*Lanjutkan Judul Asli ‘#81 - Di Balik Hype: Mengapa Gen AI Adalah Perubahan Platform Sejati Berikutnya dalam Perbankan (Gratis untuk Dibaca)’

Disponsori oleh Triage

Dibangun oleh Eksekutif

Dalam sektor layanan keuangan di Afrika, keahlian khusus dalam bidang seperti risiko, kredit, kepatuhan, dan teknologi dapat menentukan keberhasilan kinerja perusahaan. Menavigasi regulasi yang kompleks dan mengintegrasikan teknologi baru memerlukan pemimpin yang memahami nuansa produk keuangan, harapan pemangku kepentingan, dan realitas pasar. Tanpa pengetahuan yang mendalam ini, bahkan institusi yang didanai dengan baik berisiko melakukan kesalahan mahal yang mengguncang investor, menghambat pertumbuhan, dan merusak kepercayaan pelanggan.

Triage membawa kombinasi pengalaman praktis sebagai operator di perbankan dan layanan keuangan, serta pengalaman global bekerja dengan beberapa bisnis layanan keuangan terbesar di dunia. Tim kami telah bekerja dengan pemimpin senior di lebih dari 35 negara di seluruh Afrika yang mendukung berbagai strategi pertumbuhan dan perubahan di berbagai klien, mulai dari usaha tahap awal hingga skala besar, hingga transformasi digital dan perputaran. Pengalaman yang luas ini memungkinkan kami untuk membedakan antara keahlian yang lewat dan kemampuan yang nyata, memastikan Anda berinteraksi dengan pemimpin yang benar-benar memahami apa yang diperlukan untuk sukses di dunia layanan keuangan yang cepat berubah.

Pengantar

Skeptisisme adalah apa yang diperlukan untuk melihat di balik laporan keuangan, keajaiban terbaru dari rekayasa keuangan atau cerita yang tidak boleh dilewatkan. . . . Hanya seorang skeptis yang dapat memisahkan hal-hal yang terdengar baik dan memang baik dari hal-hal yang terdengar baik tetapi tidak baik. Investor terbaik yang saya kenal mencerminkan sifat ini. Ini adalah kebutuhan mutlak. - Howard Marks

Sebagai seorang muda di bidang keuangan, penting untuk mengembangkan dosis Skeptisisme yang sehat. Dalam perbankan secara khusus, skeptisisme membuahkan hasil karena bank-bank yang paling sukses adalah mereka yang menghindari kerugian daripada yang mengejar kemenangan. Ini adalah seni negatif. Namun, skeptisisme tidak sama dengan pesimisme. Ini hanya berarti memiliki ketajaman dalam membedakan antara apa yang hype dan apa yang tidak. Tantangan bagi banyak orang di bidang keuangan adalah bahwa mereka terjebak dalam jebakan skeptis demi nilai sinyal sosial bahwa Anda pintar.

Seperti yang dikatakan John Collison atau Naval Ravikant, “Pessimis terdengar pintar, Optimis menghasilkan uang”. Pikiran yang skeptis itu berharga. Namun agar menjadi berharga, harus dipadukan dengan ketelitian analitis dan yang terpenting, kemampuan untuk mengubah pikiran ketika fakta berubah.

Ini adalah konteks yang berguna untuk diskusi AI generatif saat ini, khususnya di sektor perbankan dan keuangan. Penting untuk secara khusus merujuk pada AI generatif dibandingkan dengan pembelajaran mesin yang telah ada sejak lama, terutama di sektor perbankan. AI generatif adalah jenis kecerdasan yang dapat menciptakan hal-hal baru seperti teks, gambar, audio, atau video dari pembelajaran pada kumpulan data yang sangat besar. Skeptisisme yang malas membuat banyak orang secara prematur menyebut AI sebagai hype, sementara optimisme yang tak terbatas dapat menyebabkan investasi yang prematur. Agar keputusan cerdas tentang AI dapat dibuat, penting untuk meletakkan AI dalam konteks, khususnya konteks ekonominya. Itu berarti menganalisis AI sebagai pergeseran platform dan menempatkannya dalam konteks sejarahnya dibandingkan dengan pergeseran platform lainnya. AI dalam konteks sejarahnya seharusnya membuat banker dan industri keuangan secara umum membuat keputusan yang tepat.

