Bank Akan Makin Banyak Memakai AI di Belakang Layar

Kalau orang membahas AI di bank, perhatian biasanya jatuh ke chatbot.

Bisa jawab saldo?

Bisa tanya kartu?

Bisa ngobrol natural?

Padahal penggunaan AI yang paling penting di bank sering tidak kelihatan nasabah sama sekali.

Fraud detection.

Credit scoring.

Risk assessment.

Anomaly detection.

KYC.

Operational monitoring.

Predictive analytics.

Semua berjalan di belakang layar.

OJK dalam Tata Kelola Kecerdasan Artifisial Perbankan Indonesia melakukan survei terhadap sejumlah bank. Hasil yang dipublikasikan menunjukkan machine learning sudah luas diintegrasikan atau sedang diuji, terutama untuk risk assessment, predictive analysis, dan anomaly detection. Lima dari delapan bank dalam survei tersebut sudah menggunakan ML untuk fraud detection dan credit scoring, dan seluruh delapan bank berencana memperluas pemanfaatan AI.

Jadi AI banking 2026 bukan cuma “bank punya chatbot”.

Justru sistem yang tidak terlihat mungkin jauh lebih penting.

Ambil fraud detection.

Setiap hari bank memproses volume transaksi besar.

Manusia tidak mungkin memeriksa satu per satu.

Model melihat pola.

Nominal.

Lokasi.

Device.

Waktu.

Merchant.

Frekuensi.

Riwayat.

Kemudian memberi risk score.

Kalau transaksi aneh, bisa ditahan, diminta verifikasi, atau ditandai untuk review.

Machine learning cocok untuk pekerjaan ini karena fraud selalu berubah.

Rule statis seperti “blok transaksi di atas Rp20 juta” terlalu kasar.

Customer kaya bisa transaksi Rp20 juta setiap hari.

Scammer bisa memecah transaksi jadi Rp2 juta.

Model mencoba melihat konteks.

Benefit-nya bukan hanya menangkap lebih banyak fraud.

OJK juga mencatat AI-driven fraud detection bisa meningkatkan akurasi dan membantu mengurangi false positive.

False positive itu problem besar.

Kalau transaksi legit terlalu sering diblokir, nasabah frustrasi.

Bayangin kartu ditolak saat bayar hotel di luar negeri padahal lo sudah memberi travel notice.

Sistem anti-fraud yang lebih pintar harus menyeimbangkan security dan customer experience.

Tapi model juga bisa salah.

Karena itu human escalation tetap penting untuk kasus tertentu.

Area kedua adalah credit scoring.

Bank perlu menilai kemampuan dan willingness membayar.

ML bisa memproses data lebih kompleks dan mencari pola risiko.

OJK bahkan punya framework khusus untuk Innovative Credit Scoring yang membolehkan penggunaan AI, ML, dan Big Data Analytics dengan prinsip algoritma yang bertanggung jawab.

Ini bisa mempercepat loan processing.

Tapi keputusan kredit juga rawan bias.

Kalau data training membawa pola lama, model bisa mereplikasi.

Kalau variable tidak relevan digunakan sebagai proxy, fairness terganggu.

Makanya governance AI bank tidak cukup bicara akurasi.

OJK menekankan prinsip fair, accountable, transparent, explainable, resilient, dan secure.

Bank perlu tahu modelnya bekerja bagaimana, data dari mana, siapa owner, dan apa risiko.

Area ketiga adalah KYC dan onboarding.

Nasabah mungkin melihat proses selfie, upload identitas, dan verifikasi.

Di belakang, sistem bisa melakukan document analysis, face matching, anomaly detection, dan risk screening.

Tujuannya mempercepat onboarding tanpa membuka pintu fraud.

Masalahnya, deepfake KYC juga berkembang.

Jadi AI attack dan AI defense saling mengejar.

Sistem harus mampu melihat apakah identitas consistent, apakah liveness valid, apakah device atau behavior mencurigakan.

Bukan sekadar “wajah mirip KTP”.

Semakin bagus synthetic media, semakin layered verification dibutuhkan.

Area keempat adalah customer service triage.

Bukan chatbot publik.

AI bisa membaca ribuan ticket dan mengelompokkan.

Kartu hilang.

Transfer gagal.

Fraud dispute.

Kredit.

Keluhan aplikasi.

Kemudian routing ke tim yang tepat.

AI juga bisa merangkum histori sebelum agent manusia mengambil alih.

Hasilnya response time lebih cepat.

Tapi bank harus hati-hati dengan data.

Conversation nasabah bisa berisi nomor rekening, transaksi, identitas, dan informasi sensitif.

Model yang digunakan harus masuk governance.

Tidak bisa staf bebas copy-paste data nasabah ke chatbot consumer random.

Area kelima adalah AML dan financial crime.

Bank sudah lama memakai rule dan model untuk mendeteksi transaksi mencurigakan.

AI bisa membantu menemukan network atau pattern yang lebih kompleks.

Tapi false positive lagi-lagi problem.

Kalau sistem menandai terlalu banyak transaksi, investigator tenggelam dalam alert.

AI harus membantu prioritization.

Bukan sekadar menghasilkan alert lebih banyak.

Area keenam adalah internal productivity.

Bank punya dokumen besar.

Policy.

SOP.

Regulasi.

Audit.

Legal memo.

AI bisa membantu staf mencari informasi, merangkum, drafting, atau melakukan analysis awal.

