IDC: Lembaga keuangan kecil dan menengah lebih hemat biaya dengan produk model industri besar

7 April, laporan terbaru IDC menyebutkan bahwa mayoritas lembaga keuangan (terutama bank-bank menengah-kecil, perusahaan asuransi, dll.) menggunakan produk model bahasa industri keuangan yang telah dioptimalkan, yang memiliki keunggulan dalam hal biaya, kepatuhan, dan efisiensi dibandingkan membangun dari nol. Penelitian IDC menunjukkan bahwa membangun model bahasa dari nol memerlukan investasi besar untuk riset dan pengembangan teknologi, akumulasi data, serta pengadaan talenta, dan juga menghadapi berbagai risiko seperti tinjauan kepatuhan dan penyesuaian teknis; prosesnya lama, ambang batasnya tinggi, sehingga tingkat kelayakannya lebih rendah untuk lembaga keuangan menengah-kecil dengan sumber daya terbatas. Saat ini, perusahaan seperti Aliyun, Baidu Smart Cloud, BaiRong YunChuang, Ant Digital Technology, Qifu Technology, Zhongguancun Kejin, Zhongke Wengge, dll. semuanya telah meluncurkan produk model bahasa industri keuangan yang dapat langsung terhubung dengan kebutuhan bisnis, secara signifikan menurunkan biaya pengembangan dan memperpendek siklus go-live; sekaligus menghindari risiko kepatuhan dan risiko teknis dalam proses membangun sendiri, sehingga menyediakan dukungan kemampuan model bahasa yang efisien dan aman bagi berbagai lembaga keuangan.

Berdasarkan penelitian IDC, alat pengembangan agen pintar tingkat lanjut (enterprise-grade) yang kuat untuk industri keuangan harus memiliki karakteristik seperti skalabilitas dan kustomisasi, skalabilitas dan fleksibilitas penerapan, orkestrasi multi-agen, kepatuhan dan keamanan, pemantauan berkelanjutan, perbaikan berkelanjutan, sistem plugin/alat yang kaya, serta kemampuan integrasi. Di bidang ini, perusahaan seperti Aliyun, Baidu Smart Cloud, BaiRong YunChuang, Kemereyde, software Kelán, Ant Digital Technology, Runhe Software, Shenzhou Information, Shidai Yintong, Smart Software, Yicheng Interaction, Zhongguancun Kejin, dll. juga menyediakan alat pengembangan agen pintar tingkat lanjut untuk lembaga keuangan.

Menanamkan agen pintar di dalam aplikasi adalah bentuk utama implementasi agen pintar di industri keuangan saat ini, dengan inti yang berasal dari karakteristik sistem bisnis dan persyaratan kepatuhan. Sistem bisnis industri keuangan itu kompleks; proses bisnis inti (seperti persetujuan pinjaman, tinjauan pengendalian risiko) telah membentuk sistem yang tetap melalui iterasi jangka panjang, sehingga sulit untuk lepas dari rekonstruksi aplikasi yang sudah ada. Agen pintar tertanam dapat memberdayakan bisnis tanpa mengubah proses yang sudah ada, sehingga menurunkan kesulitan penerapan. Selain itu, persyaratan kepatuhan dan audit di industri keuangan sangat ketat; kemampuan pintar perlu mewujudkan “tertanan dalam proses, dapat dikendalikan dan dapat ditelusuri”. Bentuk tertanam memungkinkan pencatatan penuh jejak operasi agen pintar dan logika pengambilan keputusan, memastikan proses bisnis dapat diaudit dan risikonya dapat dikelola. Dengan demikian, ia memenuhi kebutuhan kepatuhan sekaligus secara efisien memainkan peran pendukung agen pintar, sehingga menjadi cara penerapan utama saat ini.

Belum ada standar yang seragam untuk memecah aplikasi agen pintar di industri keuangan; pemecahan dapat dilakukan secara fleksibel berdasarkan proses bisnis, tanggung jawab jabatan, atau tipe tugas. Pengamatan IDC menemukan bahwa karena model bisnis dan struktur organisasi berbagai lembaga keuangan berbeda, pemecahan aplikasi agen pintar tidak perlu mengikuti aturan tetap; harus disesuaikan dengan kebutuhan nyata masing-masing. Pemecahan berdasarkan proses bisnis dapat mewujudkan pemberdayaan cerdas seluruh proses, misalnya pada bisnis pinjaman membagi menjadi agen peninjauan sebelum pinjaman, agen pemantauan selama pinjaman, dan agen manajemen setelah pinjaman; pemecahan berdasarkan tanggung jawab jabatan dapat menyesuaikan kebutuhan berbagai jabatan, seperti agen pintar khusus untuk manajer pelanggan dan staf pengendalian risiko; pemecahan berdasarkan tipe tugas dapat memfokuskan pada kemampuan yang dapat digunakan ulang. Contohnya, dalam skenario bisnis pinjaman, agen penulisan laporan, agen ekstraksi informasi, dan agen komputasi matematis dapat digunakan ulang pada beberapa tugas seperti sebelum, selama, dan setelah pinjaman. Cara pemecahan yang fleksibel dapat meningkatkan ketepatan sasaran penerapan agen pintar dan efisiensinya.

Model bahasa besar sedang mendorong berbagai bidang di keuangan untuk beralih ke model RaaS (Results-as-a-Service, RaaS), tetapi dalam proses penerapannya menghadapi berbagai tantangan seperti kuantifikasi hasil dan kepatuhan. Kemampuan pemrosesan data multimoda dan analisis prediktif model bahasa besar dapat secara akurat memadankan kebutuhan bisnis di bidang seperti penyaluran kredit, pengendalian risiko, dan pemasaran, sehingga mewujudkan model RaaS “bayar sesuai hasil”, yaitu lembaga keuangan membayar biaya berdasarkan efektivitas nyata layanan cerdas, sehingga menurunkan risiko investasi awal. Namun, penerapan model ini memiliki kesulitan yang jelas: kuantifikasi hasil tidak memiliki standar yang seragam, sehingga sulit mengukur secara akurat nilai sebenarnya dari layanan cerdas; hasil bisnis dipengaruhi banyak faktor, sehingga membuat penelusuran sebab akibat sulit; penetapan tanggung jawab tidak jelas—jika terjadi risiko, sulit membedakan tanggung jawab penyedia model dan lembaga keuangan; selain itu, masalah seperti keamanan data dan tinjauan kepatuhan juga membatasi penerapan RaaS secara berskala.