Dalam artikel hari ini, kita akan memahami apa itu pergeseran platform, meninjau pergeseran platform di masa lalu dan dampaknya terhadap industri layanan keuangan, menempatkan AI dalam konteksnya sebagai pergeseran platform, melihat inisiatif global oleh bank dan Fintech terkait AI dan mengevaluasi pelajaran kunci bagi para pemimpin di industri layanan keuangan.

Perubahan Platform dan Layanan Keuangan

Apa itu Pergeseran Platform

Keuangan, seperti industri lainnya, tunduk pada perubahan yang dibawa oleh teknologi. Apakah itu telegram dan dampaknya pada perbankan berbasis cabang atau mini-komputer dan dampaknya pada ATM. Keuangan selalu beradaptasi dengan pergeseran platform. Dalam teknologi, pergeseran platform merujuk pada perubahan mendasar dalam arsitektur teknologi yang mendasari yang memungkinkan kemampuan baru karena perubahan langkah dalam struktur biaya yang mendasari. Seringkali, ini memungkinkan model bisnis baru dan cara untuk menciptakan nilai. Hal utama adalah bahwa harus ada perubahan mendasar dalam struktur biaya dari sesuatu, yaitu biaya melakukan X berkurang dengan faktor 10x+ agar sesuatu dapat benar-benar dianggap sebagai perubahan platform. Karakteristik kunci dapat dijelaskan sebagai;

• Perubahan Arsitektur Dasar: Pergeseran platform melibatkan perubahan radikal dalam cara teknologi disusun dan diakses, bukan hanya perbaikan pada sistem yang ada.
• Peningkatan Biaya-Kinerja Eksponensial: Mereka biasanya memberikan peningkatan sebesar satu urutan besaran (10x atau lebih) dalam biaya, kinerja, atau kemampuan, bukan hanya peningkatan bertahap.
• Model Penciptaan Nilai Baru: Perubahan platform memungkinkan model bisnis dan penciptaan nilai yang sama sekali baru yang sebelumnya tidak layak.
• Pembentukan Ekosistem: Mereka menghasilkan ekosistem kaya dari produk, layanan, dan bisnis yang saling melengkapi. Ini sering kali merupakan efek daripada ciri yang mendefinisikan.
• Gangguan Pasar: Perubahan platform sering kali mengganggu industri yang ada dan menciptakan pasar yang sepenuhnya baru.
• Demokratisasi: Mereka biasanya membuat teknologi dapat diakses oleh audiens yang lebih luas, memungkinkan peserta baru.

Kami akan melihat beberapa perubahan platform historis dan yang terpenting menganalisis;

1. Apa yang dimaksud dengan pergeseran platform;
2. Dampaknya terhadap struktur biaya;
3. Pemenang dari pergeseran ini dan bagaimana mereka memanfaatkan teknologi tersebut;

1. Mainframe: Memusatkan Komputasi (1950-an–awal 1970-an)

Konteks sejarah dan karakteristik kunci
Sebelum tahun 1950-an, bank menyimpan buku besar secara manual atau dengan tabulator elektro‑mekanik. Memproses cek berarti seorang petugas mengetik item baris, mengarsipkan kertas, dan mencocokkan total di akhir hari. Mainframe seperti IBM System / 360 memperkenalkan komputasi program tersimpan, pengenalan karakter tinta magnetik, dan pemrosesan batch. Untuk pertama kalinya, sebuah mesin tunggal dapat membaca puluhan ribu cek dalam satu jam, menerapkan aturan akun secara otomatis, dan memposting hasil semalaman.

Kurva biaya
Biaya modalnya tinggi, beberapa juta dolar, tetapi biaya marginal untuk memposting transaksi turun sekitar seratus banding satu dibandingkan dengan entri manual. Tingkat kesalahan menurun drastis, jendela pemotongan semakin ketat, dan skala menjadi masalah perangkat lunak alih-alih masalah staf.

