Pendalaman Mendalam: AI Agentic dalam Penanggulangan Kejahatan Keuangan

Sistem keuangan global menghadapi krisis struktural. Pada tahun 2025, aktivitas keuangan ilegal melonjak menjadi sekitar $4,4 triliun, angka yang meningkat $1,3 triliun hanya dalam dua tahun. Tingkat pertumbuhan majemuk tahunan sebesar 19,2% ini menunjukkan bahwa kejahatan keuangan tidak hanya meningkat; tetapi juga menjadi industri. Lonjakan ini berarti model kepatuhan warisan gagal. Sistem berbasis aturan tradisional dan tinjauan manual manusia secara matematis tidak mampu mengikuti kecepatan AI yang adversarial.

Industri saat ini beroperasi dalam keadaan tidak efisien dengan biaya tinggi. Bank biasanya mengalokasikan 10% hingga 15% dari total tenaga kerjanya untuk kegiatan Know Your Customer (KYC) dan Anti-Money Laundering (AML), namun mereka hanya mendeteksi sekitar 2% dari aliran kejahatan keuangan global. Selisih antara pengeluaran operasional dan efektivitas ini adalah “jebakan kepatuhan.” Saya percaya bahwa AI agenik adalah satu-satunya strategi keluar yang kredibel dari jebakan ini.

AI agenik mewakili pergeseran dari teknologi “bantuan” ke pelaksanaan “otonom.” Sementara AI generatif (GenAI) merangkum data dan AI analitik mengidentifikasi pola, AI agenik memiliki kapasitas untuk merencanakan, melaksanakan, dan menyesuaikan rangkaian tindakan untuk mencapai tujuan tertentu. Ini adalah perbedaan antara chatbot yang menulis ringkasan dan pekerja digital yang menyelidiki sebuah kasus.

Kedaluwarsa kerangka kerja tanpa kode dan berbasis aturan

Selama satu dekade, “tanpa kode” menjadi tolok ukur untuk operasi risiko. Ini memungkinkan tim kepatuhan membangun aturan tanpa dukungan teknik. Namun, seiring volume kejahatan meningkat, analis menjadi hambatan utama. Dalam AML tradisional, hingga 95% dari peringatan adalah positif palsu. Membuat satu Laporan Kegiatan Mencurigakan (SAR) bisa memakan waktu empat hari atau lebih.

Alat tanpa kode tidak lagi cukup. Sekarang dibutuhkan Infrastruktur Risiko AI. Infrastruktur ini menjalankan seluruh siklus hidup kejahatan keuangan: mendeteksi risiko secara real-time, menyelidiki peringatan secara menyeluruh, dan menghasilkan dokumen yang siap untuk regulator. Peluncuran ulang Unit21 pada tahun 2026 menandai transisi ini. Platform mereka beralih dari mesin aturan tanpa kode menjadi sistem agenik di mana agen AI menyetel logika deteksi dan melakukan penyelidikan tanpa analis manusia yang mengarahkan setiap langkah.

Mendefinisikan AI agenik dalam operasi risiko

AI agenik merujuk pada sistem yang bertindak dengan tingkat otonomi tertentu terhadap tujuan yang telah ditetapkan. Dalam memerangi kejahatan keuangan, ini berarti AI dapat memutuskan sumber data mana yang akan dipertanyakan, bagaimana menafsirkan informasi yang tidak konsisten, dan kapan harus meningkatkan kasus.

Perbandingan Generasi AI dalam Kepatuhan

Potensi produktivitas AI agenik adalah 20 kali lipat dari praktisi manual. Saya mengkategorikan agen-agen ini ke dalam skuad yang mencerminkan peran manusia sepanjang rantai nilai. Agen RAG (Retrieval-Augmented Generation) menangani ekstraksi data dari laporan laba rugi dan dokumen kepemilikan manfaat. Agen pipeline data mengatur proses ETL dan melakukan resolusi entitas di berbagai dataset yang terfragmentasi. Agen riset memantau tren pasar dan pola mitra, sementara agen validasi meninjau keluaran agen untuk memastikan kualitas.

Alur kerja penyelidikan AI

Ketika sebuah peringatan masuk ke antrean, Agen Penyelidikan AI mengikuti alur kerja terstruktur daripada memulai dari halaman kosong.

2. Pengumpulan sinyal: Agen mengambil riwayat transaksi, profil entitas, skor risiko, dan kecocokan daftar pantauan. Ia menavigasi berbagai layar untuk menyusun konteks yang dibutuhkan analis senior.

3. Orkestrasi alur kerja: Agen mengikuti langkah-langkah modular yang dikonfigurasi sesuai prosedur operasi standar (SOP) institusi. Ini termasuk memeriksa riwayat peringatan sebelumnya, menjalankan pencarian OSINT, dan cross-referencing daftar sanksi.

4. Penyusunan temuan: Agen menghasilkan paket terstruktur yang berisi narasi tertulis, log bukti, dan rekomendasi disposisi. Alasan di balik keputusan dibuat eksplisit dan dapat dilacak.

Model “manusia dalam loop” tetap menjadi standar untuk disposisi akhir. Analis menyetujui, memodifikasi, atau mengesampingkan paket agen, memastikan akuntabilitas manusia.

