Bagaimana Layanan Keuangan Dapat Memanfaatkan AI Generatif:Panduan Praktis untuk Memulai

AI generatif diam-diam telah memasuki jantung layanan keuangan.

Setahun yang lalu, sebagian besar bank dan fintech masih bereksperimen dengan AI. Kini, mereka mengajukan pertanyaan yang lebih sulit:di manakah hal ini sebenarnya memberikan nilai tambah, bagaimana kita menggunakannya dengan aman, dan bagaimana kita menjadikannya sepadan dengan usaha yang dilakukan?

Menurut studi MarketsandData baru-baru ini, pasar AI generatif global di sektor jasa keuangan r diproyeksikan mencapai sekitar USD 12,63 miliar pada tahun 2032 .

Angka-angka menarik ini menggarisbawahi pentingnya memanfaatkan gen AI dengan tepat untuk mencapai manfaatnya yang luar biasa.

Ikut serta untuk menjelajahi panduan ini, di mana kami akan menawarkan gambaran pasar yang jelas. Jelajahi kasus penggunaan ROI tinggi, manfaat yang terkait dengan metrik, rencana awal langkah demi langkah, dan pengendalian risiko yang relevan dengan Jasa Keuangan yang diatur.

Mari selami.

AI Generatif dalam Jasa Keuangan:Prospek Pasar

Penting untuk memantau apa yang terjadi di industri ini, dan inilah cuplikannya:

• Investasi dan Adopsi: AI Generatif menarik sekitar $33,9 miliar dalam investasi swasta global (2024), dan adopsi AI secara keseluruhan dalam bisnis melonjak hingga 78%, naik dari 55% pada tahun 2023. (Stanford HAI)
• Potensi Nilai Perbankan: McKinsey memproyeksikan dampak tahunan sebesar $200–$340 miliar pada perbankan jika kasus penggunaan AI generatif sepenuhnya ditingkatkan. (McKinsey &Perusahaan)
• Penggunaan Eksekutif: Lebih dari 53% pemimpin tingkat C melaporkan menggunakan AI generatif di tempat kerja pada tahun 2024, yang membuktikan bahwa AI kini sudah menjadi hal yang umum. (McKinsey &Perusahaan)
• Bukti dalam Skala Besar: Erica dari Bank of America telah melewati 3 miliar interaksi klien (2025), menunjukkan penerapan di dunia nyata dalam skala besar. (Bank Amerika / CIO Menyelam)
• Peraturan Landasan Pacu: Undang-Undang AI UE mulai berlaku pada tanggal 1 Agustus 2024, dan kewajiban GPAI dimulai pada tanggal 2 Agustus 2025. Dalam konteks ini, penegakan hukum secara penuh diharapkan terjadi pada tahun 2026, yang merupakan tonggak penting bagi layanan keuangan di pasar yang diatur. (Strategi Digital)

👉 Intinya: AI generatif dalam layanan keuangan memberikan dampak nyata, dan tidak mengherankan jika investasi besar, penggunaan eksekutif, dan peraturan yang jelas mendukung hal ini.

Apa Kasus Penggunaan Terbaik GenAI di Jasa Keuangan

Sebagai pemimpin bisnis dan pengusaha, mempelajari dan memprioritaskan kasus penggunaan yang memiliki jalur pengukuran dan kepatuhan yang tepat adalah hal yang baik.

Berikut beberapa kasus penggunaan GenAI terbaik dalam layanan Keuangan:

1. KYC / Orientasi dan Otomatisasi Dokumen

GenAI dapat mempercepat proses Know Your Customer (KYC) dan onboarding. Teknologi ini membantu meringkas dan mengekstrak data dari dokumen pelanggan, termasuk tanda pengenal, laporan bank, dan laporan pajak.

Teknologi ini sangat berguna karena dapat secara otomatis mengekstrak data penting, memeriksa informasi yang hilang, dan menghasilkan daftar periksa kepatuhan untuk analis.

