Pernahkah Anda merasa frustrasi setelah menghabiskan waktu berjam-jam berinteraksi dengan chatbot perbankan, hanya untuk menerima tanggapan berulang yang sama: “Maaf, saya tidak mengerti permintaan Anda”? Hal ini menyoroti ketegangan mendasar di era digital: meskipun teknologi beroperasi dengan kecepatan luar biasa, seringkali teknologi gagal untuk benar-benar memahami kebutuhan manusia.
Saat ini, pusat-pusat keuangan besar berinvestasi secara besar-besaran pada kecerdasan buatan (AI). Meskipun terdapat investasi ini, masih terdapat kesenjangan antara kemampuan teknologi dan pengalaman pengguna, karena efisiensi sering kali disalahartikan dengan kualitas layanan. Agar tetap berkelanjutan, lembaga keuangan harus mengevaluasi manfaat dan risiko AI untuk memastikan pertumbuhan jangka panjang.
Mempercepat pelayanan atau mengorbankan empati?
Tidak dapat disangkal bahwa AI telah membawa kemajuan signifikan dalam layanan keuangan. Ilustrasi yang jelas adalah MoMo di Vietnam, yang menggunakan AI untuk secara otomatis mengkategorikan belanja konsumen dan memungkinkan pembayaran pengenalan wajah hanya dalam tiga detik. Erica, asisten virtual Bank of America, juga telah menangani lebih dari 1,5 miliar interaksi sekaligus secara proaktif memperingatkan nasabah ketika perilaku belanja mereka menunjukkan risiko pengeluaran finansial yang berlebihan. Aplikasi-aplikasi ini menunjukkan bahwa AI dapat secara signifikan meningkatkan kecepatan pemrosesan, personalisasi, dan kenyamanan layanan perbankan.
Di sisi lain, tantangan muncul ketika lembaga keuangan secara membabi buta menerapkan “otomatisasi 100%” sebagai strategi pengurangan biaya. Dalam keadaan seperti ini, efisiensi operasional dapat meningkat sementara kualitas layanan menurun. Banyak pelanggan Korea yang mengungkapkan rasa frustrasinya setelah terjebak dalam percakapan berulang-ulang dengan chatbot selama 40 menit tanpa menyelesaikan masalah mereka. Kritik publik semakin meningkat ketika KB Kookmin Bank menghadapi reaksi keras atas rencananya mengganti 240 pekerja call center dengan sistem AI.
Daripada sepenuhnya menggantikan pekerja manusia, masa depan jasa keuangan bergantung pada seberapa efektif institusi menggabungkan AI dan penilaian manusia. Meskipun AI unggul dalam kecepatan dan pengenalan pola, AI tidak memiliki kemampuan untuk menafsirkan nuansa, terutama dalam situasi stres, kebingungan, atau kerentanan finansial. Ketika pelanggan dipaksa untuk menggunakan sistem otomatis yang tidak fleksibel tanpa kemungkinan bantuan manusia, rasa frustrasi dengan cepat berubah menjadi ketidakpercayaan. Seiring berjalannya waktu, terkikisnya kepercayaan ini bisa menjadi lebih merugikan dibandingkan penghematan jangka pendek yang dicapai melalui otomatisasi. Pendekatan yang lebih berkelanjutan adalah integrasi selektif: AI harus menangani tugas-tugas rutin seperti permintaan dasar dan pemrosesan data, sementara penasihat manusia turun tangan ketika masalah memerlukan empati, fleksibilitas, atau pemikiran kritis. Dalam model ini, teknologi meningkatkan efisiensi layanan tanpa merusak landasan relasional yang menjadi sandaran lembaga keuangan. Pada akhirnya, meskipun AI dapat mensimulasikan interaksi, AI tidak dapat meniru empati sejati yang menjadi dasar kepercayaan finansial.
Perluas akses atau perlebar kesenjangan transparansi?
Di pasar kredit, AI semakin memperluas akses terhadap kredit kepada kelompok yang secara tradisional tidak diuntungkan oleh model penilaian konvensional. Daripada hanya mengandalkan skor kredit, platform seperti Upstart di AS menganalisis sekitar 2.500 variabel. Hasilnya, tingkat persetujuan pinjaman bagi pemohon kulit hitam dan Hispanik meningkat dari 35 menjadi 46 persen. Bank digital Korea juga memanfaatkan AI untuk meningkatkan akses terhadap pembiayaan bagi para wiraswasta.
