Mengapa LLMs Sendirian Tidak Akan Memberikan ROI dalam Layanan Keuangan

Temukan berita dan acara fintech teratas!

Langganan buletin FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna, dan lainnya

Model bahasa besar (LLM) telah disebut sebagai listrik zaman kita, dan kedatangannya telah memicu gelombang eksperimen dalam keuangan. Dari penelitian otomatis hingga wawasan pelanggan, potensinya sangat besar. Tetapi seiring dengan meningkatnya adopsi, kenyataan yang jelas muncul: LLM saja tidak cukup tanpa lapisan agensi di atasnya.

LLM dapat menghasilkan kata-kata, tetapi mereka membutuhkan agen untuk menjamin kebenaran. Mereka dapat merangkum data, tetapi tanpa lapisan agensi, mereka tidak dapat memutuskan apa yang paling penting untuk bisnis Anda. Dan di sektor di mana kepercayaan, kepatuhan, dan kecepatan tidak dapat dinegosiasikan, celah itu sangat krusial. Sementara LLM memberikan kekuatan pada sistem, AI agensi tahu kapan dan bagaimana menyalakan lampu.

LLM saja tidak cukup

LLM mengesankan, tetapi mereka reaktif. Mereka merespons perintah, menghasilkan teks, dan merangkum data, tetapi mereka tidak beroperasi dengan konteks bisnis. Sendirian, mereka kekurangan landasan dalam definisi, aturan, dan garis waktu organisasi. Tanpa lapisan agensi dan katalog konteks, model-model ini kuat tetapi tidak lengkap. Mereka dapat berkomunikasi dengan lancar, tetapi mereka tidak dapat memastikan bahwa apa yang mereka katakan sesuai dengan bagaimana bisnis mendefinisikan kebenaran. Celah itu menjadi krusial di lingkungan keuangan yang kompleks di mana informasi harus dipercaya, diorganisir, dan dibagikan secara konsisten.

AI agensi, dikombinasikan dengan katalog konteks, menyediakan elemen yang hilang: konteks bisnis untuk pengambilan keputusan dan pembelajaran manusia dalam loop untuk perbaikan berkelanjutan. Bersama-sama, mereka menambahkan otonomi, konteks, dan memori. Agen tahu apa yang harus dicari, katalog konteks memastikan keluaran sesuai dengan definisi yang tepercaya, dan keduanya beroperasi dalam batasan yang jelas. Dalam praktiknya, ini memungkinkan lembaga keuangan untuk:

*   Secara terus-menerus memindai pasar, berita, dan pengajuan untuk anomali sebelum manusia menyadarinya
*   Melacak sentimen pelanggan dari waktu ke waktu dan menghubungkan wawasan kepada penasihat dan tim produk
*   Mengotomatiskan pelaporan dan alur kerja kepatuhan sehingga wawasan diterjemahkan langsung menjadi keputusan

Agen yang dikombinasikan dengan lapisan metadata mengubah LLM dari alat reaktif menjadi peserta aktif dalam operasi keuangan, sementara manusia tetap sebagai pengambil keputusan utama. Mereka mengubah potensi menjadi kinerja.

Seiring semakin banyak bisnis yang mengadopsi alat AI, organisasi yang menganggap AI sebagai hidangan sampingan yang mewah dalam strategi mereka tidak akan melihat ROI yang mereka inginkan. Strategi AI paling berhasil ketika dijalin ke dalam struktur organisasi, ketika ia menjadi bagian dari organisasi itu sendiri.

Membangun kecerdasan di atas model

Sejarah listrik memberikan analogi yang berguna. Akses awal ke listrik adalah keuntungan kompetitif. Begitu listrik tersedia secara luas, keuntungan bergeser kepada mereka yang merancang sistem yang menggunakannya secara efisien. Pabrik, jalur perakitan, dan sistem pencahayaan menjadi pembeda.

LLM sekarang berada di tahap yang sama. Mereka dapat diakses secara luas. Keuntungan nyata berasal dari bagaimana institusi menggunakannya untuk menginformasikan alur kerja, mengatur keputusan, dan mendukung penilaian manusia. Hanya menerapkan model sebagai “perbaikan untuk semua” bukanlah strategi. Menggunakan kecerdasan untuk menyelesaikan atau mendukung tujuan tertentu adalah yang memicu dampak yang terukur.