Sebuah contoh yang penting adalah HSBC, yang menggunakan alat AI untuk memvalidasi dokumen dan melakukan orientasi pelanggan dengan lebih efisien, sehingga mengurangi waktu peninjauan manual hingga hampir 40%.

Bukti bahwa produk tersebut berhasil: waktu penyelesaian dan jam kerja analis dihemat.

2. Layanan Pelanggan (Perbankan Ritel / Komersial)

Biasanya, agen pusat panggilan menyelesaikan pertanyaan rutin pelanggan, dan sifat tugas ini menambah banyak tekanan.

Dengan chatbot dan asisten suara yang didukung AI, tugas seperti memeriksa saldo, menjelaskan biaya, atau menyelesaikan perselisihan tidak hanya dapat didelegasikan tetapi juga ditangani secara efisien dan hampir 24/7.

Hal ini meningkatkan kecepatan respons dan mengurangi tekanan pada pusat panggilan.

Contoh: Asisten virtual Bank of America “Erica”, yang telah mengelola lebih dari 1,5 miliar interaksi pelanggan, secara signifikan memangkas waktu tunggu rata-rata.

Bukti bahwa produk tersebut berhasil: Waktu Penanganan Rata-rata (AHT), Kepuasan Pelanggan (CSAT), Tingkat Penahanan (kueri diselesaikan tanpa bantuan manusia).

3. Operasi Kredit dan Penjaminan

Analisis kredit, termasuk penyusunan memo kredit, penggalian rincian perjanjian, dan konfirmasi kepatuhan terhadap kebijakan pinjaman, memakan banyak waktu. GenAI mengelola komponen ini secara efisien.

Contoh: Bank seperti ING dan Goldman Sachs sedang bereksperimen dengan kopilot AI untuk membantu penjamin emisi membuat penilaian kredit terperinci dengan lebih efisien.

Bukti bahwa produk tersebut berhasil: Ada perbedaan nyata dalam waktu penyelesaian memo dan tingkat kepatuhan kebijakan.

4. Riset, Pendapatan, dan Kecerdasan Portofolio

AI membaca transkrip pendapatan, artikel berita, dan laporan penelitian yang ekstensif untuk menyaring wawasan, menilai sentimen, dan menghasilkan alasan investasi, dengan mengutip sumber.

Contoh: “Asisten Pengetahuan” AI Morgan Stanley membantu penasihat keuangan dengan cepat mengekstrak dan merangkum wawasan dari laporan riset pasar.

Bukti bahwa produk tersebut berhasil: Perbedaan yang terlihat terdapat pada waktu persiapan analis, keakuratan wawasan, dan waktu respons kueri klien.

Baca Juga: Mengintegrasikan AI Generatif untuk Menciptakan Aliran Pendapatan Baru

5. Pelaporan Risiko dan Kepatuhan

Dokumen peraturan dan risiko sangatlah kompleks, terutama dalam hal penyusunan dokumen, termasuk ICAAP (Internal Capital Adequacy Assessment Process) dan ILAA (Individual Liquidity Adequacy Assessment).

Kini, dengan GenAI, penyusunan dokumen rumit seperti itu menjadi mudah dan didasarkan pada pengumpulan data, menghubungkan bukti, dan mempertahankan kontrol versi.

Contoh: UBS menggunakan AI secara internal untuk menghasilkan draf pertama laporan peraturan, sehingga menghemat beberapa jam per laporan.

Bukti bahwa produk tersebut berhasil: Ada perbedaan nyata dalam waktu penyelesaian laporan dan dukungan kelengkapan dokumentasi.

6. Pengumpulan dan Pelayanan

GenAI mempersonalisasi komunikasi dengan pelanggan yang menunggak, menghasilkan pengingat pembayaran yang penuh empati, dan menyarankan tindakan atau rencana pembayaran terbaik berikutnya, semuanya berdasarkan sentimen dan riwayat pelanggan.

