Kecerdasan Buatan: Pakaian Baru Sang Kaisar? Adopsi dalam Layanan Keuangan

Katharine Wooller adalah Chief Strategist – Layanan Keuangan, Softcat plc, perusahaan TI yang terdaftar di FTSE.

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

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

Sedikit topik yang sepolar AI; penilaiannya berkisar dari, di ujung yang lebih positif, perbatasan berikutnya bagi kemajuan manusia, solusi teknologi yang mencari masalah untuk dipecahkan, atau, yang terburuk, potensi untuk menciptakan akhir umat manusia.

Sebagai Chief Strategist di Softcat, yang mendukung 2.500 perusahaan layanan keuangan melalui layanan TI dan infrastruktur, saya memiliki tempat duduk yang istimewa untuk menyaksikan inovasi terungkap di seluruh spektrum FS&I.

Pertama keluar gerbang, terdapat adopsi yang kuat pada dana lindung nilai kuantitatif, yang merangkul investasi besar dalam AI untuk imbal hasil yang lebih baik, serta asuransi, yang diuntungkan oleh jumlah data yang sangat besar—keduanya dapat dengan mudah membenarkan skenario penggunaan yang jelas dengan ROI yang kuat.
 
Perusahaan layanan keuangan telah melakukan pemodelan matematis dan machine learning hampir satu dekade sebelum AI dipasarkan dalam wujudnya saat ini, tetapi baru-baru ini performa infrastruktur AI yang sangat tinggi telah mendorong adopsi yang kuat oleh dana perdagangan kuantitatif dan perusahaan asuransi serta manajemen kekayaan, semuanya mencari manfaat dari banyaknya data yang kini tersedia bagi mereka.

Selain itu, banyak yang dijual sebagai AI sebenarnya hanyalah perwujudan otomasi berikutnya.

Meskipun kami melihat minat yang sangat besar terhadap AI di semua jenis perusahaan layanan keuangan, berdasarkan potensi besar teknologi tersebut, pada akhirnya kami masih berada di lereng awal adopsi. Selain itu, terdapat variasi besar pada ragam kasus penggunaan—bank tingkat satu akan menerapkan AI dengan cara yang sangat berbeda dibandingkan, misalnya, masyarakat pembangun lokal dengan sepuluh cabang.

Saya sering melihat selera yang berbeda dalam organisasi yang sama, dengan dewan, generasi yang lebih muda dan lebih melek digital, serta fungsi operasi/keuangan yang sering kali lebih terbuka terhadap gagasan tersebut, dibandingkan, misalnya, rekan-rekan kepatuhan.  Kekhawatiran yang sering muncul mencakup sifat “black box” dari teknologi, kekhawatiran mengenai penerapan AI secara etis, dan kurangnya kejelasan regulasi.

Namun, ada pola yang jelas yang mulai terlihat mengenai apa yang membuat adopsi awal dan tingkat penggunaan yang kuat.  Perusahaan yang sukses memiliki strategi yang kuat untuk mengadopsi AI, membentuk pusat keunggulan, dan memastikan data mereka berada dalam kondisi yang tepat sejak awal; ini terdengar seperti upaya kecil, tetapi justru menjadi fondasi inovasi yang sukses.

Kami sering melihat kasus penggunaan pertama untuk diterapkan pada alat produktivitas seperti ChatGPT, Co-pilot, atau Claude, yang sering menjadi titik masuk bagi banyak rekan kerja dalam merangkul gagasan tentang AI, dan kadang secara sinis disebut sebagai “gateway drug”!
 
Secara budaya, mengadopsi AI dapat menjadi loncatan besar dari status quo, dan tim kepemimpinan yang sangat efektif akan menyiapkan organisasi mereka agar siap menghadapi masa depan.  Strategi HR yang berwawasan ke depan sangat penting, dengan membangun kapabilitas dan keahlian AI internal, berfokus pada keterampilan dan keahlian yang dapat diterapkan, serta mendorong berbagi pengetahuan.  Sudut pandang jangka panjang perlu diambil dengan menata ulang penempatan rekan kerja yang perannya digantikan oleh efisiensi yang digerakkan oleh AI.

Ada juga perhatian yang tepat terhadap nilai tambah dari AI; ada beberapa bank yang memiliki ratusan potensi kasus penggunaan, dan menavigasi mana yang harus dimasukkan untuk uji konsep, lalu melakukan peluncuran yang lebih luas, bisa menjadi tantangan.  Praktik terbaik, untuk teknologi baru seperti ini, baru saja mulai muncul. Pada tahap pertama, menyaring sejumlah besar potensi kasus penggunaan untuk memprioritaskan yang menawarkan penciptaan nilai terbesar bisa terasa sangat melelahkan, dan triase yang tegas dapat dilakukan berdasarkan dampak, biaya, kelayakan, serta keselarasan dengan tujuan bisnis yang lebih luas, untuk mengevaluasi potensi ROI.

Perlu ada kerangka kerja pengukuran yang dipikirkan dengan matang untuk mengevaluasi proyek AI, dengan KPI yang relevan, metodologi pengumpulan data yang kuat, serta mekanisme pelaporan yang didefinisikan dengan jelas.  Setelah sebuah proyek AI menjadi bagian dari BAU, harus ada kebijakan pengembangan iteratif berkelanjutan dari waktu ke waktu untuk memaksimalkan imbal hasil dan memastikan keselarasan dengan prioritas strategis—lagi-lagi, ini sering kali merupakan ciri budaya dari tim yang berperforma tinggi.

Baru-baru ini, saya diundang untuk berbicara tentang AI bersama seorang regulator.  Dalam sebuah forum meja bundar industri, muncul pertanyaan yang sangat membingungkan namun brilian: “Satu masalah apa yang dapat diselesaikan oleh AI lebih baik daripada yang lain?”  Tidak mengherankan, setiap organisasi memiliki jawaban yang sepenuhnya berbeda, dan saya mengharapkan perusahaan-perusahaan akan terus bergulat dengan pertanyaan ini selama bertahun-tahun ke depan.

Mereka yang tidak dapat bersikap strategis tentang AI, dan menerapkan dengan cara yang tepat serta tepat waktu, akan berada pada ketertinggalan yang signifikan.