Kisah Pemenang
Di Amerika pasca Perang Dunia 2, kelas menengah AS sedang berkembang pesat dan permintaan untuk layanan perbankan dan cek secara khusus semakin meningkat. Di Bank of America, jumlah rekening giro tumbuh dengan laju 23.000 rekening per bulan dan bank harus tutup pada pukul 2 siang hanya untuk memproses cek. Bank of America menerapkanMesin Pencatatan Elektronik Akuntansi(ERMA) sistem pada tahun 1959. Ini memproses sekitar 36.000 cek per jam, (sekitar 10 per detik) dibandingkan dengan ~245 cek/jam oleh seorang pembukuan manusia. Ini menangani tiga perempat miliar pos setiap tahun, dan membebaskan bank untuk berkembang di luar California tanpa mempekerjakan ribuan karyawan. Untuk Bank of America, dengan secara dramatis meningkatkan throughput (lebih dari 100× lebih cepat), itu secara drastis mengurangi biaya per cek yang diproses dan meningkatkan kapasitas untuk melayani lebih banyak pelanggan. Mengotomatiskan tugas back-office memberi keuntungan biaya kepada pelopor awal seperti BofA, yang mendorong pertumbuhan mereka menjadi pemimpin nasional.

2. Minikomputer: Automasi Departemen (1970-an–pertengahan 1980-an)

Konteks historis dan karakteristik kunci
Kedatangan minikomputer – lebih kecil dan jauh lebih murah dibandingkan dengan mainframe – mendemokratisasi komputasi di luar Fortune 500. Bank, pialang, dan penyedia layanan dapat menerapkan sistem mini dan mid-range (dari vendor seperti DEC, Data General, lini AS/400 IBM, dll.) di tingkat departemen atau cabang. Era ini menyaksikan lahirnya jaringan elektronik dan layanan fintech yang dapat berjalan di infrastruktur yang lebih murah, memungkinkan munculnya pemain baru yang spesialis.

Kurva biaya
Sebuah cabang kini dapat memiliki daya komputasi sendiri dengan biaya yang jauh lebih rendah dibandingkan dengan komputer mainframe. Sesi interaktif menggantikan laporan batch, dan saluran baru seperti ATM menjadi lebih ekonomis. Minikomputer memangkas harga komputasi. Sebuah mini dari pertengahan 1970-an dapat berharga puluhan ribu, menurunkan biaya komputasi per unit hingga satu orde magnitudo dibandingkan dengan mainframe tahun 1960-an. Keterjangkauan ini memperluas adopsi TI di sektor keuangan. Akibatnya, pada tahun 1980-an, bahkan perusahaan keuangan tingkat menengah pun mulai mengkomputerisasi operasi, yang mengarah pada layanan yang lebih cepat dan biaya per unit yang lebih rendah.

Kisah pemenang

Sebuah Komputer Mini DEC - Sumber DEC

Citibank membeli ratusan komputer mini Tandem NonStop dan DEC, menghubungkannya ke ATM, dan meluncurkan pemasaran "Citi Never Sleeps" pada tahun 1977. Ketika badai salju menutup New York pada tahun 1978, ATM Citi tetap melayani pelanggan, volume transaksi melonjak dua puluh persen, dan pangsa deposito di kota itu meningkat dua kali lipat dalam waktu tiga tahun. Biaya teller, sekitar satu dolar per kunjungan, turun menjadi sekitar tiga puluh sen di ATM.

3. Klien-Server dan Basis Data Relasional: Pemrosesan Terdistribusi (akhir 1980-an–1990-an)

Konteks sejarah dan karakteristik kunci
Sebelum era klien-server, basis data berada di dalam komputer yang menggabungkan baik data maupun antarmuka. Era klien-server membawa pemisahan antara lapisan data dan lapisan antarmuka. Ada klien (PC) dan server. Sebuah PC Windows atau Mac menangani presentasi, server menengah menyimpan data, dan SQL berbicara di antara mereka melalui jaringan lokal. Basis data relasional siap pakai berarti wawasan baru: jutaan baris dapat ditanyakan dalam hitungan detik, memungkinkan model pemasaran statistik dan risiko.

Kurva biaya
PC di bawah $2.000 ditambah kotak Unix di bawah $100.000 memungkinkan bank untuk menanyakan jutaan baris dalam hitungan detik.

Kisah Pemenang
Capital One, yang terpisah dari Signet Bank pada tahun 1994, menggunakan grid klien-server yang menjalankan Oracle untuk menguji ribuan tawaran kartu kredit secara paralel. Mereka menentukan risiko pada tingkat individu dan meningkatkan jumlah pelanggan sebesar empat puluh persen pada tahun 1997 sementara para pesaing mengandalkan tingkatan FICO yang luas. Pengembalian ekuitas secara konsisten melebihi dua puluh persen karena analitik menggantikan penetapan harga secara umum. Pemenang lainnya termasuk Charles Schwab yang menyadari bahwa era klien-server dapat mendemokratisasi perantara saham.

