AI Mulai Masuk Penilaian Kredit: Apa Artinya untuk Nasabah?

Banyak orang membayangkan keputusan kredit seperti ini: kita datang, menyerahkan dokumen, seorang analis membaca, lalu seseorang di kantor bank memutuskan layak atau tidak.

Realitanya sudah lama lebih kompleks.

Skor kredit, data transaksi, histori pembayaran, income, debt service, perilaku akun, dan banyak sinyal lain sudah digunakan sistem untuk membantu menilai risiko. Di 2026, AI dan machine learning makin masuk ke proses itu.

Di Indonesia, arah ini bukan spekulasi. OJK sudah punya kerangka untuk Innovative Credit Scoring atau ICS. Dalam kriteria yang diterbitkan OJK, penyelenggara ICS memang diarahkan menggunakan metode dan teknologi inovatif seperti Artificial Intelligence, Machine Learning, dan Big Data Analytics, sekaligus memastikan penggunaan algoritmanya dilakukan secara bertanggung jawab.

Jadi pertanyaannya bukan lagi apakah AI akan masuk ke credit scoring.

Dia sudah masuk.

Pertanyaan yang lebih penting buat nasabah adalah: apa yang berubah ketika semakin banyak keputusan kredit dibantu model?

Perubahan paling jelas adalah kecepatan.

Kalau model bisa membaca banyak data secara otomatis, proses awal yang dulu membutuhkan waktu manusia bisa dilakukan dalam hitungan detik atau menit.

Untuk orang yang punya riwayat finansial lengkap, ini nyaman.

Apply.

Data masuk.

Sistem melakukan pengecekan.

Keputusan awal muncul lebih cepat.

Di level bisnis, bank atau fintech juga bisa memproses volume lebih besar tanpa menambah analis secara linear.

Tapi speed bukan satu-satunya cerita.

AI scoring menarik karena bisa melihat pola yang lebih kompleks dibanding rule sederhana.

Model tidak hanya bertanya, “berapa penghasilan lo?” tetapi bisa mencari kombinasi banyak sinyal yang berhubungan dengan risiko.

Ini potensial membantu orang yang tidak punya histori kredit konvensional panjang.

Misalnya pekerja muda, freelancer, pelaku usaha kecil, atau orang yang lebih banyak hidup di ekonomi digital.

Dalam model tradisional, minim histori kadang berarti minim informasi.

Data alternatif bisa memberi layer tambahan.

Tapi bagian ini harus dibaca hati-hati.

Lebih banyak data bukan otomatis lebih adil.

Kalau model memakai data alternatif, kita perlu tahu apakah datanya benar-benar relevan dengan kemampuan membayar.

Ada perbedaan antara sinyal finansial yang masuk akal dan korelasi yang kebetulan.

Misalnya pola pembayaran tagihan bisa punya hubungan logis dengan kemampuan mengelola kewajiban.

Tapi bagaimana kalau model menemukan bahwa kelompok pengguna dengan tipe perangkat tertentu terlihat lebih berisiko?

Secara statistik mungkin ada korelasi.

Secara fairness, kita perlu bertanya apakah sinyal itu pantas dipakai.

Inilah problem AI scoring yang tidak kelihatan dari aplikasi.

Nasabah cuma melihat hasil: disetujui, limit segini, bunga segini, atau ditolak.

Di belakang layar bisa ada model dengan ratusan variabel.

Semakin kompleks model, semakin sulit menjelaskan keputusan dengan bahasa manusia.

Ini disebut problem explainability.

Kalau kredit lo ditolak karena rasio utang terlalu tinggi, penjelasannya cukup jelas.

Kalau kredit ditolak karena kombinasi 83 variabel yang saling berinteraksi dalam model machine learning, apa yang harus diberitahu ke nasabah?

“Model mengatakan risiko tinggi” bukan penjelasan yang memuaskan.

Apalagi keputusan kredit punya dampak nyata.

Orang bisa kehilangan kesempatan membeli rumah, mendapat modal kerja, atau sekadar memperoleh kartu kredit.

Karena itu AI dalam lending tidak boleh diperlakukan seperti recommendation engine untuk film.

Kalau Netflix salah rekomendasi, paling lo buang 40 menit.

Kalau credit model salah, dampaknya bisa bertahun-tahun.

