a16z：Kepatuhan Ada di Mana-mana, Peluang Besar di Jalur AI

Penulis: James da Costa, Angela Strange; Sumber: a16z; Diterjemahkan: Shaw, Caijing Emas

Selama dua puluh tahun terakhir, pekerjaan dengan pertumbuhan tercepat di Amerika Serikat adalah manicurist dan terapis kaki.

Dan yang mengikuti, adalah petugas kepatuhan.****

Volume bisnis kepatuhan jauh lebih besar dari yang dibayangkan banyak orang. Setiap aliran dana masuk dan keluar perusahaan berada dalam lingkup pengawasan kepatuhan: pembayaran gaji harus mematuhi regulasi terkait penggajian, pelaporan pendapatan harus sesuai dengan persyaratan pajak, transfer dana harus mengikuti aturan pembayaran dan anti pencucian uang, serta verifikasi identitas pelanggan. Dalam industri yang diawasi secara ketat, bahkan cara komunikasi dan frekuensi komunikasi antara perusahaan dan pelanggan juga termasuk dalam pengelolaan kepatuhan.

Saat ini, lebih dari 400.000 petugas kepatuhan aktif di AS, pengeluaran tenaga kerja terkait melebihi 40 miliar dolar AS per tahun, serta posisi konsultasi dan outsourcing kepatuhan akan menimbulkan pengeluaran tambahan ratusan miliar dolar. Melihat industri perbankan saja, jumlah regulasi baru yang ditambahkan dalam Bab 12 dari Federal Register antara 2010 dan 2014 (yang mencakup bank dan bisnis perbankan) telah melebihi seluruh isi bab tersebut pada tahun 1980.

Meskipun permintaan pasar sangat tinggi, pasokan tenaga di bidang kepatuhan terus mengalami kekurangan. Biro Statistik Tenaga Kerja AS memprediksi, dalam sepuluh tahun ke depan, kekurangan posisi ini akan mencapai lebih dari 33.300 per tahun. Kondisi industri semakin memperburuk kekurangan tenaga: 87% dari pendatang baru di bidang ini akhirnya memilih keluar, dengan tingkat perputaran tahunan lebih dari 20%, dan berbagai institusi terjebak dalam siklus merekrut dan kehilangan tenaga profesional secara terus-menerus.

Seiring lingkungan bisnis global yang semakin kompleks, regulasi dan hukum yang harus dipatuhi perusahaan terus bertambah, namun cara perusahaan menanggapi hal ini sangat monoton: hanya mengandalkan penambahan tenaga kerja untuk menyelesaikan masalah.

Namun kenyataannya, penumpukan tenaga kerja tidak membawa hasil yang diharapkan. Sebagai contoh, Bank TD (TD Bank) dikenai denda 3 miliar dolar AS pada tahun 2024 karena gagal melakukan pengawasan efektif terhadap 92% transaksi. Bank ini sejak 2018 telah mengumpulkan hingga 70.000 peringatan risiko, namun selalu gagal menanganinya secara tepat waktu.

Bank TD bukan satu-satunya contoh. Dalam sepuluh tahun terakhir, hampir semua lembaga keuangan besar mengalami masalah pembesaran tim yang terus berlanjut dan penumpukan pekerjaan yang semakin parah, sementara pekerjaan terkait masih sangat bergantung pada operasi manual, dan kondisi ini sulit diubah.

Pekerjaan kepatuhan termasuk pekerjaan yang rumit dan membosankan: prosesnya berbelit-belit, birokratis, dan sangat bergantung pada dokumen kertas, sehingga selalu didominasi oleh operasi manual dan biaya tenaga kerja yang tinggi. Masalah bawaan ini dan kebiasaan industri juga menjadikan bidang kepatuhan sebagai “lahan basah” bagi startup.

Mengapa situasi ini mulai berubah sekarang?