Contoh: Capital One menggunakan uji coba AI untuk merekomendasikan pesan pembayaran dengan nada yang tepat, sehingga meningkatkan keterlibatan pelanggan.

Bukti bahwa produk tersebut berhasil: Perbedaan mencolok dalam tarif janji untuk membayar, Net Promoter Score (NPS), dan efisiensi agen.

7. Operasi Kejahatan Keuangan dan Penipuan

Tim kepatuhan menghabiskan banyak waktu untuk meninjau peringatan, merangkum riwayat transaksi, atau menyusun Laporan Aktivitas Mencurigakan (SAR). GenAI dapat mendukung tugas-tugas ini, mengurangi pekerjaan manual dan membantu analis fokus pada ancaman nyata.

Contoh: JPMorgan Chase menggunakan GenAI untuk membantu penyelidik menganalisis transaksi dan mendeteksi anomali dengan lebih cepat.

Bukti bahwa produk tersebut berhasil: Perbedaan mencolok dalam waktu siklus kasus, pengurangan positif palsu, dan rasio peringatan terhadap kasus.

🖋️ Salah satu pendiri Imajinasi, Pete Peranzo menekankan beberapa kasus penggunaan AI generatif yang paling menarik di dunia nyata di seluruh perbankan dan layanan keuangan.

Pete mencatat bahwa GenAI mengotomatiskan pembuatan dan peringkasan dokumen, mengambil tugas-tugas yang sebelumnya memakan waktu, seperti pembuatan dan peninjauan kebijakan.

Lebih lanjut ia menambahkan bahwa dalam analisis layanan pelanggan, aplikasi AI kini memproses percakapan dan interaksi audio untuk mengukur perilaku agen, meningkatkan pengalaman pelanggan, dan memberi sinyal pada area masalah awal.

Pete menambahkan, dalam konteks penilaian risiko dan kepatuhan, AI dapat secara otomatis menguji dan melakukan audit internal, memastikan institusi tetap mematuhi peraturan yang berubah.

GenAI juga dapat merevolusi manajemen portofolio dan keputusan investasi dengan mereplikasi proses berpikir para investor terkemuka, sehingga memungkinkan klien ritel mengambil keputusan berdasarkan fakta.

Selanjutnya, dalam konteks perkiraan pasar dan perdagangan, Pete menjelaskan bagaimana bot bertenaga AI sedang dikembangkan sehingga mungkin mengungguli tolok ukur seperti S&P 500, sehingga menunjukkan adanya peluang dan potensi gangguan.

Dalam hal analisis ROI dan wawasan pelanggan, teknologi ini dapat ditingkatkan dengan penilaian cepat yang didukung AI terhadap metrik kinerja, nilai seumur hidup, dan penjualan, yang memungkinkan pengambilan keputusan strategis lebih cepat dan tajam.

Ia lebih lanjut menambahkan bahwa, dengan memberikan kesempatan kepada manusia untuk melakukan pekerjaan tingkat tinggi, strategis, dan kreatif, tugas-tugas berulang seperti pembuatan laporan dan analisis data akan diotomatisasi.

Intinya: Dengan banyaknya kasus penggunaan, kita dapat melihat dengan jelas bagaimana AI generatif mengubah efisiensi, pengambilan keputusan, dan pengalaman pelanggan di seluruh industri jasa keuangan.

Manfaat GenAI dalam Layanan Keuangan

Sebelum seseorang mempertimbangkan untuk mengadopsi teknologi apa pun, pertanyaan yang bagus untuk ditanyakan adalah, "Apa manfaatnya" (alias "apa untungnya bagi organisasi atau unit bisnis saya) .

Berikut beberapa manfaat yang dapat membantu untuk memahami cakupan dan jangkauan GenAI dalam layanan keuangan.