Di Afrika meskipun ada sedikit keterlambatan, para pemenangnya termasuk;

1. Equity Bank yang memanfaatkan arsitektur klien-server dan mini-komputer untuk meningkatkan kemampuan transaksional mereka dengan melakukan upgrade ke Finacle (Sistem Perbankan Inti berbasis Klien-Server) sambil juga memperluas jaringan ATM mereka menggunakan sistem yang sama. Ini akhirnya berkembang menjadi Perbankan Agensi. Mereka beralih dari menjadi entitas yang tidak dikenal di tahun 90-an menjadi bank terbesar di Afrika Timur berdasarkan kapitalisasi pasar;
2. GT Bank - Menggunakan arsitektur klien-server untuk meningkatkan pemrosesan transaksi di cabang yang memungkinkan layanan pelanggan yang lebih baik. Sebelumnya, klien harus menunggu berjam-jam untuk memproses setoran atau penarikan sederhana.

4. Cloud 1.0: Infrastruktur sebagai Layanan (2006–awal 2010-an)

Sumber: Majalah Bisnis dan Keuangan - The Collison Brothers

Konteks sejarah dan karakteristik kunci

Web masih mengharuskan perusahaan memiliki server. Amazon Web Services mengubah komputasi, penyimpanan, dan basis data menjadi utilitas yang terukur. Sebuah aplikasi dapat berkembang dari sepuluh pengguna menjadi sepuluh juta tanpa pesanan pembelian perangkat keras.

Kurva biaya
Alih-alih jutaan dalam belanja modal, seorang pengembang hanya membutuhkan kartu kredit dan dapat membayar beberapa sen per jam untuk komputasi. Kapasitas elastis berarti biaya meningkat kira-kira sebanding dengan penggunaan, menghilangkan lonjakan besar. Ini sangat berbeda dari era basis data relasional di mana Anda perlu memperkirakan pertumbuhan Anda di muka yang mengarah pada belanja modal yang signifikan di awal.

Kisah Pemenang
Stripe diluncurkan pada tahun 2010, empat tahun setelah AWS diluncurkan pada tahun 2006, dengan API pembayaran yang aktif dalam hitungan menit. Contoh kode tujuh barisnya mengabstraksi underwriting pedagang, penyelesaian, dan kepatuhan. Pada tahun 2024, Stripe menangani sekitar US $1,4 triliun dalam pembayaran, volume yang sebelumnya dikelola oleh pengakuisisi bank dan pemroses warisan, dan biaya onboarding-nya tetap menjadi kesalahan pembulatan berkat penagihan berbasis penggunaan di cloud. API menjadi bentuk baru penciptaan nilai yang memvalidasi cloud sebagai perubahan platform yang nyata.

5. Era Mobile & Cloud-Native (2010-an – 2020-an)

Sumber: [itweb.co.za]

Konteks sejarah & karakteristik kunci
Smartphone menempatkan komputer internet, sensor biometrik, dan elemen aman di setiap saku, mengubah "distribusi" menjadi daftar aplikasi di toko aplikasi. Di atas itu, platform cloud publik (AWS, GCP, Azure) menyediakan infrastruktur tingkat bank sebagai utilitas; layanan mikro dan saluran CI/CD memungkinkan rilis fitur mingguan—bahkan harian. Jaringan seluler juga berfungsi sebagai jalur pembayaran; kode QR dan akun virtual menggantikan perangkat keras POS khusus dan jaringan cabang.

Kurva biaya
Dalam kerangka baru ini, pelanggan menyediakan terminal, bandwidth, dan otentikasi; biaya onboarding tambahan menjadi sangat rendah dibandingkan dengan biaya onboarding klien berbasis cabang atau pedagang. Biaya transaksi pada jalur berbasis aplikasi turun di bawah 1%, membuka akses yang menguntungkan untuk pembayaran tiket rendah dan akun tanpa biaya.

