Mengapa LLMs Sendirian Tidak Akan Memberikan ROI dalam Layanan Keuangan

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

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

Model bahasa besar (LLM) telah disebut sebagai listrik di zaman kita, dan kemunculannya memicu gelombang eksperimen di bidang keuangan. Mulai dari riset terotomatisasi hingga wawasan pelanggan, potensinya sangat luas. Namun seiring adopsi tumbuh, kenyataan yang jelas sedang muncul: LLM saja tidak cukup tanpa lapisan agentic di atasnya.

LLM dapat menghasilkan kata, tetapi mereka memerlukan agen untuk menjamin kebenaran. Mereka bisa merangkum data, tetapi tanpa lapisan agentic, mereka tidak dapat memutuskan apa yang paling penting bagi bisnis Anda. Dan di sektor yang kepercayaan, kepatuhan, dan kecepatan tidak dapat ditawar, celah itu sangat krusial. Saat LLM membawa kekuatan ke sistem, AI agentic tahu kapan dan bagaimana menyalakan lampu.

LLM saja tidak cukup

LLM mengesankan, tetapi mereka bersifat reaktif. Mereka merespons prompt, menghasilkan teks, dan merangkum data, namun mereka tidak beroperasi dengan konteks bisnis. Tanpa mereka sendiri, mereka kekurangan landasan pada definisi organisasi, aturan, dan timeline. Tanpa lapisan agentic dan katalog konteks, model-model ini kuat namun tidak lengkap. Mereka bisa berkomunikasi dengan lancar, tetapi mereka tidak dapat memastikan bahwa apa yang mereka katakan selaras dengan cara bisnis mendefinisikan kebenaran. Kesenjangan itu menjadi krusial dalam lingkungan keuangan yang kompleks, di mana informasi harus dipercaya, diorganisasi, dan dibagikan secara konsisten.

AI agentic, dikombinasikan dengan katalog konteks, menyediakan elemen yang hilang: konteks bisnis untuk pengambilan keputusan dan pembelajaran human-in-the-loop untuk peningkatan berkelanjutan. Bersama, mereka menambahkan otonomi, konteks, dan memori. Agen tahu apa yang harus dicari, katalog konteks memastikan output memetakan ke definisi yang tepercaya, dan keduanya beroperasi dalam batas yang jelas. Dalam praktiknya, hal ini memungkinkan institusi keuangan untuk:

*   Terus memindai pasar, berita, dan dokumen pengajuan untuk anomali sebelum manusia menyadarinya
*   Melacak sentimen pelanggan dari waktu ke waktu dan menghubungkan wawasan ke penasihat serta tim produk
*   Mengotomatiskan pelaporan dan alur kerja kepatuhan sehingga wawasan langsung berubah menjadi keputusan

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

Seiring lebih banyak bisnis mengadopsi alat AI, organisasi yang memperlakukan AI seperti hidangan pendamping yang mewah untuk strategi mereka tidak akan melihat ROI yang mereka cari. Strategi AI paling berhasil ketika ditenun ke dalam struktur organisasi, ketika menjadi bagian dari organisasi itu sendiri.

Membangun kecerdasan di atas model

Sejarah listrik memberikan analogi yang berguna. Akses awal ke daya merupakan keunggulan kompetitif. Setelah listrik menjadi tersedia secara luas, keunggulan bergeser ke pihak yang merancang sistem yang memanfaatkannya secara efisien. Pabrik, lini perakitan, dan sistem pencahayaan menjadi pembeda.

LLM kini berada pada tahap yang sama. Mereka tersedia secara luas. Keunggulan nyata muncul dari bagaimana institusi menggunakannya untuk menginformasikan alur kerja, mengorkestrasi keputusan, dan mendukung penilaian manusia. Sekadar menerapkan model sebagai “pemecah segalanya” bukanlah strategi. Menggunakan kecerdasan untuk memecahkan atau mendukung tujuan tertentu yang mendorong dampak yang dapat diukur.

Pertimbangkan tiga contoh:

*   **Riset pasar**: LLM dapat merangkum berita atau dokumen pengajuan. Sebuah agen, didukung oleh metadata katalog konteks, memfilter, memprioritaskan, dan menyoroti apa yang relevan untuk keputusan investasi yang disesuaikan bagi seorang investor.
*   **Analisis sentimen pelanggan**: LLM membaca postingan sosial atau survei. Agen yang dikontekstualisasikan oleh katalog mengagregasikan wawasan, melacak tren, dan menghubungkan hasil ke manajer hubungan.
*   **Kecurangan dan kepatuhan**: LLM memproses data tak terstruktur. Agen mengorkestrasi deteksi anomali menggunakan definisi dari katalog, lalu mengotomatiskan tugas pelaporan dan tindak lanjut untuk mencegah risiko operasional.

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

Mendukung penilaian manusia

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

Ketika digabungkan, LLM, agen, dan katalog konteks menciptakan umpan balik: Model menghasilkan wawasan; agen memprioritaskan dan mengorkestrasinya; katalog memberikan landasan agar wawasan selaras dengan kebenaran organisasi. Pada akhirnya, manusia membuat keputusan.

Hasilnya adalah keluaran yang lebih cepat, lebih yakin, dan lebih presisi. Analis dan pemimpin menghabiskan lebih sedikit waktu untuk mengumpulkan informasi dan lebih banyak waktu untuk bertindak berdasarkan informasi tersebut.

Keharusan kompetitif

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

Industri layanan keuangan berada di titik balik. LLM telah menjadi utilitas dasar. Keunggulan kompetitif sekarang berasal dari perancangan sistem yang mengorkestrasi kecerdasan, menyediakan konteks, dan mengintegrasikan lintas alur kerja. Mereka yang memahami kenyataan ini akan menentukan era berikutnya inovasi fintech.

LLM menyediakan kekuatan. Agen dan katalog konteks mengarahkan kekuatan itu dan membuatnya berguna. Bersama, mereka memungkinkan organisasi layanan keuangan melihat dengan jelas, bertindak dengan yakin, 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 bagi perusahaan global terkemuka. Sebelum mendirikan Oraion, ia menjabat sebagai Direktur Ekspansi Internasional di Via.work, membantu menskalakan operasi global perusahaan dan memimpin perusahaan menuju exit yang sukses melalui akuisisi ke JustWorks. Pengalamannya mencakup peran di Apple, N26, dan Silicon Valley Bank, tempat ia mengkhususkan diri dalam operasi, kepatuhan, dan pengambilan keputusan berbasis data. Keahlian Alexander terletak pada strategi bisnis, manajemen keuangan, dan memanfaatkan otomasi untuk mendorong pertumbuhan serta mentransformasi bisnis.