1. Efisiensi Operasional

Analis dan manajer hubungan sering kali menangani tugas-tugas yang memakan banyak waktu seperti penyusunan draf, penelitian, dan dokumentasi. Salah satu cara untuk mengatasi hal ini adalah dengan mengadopsi GenAI yang mengotomatiskan semua tugas tersebut, sehingga memberikan kebebasan bagi para eksekutif untuk fokus pada pekerjaan yang bernilai lebih tinggi.

Hasil: Kita dapat dengan jelas melihat penurunan biaya dan waktu penyelesaian.

Bukti industri: Deloitte telah merasakan peningkatan efisiensi yang terukur dengan penskalaan aplikasi GenAI di seluruh operasional perbankan.

2. Keputusan Lebih Cepat dan Pengalaman Pelanggan Lebih Baik

Seseorang dapat merasakan kecepatan luar biasa dalam menerima wawasan dan tanggapan hanya dalam beberapa detik dengan alat AI. Kecepatan pengiriman yang fenomenal juga memungkinkan dukungan 24/7 dan interaksi digital yang lancar.

Hasil: Terdapat perbedaan yang terlihat dengan siklus pengambilan keputusan yang lebih pendek dan interaksi pelanggan yang lebih tinggi.

Contoh: “Erica” dari Bank of America menunjukkan adopsi yang berkelanjutan, menangani lebih dari 1,5 miliar interaksi, menunjukkan keterlibatan digital yang konsisten.

3. Pertumbuhan Pendapatan

Aspek menarik lainnya dari GenAI adalah kemampuan untuk mempersonalisasi wawasan saat menawarkan tindakan terbaik berikutnya. Wawasan ini membantu meningkatkan peluang cross-sell dan upsell lebih lanjut di seluruh segmen pelanggan.

Hasil: Peningkatan nyata pada pendapatan per pelanggan dan peningkatan penetrasi produk.

Tolok ukur: Analisis McKinsey &Company menunjukkan GenAI dapat memberikan manfaat besar bagi seluruh bank jika diterapkan dalam skala besar.

4. Kualitas Risiko dan Kepatuhan

GenAI membantu dalam menghasilkan rancangan peraturan dengan kutipan dan jejak audit, mengurangi kesalahan manual dan memastikan ketertelusuran.

Hasil: Akurasi kepatuhan yang lebih kuat dan kesiapan audit yang lebih baik.

Konteks: Dewan Stabilitas Keuangan menekankan kemampuan menjelaskan dan mengawasi, yang keduanya dapat ditingkatkan oleh sistem GenAI.

🖋️ Pete berbagi contoh spesifik tentang bagaimana AI generatif meningkatkan efisiensi dalam layanan keuangan:otomatisasi pembuatan PDF oleh perusahaan FinTech, yang sebelumnya memerlukan tim insinyur dan staf untuk memproduksi PDF secara rutin.

Penerapan agen AI mengotomatiskan proses ini, menghemat banyak waktu dan sumber daya, dan secara efektif menggantikan upaya manual. Melalui contoh ini, Pete mengilustrasikan bagaimana AI generatif dapat menghemat waktu dengan mengotomatiskan tugas-tugas dokumentasi rutin, sehingga menghasilkan operasi yang lebih efisien dan membebaskan sumber daya manusia untuk aktivitas yang lebih kompleks.

Intinya: GenAI jelas memberikan dampak yang terukur dalam layanan keuangan karena berupaya memangkas biaya, mempercepat pengambilan keputusan, meningkatkan kepatuhan, dan membebaskan orang untuk melakukan pekerjaan yang bernilai lebih tinggi.

Cara Memulai AI Generatif di Layanan Keuangan

🖋️ Pete menekankan bahwa organisasi harus memulai dengan mendidik diri mereka sendiri terlebih dahulu tentang teknologi AI untuk memahami di mana dan mengapa menerapkannya.

Setelah itu, langkah penting berikutnya adalah menghubungi dan berkolaborasi dengan pakar atau spesialis AI yang dapat memberikan panduan khusus dan membantu menyelaraskan inisiatif AI dengan tujuan organisasi.

