Perbankan global tengah memasuki fase baru transformasi AI, dari sekadar alat bantu menuju sistem yang mampu mengambil peran aktif dalam proses kerja. Perubahan ini melahirkan konsep autonomous finance—di mana fungsi keuangan berjalan lebih mandiri dengan intervensi manusia yang selektif. Konsekuensinya, tantangan terbesar bukan lagi teknologi, melainkan kesiapan organisasi, khususnya dalam reskilling dan upskilling SDM agar mampu bekerja dalam ekosistem manusia-mesin yang semakin kompleks.
Oleh: Tuhu Nugraha *)
Fokus:
■ Agentic AI mendorong perbankan menuju autonomous finance, mengubah struktur kerja, bukan sekadar efisiensi operasional.
■ Reskilling dan upskilling menjadi bagian dari strategi governance, bukan sekadar program pelatihan SDM.
■ Keunggulan bank ditentukan oleh kemampuan mengelola kolaborasi manusia dan mesin secara seimbang dan terkontrol.
Banyak bank masih memperlakukan AI sebagai alat bantu produktivitas. Itu sudah tidak cukup. Ketika AI mulai ikut menjalankan alur kerja, mengurutkan prioritas, membaca pola, dan mendorong keputusan ke tahap berikutnya, yang berubah bukan lagi sekadar efisiensi. Yang berubah adalah cara kerja bank itu sendiri.
Dalam konteks ini, Agentic AI dapat dibaca sebagai mesin yang mendorong lahirnya Autonomous Finance: fase ketika fungsi-fungsi keuangan makin mampu berjalan, beradaptasi, dan mengelola dirinya sendiri dengan pengawasan manusia yang lebih selektif.
Di tengah tekanan efisiensi, ekspektasi nasabah yang terus naik, serta fraud dan ancaman siber yang juga ikut naik kelas karena memanfaatkan AI, pertanyaan bagi direksi bukan lagi apakah teknologi ini menarik untuk dicoba. Pertanyaannya jauh lebih strategis: apakah organisasi sudah siap ketika mesin mulai ikut bertindak?
Di sinilah reskilling dan upskilling harus dibaca ulang. Ini bukan soal menambahkan pelatihan. Ini soal apakah bank cukup cepat mendesain ulang pembagian kerja antara manusia dan mesin sebelum perubahan itu dipaksakan oleh pasar.
Di tengah tekanan efisiensi, ekspektasi nasabah yang terus naik, serta fraud dan ancaman siber yang juga ikut naik kelas karena memanfaatkan AI, pertanyaan bagi direksi bukan lagi apakah teknologi ini menarik untuk dicoba. Pertanyaannya jauh lebih strategis: apakah organisasi sudah siap ketika mesin mulai ikut bertindak?
Dari Alat Bantu ke Arsitektur Kerja
Banyak organisasi masih melihat AI sebagai alat bantu produktivitas. Cara pandang ini tidak sepenuhnya salah, tetapi sudah mulai tertinggal. Generative AI membantu manusia membuat konten, merangkum informasi, atau mempercepat analisis. Agentic AI melangkah lebih jauh. Ia tidak hanya membantu memahami pekerjaan, tetapi mulai ikut menjalankan alurnya.
Bagi bank, perbedaannya sangat penting. Ketika AI mulai membantu menelusuri dokumen kepatuhan, menyiapkan ringkasan temuan, mengurutkan prioritas alert fraud, atau mengoordinasikan rangkaian tugas lintas sistem, maka yang berubah bukan hanya kecepatan kerja. Yang berubah adalah arsitektur kerja itu sendiri.
Bank tidak cukup lagi menambahkan AI di atas proses lama. Yang perlu dilakukan adalah mendesain ulang workflow, titik kontrol, pembagian tanggung jawab, dan cara memastikan keputusan tetap bisa dipertanggungjawabkan. Karena itu, isu ini tidak bisa diserahkan hanya kepada tim IT atau HR. Ini sudah masuk ke wilayah Direksi.