OJK sendiri menekankan prinsip responsible algorithm dalam ICS. Di sektor perbankan, panduan Tata Kelola Kecerdasan Artifisial juga mendorong AI yang fair, accountable, transparent, explainable, resilient, dan secure.

Artinya regulator juga melihat bahwa value AI tidak bisa dipisahkan dari governance.

Buat nasabah, ada beberapa implikasi praktis.

Pertama, kualitas data makin penting.

Kalau model membaca data dari banyak sumber, kesalahan data bisa punya konsekuensi besar.

Nama salah.

Status pinjaman belum diperbarui.

Pembayaran yang seharusnya lunas masih tercatat outstanding.

Transaksi fraud dianggap milik lo.

Semua itu bisa memengaruhi penilaian.

Makin otomatis sistemnya, makin penting mekanisme koreksi.

Nasabah perlu punya jalur untuk mempertanyakan data yang salah.

Ini juga alasan kita tidak boleh menganggap skor AI sebagai kebenaran objektif.

Model hanya sebaik data dan tujuan yang dipakai untuk membangunnya.

Kedua, digital footprint finansial makin bernilai.

Bukan berarti semua posting Instagram tiba-tiba dibaca bank.

Jangan lompat ke paranoia.

Yang lebih realistis adalah data transaksi, pembayaran, pinjaman, rekening, cash flow, dan sinyal digital relevan menjadi semakin penting untuk model risiko.

Untuk UMKM, ini bisa menjadi peluang.

Bisnis kecil di Tebet yang tidak punya laporan keuangan seformal korporasi mungkin punya data transaksi digital yang cukup kaya.

Kalau data itu bisa digunakan secara sah dan bertanggung jawab, akses pembiayaan bisa menjadi lebih luas.

Tapi ada trade-off.

Lebih banyak data yang digunakan berarti lebih banyak isu consent, privacy, dan security.

Nasabah harus tahu data apa yang diakses dan untuk tujuan apa.

Jangan sampai kebutuhan kredit berubah menjadi izin tanpa batas untuk membaca seluruh kehidupan digital.

Ketiga, keputusan bisa menjadi lebih personal.

Bukan hanya approve atau reject.

AI bisa membantu menentukan limit, pricing, tenor, atau treatment berdasarkan profil risiko.

Secara teori, ini efisien.

Orang berisiko rendah bisa mendapat terms lebih baik.

Orang berisiko tinggi mungkin mendapat limit lebih kecil.

Masalahnya, personalisasi finansial harus tetap transparan.

Kalau dua orang dengan kondisi terlihat mirip mendapat harga berbeda, bank atau fintech perlu punya dasar yang bisa dipertanggungjawabkan.

Fairness bukan berarti semua orang mendapat bunga sama.

Fairness berarti perbedaan perlakuan punya alasan yang relevan dan tidak diskriminatif.

Keempat, model harus terus diuji.

Kondisi ekonomi berubah.

Perilaku konsumen berubah.

Data pandemi berbeda dengan data normal.

Pola penghasilan freelancer 2026 tidak selalu sama dengan pola lima tahun lalu.

Model yang bagus ketika dibuat bisa drift.

Karena itu bank tidak cukup melatih model sekali lalu pakai selamanya.

Perlu monitoring, backtesting, recalibration, dan human oversight.

OJK dalam kerangka ICS juga meminta penjelasan metode pengolahan, modelling, algoritma, serta backtesting atau proof of concept.

Ini penting karena credit scoring bukan ruang untuk “AI vibes”.

Model harus punya evidence.

Buat nasabah, satu pertanyaan besar adalah: apakah manusia masih terlibat?

Jawabannya tergantung institusi dan jenis produk.

Ada produk dengan keputusan sangat otomatis.

Ada juga yang memakai model sebagai input lalu tetap melewati review manusia.

Yang sehat bukan selalu “harus manusia” atau “harus AI”.

Yang penting adalah keputusan berisiko tinggi punya governance.

Kalau model menolak aplikasi yang borderline, mungkin perlu jalur review.

Kalau data menunjukkan anomali, mungkin manusia perlu melihat konteks.

Kalau nasabah bisa memberikan informasi tambahan, sistem seharusnya punya cara menampungnya.

AI bagus untuk pattern recognition.