1. Transformasi teknologi: dari “hanya bisa diuji coba” menjadi “layak dipercaya”

Jika sebuah produk hanya sekadar bisa digunakan, ruang pasarnya sangat terbatas; tetapi begitu produk mencapai tingkat penyempurnaan maksimal, skala pasar bisa membesar seratus kali lipat. Bidang kepatuhan pun demikian: produk dengan tingkat akurasi 90% secara esensial tetap tidak memenuhi kebutuhan.

Pengolahan dokumen adalah salah satu proses inti dalam pekerjaan kepatuhan, dan juga contoh nyata. Teknologi Optical Character Recognition (OCR) telah ada selama puluhan tahun, dan secara dasar mampu melakukan pengenalan teks. Tetapi dalam skenario seperti peninjauan kredit perumahan, akses perusahaan, atau verifikasi klaim asuransi, “cukup bisa digunakan” jauh dari cukup. Kini, Model bahasa visual (VLM) tidak hanya mampu mengenali isi dokumen, tetapi juga memahami konteks keseluruhan dokumen, secara signifikan menurunkan tingkat kesalahan, sehingga perusahaan mulai mengadopsi teknologi ini secara massal dan menandatangani berbagai kerja sama. Ini bukan sekadar iterasi kecil teknologi, melainkan lompatan penting: dari “hanya cocok untuk uji coba” menjadi “cukup andal untuk menjalankan bisnis inti”.

Selain itu, kecerdasan buatan juga memiliki banyak kemampuan hebat: Pertama, mampu membaca, mengekstrak informasi dokumen, dan melakukan analisis logika dengan tingkat ketelitian mendekati manusia. Baik dokumen pendaftaran perusahaan, laporan keuangan, maupun PDF regulasi yang panjang hingga 400 halaman dapat diproses secara efisien. Kedua, agen operasi cerdas dapat beroperasi seperti manusia pada sistem lama tanpa menunggu pengembangan antarmuka, dan tanpa perlu berbulan-bulan melakukan integrasi sistem. Ketiga, mendukung pelaksanaan tugas berantai panjang: agen cerdas mampu menjalankan seluruh alur kerja dari ujung ke ujung: menarik data, cross-check database, menandai anomali, menghasilkan dan mengirim laporan, bukan hanya membantu satu bagian saja.

Dalam bidang hukum, kategori model besar semakin beragam dan tingkat akurasi stabil meningkat, sehingga tim industri akhirnya berani mengadopsi AI secara menyeluruh. Saat ini, banyak model bahasa besar mencapai skor 80% hingga 100% dalam 162 tugas inferensi hukum di set pengujian standar hukum LegalBench. Ini sangat penting bagi pekerjaan kepatuhan, karena esensinya adalah menerapkan logika hukum dalam batasan bisnis nyata, dengan pekerjaan inti yang sangat terkait dengan skenario hukum: membaca regulasi, menerapkan aturan sesuai kondisi nyata, mengidentifikasi situasi abnormal, dan menandai klausul ambigu.

2. Siklus penjualan: dari lambat menjadi cepat

Sekarang, risiko tidak memperbarui sistem kepatuhan melebihi risiko dari transformasi itu sendiri. Selama ini, perusahaan yang diawasi selalu menggunakan alat GRC (Governance, Risk, Compliance) yang rumit dan sistem lama yang rentan. Hal ini karena proses migrasi sistem sangat sulit dan berisiko tinggi; jika terjadi kekurangan saat audit, biayanya sangat besar. Dibandingkan melakukan perubahan secara aktif, mempertahankan status quo dan “cukup memenuhi kebutuhan” dianggap lebih aman.