Pertimbangkan tiga contoh:

*   **Riset pasar**: Sebuah LLM dapat merangkum berita atau pengajuan. Seorang agen, didukung oleh metadata katalog kontekstual, menyaring, memprioritaskan, dan menyoroti apa yang relevan untuk keputusan investasi yang disesuaikan dengan seorang investor.
*   **Analisis sentimen pelanggan**: Sebuah LLM membaca pos sosial atau survei. Agen yang dikontekstualisasi oleh katalog mengagregasi wawasan, melacak tren, dan menghubungkan hasil kepada manajer hubungan.
*   **Penipuan dan kepatuhan**: LLM memecah data yang tidak terstruktur. Agen mengatur deteksi anomali menggunakan definisi dari katalog, kemudian mengotomatiskan pelaporan dan tugas tindak lanjut untuk mencegah risiko operasional.

Dalam setiap skenario, model memberikan skala dan kelancaran, tetapi kombinasi agen dan katalog konteks menciptakan relevansi, fokus, dan dapat ditindaklanjuti.

Mendukung penilaian manusia

Beberapa orang berasumsi bahwa agen atau LLM akan menggantikan manusia. Dalam layanan keuangan, ini tidak mungkin. Manusia memberikan penilaian, pengawasan, dan pemikiran strategis yang tidak dapat diotomatisasi. Agen dan katalog konteks memperkuat kemampuan manusia dengan memastikan informasi akurat, terkontekstualisasi, dan siap untuk pengambilan keputusan. Mereka menangani tugas yang berulang, memakan waktu, atau sangat terdistribusi.

Ketika digabungkan, LLM, agen, dan katalog konteks menciptakan umpan balik: Model menghasilkan wawasan; agen memprioritaskan dan mengaturnya; katalog mengakar itu dalam kebenaran organisasi. Akhirnya, manusia membuat keputusan.

Hasilnya adalah hasil yang lebih cepat, lebih percaya diri, dan lebih tepat. Analis dan pemimpin menghabiskan lebih sedikit waktu mengumpulkan informasi dan lebih banyak waktu bertindak atasnya.

Imperatif kompetitif

Lembaga keuangan yang hanya mengandalkan LLM tetap reaktif. Mereka yang mengintegrasikan agen dan katalog konteks mendapatkan proaktivitas, efisiensi, dan wawasan dalam skala besar. LLM diperlukan tetapi tidak lengkap. Agen mengubahnya menjadi sistem yang memberikan nilai nyata. Katalog memastikan sistem tersebut beroperasi berdasarkan definisi yang tepercaya dan data yang dapat diverifikasi.

Industri layanan keuangan sedang berada pada titik balik. LLM telah menjadi utilitas dasar. Keunggulan kompetitif sekarang datang dari merancang sistem yang mengatur kecerdasan, memberikan konteks, dan mengintegrasikan di seluruh alur kerja. Mereka yang memahami kenyataan ini akan mendefinisikan era inovasi fintech berikutnya.

LLM memberikan kekuatan. Agen dan katalog konteks mengarahkan kekuatan itu dan membuatnya berguna. Bersama-sama, mereka memungkinkan organisasi layanan keuangan untuk melihat dengan jelas, bertindak dengan percaya diri, dan membuat keputusan yang lebih cerdas.

Tentang penulis

Alexander Walsh adalah Co-Founder dan CEO dari Oraion. Dengan latar belakang yang beragam dalam strategi, keuangan, dan ekspansi internasional, Alexander telah menghabiskan lebih dari satu dekade mendorong pertumbuhan untuk perusahaan-perusahaan global terkemuka. Sebelum mendirikan Oraion, ia menjabat sebagai Direktur Ekspansi Internasional di Via.work, membantu memperluas operasi global perusahaan dan memimpin keberhasilannya melalui akuisisi oleh JustWorks. Pengalamannya mencakup peran di Apple, N26, dan Silicon Valley Bank, di mana ia berspesialisasi dalam operasi, kepatuhan, dan pengambilan keputusan berbasis data. Keahlian Alexander terletak pada strategi bisnis, manajemen keuangan, dan memanfaatkan otomatisasi untuk mendorong pertumbuhan dan mentransformasi bisnis.