Bank Saqu Ungkap Strategi AI Perbankan: Tantangan Data hingga Kunci Skalabilitas
Depok, Stapo.id – Transformasi kecerdasan buatan atau AI di sektor perbankan terus berkembang, namun tidak lepas dari berbagai tantangan mendasar. Hal ini diungkapkan oleh Andreas Valentino, Head of Cloud Infrastructure, Enterprise Architecture and Platform Engineering Division Bank Saqu dalam forum Data Streaming World Tour yang digelar di The Ritz-Carlton Jakarta pada Selasa (21/4).
Dalam paparannya, Andreas menegaskan bahwa AI kini telah menjadi instrumen penting dalam memperkuat layanan digital perbankan. Implementasinya mencakup berbagai aspek krusial seperti deteksi penipuan (fraud detection), chatbot untuk layanan nasabah, personalisasi pengalaman pelanggan, hingga penilaian kredit (credit scoring). Meski begitu, untuk teknologi generative AI, industri perbankan saat ini masih berada dalam tahap pengembangan awal atau pilot project.
Menurut Andreas, salah satu tantangan terbesar dalam implementasi AI adalah kesiapan data.
Ia menekankan bahwa keberhasilan model AI sangat bergantung pada kualitas data yang digunakan. Tanpa data yang bersih dan terstruktur dengan baik, model secanggih apa pun tidak akan mampu menghasilkan analisis yang optimal. Kebutuhan ini menjadi semakin penting seiring meningkatnya penggunaan AI untuk kebutuhan pemasaran berbasis data dan pengambilan keputusan strategis.
Selain itu, keberadaan sistem lama atau legacy system juga menjadi hambatan signifikan. Banyak institusi perbankan masih mengandalkan metode batch processing yang tidak mampu menyediakan data secara real-time. Padahal, kecepatan dan akurasi AI sangat ditentukan oleh kemampuan sistem dalam memproses data secara langsung. Tanpa aliran data yang real-time, hasil pemodelan machine learning berisiko tidak akurat dan kurang relevan dengan kondisi aktual.
Andreas juga menyoroti bahwa implementasi generative AI di sektor perbankan saat ini lebih difokuskan pada efisiensi internal. Beberapa contoh penggunaannya meliputi pembuatan risalah rapat otomatis serta pengembangan prototipe produk. Pendekatan ini dinilai lebih aman sebelum teknologi tersebut diterapkan secara luas pada layanan yang berhubungan langsung dengan nasabah.
Di sisi lain, Andreas membagikan strategi praktis dalam mengadopsi AI agar lebih efektif dan berkelanjutan.
Ia menyarankan agar perusahaan tidak langsung melakukan transformasi besar secara instan, melainkan memulai dari skala kecil. Pendekatan ini memungkinkan organisasi untuk menguji teknologi, meminimalkan risiko, serta melakukan penyesuaian sebelum memperluas implementasi.
Ia mencontohkan bahwa perusahaan dapat memulai dari use case sederhana seperti penyaringan SMS spam atau pengolahan data berbasis teks dan gambar dengan tingkat kompleksitas rendah. Meskipun sederhana, pendekatan ini tetap harus memiliki nilai bisnis yang jelas serta potensi untuk dikembangkan lebih lanjut.
Lebih lanjut, Andreas menekankan pentingnya skalabilitas dalam setiap inisiatif AI. Proyek kecil yang berhasil dapat menjadi fondasi kuat untuk pengembangan sistem yang lebih kompleks di masa depan. Dengan strategi bertahap ini, perusahaan dapat membangun ekosistem AI yang tidak hanya efisien tetapi juga adaptif terhadap perubahan teknologi yang sangat cepat.
Melalui kombinasi antara kesiapan data, modernisasi sistem, dan strategi implementasi bertahap, sektor perbankan dinilai memiliki peluang besar untuk memaksimalkan potensi AI. Pendekatan ini menjadi kunci bagi institusi keuangan untuk tetap kompetitif sekaligus memberikan layanan yang lebih cerdas dan responsif di era digital.