Namun, kecerdasan buatan secara drastis mengubah situasi ini. Departemen kepatuhan tidak lagi sekadar pusat biaya, tetapi menjadi pendorong pendapatan. Dalam layanan keuangan, peningkatan efisiensi verifikasi identitas pelanggan (KYC/B) dapat mempercepat proses pembukaan rekening, mengurangi kehilangan pelanggan, dan membantu perusahaan memperoleh pendapatan lebih cepat. Pengawasan anti pencucian uang yang dioptimalkan menurunkan tingkat false positive, sehingga menghindari pelanggan yang sebenarnya normal dari penandaan salah, sekaligus menjaga hubungan pelanggan. Pemeriksaan konten pemasaran juga menjadi lebih cepat, sehingga iklan dapat lebih cepat menjangkau pengguna.

Ini juga mengubah logika kompetisi industri: perusahaan yang berhasil melakukan digitalisasi kepatuhan tidak hanya menekan biaya, tetapi juga mampu merebut pelanggan dari pesaing yang lambat bertransformasi. Saat ini, kompetisi bukan lagi soal teknologi AI itu sendiri, melainkan tentang kemampuan perusahaan dalam memanfaatkan AI.

Selain itu, dengan agen cerdas yang diperkirakan akan segera menjadi aktor utama di dunia maya, muncul risiko baru. Sistem kepatuhan tradisional didesain berdasarkan asumsi bahwa operatornya adalah manusia. Ketika lawan transaksi beralih menjadi agen cerdas yang berjalan otomatis, kita perlu mengandalkan solusi AI baru untuk melakukan verifikasi identitas, penilaian niat perilaku, dan penentuan tanggung jawab.

Perubahan ini berarti bahwa departemen kepatuhan yang sebelumnya hampir tidak pernah membeli perangkat lunak khusus kini mulai aktif mengadopsi alat digital.

Tiga Pilar Sistem Kepatuhan

Semua pekerjaan kepatuhan perusahaan yang diawasi terdiri dari tiga bagian inti:

• Regulasi: mencakup regulasi eksternal, kebijakan internal, serta banyak interpretasi dan penyesuaian antar keduanya.

• Sistem perangkat lunak: mengimplementasikan regulasi menjadi program, termasuk platform GRC, sistem manajemen kasus, alat penyaringan sanksi, dan otomatisasi yang menghubungkan berbagai sistem. Sistem ini umumnya kurang stabil.

• Personel pelaksana: mengikuti aturan untuk mengoperasikan perangkat lunak, menyelesaikan pekerjaan seperti pengolahan dokumen, pengisian formulir, cross-check data, dan pembuatan laporan.

Pekerjaan utama dalam kepatuhan biasanya melibatkan pengambilan informasi dari berbagai dokumen, verifikasi manual data agar akurat dan tidak bertentangan, serta melakukan pemantauan rutin (mengulang dua langkah sebelumnya secara berkala).

Sebagai contoh, dalam kasus Laporan Kegiatan Mencurigakan (SAR) di industri perbankan: ketika sistem NICE Actimize mengeluarkan peringatan transaksi mencurigakan, petugas kepatuhan Sarah akan melakukan verifikasi. Dia akan login ke sistem inti bank untuk menarik data transaksi lengkap, lalu dari database independen dan folder berbagi, memeriksa data verifikasi identitas pelanggan, dokumen pendaftaran, dan bukti sumber dana. Kemudian, dia menilai apakah transaksi tersebut memenuhi standar pelaporan SAR sesuai kebijakan internal dan membuat keputusan. Terakhir, dia kembali ke sistem NICE Actimize untuk menulis penjelasan, menyalin dan menempel informasi transaksi dan data pelanggan dari berbagai sistem secara manual.

Setiap langkah ini bisa menjadi peluang masuk pasar bagi startup AI.

3. Mengubah regulasi menjadi kode

Bab 12 dari Federal Register AS (meliputi otoritas pengawasan mata uang, Federal Reserve, FDIC, dan lebih dari 70 bab lainnya), badan pengawas keuangan, SEC, CFTC, serta berbagai kebijakan berbeda di tingkat negara bagian, semua regulasi baru dirilis dalam bentuk PDF. Sebelumnya, harus dibaca dan diinterpretasikan secara manual, lalu diubah menjadi kebijakan internal perusahaan dan terus dipantau perubahan regulasi.