Pendekatan ini memastikan awal yang strategis dan terinformasi untuk mengintegrasikan AI generatif ke dalam proses mereka.

Berikut adalah rencana awal yang pragmatis dan mengutamakan kepatuhan:

1. Tentukan KPI Bisnis yang Jelas

Langkah pertama adalah memilih satu target nyata dan terukur yang menawarkan nilai bisnis nyata. Misalnya:

• Kurangi waktu pemrosesan kasus KYC sebesar 25% untuk meningkatkan kecepatan orientasi.
• Tolak 20% obrolan pelanggan Tingkat 1, yang dapat membebaskan agen dari pertanyaan kompleks.
• Memotong waktu penyusunan nota kredit sebesar 40% untuk mempercepat operasi keuangan.

Oleh karena itu, fokuslah pada satu KPI untuk uji coba pertama Anda agar semuanya tetap sederhana dan terukur.

2. Siapkan Data dan Akses

Penting untuk mempersiapkan data Anda terlebih dahulu dan mengamankannya sebelum menjalankan solusi AI apa pun.

• Selanjutnya, pertimbangkan untuk memetakan sumber resmi dan persyaratan retensi; jangan lewatkan persyaratan penanganan PII.
• Gunakan retrieval-augmented generation (RAG) daripada menyempurnakan teks yang diatur, karena risikonya lebih rendah, pengelolaannya lebih mudah, dan masuk akal.

Selalu menyenangkan untuk bekerja dengan data yang dipersiapkan dengan baik, yang merupakan kunci keberhasilan uji coba AI yang patuh.

3. Pilih Kasus Penggunaan Percontohan

Pilih alur kerja kecil dan tertampung dengan volume terukur. Sebaiknya dimulai dari hal yang kecil, sehingga mengurangi risiko dan membuat dampaknya mudah dilacak. Berikut beberapa contohnya:

• Penyusunan dokumen KYC, yang membantu mempercepat pemeriksaan kepatuhan.
• Pembuatan singkat penghasilan, yang mengotomatiskan laporan rutin secara akurat.
• Respons chat Tingkat-1 mengalihkan pertanyaan berulang dari agen manusia.

Kunci dari alur kerja ini adalah alur kerjanya harus terukur, dapat dikelola, dan berisiko rendah.

4. Siapkan Arsitektur dan Pagar Pembatas

Anda dapat merancang lingkungan AI dengan mempertimbangkan keselamatan dan kepatuhan. Beberapa saran ada di bawah:

• Memanfaatkan isolasi (VPC), pengelolaan rahasia, pemfilteran prompt/konten, dan verifikasi kutipan sumber.
• Menggabungkan kembali solusi sebelum penerapan dapat membantu menemukan kerentanan.
• Jangan hilangkan validasi human-in-the-loop; simpan untuk keluaran yang berhubungan dengan pelanggan atau sensitif terhadap risiko.
• Pagar pembatas membantu AI Anda memberikan nilai tanpa menimbulkan risiko baru.

5. Menerapkan Kontrol Risiko &Kepatuhan

Selaraskan uji coba Anda dengan standar internal dan peraturan:

• Sebaiknya Anda mematuhi jadwal EU AI Act (jika berlaku), pedoman NIST AI RMF, dan peraturan internal Model Risk Management.
• Memiliki jalur audit untuk semua keluaran AI untuk membuktikan kepatuhan.
• Kepatuhan di hari pertama mencegah terjadinya kejutan dan membangun kepercayaan di seluruh organisasi.

6. Percontohan dan Skala

Mulailah dengan uji coba singkat dan terkendali, lalu kembangkan setelah Anda yakin:

• Jalankan uji coba selama 6–10 minggu menggunakan metrik dasar untuk mengukur dampak.
• Perkuat solusi dengan pemantauan, deteksi penyimpangan, kebijakan penyimpanan, tinjauan akses, dan pedoman.
• Perluas ke kasus penggunaan kedua setelah Anda terbukti berhasil.

