oracle, menangkap inti permasalahan ini dengan tepat. “Data enterprise sering kali kekurangan konteks yang dibutuhkan AI untuk menghasilkan hasil yang konsisten dan dapat dijelaskan,” ujar Lilford mengutip blog Oracle.
Tanpa konteks, AI hanyalah mesin statistik yang canggih namun buta terhadap makna bisnis di balik angka-angka tersebut. Di perbankan, definisi “pendapatan” bisa berbeda antara sistem kredit dan sistem treasury. Kebijakan kepatuhan mungkin tertanam dalam prosedur manual yang tidak pernah didigitalkan. Ketika AI mencoba membuat rekomendasi berdasarkan data yang tidak memiliki benang merah semantik ini, hasilnya adalah halusinasi korporat—jawaban yang terdengar meyakinkan namun salah secara fundamental, dan berbahaya secara regulasi.
JPMorgan dan Bank of America: Bukti Bahwa Konteks Adalah Raja
Di tengah tantangan struktural ini, pemain industri terbesar menunjukkan bahwa solusi itu mungkin, asalkan pendekatannya benar. JPMorgan Chase memperkirakan AI kini menghasilkan sekitar US$2 miliar nilai bisnis tahunan di hampir 1.000 use case. Bank of America melaporkan bahwa lebih dari 90% karyawannya menggunakan asisten AI internal, yang berhasil mengurangi panggilan ke helpdesk IT sebesar lebih dari 50%.
Kesamaan dari kedua kasus sukses ini adalah fokus pada use case enterprise yang diatur secara ketat (tightly governed). Mereka tidak melempar AI ke seluruh organisasi secara membabi buta. Sebaliknya, mereka menerapkannya pada area spesifik seperti deteksi fraud, percepatan underwriting pinjaman, otomatisasi tinjauan kepatuhan, dan peningkatan layanan pelanggan—semuanya dengan menjaga manusia tetap berada dalam loop (human-in-the-loop) untuk keputusan kritis.
Pendekatan inilah yang membentuk fase berikutnya dari AI enterprise di sektor jasa keuangan. Pertanyaannya bukan lagi seberapa cepat AI bisa di-deploy, tetapi bagaimana menskalakannya tanpa menciptakan risiko baru terkait kualitas data, tata kelola, keamanan, atau kepatuhan regulasi.
The US Federal Reserve Bank melaporkan pada 2025 bahwa pekerja yang menggunakan generative AI menghemat sekitar 5,4% waktu kerja, dengan pengguna berpengalaman menghemat “jauh lebih banyak”. Namun, penghematan waktu ini hanya bermakna jika output AI dapat dipercaya.
Lilford menambahkan bahwa AI seharusnya memungkinkan karyawan menghabiskan lebih banyak waktu untuk pekerjaan yang sebenarnya mereka dipekerjakan untuk lakukan, bukan untuk mempersiapkan diri melakukan pekerjaan tersebut. Baik itu underwriter yang mengevaluasi pinjaman komersial, tim keuangan yang merekonsiliasi akun, atau analis risiko yang menyelidiki aktivitas mencurigakan, AI menciptakan nilai signifikan hanya ketika ia membebaskan manusia untuk fokus pada keputusan yang hanya bisa dibuat oleh manusia.
Semantik Bisnis, Bahasa yang Dimengerti AI dan Regulator
Inilah mengapa Oracle memandang AI sebagai peluang platform data, bukan sekadar peluang model analitik. Berbeda dengan perusahaan yang berfokus terutama pada analitik atau model AI murni, Oracle menyatukan sistem operasional, infrastruktur data, tata kelola, dan aplikasi bisnis—tempat di mana sebagian besar pengetahuan institusional enterprise sebenarnya tinggal.
Bayangkan seorang eksekutif keuangan mau mengidentifikasi faktur komersial yang belum dibayar yang dapat mempengaruhi arus kas akhir kuartal. Informasi tersebut mungkin tersebar di berbagai sistem: platform perbankan inti, aplikasi ERP, korespondensi nasabah, catatan pembayaran, dan dokumen pendukung. Menemukan jawabannya sering kali mengharuskan analis mengumpulkan data dari banyak sumber, merekonsiliasi informasi yang bertentangan, dan menentukan apakah keterlambatan pembayaran merupakan sengketa penagihan, masalah nasabah, atau sekadar faktur yang belum diproses.
Oracle AI Data Platform dirancang untuk membiarkan AI bekerja lintas sistem-sistem yang ada tersebut sambil mempertahankan kontrol tata kelola dan keamanan yang sudah berlaku. Alih-alih mewajibkan organisasi memindahkan data ke platform lain terlebih dahulu, AI dapat menggunakan data enterprise terpercaya, definisi bisnis, dan lineage untuk membantu mengidentifikasi faktur tertunggak, menjelaskan mengapa mereka terlambat, merangkum komunikasi nasabah terkait, dan merekomendasikan langkah selanjutnya—semuanya sambil beroperasi dalam kebijakan enterprise yang telah mapan.
Kunci diferensiasi ini adalah business semantics. Data enterprise mengandung informasi, tetapi tidak menjelaskannya kepada AI. Semantik bisnis menyediakan konteks dan makna yang memungkinkan AI menemukan, menafsirkan, dan menggunakan informasi tersebut dengan benar. Perbedaan ini menjadi semakin penting seiring AI masuk ke industri yang sangat teregulasi seperti perbankan. Seorang nasabah mungkin muncul secara berbeda di berbagai sistem. Metrik keuangan dapat memiliki definisi yang berbeda tergantung pada proses bisnis. Perhitungan regulasi sering kali bergantung pada kebijakan dan hubungan yang eksis di luar data itu sendiri.