Kecerdasan buatan dapat mengubah regulasi menjadi kode standar, menyimpan secara terstruktur, memperbarui otomatis, dan dapat dipanggil serta dijalankan oleh agen cerdas. Sebuah dokumen regulasi panjang 400 halaman kini dapat dipecah menjadi daftar kewajiban kepatuhan yang terorganisasi dengan baik, dan diverifikasi secara otomatis oleh sistem. Regulasi tidak lagi sekadar dokumen yang dibaca manusia, tetapi menjadi logika program yang dijalankan secara otomatis. Ini membawa dua perubahan besar: pengawasan kepatuhan dari pemeriksaan berkala menjadi pemantauan terus-menerus 24/7; dan implementasi regulasi baru ke seluruh perusahaan yang sebelumnya memakan waktu berbulan-bulan, kini hanya beberapa menit.

Sebagai contoh, di Brasil, pekerjaan utama petugas kepatuhan adalah memantau situs pemerintah secara berulang untuk melihat pembaruan regulasi, mengumpulkan data karyawan yang terpengaruh ke dalam tabel, dan menghitung ulang gaji secara manual.

Contoh kasus: Tako mengembangkan sistem cerdas yang mengotomatisasi regulasi ketenagakerjaan yang rumit di Brasil (lebih dari 10.000 serikat pekerja, dengan hampir 900 perubahan aturan setiap tahun). Sistem ini dapat menyesuaikan dengan kondisi perusahaan, secara otomatis mengaudit kepatuhan terhadap ketentuan terkait gaji dan serikat pekerja, serta menjawab pertanyaan operasional HR yang kompleks dalam bahasa alami, dan memberikan peringatan real-time sebelum terjadi pelanggaran.

2. Mengganti sistem lama secara menyeluruh

Banyak platform kepatuhan yang ada sebelum era cloud computing, dan mengandalkan copy-paste manual serta pergantian sistem yang rumit. Akibatnya, meskipun satu alat berjalan lancar, proses bisnis secara keseluruhan tetap lambat — manusia menjadi penghubung utama antar sistem. Selain itu, mengganti sistem lama ini biasanya memakan waktu bertahun-tahun dan berisiko tinggi, sehingga Chief Risk Officer (CRO) umumnya enggan menyetujui proyek tersebut.

Seiring waktu, banyak perusahaan (terutama bank) mengumpulkan utang teknologi selama puluhan tahun, dan ini menjadi hambatan utama dalam penerapan AI saat ini.

Saat ini, ada tiga pilihan utama bagi perusahaan yang ingin bertransformasi dengan AI:

1. Pertahankan sistem lama, bangun arsitektur tanpa kepala (headless): tetap gunakan sistem lama sebagai backend, lalu bangun agen cerdas atau antarmuka baru di atasnya.

2. Kembangkan sistem pengganti secara mandiri: membangun ulang sistem inti dari nol, termasuk model data, sistem izin, proses bisnis, antarmuka integrasi, dan fungsi audit.

3. Beli sistem AI asli: langsung beralih ke platform generasi baru yang dirancang khusus untuk agen cerdas, dapat dibaca mesin, dan prosesnya terorganisasi secara otomatis.

Jika sistem lama menyimpan data inti kepatuhan, terhubung ke puluhan sumber data internal dan eksternal, serta mengandung logika bisnis bertahun-tahun, biasanya perusahaan lebih memilih opsi pertama karena risiko. Tapi ini juga membuat mereka menjadi pasif: pesaing yang mengadopsi AI secara besar-besaran akan menurunkan biaya dan meningkatkan pendapatan, sementara sistem lama membatasi kemampuan mereka, bahkan untuk mengimplementasikan agen suara yang sederhana (yang membutuhkan akses ke program lama tahun 1990-an).