Meskipun demikian, keterbatasan utama AI adalah sifat “kotak hitam algoritmiknya”, yang berarti bahwa sistem dapat menghasilkan keputusan sementara pengguna kesulitan memahami logika di balik keputusan tersebut. Dalam praktiknya, jika pelanggan ditolak persetujuan kreditnya dan hanya menerima respons yang tidak jelas, seperti “Permohonan Anda ditolak karena parameter penilaian internal”, ambiguitas ini dapat dengan mudah menimbulkan rasa ketidakadilan, terutama ketika pengguna tidak dapat menantang atau meningkatkan hasil di masa depan karena kurangnya umpan balik yang jelas.
Oleh karena itu, solusi yang diperlukan adalah penerapan Expectable AI (XAI). Daripada sekadar memberikan hasil akhir, sistem harus secara jelas mengidentifikasi faktor-faktor yang mempengaruhi setiap keputusan. Misalnya, pelanggan mungkin menerima penjelasan spesifik seperti: “Permohonan pinjaman Anda tidak disetujui karena pendapatan Anda tidak stabil selama tiga bulan terakhir dan saldo terutang kartu kredit Anda saat ini masih tinggi.” » Komunikasi berbasis data yang transparan tidak hanya membantu pelanggan memahami proses pengambilan keputusan namun juga membangun kepercayaan terhadap sistem teknologi.
Perlombaan antara perlindungan dan penipuan
Dalam hal keamanan finansial, AI menjadi perisai digital yang strategis. Mastercard menganalisis satu triliun titik data dalam hitungan milidetik untuk memblokir penipuan, sementara sistem ASAP Korea menghubungkan 130 organisasi untuk berbagi informasi secara real-time. Bank-bank Vietnam juga menggunakan AI untuk mendeteksi transaksi tidak biasa dari perangkat yang tidak dikenal.
Sebaliknya, penjahat dunia maya secara bersamaan memanfaatkan AI untuk mengembangkan penipuan yang lebih canggih.
Teknologi deepfake memungkinkan penipu meniru suara atau identitas, sehingga penipuan menjadi lebih meyakinkan. Di Vietnam, kasus pencurian identitas kerabat atau pihak berwenang semakin sering terjadi. Ketika sistem ini menjadi lebih realistis, pengguna menjadi lebih rentan. Pada saat yang sama, data pelatihan yang bias dapat menyebabkan penilaian risiko yang salah, dan berpotensi merugikan pelanggan yang sah.
Menghadapi tantangan-tantangan ini, solusi yang efektif harus melampaui investasi teknologi dan fokus pada mekanisme tata kelola. Pertama, mekanisme “refleksi” dapat diterapkan pada transaksi berisiko tinggi. Ketika perilaku yang tidak biasa terdeteksi, transaksi akan ditunda untuk sementara, sehingga pengguna dapat membatalkan jika dicurigai adanya penipuan. Kedua, pendekatan “human in the loop” memastikan bahwa kasus-kasus berisiko tinggi, seperti transfer dalam jumlah besar, transaksi cepat, atau keputusan peminjaman bernilai tinggi, ditinjau oleh para ahli sebelum mendapat persetujuan akhir. Ketiga, autentikasi multifaktor berbasis konteks harus diperkuat dengan menggabungkan biometrik, pengenalan perangkat, dan lokasi. Keempat, peringatan penipuan real-time melalui aplikasi seluler dapat membantu pengguna mengidentifikasi penipuan umum, termasuk taktik pencurian identitas.
Meskipun pengaruh AI sangat luas, keunggulan kompetitif lembaga keuangan di masa depan tidak akan ditentukan oleh lembaga yang memiliki sistem TI paling kuat, namun oleh lembaga yang menerapkan teknologi tersebut dengan cara yang paling berpusat pada manusia. Institusi yang terdepan adalah institusi yang mengubah kompleksitas AI menjadi pengalaman pelanggan yang sederhana dan penuh empati, memperluas akses terhadap kredit sambil menjaga transparansi dalam pengambilan keputusan, dan menempatkan teknologi dalam batasan etika yang ketat untuk melindungi masyarakat.
Dengan kata lain, inovasi teknologi merupakan kondisi pembangunan yang tidak dapat dielakkan. Namun, jika inovasi ini secara bertahap menghilangkan unsur manusia, maka hal tersebut tidak dapat lagi dianggap sebagai kemajuan nyata melainkan sebuah langkah mundur dalam sistem yang dimaksudkan untuk melayani masyarakat.