Tanpa konteks bisnis, AI akan mengembalikan jawaban. Tetapi dengan konteks tersebut, AI jauh lebih mungkin mengembalikan jawaban yang benar.
Orkestrasi oleh Platform, Bukan oleh AI
Lilford melihat tata kelola sebagai ekstensi alami dari filosofi ini. “Anda ingin platform Anda mengorkestrasi AI, bukan AI mengorkestrasi platform Anda,” katanya.
“Anda ingin mendorong aturan platform Anda, pagar pembatas di sekitarnya agar selaras dengan enterprise, kebijakan, prosedur, orang, dan proses Anda. AI untuk orang keuangan sangat berbeda dengan AI untuk dokter.”
Pernyataan ini merangkum pergeseran paradigma yang diperlukan. Selama dekade terakhir, industri perbankan telah menghabiskan waktu membangun sistem pencatatan (systems of record) yang terpercaya. Setiap pembayaran, pinjaman, neraca, dan pengajuan regulasi bergantung pada data yang akurat, diatur, dan dapat diaudit. Seiring AI menjadi bagian dari operasi sehari-hari, prinsip-prinsip yang sama tetap sama pentingnya untuk data enterprise.
Fase berikutnya AI dalam jasa keuangan kemungkinan akan lebih sedikit berkaitan dengan model yang dipilih organisasi daripada fondasi yang mereka bangun di bawahnya. Oracle AI Data Platform dirancang untuk menyediakan fondasi tersebut dengan menyatukan data enterprise terpercaya, semantik bisnis yang mendalam, dan AI dalam satu lingkungan yang diatur dan dirancang untuk produksi. Alih-alih meminta institusi keuangan memilih antara modernisasi dan stabilitas operasional, platform ini dirancang untuk membantu mereka memperluas nilai sistem enterprise yang ada sambil membuatnya siap untuk AI.
Kepercayaan selalu menjadi landasan model bisnis perbankan. Pada akhirnya, hal itu mungkin menjadi karakteristik penentu dari AI enterprise mereka. Bagi para pemimpin perbankan di Indonesia yang sedang merancang strategi transformasi digital, pelajaran dari pasar global ini jelas: jangan tergoda oleh kecepatan adopsi semata. Bangunlah fondasi data yang kokoh terlebih dahulu. Karena di industri yang menjual kepercayaan, AI yang tidak dapat dipercaya hanyalah liabilitas yang menunggu waktu untuk meledak. ■
DIGIONARY:
● Business Semantics. Makna dan konteks bisnis yang melekat pada data, menjelaskan hubungan antar entitas (nasabah, akun, produk) serta aturan governance yang berlaku, sehingga AI dapat menafsirkan informasi secara akurat sesuai logika operasional perusahaan.
● Context Window. Kapasitas memori jangka pendek model AI untuk memproses sejumlah token dalam satu sesi; dalam perbankan, context window yang luas memungkinkan analisis dokumen hukum atau laporan keuangan panjang tanpa kehilangan koherensi.
● Explainable AI (XAI). Kemampuan sistem kecerdasan buatan untuk menyajikan alasan atau justifikasi di balik keputusan atau prediksinya dalam format yang dapat dipahami manusia, krusial untuk kepatuhan regulasi dan audit perbankan.
● Generative AI. Kelas model AI yang mampu menghasilkan konten baru (teks, kode, ringkasan) berdasarkan pola data pelatihan; dalam perbankan digunakan untuk otomatisasi dokumentasi, customer service, dan analisis risiko.
● Human-in-the-Loop. Pendekatan desain sistem AI di mana manusia tetap terlibat dalam validasi, persetujuan, atau koreksi output AI sebelum keputusan final diambil, memastikan akuntabilitas pada proses kritis.
● Lineage Data. Jejak audit yang mendokumentasikan asal-usul, transformasi, dan pergerakan data sepanjang siklus hidupnya, memungkinkan pelacakan溯源 kesalahan atau bias dalam output AI hingga ke sumber datanya.
● Metadata. Data yang mendeskripsikan data lain, mencakup informasi tentang struktur, format, kepemilikan, sensitivitas, dan aturan penggunaan; berfungsi sebagai peta navigasi bagi AI untuk memahami konteks data enterprise.
● Systems of Record. Sistem sumber kebenaran tunggal yang menyimpan data transaksi dan master data paling akurat dan otoritatif dalam organisasi; menjadi rujukan utama untuk validasi output AI.
● Tata Kelola Data (Data Governance). Kerangka kebijakan, standar, dan proses yang menjamin ketersediaan, integritas, keamanan, dan kepatuhan data enterprise sepanjang siklus hidupnya, prasyarat mutlak untuk deployment AI yang aman.
● Use Case Enterprise. Skenario penerapan AI yang terintegrasi penuh dengan proses bisnis inti, sistem operasional, dan kontrol kepatuhan perusahaan, berbeda dari proof-of-concept atau pilot project yang terisolasi.
#AIPerbankan #DataGovernance #BusinessSemantics #GenerativeAI #OracleAI #TransformasiDigitalBanking #ExplainableAI #HumanInTheLoop #DataLineage #SystemsOfRecord #EnterpriseAI #RegulasiPerbankan #KeamananData #AuditAI #ProductivityGain #JPMorganChase #BankOfAmerica #EYParthenon #FinancialServicesAI #TrustedData
