Gelombang baru kecerdasan buatan mulai mengubah wajah industri perbankan global. Jika selama ini AI hanya membantu analisis data atau layanan nasabah, kini muncul teknologi Agentic AI—sistem yang mampu merencanakan dan mengeksekusi keputusan secara mandiri. Perubahan ini membuka peluang efisiensi besar bagi bank, mulai dari deteksi fraud hingga manajemen risiko real-time. Namun di saat yang sama, muncul pertanyaan besar: bagaimana memastikan algoritma yang semakin otonom tidak menciptakan risiko baru bagi stabilitas sistem keuangan dan tetap berada dalam kendali manusia.
Oleh: Tuhu Nugraha *)
Generative AI mungkin bisa menulis laporan tahunan Anda, tetapi Agentic AI bisa saja memutuskan siapa yang layak mendapatkan kredit tanpa Anda sadari.”
Kalimat ini menggambarkan perubahan besar yang sedang terjadi di industri perbankan: AI tidak lagi hanya membantu manusia bekerja, tetapi mulai ikut menentukan keputusan keuangan. Jika generative AI mengubah cara bank bekerja—misalnya dalam pembuatan laporan, analisis dokumen, atau layanan pelanggan—maka Agentic AI berpotensi mengubah cara bank mengambil keputusan.
Di berbagai yurisdiksi maju, regulator keuangan mulai mempersiapkan diri menghadapi fase baru ini. Otoritas seperti Monetary Authority of Singapore (MAS), Financial Stability Board (FSB), hingga regulator di Uni Eropa telah mulai membahas bagaimana sistem AI yang mampu bertindak secara otonom dapat digunakan di sektor keuangan—sekaligus bagaimana mengendalikan risikonya.
Agentic AI mulai mengubah cara bank mengambil keputusan keuangan. Teknologi ini menjanjikan efisiensi besar, tetapi juga menghadirkan risiko baru bagi stabilitas sistem keuangan global.
Sejumlah bank global pun mulai bereksperimen dengan teknologi ini: dari orkestrasi layanan nasabah berbasis AI hingga sistem manajemen risiko yang mampu melakukan simulasi pasar secara mandiri.
Artinya, diskusi tentang Agentic AI bukan lagi sekadar wacana futuristik. Ia mulai menjadi agenda strategis industri keuangan global. Bahkan bagi regulator makroprudensial, muncul pertanyaan baru yang jauh lebih mendasar: bagaimana memastikan algoritma yang semakin otonom tidak justru memperkenalkan sumber risiko baru bagi stabilitas sistem keuangan.
Namun bagi banyak bank di negara berkembang, termasuk Indonesia, pertanyaannya bukan sekadar mengikuti tren teknologi. Pertanyaan yang jauh lebih penting adalah: bagaimana mengadopsi Agentic AI secara strategis tanpa menciptakan risiko baru dalam sistem keuangan.
Gelombang baru kecerdasan buatan ini berbeda dari sebelumnya. Jika generasi awal AI hanya memprediksi atau menghasilkan konten, Agentic AI mampu merencanakan dan mengeksekusi tindakan secara otonom—mulai dari menyesuaikan limit kredit hingga memicu transaksi melalui API.
Namun bagi banyak bank di negara berkembang, termasuk Indonesia, pertanyaannya bukan sekadar mengikuti tren teknologi. Pertanyaan yang jauh lebih penting adalah: bagaimana mengadopsi Agentic AI secara strategis tanpa menciptakan risiko baru dalam sistem keuangan.
Pergeseran ini menjadikan AI bukan lagi sekadar alat analitik, tetapi bagian dari proses pengambilan keputusan operasional. Bagi direksi bank, perubahan ini membuka peluang efisiensi sekaligus risiko baru. Karena itu, sebelum berbicara tentang teknologi, langkah pertama adalah menentukan posisi strategis AI dalam model bisnis bank.
Menentukan Posisi Strategis AI
Banyak institusi keuangan terjebak dalam fenomena AI FOMO—mengadopsi teknologi karena tekanan kompetisi, bukan karena strategi yang jelas. Dalam banyak kasus, proyek AI akhirnya berhenti sebagai eksperimen teknologi yang mahal tanpa dampak nyata terhadap model bisnis.
