Industri Keuangan Merangkul AI: Uang Ketat, Orang Lebih Langka

Mengapa Lembaga Keuangan Berinvestasi Kurang dalam Strategi AI?

Jurnalis Jiang Xin

Bank setiap hari menangani ribuan persetujuan pinjaman, bagaimana meningkatkan efisiensi dalam melakukan pemeriksaan acak dengan sumber daya terbatas di kantor pusat? Model besar kecerdasan buatan (AI) sedang mengubah pola kerja bank: dengan menggunakan model besar, bank dapat memeriksa semua pinjaman secara menyeluruh, beralih dari pemeriksaan acak ke cakupan penuh, dan melalui metode ini, banyak bank menemukan banyak pelanggaran, mengurangi kerugian.

“Besok harus bertemu pelanggan pemilik perusahaan, produk apa yang harus dipromosikan? Pelanggan akan menanyakan pertanyaan yang sulit?” Di sebuah perusahaan asuransi, agen baru sedang berlatih berulang kali dengan AI “pelatih” di ponselnya. Tidak lama kemudian, agen ini dari seorang “pemula” yang sulit mendapatkan penjualan menjadi agen unggulan yang berhasil menandatangani kontrak.

Pada 17 Maret 2026, saat peluncuran laporan 《AI Mendorong Pembaruan dan Peningkatan Industri Jasa Keuangan di Daratan China dan Hong Kong》, Wang Jianping, mitra konsultasi manajemen dari PwC China, berbagi contoh aplikasi AI yang mengesankan kepada wartawan Economic Observer.

Dari Oktober 2025 hingga Januari 2026, PwC melakukan survei terhadap 201 profesional layanan keuangan di daratan China dan Hong Kong, serta melakukan 20 wawancara mendalam, menggambarkan kondisi industri keuangan yang menyambut AI: antusias tinggi, tetapi dengan titik nyeri yang jelas.

** Penting Strategis, Investasi Kurang**

Sebagai industri yang memiliki dana melimpah, bagaimana kondisi penerapan AI di industri keuangan?

Berdasarkan survei PwC, saat ini lembaga keuangan menerapkan AI dalam tiga tingkat: tingkat pertama adalah penggunaan internal, seperti pencarian basis pengetahuan internal, yang sudah cukup matang di bank-bank besar dan tidak banyak dirasakan oleh pelanggan eksternal; tingkat kedua adalah aplikasi yang dirasakan pelanggan, seperti layanan pelanggan cerdas, saran investasi, layanan pasca transaksi, tetapi di bidang perbankan, aplikasi seperti identifikasi pencucian uang dan audit internal sudah memberikan manfaat signifikan; tingkat ketiga adalah transaksi langsung dengan pelanggan, atau memberikan saran riset dan keuangan, namun tingkat ini memerlukan transparansi AI, keadilan, dan jejak logika yang dapat dilacak, sehingga sulit diterapkan secara besar-besaran dalam waktu dekat.

Ni Qing, mitra kepala industri pengelolaan aset dan kekayaan dari PwC China, menemukan bahwa setiap industri menempatkan fokus berbeda dalam penerapan AI. Industri perbankan fokus pada pengendalian risiko, pencegahan pencucian uang, dan kepatuhan; industri asuransi menitikberatkan pada peningkatan level agen, layanan pelanggan, dan klaim; sementara industri pengelolaan aset dan kekayaan lebih menekankan pada pengelolaan investasi dan portofolio, analisis data dan pasar.

“Lembaga yang diwawancarai telah memperoleh pengembalian awal sekitar 10%–15% dari investasi AI, tetapi mereka lebih menilai nilai jangka panjang AI dalam meningkatkan posisi pasar dan memperluas ruang pengembangan strategis,” kata Wang Jianping. Namun, ada jurang yang jelas antara harapan dan kenyataan: survei menunjukkan bahwa 61% lembaga keuangan mengalokasikan kurang dari 10% dari anggaran teknologi mereka untuk AI.

