Kalau lo upload foto makanan ke AI, risikonya satu level.
Kalau lo upload mutasi rekening satu tahun, levelnya beda.
Data finansial punya karakter yang sangat kaya.
Dia tidak cuma bilang berapa uang lo.
Dia bisa menceritakan hidup.
Tanggal gajian.
Cicilan.
Tempat makan.
Rumah sakit.
Sekolah.
Donasi.
Langganan.
Travel.
Merchant.
Transfer keluarga.
Investasi.
Utang.
Kapan saldo menipis.
Dari satu ledger transaksi, model bisa membuat banyak inference.
Makanya ketika AI masuk bank, fintech, wallet, insurance, dan personal finance, data menjadi bahan bakar yang sangat powerful sekaligus sangat sensitif.
OJK dalam panduan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia menekankan privacy by design, inventarisasi pemrosesan data, data governance, kualitas data, dan privacy impact assessment sebagai bagian dari implementasi AI.
Bank Indonesia juga punya kajian khusus tentang pelindungan data pribadi di bank sentral dan lembaga jasa keuangan, termasuk pentingnya framework data sharing dan perlindungan subjek data.
Pesannya sederhana.
AI finansial bukan sekadar problem model.
Ini problem data governance.
Model bisa diganti.
Dataset sulit ditarik kembali setelah bocor.
Ada satu prinsip penting: data yang berguna tidak otomatis boleh dipakai untuk semua hal.
Misalnya bank punya histori transaksi karena memang perlu menjalankan rekening.
Itu tidak berarti seluruh histori otomatis boleh dipakai untuk training model marketing tanpa dasar dan disclosure yang sesuai.
Purpose matters.
Consent matters.
Lawful processing matters.
Di dunia AI, temptation-nya besar.
“Kalau datanya ada, kenapa tidak dipakai?”
Karena “bisa” dan “boleh” bukan kata yang sama.
Ada juga data minimization.
Model engineer sering ingin semakin banyak feature.
Device.
Location.
Transaction.
Merchant.
Click behavior.
Contact pattern.
AI mungkin sedikit lebih akurat.
Tapi setiap feature menambah exposure.
Pertanyaannya bukan hanya, “apakah membantu model?”
Tapi “apakah peningkatan akurasi worth it dibanding privacy cost?”
Bank dan fintech perlu membuat trade-off eksplisit.
Privacy bukan checklist setelah model jadi.
Itu sebabnya privacy by design penting.
Mulai dari design.
Data apa yang benar-benar dibutuhkan?
Apakah bisa aggregated?
Anonymized?
Tokenized?
Apakah identifier lengkap perlu?
Berapa lama disimpan?
Siapa boleh akses?
Kalau dataset development tidak butuh nama, hapus.
Kalau hanya butuh kategori merchant, mungkin detail lain tidak perlu.
Least data bisa menjadi security advantage.
Ada juga problem inference.
Kadang data yang sensitif tidak disimpan sebagai label.
Tapi model bisa menyimpulkan.
Misalnya transaksi rutin ke klinik tertentu.
Merchant agama.
Donasi.
Lokasi.
Pattern pembayaran.
Dari situ bisa muncul inference tentang kondisi personal.
Inference bisa sama sensitif dengan data asli.
Jadi governance tidak boleh hanya melihat kolom database.
Harus lihat apa yang model bisa derive.
Kalau model menghasilkan risk score, apakah score itu dianggap data personal?
Kalau profile vulnerability dibuat, siapa boleh lihat?
Apakah marketing boleh?
Pertanyaan ini akan makin penting.
Financial AI juga punya problem concentration.
Satu assistant bisa terhubung ke bank, wallet, investasi, insurance, dan kartu.
Secara user experience, luar biasa.
Secara privacy, dia punya panoramic view.
Kalau account compromised, attacker mendapat context yang sangat kaya.
Mungkin bukan credential langsung.
Tapi cukup untuk membuat scam highly personalized.
Bayangin scammer tahu lo baru membayar rumah sakit.
Pesan datang:
“Kami dari billing rumah sakit, ada refund.”
Atau tahu lo baru booking tiket.
“Penerbangan berubah, klik untuk rebook.”
Data finansial bisa menjadi bahan social engineering.
Jadi breach impact bukan hanya kehilangan uang langsung.
Bisa memicu fraud lanjutan.
Ada juga third-party AI.
Perusahaan punya data nasabah.
Tim ingin eksperimen cepat.
Upload file ke public chatbot.
Selesai.
Ini salah satu risiko terbesar dalam adopsi AI enterprise.
Bukan model hack.
Human convenience.
Staf ingin cepat.
Copy-paste customer complaint.
Upload invoice.
Masukkan spreadsheet.
Kalau policy tidak jelas, data sensitif keluar dari boundary.
Perusahaan perlu approved tools.
Data classification.
Training.
Technical control.
Jangan berharap semua orang membaca policy 50 halaman.
Buat rule simple.
Data publik boleh.
Data internal tertentu boleh di platform enterprise approved.
Data highly sensitive tidak boleh masuk tanpa proses.
Financial institutions harus lebih ketat daripada bisnis biasa.
Ada juga model training.