Karena itu pertanyaan pertama bagi direksi bank seharusnya bukan “teknologi apa yang kita gunakan”, tetapi “masalah strategis apa yang ingin kita selesaikan dengan AI”.
Dalam praktiknya, posisi AI dalam bank umumnya akan jatuh pada tiga peran utama.
Pertama, AI sebagai mesin efisiensi (cost leadership).
Banyak institusi keuangan terjebak dalam fenomena AI FOMO—mengadopsi teknologi karena tekanan kompetisi, bukan karena strategi yang jelas. Dalam banyak kasus, proyek AI akhirnya berhenti sebagai eksperimen teknologi yang mahal tanpa dampak nyata terhadap model bisnis.
Pada level ini AI berfungsi menekan biaya operasional melalui automasi proses seperti rekonsiliasi transaksi, deteksi fraud, pemrosesan dokumen kredit, hingga monitoring kepatuhan.
Kedua, AI sebagai orkestrator pengalaman nasabah (differentiation).
AI memungkinkan bank membangun layanan berbasis hyper personalization sehingga setiap nasabah diperlakukan sebagai “segment of one”—dari rekomendasi produk hingga interaksi layanan.
Ketiga, AI sebagai benteng manajemen risiko (risk focus).
Di sinilah potensi strategis terbesar sering muncul. AI dapat digunakan untuk memonitor portofolio kredit secara real time, melakukan stress testing skenario ekonomi, hingga mendeteksi sinyal awal potensi krisis.
Perbedaannya sederhana tetapi penting: pada tahap awal, banyak bank menggunakan AI untuk efisiensi operasional. Namun dalam jangka panjang, institusi yang paling kompetitif adalah mereka yang menggunakan AI untuk memperkuat kemampuan pengambilan keputusan.
Tanpa kejelasan posisi strategis ini, investasi AI berisiko berubah menjadi sekadar proyek teknologi mahal yang tidak menghasilkan keunggulan kompetitif nyata.
Justifikasi Ekonomi: Menghitung Realitas ROI Agentic AI
Bagi dewan direksi (BOD), diskusi mengenai teknologi pada akhirnya selalu bermuara pada satu pertanyaan mendasar: kapan investasi ini mulai memberikan dampak nyata pada profitabilitas bank?
Berbeda dengan otomatisasi tradisional yang umumnya hanya menekan biaya administratif (operational expenditure/OpEx), potensi ROI dari Agentic AI justru terletak pada kemampuannya mempercepat time to value dalam pengambilan keputusan operasional yang kritis.
Namun dalam konteks regulasi yang ketat—terutama terkait prinsip non-diskriminasi dan inklusi keuangan—implementasi awal Agentic AI sebaiknya dimulai dari use case yang risikonya relatif lebih rendah dan tidak langsung bersinggungan dengan keputusan sensitif bagi nasabah.
Dalam industri perbankan yang marginnya semakin tertekan, teknologi ini dapat membantu memperbaiki dua variabel penting dalam profitabilitas bank: Cost of Credit dan Cost-to-Income Ratio (CIR).
Namun dalam konteks regulasi yang ketat—terutama terkait prinsip non-diskriminasi dan inklusi keuangan—implementasi awal Agentic AI sebaiknya dimulai dari use case yang risikonya relatif lebih rendah dan tidak langsung bersinggungan dengan keputusan sensitif bagi nasabah.
Contoh yang lebih realistis adalah pada fraud detection dan early risk alert. Sistem Agentic AI dapat memonitor pola transaksi secara real-time, mengidentifikasi anomali perilaku nasabah, serta mengirimkan peringatan dini kepada tim manajemen risiko sebelum potensi fraud berkembang menjadi kerugian nyata.
Selain itu, Agentic AI juga dapat membantu bank dalam risk signal aggregation—menggabungkan berbagai indikator risiko dari sistem internal, pasar keuangan, hingga berita ekonomi untuk memberikan alert yang lebih cepat kepada manajemen.