Pemenang & buku permainan mereka

• Nubank (Brasil, didirikan 2013)
  • Akuisisi hanya melalui ponsel via daftar tunggu viral; 2.000+ layanan mikro AWS untuk analisis kredit real-time.
  • Menggunakan kode yang diterapkan puluhan kali per hari, meluncurkan fitur lebih cepat daripada regulator bisa menyetujui kenaikan harga bank-bank lama.
  • Pada 2023: 100 juta pelanggan di seluruh Amerika Latin; US$11 miliar dalam biaya warisan yang dihemat untuk pengguna; pangsa pasar kartu Brasil dua digit sambil mempertahankan salah satu rasio biaya-pendapatan terendah di perbankan global.
  • Pendapatan mereka tumbuh dua kali lipat dari laju biaya mereka dan berada di jalur untuk menjadi bank yang paling menguntungkan di Brasil pada tahun 2028.
• TymeBank (Afrika Selatan, didirikan 2019)
  • Inti cloud di AWS; KYC instan, tanpa kertas melalui kios biometrik di dalam jaringan toko bahan makanan (Pick n Pay, Boxer).
  • Tidak memiliki cabang yang dimiliki, tim teknologi yang ramping; menjual silang tabungan, kredit, dan asuransi dalam aplikasi.
  • Pada 2024: 8 juta pelanggan; tercapaiprofitabilitas dalam waktu kurang dari lima tahun, menunjukkan bahwa distribusi fisik dapat dialihdayakan sementara inti tetap sepenuhnya digital.
• Contoh lainnya termasuk perusahaan seperti Flutterwave, Stitch, MNT Halan, Paystack, dan Paymob.

Mengapa mereka menang

• Distribusi tanpa infrastruktur ;
• Ekonomi elastis
• Antarmuka yang mengutamakan pengembang;
• Siklus iterasi yang cepat;

Jika digabungkan, para pemain ini menggambarkan bagaimana perangkat milik pelanggan ditambah dengan arsitektur cloud-native menciptakan keuntungan biaya struktural—dan menjadikan kecepatan, bukan skala warisan, sebagai senjata penentu dalam perbankan di Afrika dan global.

Pelajaran Kunci dari Perubahan Platform Masa Lalu

Beberapa pelajaran kunci dari pergeseran platform di masa lalu

1. Semua perubahan platform memungkinkan layanan keuangan dilakukan dengan cara yang berbeda. Ide dasar adalah struktur biaya dari masalah tertentu baik biaya untuk bertransaksi atau biaya untuk mendistribusikan.
2. Penerima manfaat dari pergeseran platform adalah bank yang dengan cepat mengadopsi teknologi (BoFA, Citi) atau pendatang baru yang memahami apa yang memungkinkan pergeseran tersebut (Stripe, Nubank);

Konteks untuk AI Generatif

Bagi saya, pergeseran platform sebelumnya lebih fokus pada biaya dan distribusi mengingat bahwa domain ini benar-benar spesifik perangkat lunak yaitu deterministik. Gen AI mungkin tidak selalu menjadi masalah biaya dan distribusi. Pandangan saya adalah bahwa Gen AI akan mengurangi biaya penyampaian hubungan yang disesuaikan hingga 10.000 kali. Saat ini, bank dan Fintech telah mendistribusikan transaksi melalui teknologi dan ini adalah tren yang akan terus berlanjut. Hampir semua orang melakukan transaksi di ponsel mereka dengan sangat sedikit transaksi yang terjadi di cabang. Ini berlaku untuk individu maupun klien korporat. Namun, kendala yang tersisa untuk lebih mendistribusikan layanan keuangan adalah memungkinkan perbankan hubungan dalam skala besar. Ini karena ini tetap menjadi pekerjaan manusia mengingat manajemen hubungan adalah konteks tinggi dan membutuhkan penilaian.

AI Gen dapat memberikan “perbankan hubungan” premium dengan biaya sangat rendah per pelanggan. Saat ini, seorang RM teratas di Afrika menghabiskan sekitar $6.000 sebulan untuk melayani ~30 klien, sekitar $300 masing-masing setelah biaya overhead. Alihkan pekerjaan itu ke AI dan biayanya bisa turun menjadi hanya beberapa sen, membuka saran berkualitas tinggi untuk pasar massal dan mentransformasi akses keuangan di seluruh benua. Menurut saya, ini adalah frontier berikutnya mengingat bahwa Fintech transaksional sudah terpecahkan.