Perancangan konteks vs perancangan prompt

Tantangan rekayasa paling sulit dalam AI agenik bukanlah menulis prompt yang lebih baik; melainkan merancang konteks. Untuk menghasilkan narasi penyelidikan yang dapat diaudit, model harus menerima bukti yang tepat tanpa membebani jendela konteksnya. LLM berbasis arsitektur transformer, di mana setiap token memperhatikan token lainnya, menghasilkan hubungan n2. Ini menyebabkan kekurangan perhatian saat panjang konteks meningkat.

Rekayasa konteks yang efektif adalah ilmu mengkurasi token dengan sinyal tinggi untuk memaksimalkan kemungkinan hasil yang diinginkan. Misalnya, Unit21 memanfaatkan dataset kaya dari 7 tahun tinjauan manusia untuk menentukan konteks optimal yang diperlukan untuk menyelesaikan tugas tertentu. Tugas-tugas ini kemudian dievaluasi terhadap investigasi manusia historis, yang dilakukan oleh analis berkinerja tinggi, untuk memastikan kebenaran, konsistensi, dan efektivitas.

Evaluasi dilakukan menggunakan arsitektur “LLM sebagai hakim.” Model sekunder yang lebih mampu menilai kualitas keluaran agen utama, menciptakan lapisan pemeriksaan mandiri yang menandai inkonsistensi sebelum mencapai reviewer manusia. Ini didukung oleh validasi kutipan, di mana sistem memverifikasi bahwa klaim agen didasarkan pada data yang diambil, bukan inferensi model.

Alur kerja penyelidikan AI

Ketika sebuah peringatan masuk ke antrean, Agen Penyelidikan AI mengikuti alur kerja terstruktur daripada memulai dari halaman kosong.

2. Pengumpulan sinyal: Agen mengambil riwayat transaksi, profil entitas, skor risiko, dan kecocokan daftar pantauan. Ia menavigasi berbagai layar untuk menyusun konteks yang dibutuhkan analis senior.

3. Orkestrasi alur kerja: Agen mengikuti langkah-langkah modular yang dikonfigurasi sesuai prosedur operasi standar (SOP) institusi. Ini termasuk memeriksa riwayat peringatan sebelumnya, menjalankan pencarian OSINT, dan cross-referencing daftar sanksi.

4. Penyusunan temuan: Agen menghasilkan paket terstruktur yang berisi narasi tertulis, log bukti, dan rekomendasi disposisi. Alasan di balik keputusan dibuat eksplisit dan dapat dilacak.

Model “manusia dalam loop” tetap menjadi standar untuk disposisi akhir. Analis menyetujui, memodifikasi, atau mengesampingkan paket agen, memastikan akuntabilitas manusia.

Tiga mode kegagalan agen AI

Sebagian besar penerapan awal agen AI gagal karena kurangnya pengaman yang baik daripada model yang lemah.

Sardine

2. Peneliti yang berhalusinasi: Terjadi saat tim memberikan terlalu banyak konteks dan prompt terbuka. Dalam lingkungan adversarial, model mengisi kekurangan data dengan narasi yang masuk akal tetapi salah. Solusinya adalah menggunakan “agen atomik” dengan batas keputusan yang sempit.

3. Agen yang terlalu curiga: Pelatihan berbasis pola tanpa dasar konteks menyebabkan peningkatan eskalasi berlebihan. Misalnya, menandai pembayaran bernilai tinggi antar akun internal terkait sebagai “layering.” Pertanyaan dasar harus disisipkan ke dalam logika agen untuk mencegah kesimpulan penipuan secara default.

4. Agen kotak hitam: Menghasilkan kesimpulan yang tidak dapat dipertahankan di hadapan regulator. Output yang akurat tanpa rantai bukti adalah risiko. Agen harus menarik data secara deterministik dan fokus pada dokumentasi terstruktur.

Pertahanan prediktif dan pekerja digital

Seiring kita memasuki tahun 2026, perbedaan antara stablecoin swasta dan uang digital publik menjadi pertimbangan strategis penting. Penggabungan operasi penipuan dan AML bukan hanya konvergensi operasional; ini adalah integrasi yang lebih dalam dari tumpukan teknologi.

Sistem AI agenik sedang bergerak dari fase pilot ke inti pertahanan AML. Kita menyaksikan pergeseran dari pengenalan pola sederhana ke sistem prediktif yang dapat mengantisipasi aktivitas kriminal sebelum transaksi bahkan ditandai. Jelas saya katakan: sistem berbasis aturan warisan tidak mampu mengikuti kecepatan pembayaran instan.

Jalan menuju dampak didorong oleh kecepatan adopsi dan model operasional yang disesuaikan. Institusi terkemuka memulai dengan perimeter pilot untuk membuktikan dampak sebelum melakukan peluncuran skala penuh. AI agenik adalah inovasi utama berikutnya untuk KYC/AML, menawarkan kepatuhan yang lebih kuat dan pengalaman pelanggan yang lebih lancar.

Saya menganggap adopsi AI agenik sebagai kebutuhan untuk bertahan di lanskap keuangan modern. Aktivitas ilegal sebesar $4,4 triliun adalah pengingat bahwa biaya tidak bertindak terlalu tinggi. Kita harus beralih dari tenaga kerja eksekutor manual ke pengawas AI, mengelola pabrik digital agen yang mendeteksi dan menyelidiki dengan kecepatan mesin.