Agenda Strategis, Bukan Program Pelatihan
Dalam banyak organisasi, reskilling masih diperlakukan seperti program pelatihan tambahan. Orang dikenalkan pada tools baru, mencoba beberapa use case, lalu dianggap siap beradaptasi. Pendekatan seperti ini terlalu dangkal untuk era Agentic AI.
Dalam industri yang bergantung pada kehati-hatian, kecepatan tidak pernah cukup tanpa ketepatan. Semakin banyak proses dibantu AI, semakin penting kemampuan manusia membaca output secara kritis, mengenali konteks, dan memahami kapan mesin harus dihentikan.
Bagi bank, reskilling dibutuhkan ketika peran lama bergeser cukup jauh sehingga orang harus disiapkan untuk fungsi baru. Upskilling dibutuhkan ketika peran intinya masih relevan, tetapi kapasitasnya harus dinaikkan agar mampu bekerja di lingkungan yang makin diorkestrasi AI. Keduanya penting setidaknya dalam tiga hal.
Pertama, untuk menjaga kualitas keputusan. Dalam industri yang bergantung pada kehati-hatian, kecepatan tidak pernah cukup tanpa ketepatan. Semakin banyak proses dibantu AI, semakin penting kemampuan manusia membaca output secara kritis, mengenali konteks, dan memahami kapan mesin harus dihentikan.
Kedua, untuk mempercepat learning curve organisasi. Bank yang belajar lebih dulu tidak hanya lebih cepat mengadopsi teknologi, tetapi juga lebih cepat mengenali titik gagal, membangun disiplin kontrol, dan memahami area mana yang aman untuk diperluas.
Ketiga, untuk memastikan manusia tetap memegang judgment pada area berisiko tinggi. Kalau salah membaca tantangan ini, bank berisiko jatuh ke dua ekstrem: terlalu lambat belajar, atau terlalu cepat mengotomasi tanpa governance yang matang.
Seiring arah OJK menuju tata kelola AI perbankan yang lebih jelas, bank perlu mampu menunjukkan bukan hanya kesiapan sistem, tetapi juga kesiapan manusianya. Karena itu, reskilling dan upskilling tidak lagi cukup dibaca sebagai agenda pengembangan SDM, melainkan sebagai bagian dari kesiapan governance dan compliance.
Untuk konteks Indonesia, ini juga mulai menyentuh wilayah kepatuhan. Seiring arah OJK menuju tata kelola AI perbankan yang lebih jelas, bank perlu mampu menunjukkan bukan hanya kesiapan sistem, tetapi juga kesiapan manusianya. Karena itu, reskilling dan upskilling tidak lagi cukup dibaca sebagai agenda pengembangan SDM, melainkan sebagai bagian dari kesiapan governance dan compliance.
Nilai Manusia Justru Naik
Ketika pekerjaan rutin dan administratif mulai lebih mudah ditangani mesin, nilai manusia tidak hilang. Nilainya bergeser. Nilainya bergeser ke kemampuan membaca kasus abu-abu, memvalidasi hasil AI, dan menangkap risiko yang luput dari model.
Staf operasional juga berubah. Mereka tidak lagi cukup menjadi operator proses. Mereka perlu menjadi pengawas orkestrasi, penjaga kualitas output, dan pihak yang memastikan alur kerja AI tetap konsisten dengan standar risiko dan kepatuhan.
Di level manajemen menengah, tantangannya lebih besar lagi. Banyak manajer selama ini kuat di koordinasi administratif, tetapi belum tentu siap memimpin tim hibrida manusia-mesin. Sementara itu, frontline justru menjadi semakin penting pada aspek yang paling sulit digantikan: empati, trust, penanganan pengecualian, dan penyelesaian masalah yang tidak bisa diseragamkan.
Kompetensi yang Harus Dikejar
Kalau bank ingin serius menyiapkan organisasinya, program reskilling dan upskilling perlu diarahkan ke kemampuan yang lebih strategis.