Hubungan masih akan penting dalam perbankan—tetapi akan beralih dari manusia-ke-manusia menjadi manusia-ke-AI. Percakapan tentang uang sering kali membawa rasa malu; banyak pelanggan menyembunyikan pertanyaan dasar dari tatapan banker. AI yang tidak bernyawa dan tak kenal lelah menurunkan hambatan sosial itu, mengundang keterbukaan dan pertanyaan "bodoh" yang tak ada habisnya. Kejujuran yang lebih besar ditambah dengan panduan 24/7 menjadikan AI sebagai manajer hubungan yang kuat dan dapat diskalakan.

Inisiatif AI Global

Bagaimana Bank-Bank di Dunia Sebenarnya Menggunakan AI Generatif

Jika Anda mengabaikan berita utama dan hype, pertanyaannya tetap: apa yang sebenarnya dilakukan oleh bank-bank terbesar di dunia dengan AI generatif? Bukan potensi masa depan. Bukan apa yang dipromosikan oleh vendor. Apa yang sebenarnya telah diterapkan, dan di mana?

Selama dua tahun terakhir, sektor keuangan global secara diam-diam telah memasuki era AI generatif. Namun, gambaran yang muncul tidaklah seragam. Ini adalah campuran alat internal yang tenang, eksperimen yang hati-hati di hadapan klien, dan beberapa langkah berani yang benar-benar menunjukkan bagaimana perbankan mungkin direstrukturisasi dari dalam ke luar. Saya memberikan gambaran di bawah ini;

Internal Pertama, Klien Kemudian

Jika ada satu tema yang konsisten, itu adalah ini: AI dimulai dari dalam.

Sebagian besar adopsi AI generatif telah fokus pada produktivitas internal—alat yang membantu staf melakukan lebih banyak dengan lebih sedikit. Dari Asisten analis JPMorganyang menganalisis riset ekuitas, untuk Alat bertenaga GPT Morgan Stanley untuk manajer kekayaan, taruhan awal adalah memberdayakan bankir, bukan menggantikan mereka.

Goldman Sachs adalahmembangun copilot untuk pengembang.Citi memiliki ringkasan AI yang membantu staf menangani memo dan menyusun email. Standard Chartered’s “SC GPT” sedang aktif di 70.000 karyawan, membantu dengan segala hal mulai dari penulisan proposal hingga pertanyaan HR.

Mengingat bahwa kita hidup dalam lingkungan regulasi yang sangat ketat, alat internal menjadi masuk akal karena bank dapat bereksperimen dan mengasah kemampuan AI mereka tanpa menghadapi pelanggaran regulasi. Jika tindakan CBN baru-baru ini terhadap Zap bisa dijadikan acuan, maka lebih baik aman daripada menyesal.

Segmen demi Segmen: Di Mana Nilainya

Divisi yang berbeda bergerak dengan kecepatan yang berbeda. Perbankan ritel memimpin dalam hal volume. Dalam hal ini, Wells Fargo's Fargo atau Bank of America’s Erica, chatbot yang didukung oleh AI generatif kini menangani ratusan juta interaksi setiap tahun. Di Eropa, Commerzbank baru-baru ini meluncurkanAva, chatbot-nya sendiri.

Masalahnya adalah bahwa beberapa dari ini sebenarnya tidak menggunakan AI generatif dan sebenarnya bergantung pada pembelajaran mesin. Iniartikel memberikan penjelasan yang baik tentang bagaimana Erica oleh Bank of America bekerja, itu sebenarnya adalah turk mekanis. Namun, yang penting adalah eksperimen yang dilakukan.

Dalam perbankan korporat dan investasi, pergeserannya lebih halus. Alat internal JPMorgan mendukung tim riset dan penjualan, bukan klien.Deutsche Bank menggunakan AI untuk menganalisis log komunikasi klien.Ini bukan layanan pelanggan—ini adalah pemanfaatan data, membantu bankir memahami dan melayani klien dengan lebih baik dan lebih cepat.

Manajemen kekayaan berada di antara keduanya. AI Morgan Stanley tidak berbicara langsung dengan klien, tetapi memastikan penasihat tidak pernah menghadiri pertemuan tanpa persiapan. Deutsche Bank dan First Abu Dhabi Bank sedang menguji asisten yang berhadapan dengan klien untuk klien-klien top-tier mereka, yang dirancang untuk menjawab pertanyaan investasi yang bernuansa secara real time.