GenAI kemungkinan besar akan masuk banyak fungsi internal.

Survei OJK juga menyebut seluruh bank sampel berencana memperluas AI dan GenAI dalam beberapa tahun ke depan.

Tapi internal copilot bank berbeda dengan chatbot publik.

Access control harus ketat.

Staf compliance boleh melihat data tertentu.

Marketing tidak.

Vendor tidak otomatis.

Model harus mengikuti permission organisasi.

Kalau AI bisa menarik data dari banyak sistem, risiko overexposure naik.

Ada juga hallucination.

Di bank, jawaban salah bisa serius.

Kalau AI internal merangkum aturan compliance dan salah satu klausul hilang, staf bisa membuat keputusan salah.

Jadi AI tidak boleh menjadi source of truth tanpa link ke sumber.

Sistem yang bagus memberi citation atau dokumen rujukan.

Staf tetap membaca policy asli untuk keputusan penting.

Area ketujuh adalah pricing dan personalization.

AI bisa membantu bank memahami segmen nasabah dan menawarkan produk relevan.

Tapi personalization keuangan punya batas.

Jangan sampai sistem mengeksploitasi vulnerability.

Misalnya model tahu nasabah sering kehabisan saldo di akhir bulan lalu mendorong kredit mahal secara agresif.

Secara conversion mungkin bagus.

Secara consumer protection bisa problematik.

Responsible AI berarti objective bisnis tidak berdiri sendiri.

Ada fairness dan customer interest.

OJK pada 2025 meluncurkan tata kelola AI perbankan dan pada 2026 topik governance makin relevan. Bank Indonesia pada Juli 2026 bersama bank sentral Asia Pasifik dalam forum EMEAP juga menekankan pentingnya adopsi AI yang bertanggung jawab melalui governance, oversight, dan risk mitigation.

Artinya regulator tidak melihat AI sekadar productivity tool.

AI bisa berdampak ke stabilitas dan trust.

Bank memang punya alasan kuat mengadopsi.

Efficiency.

Faster processing.

Fraud reduction.

Better service.

Operational cost.

Tapi bank juga punya alasan kuat untuk bergerak hati-hati.

Data finansial adalah salah satu data paling sensitif.

Model error bisa memblokir transaksi.

Bias bisa memengaruhi kredit.

Security issue bisa mengekspos data.

Model drift bisa menurunkan akurasi.

Vendor dependency bisa menambah operational risk.

Prompt injection dan cyberattack bisa membuka attack surface baru.

Semakin AI masuk ke core process, semakin AI berubah dari eksperimen menjadi infrastructure risk.

Bank perlu model inventory.

Model apa yang dipakai?

Untuk apa?

Data apa?

Siapa owner?

Versi berapa?

Vendor mana?

Risk level?

Kapan terakhir diuji?

Ada human fallback?

Semua harus terdokumentasi.

Ini mirip governance software atau risk model tradisional, tapi dengan kompleksitas AI tambahan.

Nasabah mungkin tidak pernah melihat semua itu.

Yang mereka rasakan cuma hasil.

Transaksi fraud cepat diblokir.

Apply kartu lebih cepat.

Login lebih aman.

Customer service punya context.

Atau sebaliknya: transaksi legit ditolak, kredit tidak jelas alasannya, akun tertahan karena false positive.

Inilah kenapa backend AI perlu accountability.

Customer-facing explainability tetap penting meski model ada di belakang layar.

Kalau transaksi diblokir, nasabah perlu jalur recovery.

Kalau kredit ditolak, ada informasi yang cukup.

Kalau akun dibatasi, proses appeal jelas.

AI tidak boleh membuat bank menjadi kotak hitam yang tidak bisa diajak bicara.

Ada satu hal menarik: AI di bank mungkin paling sukses ketika nasabah tidak sadar.

Fraud dicegah tanpa drama.

Document processing cepat.

Antrian berkurang.

Issue diarahkan ke tim benar.

Semuanya terasa normal.

Teknologi bekerja diam-diam.

Ini berbeda dari era chatbot yang value-nya dipamerkan.

Backend AI lebih seperti plumbing.

Kalau bagus, tidak dibicarakan.

Kalau rusak, semua orang marah.

Buat bank, 2026 adalah fase penting karena AI adoption sudah cukup nyata, tapi governance juga harus mengejar.

Buat nasabah, tidak perlu takut setiap kali bank bilang pakai AI.

Tanya yang relevan.

Apa data yang dipakai?

Bagaimana keputusan berdampak bisa dipertanyakan?

Apa perlindungan kalau model salah?

Apakah ada manusia untuk kasus exception?

AI akan semakin banyak bekerja di belakang layar perbankan.

Yang seharusnya tetap terlihat di depan adalah tanggung jawab bank.

Ada juga model risk dari third-party dependency. Bank bisa memakai vendor cloud, model eksternal, atau software spesialis. Governance tidak berhenti di kontrak. Bank harus memahami data flow, service continuity, incident response, dan perubahan model vendor. Kalau vendor update sistem, dampaknya ke proses bank perlu dinilai.

Backend AI yang matang akhirnya mirip infrastruktur kritis. Reliability, monitoring, fallback, dan audit lebih penting daripada demo yang kelihatan pintar.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.

AI di bank mungkin makin tidak terlihat, tetapi governance-nya justru tidak boleh invisible.