Ada satu momen yang paling menentukan dalam hampir semua scam finansial: beberapa detik sebelum tombol kirim ditekan.
Sebelum itu, semuanya masih bisa dibatalkan.
Setelah uang pindah, permainan berubah.
Bank harus melacak.
Rekening tujuan bisa langsung meneruskan dana.
Dana bisa dipecah ke banyak rekening.
Bisa masuk e-wallet.
Bisa ditarik.
Bisa dipindahkan lintas sistem.
Makanya masa depan anti-scam bukan cuma bagaimana mengembalikan uang setelah kejadian. Nilai terbesar justru ada pada kemampuan mengenali pola berbahaya sebelum transaksi selesai.
AI punya peran besar di situ.
Bank Indonesia pada 2026 mempublikasikan studi penggunaan AI dan machine learning untuk mengenali pola transaksi ilegal. Dalam studi kasus tersebut, sistem hybrid yang menggabungkan clustering, classification, dan graph machine learning bisa mengidentifikasi lebih dari 90 persen akun sindikat terkait dalam dataset yang diteliti, sekaligus memangkas waktu menandai 1.000 akun dari sekitar satu minggu kerja manual menjadi sekitar 30 menit.
Itu menunjukkan satu hal penting.
AI bagus ketika problem-nya bukan satu transaksi, tapi pola.
Manusia melihat:
“Transfer Rp3,2 juta.”
Model bisa melihat:
“Rekening tujuan baru.”
“Rekening itu baru menerima 37 transfer serupa.”
“Dana dari rekening itu selalu berpindah lagi dalam dua menit.”
“Beberapa akun penerima terhubung ke jaringan yang sama.”
Context semacam ini bisa mengubah satu transaksi yang terlihat biasa menjadi high-risk event.
Di sinilah AI punya leverage.
Tapi jangan bayangkan semua transfer scam akan otomatis dihentikan.
Tidak sesederhana itu.
Banyak scam modern adalah authorized fraud.
Korban sendiri yang login.
Korban sendiri yang memasukkan PIN.
Korban sendiri yang melakukan biometrik.
Korban sendiri yang menekan transfer.
Dari sisi teknis, semua autentikasi bisa valid.
Masalahnya bukan akun diretas.
Masalahnya manusia ditipu.
Contoh paling jelas adalah fake customer service.
Penelepon bilang rekening sedang dibobol.
Dia meminta korban memindahkan uang ke “rekening aman”.
Korban membuka aplikasi bank asli.
Login sendiri.
Transfer sendiri.
Tidak ada malware.
Tidak ada password dicuri.
Kalau sistem cuma bertanya, “apakah user yang melakukan transaksi?”, jawabannya iya.
AI perlu membaca sesuatu yang lebih luas: apakah transaksi ini konsisten dengan pola user dan risk network?
Misalnya user belum pernah transfer ke rekening tersebut.
Nominal sangat besar.
Dana menghabiskan hampir seluruh saldo.
Beneficiary punya hubungan dengan rekening lain yang sudah dilaporkan.
Transaksi terjadi beberapa menit setelah device melakukan aktivitas tertentu.
Sinyal seperti ini bisa memicu friction.
Bukan otomatis block.
Mungkin muncul pertanyaan:
“Apakah seseorang meminta Anda melakukan transfer ini melalui telepon atau chat?”
Atau:
“Penerima ini belum pernah Anda gunakan dan transaksi bernilai tinggi. Apakah Anda ingin melanjutkan?”
Pertanyaan seperti ini kelihatan sederhana.
Tapi sangat powerful.
Scam hidup dari tunnel vision.
Korban sedang fokus mengikuti instruksi penipu.
Satu prompt dari bank bisa memecah trance.
AI bisa membantu menentukan kapan pertanyaan itu perlu muncul.
Kalau ditampilkan setiap transfer, user akan ignore.
Kalau hanya muncul pada kombinasi risk tertentu, efeknya lebih besar.
Ini risk-based intervention.
Bank tidak perlu memperlakukan semua transaksi seperti fraud.
AI membantu memilih momen yang paling penting.
Ada juga network intelligence.
Indonesia Anti-Scam Centre atau IASC dibangun OJK sebagai forum koordinasi terpusat untuk mempercepat respons penipuan transaksi keuangan antara korban, bank, payment provider, dan pihak terkait.
Sampai akhir Mei 2026, OJK mencatat IASC sudah menerima ratusan ribu laporan dan lebih dari setengah juta rekening telah diblokir dalam ekosistem tersebut.
Scale seperti itu memberi signal.
Kalau satu rekening sudah dilaporkan berulang, sistem lain perlu tahu secepat mungkin.
Kalau rekening punya koneksi kuat dengan network scam, risk bisa naik.
AI membantu mengolah network.
Tapi data sharing harus punya governance.
Tidak boleh semua institusi saling menyebarkan data pribadi tanpa batas dengan alasan anti-fraud.
Purpose jelas.
Legal basis jelas.
Access jelas.
Retention jelas.
Audit jelas.
Anti-scam tidak boleh menjadi alasan surveillance bebas.
Ini trade-off yang nyata.
Untuk transaksi real-time, kecepatan adalah semuanya.
IASC sendiri menekankan pelaporan segera karena dana bisa cepat dipindahkan.
Kalau bank baru mengetahui fraud dua jam kemudian, uang bisa sudah jauh.
Jadi prevention model harus bekerja dalam milidetik sampai detik.
AI yang butuh analyst manusia membaca 30 halaman tidak cocok untuk layer pertama.
Model harus memberi risk score cepat.