Perbedaan Regional: Siapa yang Bergerak Cepat?

Sumber:Indeks AI yang Jelas

Amerika Utara memimpin, seperti yang diharapkan. Bank-bank AS; JPMorgan, Capital One, Wells Fargo, Citi, dan RBC telah mengubah AI menjadi mesin produktivitas. Dan berkat kemitraan dengan OpenAI dan Microsoft, mereka telah mendapatkan akses awal ke model-model mutakhir.

Eropa lebih berhati-hati. BBVA, Deutsche, dan HSBC sedang menguji alat secara internal, seringkali dengan lebih banyak pengaman. GDPR memberikan dampak yang besar. Seperti biasa, Eropa lebih fokus pada regulasi daripada kemajuan dan ini mungkin akan mengorbankan mereka.

Afrika dan Amerika Latin berada pada tahap yang lebih awal, tetapi bergerak cepat. Nubank di Brasil adalah yang menonjol, bermitra dengan OpenAI untuk menerapkan alat secara internal dan akhirnya kepada klien. Di Afrika Selatan, bank-bank seperti Standard Bank dan Nedbank menjalankan pilot AI internal di seluruh bidang risiko, dukungan, dan pengembangan.

Tiongkok: Membangun Tumpukan AI-nya Sendiri

Bank-bank di China tidak hanya menggunakan AI—mereka sedang membangun tumpukan.

• ICBC diluncurkanZhiyong, model bahasa besar dengan 100 miliar parameter yang dibangun secara internal. Ini telah dipanggil lebih dari satu miliar kali, memberdayakan penggunaan dari analisis dokumen hingga otomatisasi pemasaran di 200 domain bisnis. Ini bukan hanya alat internal, ini adalah perubahan dasar dalam cara bank beroperasi.
• Ant Group meluncurkan dua LLM keuangan -Zhixiaobao 2.0 (untuk pelanggan ritel) danZhixiaozhu 1.0(untuk profesional keuangan). Yang pertama dirancang untuk menjelaskan produk keuangan kepada pengguna sehari-hari di dalam Alipay. Yang kedua membantu manajer kekayaan merangkum laporan pasar dan menghasilkan wawasan portofolio.
• Ping An Group, salah satu Fintech favorit saya, adalah hibrida antara asuransi, perbankan, dan teknologi, semakin maju. Ini membangunTanyaBob, asisten AI generatif untuk klien dan manajer hubungan. Untuk pelanggan, AskBob dapat menjawab pertanyaan investasi dan asuransi dalam bahasa Mandarin yang alami. Untuk penasihat, ia menarik dan merangkum riwayat pelanggan, data produk, dan materi pemasaran, mengubah setiap agen menjadi pakar keuangan yang ditingkatkan secara digital. Ambisi Ping An adalah untuk mendefinisikan kembali nasihat keuangan melalui AI, bukan hanya menjawab pertanyaan, tetapi juga mencegahnya.

Di Tiongkok, di mana kerangka regulasi sangat mendorong lokalisasi data dan transparansi model, institusi-institusi ini mengambil jalan panjang: membangun AI yang dilatih khusus yang dapat berkembang dalam lingkungan regulasi, linguistik, dan pasar domestik. Selain itu, Tiongkok memiliki kepadatan bakat yang cukup untuk memungkinkan bank membangun model dasar mereka sendiri, sebuah prestasi yang mungkin tidak dapat diulang di tempat lain di dunia.

Siapa yang Menggerakkan Ini?

Beberapa nama besar muncul di mana-mana: Microsoft (melalui Azure OpenAI) adalah platform yang paling umum. Semua orang dari Morgan Stanley hingga Standard Chartered menjalankan model mereka di sandbox aman Microsoft.

LLM Google juga berperan, Wells Fargo menggunakan Flan untuk menggerakkan Fargo. Dan di Cina, sebagian besar berasal dari dalam negeri: DeepSeek, Hunyuan, dan lainnya.

Beberapa bank seperti; JPMorgan, ICBC, dan PingAn sedang melatih model mereka sendiri. Namun, sebagian besar hanya melakukan fine-tuning pada model yang sudah ada. Ini bukan tentang memiliki modelnya. Ini tentang memiliki lapisan data dan orkestrasi.