Tidak semua orang harus menjadi ahli teknis. Tetapi tim perlu memahami bahwa semakin besar ketergantungan pada AI, semakin penting kemampuan menjelaskan proses, melacak jejak keputusan, dan menjaga siapa yang bertanggung jawab atas hasil akhir.
Yang pertama adalah kemampuan membaca dan memvalidasi output AI secara kritis. Kedua adalah kemampuan memahami batas AI: kapan AI cukup menjadi pendukung, kapan manusia harus masuk, dan kapan kasus perlu segera dieskalasi. Ketiga adalah kemampuan mengelola workflow berbasis multi-agent. Tantangannya bukan hanya memakai satu model, tetapi mengatur interaksi antar-sistem, menjaga alur persetujuan, dan memastikan tidak ada blind spot baru dari otomatisasi itu sendiri. Keempat adalah kemampuan menangani edge cases. Saat pekerjaan rutin dibantu sistem, organisasi justru akan lebih banyak diuji pada kasus yang tidak lazim, ambigu, atau penuh nuansa. Kelima adalah pemahaman dasar tentang explainability, auditability, dan akuntabilitas. Tidak semua orang harus menjadi ahli teknis. Tetapi tim perlu memahami bahwa semakin besar ketergantungan pada AI, semakin penting kemampuan menjelaskan proses, melacak jejak keputusan, dan menjaga siapa yang bertanggung jawab atas hasil akhir.
Titik Masuk dan Harga Kelambatan
Banyak bank memang lebih bijak memulai dari area yang manfaatnya jelas dan risikonya lebih terukur, seperti compliance operations, fraud triage, legal-document workflow, atau proses administratif bervolume tinggi, dibanding langsung menaruh AI di keputusan final yang sensitif.
Namun titik masuk yang lebih aman bukan berarti tantangannya kecil. Justru pada fase awal inilah bank perlu jujur melihat skill gap internalnya. Sering kali masalah pertama bukan pada teknologinya, tetapi pada kemampuan tim membaca hasil AI secara kritis, memahami konteks bisnis dan regulasi, serta mengetahui kapan proses harus diintervensi atau dihentikan.
Karena itu, fase awal adopsi seharusnya tidak dipakai hanya untuk mencari quick wins. Ia juga harus dipakai untuk memetakan kelemahan kompetensi internal sebelum implementasi diperluas. Jika tidak, risikonya bukan hanya bank tertinggal secara teknologi, tetapi organisasi melambat ketika pesaing belajar lebih cepat, kualitas keputusan menurun, blind spot governance membesar, dan biaya yang muncul diam-diam justru lebih mahal daripada investasi pengembangan talenta itu sendiri.
Pelajaran dari Bank Global
Sejumlah bank global mulai menunjukkan pola yang menarik. Mereka tidak menunggu sampai semua use case matang sempurna, tetapi mereka juga tidak masuk dengan logika “pasang tools lalu selesai”.
Pelajarannya cukup jelas. Bank tidak cukup hanya melatih beberapa tim teknis. Mereka perlu membangun AI fluency secara luas, membedakan intervensi umum dengan intervensi lebih dalam untuk peran yang paling terdampak, dan menghubungkan pembelajaran dengan workflow nyata.
DBS, misalnya, menjalankan upskilling GenAI secara enterprise-wide dan dalam laporan 2025 menyebut sekitar 11.000 karyawan berada pada peran yang diperkirakan terdampak AI. HSBC memberi contoh yang lebih operasional: generative AI dipakai untuk membantu credit analysis write-ups dan mendukung agen layanan nasabah melalui ringkasan percakapan.
Sementara itu, Bank of America menyebut lebih dari 90 persen karyawannya memakai asisten virtual internal berbasis AI untuk membantu pekerjaan sehari-hari.
Pelajarannya cukup jelas. Bank tidak cukup hanya melatih beberapa tim teknis. Mereka perlu membangun AI fluency secara luas, membedakan intervensi umum dengan intervensi lebih dalam untuk peran yang paling terdampak, dan menghubungkan pembelajaran dengan workflow nyata.