Manusia kadang lebih baik memahami exception.

Contoh sederhana, seorang freelancer di Kemang punya income bulanan yang tidak stabil.

Januari tinggi.

Februari rendah.

Maret tinggi lagi.

Rule tradisional bisa melihat volatility sebagai risk.

Model yang lebih pintar mungkin memahami seasonal pattern.

Tapi model juga bisa salah kalau tidak pernah melihat tipe pekerjaan tersebut.

Di sinilah data representativeness penting.

Kalau training data terlalu didominasi karyawan tetap, model bisa kurang akurat untuk pekerja gig.

Fairness sering dimulai dari siapa yang ada di dataset.

Ada juga risiko feedback loop.

Kalau model cenderung menolak kelompok tertentu, data repayment dari kelompok itu menjadi semakin sedikit.

Kemudian model punya semakin sedikit bukti tentang performa sebenarnya.

Keputusan lama memperkuat keputusan baru.

Makanya lending AI harus diaudit bukan hanya akurasinya, tapi dampaknya.

Untuk nasabah biasa, kita memang tidak bisa mengaudit neural network bank.

Tapi kita bisa melakukan beberapa hal.

Jaga data finansial rapi.

Bayar kewajiban tepat waktu.

Periksa informasi kredit bila ada ketidaksesuaian.

Jangan asal memberi consent data ke aplikasi yang tidak jelas.

Baca terms.

Kalau ditolak dan ada mekanisme appeal atau clarification, gunakan.

Dan yang paling penting, jangan menganggap satu penolakan adalah penilaian moral.

Credit score menilai risiko berdasarkan model tertentu.

Bukan nilai manusia.

Seseorang bisa punya bisnis bagus tetapi cash flow belum cocok dengan produk kredit tertentu.

Bisa ditolak bank A dan diterima bank B karena risk appetite berbeda.

AI tidak menghapus variasi itu.

Dia cuma mengotomatisasi sebagian proses.

Untuk industri, tantangannya lebih besar.

Semakin AI dipercaya, semakin penting audit trail.

Kalau regulator bertanya kenapa model memberi keputusan tertentu, bank harus bisa menjelaskan prosesnya.

Kalau ada bias, harus bisa diperbaiki.

Kalau model berubah, versioning harus jelas.

Kalau data salah, ada remediation.

Kalau vendor AI dipakai, responsibility tidak boleh hilang hanya karena teknologinya pihak ketiga.

Nasabah tidak peduli model dibuat internal atau vendor.

Institusi yang memberi keputusan tetap harus bertanggung jawab.

Di 2026, AI credit scoring bisa memperluas akses dan mempercepat lending.

Itu upside yang nyata.

Tapi jangan sampai industri menjual “lebih cepat” sebagai sinonim “lebih adil”.

Speed adalah performa operasional.

Fairness adalah desain governance.

Keduanya berbeda.

Buat nasabah, masa depan kredit mungkin terasa semakin instan di layar.

Apply sekarang.

Decision sebentar lagi.

Di belakang layar, justru sistemnya semakin kompleks.

Karena itu satu hal harus bergerak berlawanan arah: semakin kompleks modelnya, semakin jelas hak nasabah untuk tahu data apa yang dipakai, memperbaiki kesalahan, dan mempertanyakan keputusan yang berdampak besar.

AI boleh membuat kredit lebih cepat.

Keputusan finansial tetap harus bisa dipertanggungjawabkan.

Ada satu prinsip yang sebaiknya tidak hilang: kemampuan prediksi bukan hak moral untuk memakai semua data. Model mungkin mendapat peningkatan akurasi kecil dari variabel tertentu, tetapi institusi tetap harus menilai apakah penggunaan data tersebut proporsional, sah, dan relevan. Regulasi perlindungan data dan prinsip consent tetap berlaku di luar urusan akurasi model.

Nasabah juga sebaiknya membedakan credit scoring dengan financial advice. Sistem boleh menilai kemungkinan pembayaran, tetapi itu bukan rekomendasi bahwa mengambil utang adalah keputusan terbaik. Dua fungsi ini jangan dicampur.

Credit scoring yang sehat tidak meminta masyarakat memahami matematika model. Institusi yang harus menerjemahkan complexity menjadi proses yang fair, aman, dan bisa dijelaskan.