Tinjauan Inisiatif AI yang Berbeda di Seluruh Dunia

Jadi apa?

Dalam industri yang sangat diatur, penting untuk berhati-hati dan itulah mengapa bank menjaga AI dalam lingkaran, bukan di garis depan. Meskipun demikian, seperti yang telah kita amati dalam pergeseran platform lainnya, sangat penting untuk tegas dan bereksperimen dengan cepat. Regulasi tidak akan pernah lebih maju dari pelaksanaan dan tidak bijaksana untuk menunda eksperimen AI dengan ide bahwa Anda harus menunggu regulasi. Saya ingat membangun perbankan agen lebih dari satu dekade yang lalu di negara yang tidak memiliki regulasi semacam itu. Setelah kami membangunnya, kami adalah orang-orang yang menjelaskannya kepada Bank Sentral. Jika saya berada di dewan sebuah bank, pertanyaan saya adalah "berapa banyak eksperimen yang kami jalankan dan berapa banyak wawasan yang kami hasilkan?"

Untuk benar-benar mengukur kemajuan, Anda harus kembali ke dasar-dasar pergeseran platform. Strategi AI Anda harus menjawab:

"Apakah strategi AI kami membangun kembali arsitektur inti, mengurangi biaya hingga 100×, membuka model nilai baru, memicu keterkaitan ekosistem, mengganggu pasar, dan mendemokratisasi akses?"

Logiknya jelas, penting untuk bersikap skeptis tetapi logika dan fakta menunjukkan bahwa AI adalah pergeseran platform baru. Selain itu, logika dan fakta menunjukkan bahwa pergeseran platform di masa lalu secara kiasan telah mengubah keadaan di pasar keuangan. Pekerjaan Citi dengan teknologi pada tahun 70-an dan 80-an secara signifikan memperluas bisnis ritel mereka. Capital One muncul entah dari mana menjadi bank 10 besar di pasar dan pemain signifikan di industri terkait seperti pinjaman mobil dan hipotek. Di Afrika, Equity Bank memanfaatkan gelombang klien-server untuk menjadi bank terbesar di Afrika Timur berdasarkan kapitalisasi pasar. Gelombang yang sama juga dimanfaatkan oleh Access Bank, GT Bank, dan Capitec di pasar masing-masing.

Era platform AI telah tiba dan akan menciptakan pemenang. Ide utamanya adalah tidak fokus pada yang kalah karena yang terjadi adalah para pemenang mengambil pangsa pasar yang signifikan dalam vektor tertentu, misalnya Stripe di Pembayaran. Wedges awal ini menghasilkan keuntungan pangsa pasar di area terkait seperti bagaimana Nubank menggunakan kartu kredit untuk menjadi pemain serius dalam perbankan UKM dan ritel.

Pandangan saya adalah bahwa pemenang di era AI akan fokus pada biaya hubungan. Ini bukan lagi permainan transaksional. Itu sudah terjadi. Ini adalah permainan pengalaman pelanggan dan hubungan. Ini adalah wawasan inti yang harus dipahami oleh para pemimpin layanan keuangan. Bagaimana Anda dapat menciptakan peningkatan 100x dalam pengalaman pelanggan dan perbankan hubungan dengan biaya yang sangat rendah? Bagaimana kita dapat memanfaatkan kecerdasan sebagai bank untuk membantu Anda mengelola keuangan, bisnis, dan kehidupan Anda dengan lebih baik? Pemain yang menjawab pertanyaan-pertanyaan ini dan mengeksekusinya akan menjadi pemenang.

Penafian：

1. Artikel ini dicetak ulang dari [Newsletter Fintech Frontier]. Teruskan Judul Asli ‘#81 - Di Balik Hype: Mengapa Gen AI Adalah Perubahan Platform Nyata Berikutnya untuk Perbankan (Baca Gratis)’. Semua hak cipta adalah milik penulis asli [ Mary Mogoi]. Jika ada keberatan terhadap cetakan ulang ini, silakan hubungi Gate Learn tim, dan mereka akan menanganinya dengan cepat.
2. Penyangkalan Tanggung Jawab: Pandangan dan pendapat yang diungkapkan dalam artikel ini sepenuhnya merupakan pendapat penulis dan tidak merupakan saran investasi.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.