Namun Indonesia tidak bisa menelan pelajaran itu mentah-mentah. Selain persoalan legacy systems, regulasi, dan talenta, hambatannya juga bersifat kultural. Budaya ABS (Asal Bapak Senang), hirarki yang terlalu kaku, dan kecenderungan menghindari koreksi ke atas membuat proses reskilling dan upskilling mudah berhenti pada kepatuhan formal, bukan peningkatan kemampuan yang nyata.
Dampaknya cukup serius. Masalah implementasi di lapangan tidak cepat naik ke pengambil keputusan. Pelatihan berisiko berubah menjadi ritual administratif. Output AI yang keliru pun bisa diterima terlalu mudah karena orang enggan menguji atau menyampaikan bahwa sistem belum bekerja sebaik yang dilaporkan.
Karena itu, mitigasinya tidak cukup dengan menambah kelas pelatihan. Bank juga perlu membangun budaya belajar yang lebih jujur, ruang umpan balik yang aman, dan keberanian manajerial untuk memperlakukan koreksi dini sebagai bagian dari menjaga kualitas keputusan.
Tantangannya diperparah oleh cara pandang yang masih sering melihat friksi sebagai gangguan terhadap harmoni. Padahal dalam implementasi AI, friksi yang sehat justru perlu dipahami sebagai mekanisme pencegahan: cara organisasi mendeteksi deviasi lebih awal agar masalah kecil tidak tumbuh menjadi gangguan yang benar-benar merusak stabilitas.
Karena itu, mitigasinya tidak cukup dengan menambah kelas pelatihan. Bank juga perlu membangun budaya belajar yang lebih jujur, ruang umpan balik yang aman, dan keberanian manajerial untuk memperlakukan koreksi dini sebagai bagian dari menjaga kualitas keputusan.
Ujian Kepemimpinan
Pada akhirnya, Agentic AI bukan hanya ujian teknologi bagi industri perbankan. Ini adalah ujian kepemimpinan. Yang sedang dipertaruhkan bukan sekadar adopsi alat baru, tetapi kemampuan direksi membaca perubahan struktur kerja, menentukan area masuk yang sehat, dan menyiapkan manusia agar tetap memimpin ketika mesin mulai bertindak. Karena itu, reskilling dan upskilling tidak boleh diperlakukan sebagai agenda pelatihan tambahan. Keduanya harus dibaca sebagai bagian dari redesign institusi.
Bank yang unggul bukan yang paling banyak memakai AI agent, melainkan yang paling matang membangun pembagian kerja baru antara manusia dan mesin tanpa kehilangan kualitas keputusan, governance, dan kepercayaan.
Pertanyaan strategis bagi Direksi pun sederhana: apakah bank sedang menyiapkan manusia untuk tetap memimpin ketika mesin mulai bertindak, atau hanya menambahkan pelatihan di atas struktur kerja lama? ■
*) Tuhu Nugraha adalah pakar AI dan 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 AI yang mampu mengambil keputusan dan bertindak secara mandiri
● Autonomous Finance: Sistem keuangan yang berjalan semi-otomatis dengan intervensi manusia terbatas
● Auditability: Kemampuan sistem untuk ditelusuri dan diaudit
● Edge Cases: Kasus tidak umum yang tidak bisa ditangani dengan pola standar
● Explainability: Kemampuan menjelaskan bagaimana AI mengambil keputusan
● Human-in-the-loop: Keterlibatan manusia dalam proses keputusan AI
● Multi-Agent System: Sistem AI dengan banyak agen yang bekerja bersama
● Reskilling: Pelatihan ulang untuk peran baru
● Upskilling: Peningkatan kemampuan dalam peran yang sama
● Workflow Orchestration: Pengaturan alur kerja kompleks antar sistem
#AgenticAI #AutonomousFinance #BankingAI #AIGovernance #DigitalBanking #AITransformation #FutureOfWork #Reskilling #Upskilling #Fintech #AIIndonesia #MachineLearning #AILeadership #EnterpriseAI #RiskManagement #AICompliance #TechStrategy #AIAdoption #DigitalTransformation #BankingInnovation