Beda antara model memproses data untuk menghasilkan output dan menggunakan data itu untuk melatih model.
User harus tahu.
Enterprise agreement perlu jelas.
Retention.
Training use.
Subprocessor.
Data location.
Deletion.
Semua jadi procurement issue.
AI vendor bukan sekadar software vendor.
Mereka bisa menyentuh data paling sensitif.
Ada pula access control.
AI membuat query data lebih mudah.
Dulu analyst harus tahu SQL.
Sekarang staf bisa bertanya:
“Kasih daftar customer dengan saldo tinggi yang sering travel.”
Kalau model terhubung ke warehouse, jawabannya bisa keluar.
Natural language menurunkan barrier access.
Bagus untuk productivity.
Berbahaya kalau permission tidak mengikuti user.
AI harus inherit access control.
Kalau staf tidak boleh melihat data tertentu lewat database, chatbot juga tidak boleh.
Jangan sampai AI menjadi jalan bypass.
Audit log penting.
Siapa bertanya apa?
Data apa diakses?
Agent melakukan tindakan apa?
Kalau incident terjadi, perusahaan perlu reconstruct.
Tanpa log, AI jadi blind spot.
Data financial juga punya retention problem.
“Store everything forever” adalah strategi malas.
Data lama mungkin berguna untuk model.
Tapi risk kumulatif naik.
Setiap tahun storage bertambah.
Setiap employee, vendor, dan system menjadi possible access point.
Retention perlu alasan.
Regulatory requirement.
Fraud investigation.
Customer service.
Modeling.
Kalau tidak ada alasan, delete atau aggregate.
Ada juga issue synthetic data.
Perusahaan bisa memakai synthetic data untuk development tertentu.
Bagus untuk mengurangi exposure.
Tapi jangan menganggap synthetic otomatis aman.
Kalau generated dari dataset asli dengan cara buruk, bisa leak pattern atau informasi.
Need validation.
Privacy engineering tetap diperlukan.
Untuk user biasa, problem-nya juga dekat.
Banyak orang upload mutasi rekening ke chatbot untuk budgeting.
Kalau mau, bersihkan dulu.
Hapus nama.
Nomor rekening.
Alamat.
ID.
Merchant yang terlalu sensitif jika tidak relevan.
Gunakan kategori.
Nominal.
Tanggal.
AI tidak perlu tahu seluruh identitas untuk memberi insight pengeluaran.
Jangan upload foto kartu.
Jangan share OTP.
Jangan share PIN.
Jangan share login.
Ini obvious, tapi assistant yang friendly bisa membuat orang lupa.
AI terasa seperti teman.
Infrastructure di belakangnya tetap service digital.
Ada juga open finance.
Data bergerak antar layanan dengan consent.
Kalau dilakukan lewat API terstandar dan scoped permission, lebih aman daripada memberikan password ke aggregator.
User perlu dashboard permission.
Siapa punya access.
Kapan expire.
Read only atau payment.
Bisa revoke.
Financial data economy butuh user control.
Ada pula commercial incentive.
Data finansial sangat berharga untuk targeting.
Lender bisa melihat cash flow.
Insurer bisa melihat behavior.
Merchant bisa melihat spending.
AI bisa membuat segment makin granular.
Regulator dan perusahaan perlu menjaga agar personalization tidak berubah menjadi exploitation.
Misalnya sistem melihat user sedang financially stressed lalu menawarkan produk mahal.
Prediction bisa benar.
Penggunaan prediction bisa tetap salah.
Ethics bukan hanya akurasi.
Ada fairness.
Ada dignity.
Ada consumer interest.
AI banking governance OJK menekankan responsible use sepanjang AI lifecycle.
Itu tepat.
Problem bisa muncul di data collection.
Modeling.
Deployment.
Monitoring.
Bukan hanya output.
Satu model yang fair hari ini bisa drift.
Satu dataset yang legal dikumpulkan untuk purpose A belum tentu boleh dipakai purpose B.
Governance harus hidup.
Bukan dokumen sekali sign.
Untuk perusahaan, ada empat pertanyaan sebelum data finansial masuk AI.
Perlu nggak?
Boleh nggak?
Aman nggak?
Bisa dijelaskan nggak?
Kalau salah satu tidak jelas, jangan buru-buru.
Kecepatan eksperimen AI menarik.
Tapi incident data bisa bertahun-tahun.
Financial data adalah bahan bakar yang sangat bernilai karena bisa membuat model sangat personal.
Justru karena itu dia harus diperlakukan seperti bahan bakar sungguhan.
Powerful.
Berguna.
Dan kalau ditangani sembarangan, bisa membakar seluruh sistem.
Data lineage juga penting. Perusahaan harus tahu data datang dari mana, berubah bagaimana, masuk model mana, dan output apa yang dihasilkan. Kalau user meminta koreksi, sistem perlu menemukan downstream copy. Tanpa lineage, hak koreksi sulit dilakukan secara nyata.
Model governance dan data governance akhirnya tidak bisa dipisah. Model yang bagus dengan data buruk tetap berbahaya. Data bagus dengan access buruk juga berbahaya.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Semakin banyak AI tahu soal uang kita, semakin jelas alasan platform perlu membatasi dirinya sendiri.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.