Nilai ekonomi Agentic AI tidak semata berasal dari pengurangan tenaga kerja, tetapi dari kemampuan mendeteksi risiko lebih cepat dibanding proses manual tradisional. Dalam banyak kasus fraud, selisih beberapa jam saja dapat menentukan apakah kerugian dapat dicegah atau justru berkembang menjadi insiden besar.
Karena itu, memulai implementasi dari fungsi proteksi seperti fraud detection dan risk monitoring menjadi langkah realistis untuk membangun AI trust di dalam organisasi sebelum teknologi ini diperluas ke fungsi lain.
Sebelum Implementasi: Strategic Foresight
Adopsi Agentic AI tidak cukup hanya melalui uji teknis. Bank perlu melakukan simulasi strategis sebelum deployment penuh.
Pendekatan penting antara lain algorithmic stress testing, human-in-the-loop oversight, serta kill-switch protocol yang memungkinkan penghentian sistem jika muncul perilaku anomali. Risiko AI sering muncul dari interaksi kompleks antara algoritma, data, dan dinamika pasar.
Pentingnya Explainable AI (XAI)
Dalam industri perbankan, keputusan algoritma tidak dapat dibiarkan menjadi “kotak hitam”. Meskipun Agentic AI mampu bertindak secara otonom, tanggung jawab hukum dan reputasi tetap berada pada institusi dan manusia yang mengelola sistem tersebut.
Karena itu, Explainable AI (XAI) menjadi fondasi penting dalam tata kelola Agentic AI.
XAI memastikan bahwa setiap keputusan yang diambil algoritma dapat dijelaskan kepada regulator, auditor, maupun nasabah. Tanpa kemampuan menjelaskan keputusan algoritma, bank akan kesulitan mempertanggungjawabkan keputusan kredit, investasi, atau manajemen risiko yang dihasilkan oleh sistem AI.
Dalam industri perbankan, keputusan algoritma tidak dapat dibiarkan menjadi “kotak hitam”. Meskipun Agentic AI mampu bertindak secara otonom, tanggung jawab hukum dan reputasi tetap berada pada institusi dan manusia yang mengelola sistem tersebut.
Lebih dari sekadar fitur teknis, XAI memastikan bahwa manusia tetap berada dalam posisi pengendali akhir dari sistem.
Implementasi Agentic AI perlu dirancang sejak awal dengan tata kelola yang jelas. Bank perlu menentukan di fungsi mana AI memberikan nilai tambah terbesar, sejauh mana sistem dapat mengambil keputusan secara otonom, serta di titik mana manusia harus melakukan supervisi.
Selain itu, organisasi juga perlu menetapkan mekanisme audit model dan unit yang bertanggung jawab terhadap oversight sistem. Dengan pendekatan ini, Agentic AI tidak hanya meningkatkan efisiensi, tetapi juga tetap berada dalam kerangka akuntabilitas.
Kerangka Tata Kelola: Agentic AI Governance Stack
Agar implementasi Agentic AI tidak hanya efisien tetapi juga dapat dipertanggungjawabkan, bank perlu merancang tata kelola sejak tahap desain sistem. Salah satu pendekatan yang mulai digunakan dalam industri keuangan global adalah Agentic AI Governance Stack—kerangka berlapis untuk memastikan otonomi algoritma tetap berada dalam kendali manusia.
Kerangka ini umumnya mencakup lima lapisan utama:
1. Use Case Layer
Menentukan fungsi bisnis di mana Agentic AI digunakan—misalnya automasi back-office, personalisasi layanan nasabah, atau analisis risiko kredit.
2. Autonomy Layer
Menentukan sejauh mana AI dapat mengambil keputusan secara mandiri: rekomendasi, semi otomatis, atau otomatis penuh dengan batasan tertentu.
3. Risk Layer
Mengidentifikasi potensi risiko seperti bias data, kesalahan model, atau dampak sistemik pada stabilitas keuangan.
4. Human Oversight Layer
Menentukan titik supervisi manusia, baik melalui persetujuan manual, pemantauan tim risiko, maupun komite tata kelola AI.