Pendekatan bertahap membantu Anda melakukan penskalaan dengan aman sambil belajar dari hasil nyata.

🖋️ Pete merangkum bahwa organisasi keuangan yang tertarik untuk memulai AI harus fokus pada mempelajari dan memahami teknologi tersebut untuk mengidentifikasi kasus penggunaan dan aplikasi yang relevan.

Setelah memperoleh pengetahuan ini, langkah selanjutnya adalah melibatkan pakar atau spesialis AI yang dapat memberikan panduan, mengembangkan solusi yang disesuaikan, dan membantu penerapan.

Pendekatan strategis ini membantu memastikan integrasi AI efektif dan selaras dengan tujuan organisasi.

Intinya: Mulailah dengan satu kemenangan terukur, tingkatkan kepatuhan, dan tingkatkan dengan percaya diri.

Tantangan Utama Sebelum Memulai

Mari kita lihat beberapa tantangan utama yang mungkin Anda hadapi.

1. Paparan peraturan dan kemampuan menjelaskannya

Sistem AI cenderung berfungsi sebagai "kotak hitam", dan juga terkenal karena membuat keputusan sulit untuk dijelaskan atau dibuktikan. Seringkali, mereka memberikan jawaban yang salah atau mengandalkan vendor pihak ketiga.

Oleh karena itu, otoritas seperti FSB dan BIS harus terus mengawasi dan mewajibkan organisasi menyimpan catatan yang transparan, memantau penerapan AI, dan memastikan bahwa mereka dapat membenarkan setiap hasil yang dicapai.

2. Modelkan risiko dan penggembalaan

Ketergantungan pada model dan data standar dapat menciptakan perilaku yang berkorelasi dan risiko sistemik, yang merupakan masalah mendasar yang disoroti oleh banyak bank sentral dan media keuangan.

3. Kualitas data dan hak akses

Terkadang keluarannya tidak dapat diandalkan karena didasarkan pada tata kelola data dan praktik dokumentasi yang lemah.

Oleh karena itu, kita harus ekstra hati-hati dalam melindungi PII dan informasi rahasia lainnya sekaligus memastikan kontrol akses dan kemampuan audit.

4. Bakat dan model operasi

Tahap implementasi sangat penting untuk dipantau karena memerlukan kerja sama dari berbagai fungsi.

Hal ini mencakup entitas yang perlu berbagi tanggung jawab, seperti waktu orientasi untuk engineer, manajer pengetahuan, mitra risiko, dan pemilik produk.

5. Lingkungan ancaman

AI generatif dapat meningkatkan ancaman cyber dan penipuan, mulai dari deepfake hingga identitas sintetis.

Dalam situasi seperti ini, peningkatan kontrol internal dan komunikasi terbuka dengan pelanggan merupakan mitigasi utama.

Intinya: Sebelum mengadopsi AI, organisasi harus mempertimbangkan masalah kepercayaan, transparansi, integritas data, kolaborasi terampil, dan keamanan, serta mengatasinya secara efektif.

Penyelesaian

Bagi mereka yang ingin memulai proyek GenAI di bidang jasa keuangan, mulailah dengan kasus penggunaan yang spesifik dan terukur.

Selanjutnya, Anda dapat membangun kontrol dan kepatuhan sejak hari pertama, dan melakukan penskalaan hanya setelah bukti adanya dampak nyata. Bagi organisasi yang mencari mitra terpercaya untuk memulai uji coba GenAI yang patuh, Anda dapat menghubungi Imagination.

Kami di sini untuk membantu; tim ahli kami dapat memberikan dukungan mulai dari pemilihan kasus penggunaan dan konfigurasi RAG hingga tata kelola, dasbor, dan pedoman go-live.

Mari kita bicara .