Kemudian policy engine menentukan action.
Low risk, lanjut.
Medium risk, step-up.
High risk, hold atau review sesuai kebijakan dan aturan.
Critical risk, block sementara dan verifikasi.
Model bukan keputusan final sendirian.
AI memberi signal.
Policy menentukan tindakan.
Human masuk di edge case.
Ini desain yang lebih sehat.
Ada satu problem besar: false positive.
Bayangin lo mau transfer DP apartemen Rp80 juta.
Nominal jauh lebih tinggi dari kebiasaan.
Penerima baru.
Sistem panik.
Transaksi ditahan.
Padahal legit.
Kalau fraud model terlalu agresif, digital payment kehilangan convenience.
User akan frustrasi.
Bisnis bisa terganggu.
Makanya model perlu context.
Apakah user sebelumnya melihat detail beneficiary?
Apakah transaksi berasal dari device yang trusted?
Apakah ada perubahan password baru?
Apakah user pernah melakukan transaksi serupa?
Apakah rekening penerima punya reputasi normal?
AI bukan sekadar mencari “aneh”.
Dia perlu belajar membedakan aneh tapi sah versus aneh dan berbahaya.
Ada juga feedback loop.
Setelah user mengonfirmasi transaksi legit, sistem belajar.
Setelah laporan scam masuk, sistem belajar.
Setelah investigator menemukan jaringan baru, sistem belajar.
Fraud model yang tidak punya feedback cepat akan cepat basi.
Scammer berubah.
Defense juga harus berubah.
Ini perlombaan adaptasi.
AI bisa membantu bank mendeteksi scam sebelum uang terkirim, tapi user tetap punya peran.
Kalau bank memberi warning, jangan refleks dismiss.
Baca.
Kalau warning bertanya apakah ada orang yang menelepon, jawab jujur.
Jangan bilang “tidak” hanya karena scammer di telepon bilang warning itu normal.
Penipu bisa mempersiapkan korban:
“Nanti ada peringatan, abaikan saja.”
Ini klasik.
Kalau seseorang sudah memberi instruksi bagaimana melewati security warning bank, red flag-nya ekstrem.
Stop.
Tutup telepon.
Hubungi bank dari kanal resmi.
Untuk perusahaan, AI bank juga bukan pengganti SOP internal.
Kalau vendor mengirim perubahan rekening, finance tetap harus callback.
Kalau CEO minta transfer mendadak, approval tetap berlaku.
Kalau transaksi lolos fraud detection, itu bukan endorsement bahwa transaksinya benar.
Fraud model tidak tahu konteks kontrak perusahaan.
Dia hanya melihat signal.
Security berlapis.
User.
Perusahaan.
Bank.
Network.
Regulator.
Semua punya peran.
Ada juga peluang AI di sisi device.
Model bisa mendeteksi remote-control behavior.
Copy-paste rekening yang tidak biasa.
Perubahan device.
Session pattern.
Tapi ini sensitif.
Bank harus menjaga privacy dan menjelaskan data yang dipakai.
Jangan membuat anti-scam feature berubah menjadi monitoring berlebihan.
Prinsipnya proporsional.
Data yang benar-benar membantu risk.
Bukan semua data karena mungkin berguna.
Ada masa ketika warning transfer hanya berbunyi:
“Pastikan nomor rekening benar.”
Di era scam AI, warning bisa jadi lebih contextual.
“Rekening ini baru.”
“Transaksi jauh lebih besar dari biasanya.”
“Ada laporan terkait beneficiary.”
“Jangan lanjut jika ada orang yang meminta Anda memindahkan uang untuk alasan keamanan.”
Informasi konkret membantu.
AI bisa menentukan warning mana yang relevan.
Bukan menampilkan poster anti-fraud yang sama ke semua orang.
Buat nasabah, pengalaman ini mungkin terasa seperti bank menjadi lebih cerewet.
Itu tidak selalu buruk.
Friction yang muncul pada transaksi berisiko bisa menjadi fitur, bukan bug.
Kita sudah terbiasa menuntut semua pembayaran makin cepat.
Instant.
One tap.
Face ID.
No friction.
Scam justru tumbuh di lingkungan itu.
Ada titik di mana convenience perlu berhenti beberapa detik.
Bukan karena sistem kuno.
Karena uang yang berpindah real-time perlu keputusan yang cukup sadar.
Kalau AI bisa memberi kita lima detik tambahan tepat pada momen berbahaya, itu mungkin salah satu penggunaan AI finansial paling berguna.
Bukan chatbot.
Bukan avatar.
Bukan fitur yang terlihat flashy.
Cuma sistem diam-diam berkata:
“Ini tidak seperti biasanya. Yakin?”
Kadang satu pertanyaan itu cukup untuk membuat uang tidak pernah terkirim ke penipu.
Ada satu bentuk intervensi yang kemungkinan makin penting: beneficiary intelligence. Sistem tidak hanya mengenali siapa pengirim, tetapi reputasi dan network penerima. Rekening yang baru dibuka belum tentu berbahaya, namun rekening yang mendadak menerima banyak transfer dari orang tidak saling terkait lalu mengosongkan saldo dengan cepat pantas mendapat attention lebih.
Kualitas warning juga perlu diuji. Warning yang terlalu panjang tidak dibaca. Warning yang terlalu umum diabaikan. Bank perlu A/B test bahasa yang benar-benar membuat user berhenti tanpa menakut-nakuti semua transaksi.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Prevention terbaik membuat keputusan palsu gagal sebelum uang meninggalkan rekening, bukan sekadar membuat laporan setelahnya.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.