Mengapa tidak meningkatkan investasi? Wang Jianping menganalisis bahwa dalam kondisi pasar saat ini, menambah investasi teknologi di lembaga keuangan cukup sulit. Mereka harus menyesuaikan struktur—mengurangi pengeluaran teknologi tradisional, menurunkan biaya pengembangan dan pengujian bisnis konvensional, dan mengalihkan dana yang dihemat ke bidang AI. Jika anggaran tidak berubah, meningkatkan proporsi investasi teknologi dan AI akan sangat mempengaruhi teknologi tradisional. Selain itu, lembaga keuangan menekankan pengelolaan yang stabil dan berhati-hati dalam proses transformasi, yang berjalan lebih lambat dibanding industri lain, sementara perkembangan teknologi AI sangat cepat, sehingga sulit mengikuti ritme perkembangan teknologi, menciptakan situasi “penting secara strategis, investasi harus ditingkatkan tetapi sulit meningkat secara signifikan dalam waktu singkat.”

Dilema Talenta dan Data

“Pengembangan internal memakan waktu lama, sementara perekrutan eksternal menghadapi kompetisi gaji tinggi dari perusahaan teknologi,” kata seorang profesional sumber daya manusia di bank milik negara kepada wartawan Economic Observer tentang tantangan perekrutan talenta terkait AI.

Survei menunjukkan bahwa hanya 29% lembaga keuangan yang berhasil membangun budaya “prioritas AI,” dan kekurangan talenta serta struktur organisasi yang kaku adalah hambatan yang lebih serius daripada kurangnya investasi dan aspek teknologi.

Li Weibin, mitra konsultasi manajemen dari PwC China, menyatakan: “Responden umumnya mengungkapkan bahwa tantangan utama saat ini adalah sulit merekrut talenta gabungan yang memahami bisnis dan algoritma. Pelatihan dan peningkatan keterampilan karyawan yang ada, serta pembuatan mekanisme insentif yang mendorong penggunaan AI sebagai alat transformasi, sangat penting untuk membangun budaya prioritas AI. Beberapa lembaga keuangan sedang mempertimbangkan mekanisme khusus untuk melampaui model perekrutan tradisional. Misalnya, beberapa perusahaan asuransi mendirikan institut riset AI dan menawarkan mekanisme gaji khusus untuk menarik talenta senior; beberapa bank melalui pelatihan dan evaluasi mendorong transisi talenta teknologi tradisional, untuk seleksi talenta. Selain itu, penting juga bagi manajemen puncak untuk menjadi teladan dan secara aktif mendorong penerapan AI.”

Selain talenta dan budaya organisasi, data adalah faktor pembatas utama. Survei menunjukkan bahwa tiga hambatan utama dalam meningkatkan investasi AI adalah ketersediaan data (30%), tekanan regulasi (20%), dan kebutuhan untuk memprioritaskan pemeliharaan sistem inti yang ada (14%). Isu keamanan data dan perlindungan privasi menjadi tantangan utama dalam pengelolaan data, sehingga 90% lembaga keuangan bergantung pada data internal yang eksklusif untuk mendukung aplikasi AI mereka.

Menurut Wang Jianping, data yang dibutuhkan AI sedang bertransformasi dari data terstruktur ke data tidak terstruktur, dan data tidak terstruktur lembaga keuangan, seperti kebijakan kredit bank, buku panduan pengendalian risiko, pengetahuan audit, dan buku panduan inspeksi perusahaan asuransi, sebelumnya tidak termasuk dalam sistem pengelolaan data.

Masalah “ilusi” yang dimiliki model besar membuatnya sulit memenuhi kebutuhan akurasi data dalam bisnis tradisional. “Sebagai contoh klaim asuransi mobil, saat pelanggan melapor, sistem backend menemukan hubungan antara kendaraan yang diklaim, kendaraan yang terlibat kecelakaan, petugas inspeksi, dan dealer 4S, yang mungkin menunjukkan penipuan. Jika hanya fokus pada data klaim itu sendiri dan mengabaikan hubungan ini, model besar sulit mengenali risiko penipuan. Oleh karena itu, perlu dilakukan pemodelan ontologi untuk mencari hubungan antar objek dan menyisipkan hubungan ini ke dalam model besar agar meningkatkan akurasi pengenalan,” kata Wang Jianping.

Seiring perkembangan teknologi AI, lembaga keuangan juga menghadapi tantangan baru dalam keamanan pengendalian risiko. Laporan menemukan bahwa lembaga keuangan telah membangun perlindungan dasar di bagian input dan output, tetapi saat menghadapi risiko dinamis selama operasi model, mereka masih kekurangan alat pemantauan otomatis yang efektif.