5. Audit & Governance Layer
Menetapkan mekanisme audit berkala oleh unit risk management, model validation, atau auditor independen.
Dengan pendekatan berlapis ini, Agentic AI tidak hanya meningkatkan efisiensi operasional, tetapi juga tetap berada dalam kerangka akuntabilitas yang jelas.
Tantangan Khusus Negara Berkembang
Strategi AI yang berhasil di Silicon Valley atau Tiongkok tidak selalu dapat diterapkan langsung di Indonesia. Bagi negara berkembang, adopsi AI di sektor keuangan bukan hanya persoalan teknologi, tetapi juga menyangkut kedaulatan digital, struktur ekonomi, dan stabilitas sistem keuangan domestik.
Pertama, fragmentasi dan kualitas data masih menjadi tantangan struktural. Banyak institusi keuangan masih bergantung pada sistem core banking yang berbeda-beda dan belum sepenuhnya terintegrasi. Dalam kondisi seperti ini, kemampuan AI sering kali dibatasi oleh kualitas data yang tersedia, bukan oleh kecanggihan algoritma.
Keterbatasan talenta AI dan model governance di industri keuangan. Banyak bank masih berada pada tahap awal dalam membangun tim yang mampu mengembangkan, memvalidasi, dan mengawasi model AI secara berkelanjutan. Tanpa kapasitas internal yang memadai, ketergantungan terhadap vendor teknologi eksternal dapat meningkat.
Kedua, struktur ekonomi yang lebih informal menciptakan dinamika risiko yang berbeda dibanding negara maju. Sebagian besar model AI global dilatih menggunakan data dari ekonomi formal dengan perilaku finansial yang relatif stabil. Ketika diterapkan di negara berkembang—di mana banyak aktivitas ekonomi terjadi di sektor informal—model tersebut sering kali membutuhkan kalibrasi ulang agar tidak menghasilkan bias atau kesimpulan yang keliru.
Ketiga, keterbatasan talenta AI dan model governance di industri keuangan. Banyak bank masih berada pada tahap awal dalam membangun tim yang mampu mengembangkan, memvalidasi, dan mengawasi model AI secara berkelanjutan. Tanpa kapasitas internal yang memadai, ketergantungan terhadap vendor teknologi eksternal dapat meningkat.
Keempat, ketergantungan pada infrastruktur teknologi global seperti cloud computing dan large language models dari perusahaan teknologi internasional. Ketergantungan ini memunculkan isu yang semakin relevan dalam diskursus global: kedaulatan data dan ketahanan digital sektor keuangan.
Dalam jangka panjang, pertanyaan strategis bagi negara berkembang bukan hanya bagaimana menggunakan AI, tetapi juga sejauh mana ekosistem domestik mampu mengendalikan teknologi tersebut. Jika tidak dikelola dengan hati-hati, adopsi AI di sektor keuangan justru dapat memperkuat ketergantungan pada infrastruktur teknologi global.
Karena itu, bank dan regulator di negara berkembang perlu melakukan contextual benchmarking—mengadopsi praktik global yang relevan, tetapi tetap menyesuaikannya dengan perilaku nasabah lokal, struktur ekonomi domestik, serta kepentingan kedaulatan digital nasional.
Risiko Agentic AI
Meskipun menjanjikan efisiensi besar, Agentic AI juga membawa jenis risiko baru yang perlu dipahami sejak awal:
Algorithmic Herding – model yang serupa dapat mendorong banyak institusi mengambil keputusan yang sama secara bersamaan sehingga memperkuat efek pro siklikal dalam sistem keuangan.
Dalam konteks ini, risiko AI tidak lagi hanya menjadi risiko teknologi di tingkat institusi, tetapi berpotensi berkembang menjadi risiko stabilitas sistem keuangan (systemic risk). Jika banyak bank menggunakan model AI yang mirip—dengan data, parameter, dan logika keputusan yang serupa—maka respons terhadap guncangan pasar dapat terjadi secara simultan. Alih alih meredam volatilitas, algoritma justru dapat mempercepat penularan risiko di dalam sistem keuangan.
Automation Bias – manusia cenderung terlalu mempercayai rekomendasi algoritma sehingga penilaian profesional menjadi terpinggirkan.
Black Box Liability – jika keputusan algoritma tidak dapat dijelaskan, bank berpotensi menghadapi risiko hukum dan reputasi ketika keputusan kredit atau investasi dipertanyakan.
Dalam konteks ini, risiko AI tidak lagi hanya menjadi risiko teknologi di tingkat institusi, tetapi berpotensi berkembang menjadi risiko stabilitas sistem keuangan (systemic risk). Jika banyak bank menggunakan model AI yang mirip—dengan data, parameter, dan logika keputusan yang serupa—maka respons terhadap guncangan pasar dapat terjadi secara simultan.
Tata Kelola sebagai Keunggulan Kompetitif
Di masa depan, hampir semua bank akan memiliki akses pada teknologi AI yang relatif serupa. Infrastruktur komputasi semakin mudah diakses dan model AI semakin terbuka.
Dalam kondisi seperti ini, keunggulan kompetitif tidak lagi ditentukan oleh siapa yang memiliki AI paling canggih, tetapi oleh siapa yang mampu mengelolanya dengan tata kelola yang paling terpercaya.
Karena itu, eksperimen tetap perlu dilakukan—namun dengan pendekatan yang terukur. Bank dapat memulai dari use case yang risikonya terkendali, disertai kerangka pengawasan yang jelas dan evaluasi berkala terhadap performa model.
Pada akhirnya, masa depan perbankan bukan hanya ditentukan oleh seberapa pintar algoritma yang digunakan, tetapi oleh seberapa bijak manusia merancang aturan, batasan, dan pengawasan bagi algoritma tersebut.
Bank yang berhasil di era ini bukanlah yang paling cepat mengadopsi AI, tetapi yang paling mampu memastikan bahwa ketika algoritma mulai mengambil keputusan, akuntabilitas manusia tetap tidak pernah hilang.
Agentic AI pada dasarnya bukan sekadar evolusi teknologi, melainkan perubahan dalam cara keputusan keuangan dibuat. Di titik inilah ujian sebenarnya bagi industri perbankan dimulai: apakah AI akan menjadi alat yang memperkuat kebijaksanaan manusia, atau justru sistem yang perlahan menggantikan pertimbangan manusia tanpa disadari.
Bank yang berhasil di era ini bukanlah yang paling cepat mengadopsi AI, tetapi yang paling mampu memastikan bahwa ketika algoritma mulai mengambil keputusan, akuntabilitas manusia tetap tidak pernah hilang.
*) 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 – Sistem kecerdasan buatan yang mampu merencanakan dan mengeksekusi tindakan secara mandiri.
● Algorithmic Herding – Fenomena ketika banyak institusi menggunakan algoritma serupa sehingga mengambil keputusan yang sama secara bersamaan.
● Automation Bias – Kecenderungan manusia terlalu mempercayai keputusan algoritma.
● Black Box AI – Model AI yang proses pengambilan keputusannya tidak dapat dijelaskan secara transparan.
● Cost-to-Income Ratio (CIR) – Rasio efisiensi bank yang membandingkan biaya operasional dengan pendapatan.
● Explainable AI (XAI) – Pendekatan AI yang memungkinkan keputusan algoritma dapat dijelaskan kepada manusia.
● Fraud Detection – Sistem untuk mendeteksi aktivitas keuangan yang mencurigakan atau penipuan.
● Hyper-Personalization – Strategi layanan yang menyesuaikan produk secara sangat spesifik kepada setiap individu.
● Risk Monitoring – Proses pemantauan risiko keuangan secara berkelanjutan.
● Systemic Risk – Risiko yang dapat memicu gangguan pada seluruh sistem keuangan.
#AI #AgenticAI #ArtificialIntelligence #Fintech #PerbankanDigital #DigitalBanking #FinancialTechnology #MachineLearning #AIRegulation #BankingInnovation #FinancialRisk #FraudDetection #AIGovernance #FutureOfBanking #TechEconomy #DigitalTransformation #FinancialStability #BankingStrategy #AIIndonesia #EconomyTech