Kini, mengganti sistem lama bukan hanya memungkinkan, tetapi menjadi langkah penting untuk melepaskan potensi AI. Sistem lama dirancang untuk operasi manual: data terisolasi, sulit diakses, aturan yang dikodekan keras, pembaruan lambat, proses bisnis berbasis batch, dan tidak mampu merespons secara real-time. Contohnya, sistem inti perbankan seperti Jack Henry, platform monitoring transaksi NICE Actimize, dan sistem pengawasan perilaku karyawan Smarsh, semuanya menghadapi masalah ini.

Contoh kasus:

• Valon (layanan pinjaman hipotek): perusahaan ini membangun sistem layanan pinjaman dari nol, dan membuktikan bahwa dengan perangkat lunak, margin laba bisa meningkat dari titik impas menjadi lebih dari 60%. Mereka mengemas proses layanan pasca pinjaman yang rumit ke dalam ValonOS — sebuah sistem operasi AI asli, dengan proses standar, buku besar yang dapat diaudit, dan operasi yang dapat diprogram, menggantikan lebih dari 25 sistem lama yang terpisah. Saat ini, sistem inti ini sudah diizinkan untuk digunakan secara komersial, melayani industri pinjaman hipotek senilai triliunan dolar; semakin banyak pelanggan, semakin kuat efek data dan kemampuan agen cerdas yang terus berkembang.

• Vesta (pemberian pinjaman hipotek): platform ini mengintegrasikan aturan dari Biro Perlindungan Keuangan Konsumen AS (termasuk TRID, HMDA), serta persyaratan kepatuhan dari 50 negara bagian di AS, sekaligus mengelola pelaporan kepatuhan dari lembaga federal dan negara bagian. Pembaruan aturan cukup dilakukan dengan mengirimkan kode, tanpa perlu implementasi besar-besaran. Lembaga pemberi pinjaman tidak hanya dapat melakukan audit secara akurat, tetapi juga meningkatkan efisiensi operasional sebesar 25% hingga 50%.

• Sardine (monitoring penipuan dan transaksi): produk ini secara bertahap menggantikan NICE Actimize. Dibangun di atas arsitektur cloud, mampu mendeteksi penipuan transaksi secara real-time dan menjalankan analisis anti pencucian uang yang kompleks. Dengan platform berbasis data real-time, agen cerdas dapat meningkatkan efisiensi kepatuhan hampir 30 kali lipat. Contohnya, alat ringkasan otomatis laporan kegiatan mencurigakan (SAR) yang dapat menarik data dari berbagai sistem, mengisi 60-100 kolom dalam satu laporan, dan mengurangi waktu pengajuan dari lebih dari 30 menit menjadi kurang dari 1 menit.

3. Kolaborasi manusia dan mesin, memberdayakan kerja manusia

Inti pekerjaan kepatuhan selalu berputar di tiga jenis operasi manual berulang: pertama, analisis dokumen; kedua, verifikasi proses manual; ketiga, pemantauan rutin dari dua langkah sebelumnya.

Dulu, satu-satunya cara menghubungkan semua ini adalah dengan operasi manual berulang di berbagai sistem lama, tetapi agen operasi cerdas menyelesaikan masalah ini.

Sebagai contoh, proses pembukaan rekening bank perusahaan: saat pelanggan mengajukan permohonan, petugas kepatuhan harus memverifikasi dan mengekstrak data dari dokumen identitas (KTP, paspor, dokumen pendaftaran perusahaan) dan laporan keuangan, lalu memasukkan data ke berbagai sistem lama, serta melakukan verifikasi terhadap daftar sanksi dan data pendaftaran perusahaan dari berbagai database. Setelah mengadopsi AI, seluruh proses bisa otomatis dari ujung ke ujung: pengolahan dokumen secara langsung, verifikasi multi-database secara paralel, dan hanya menampilkan yang mencurigakan untuk diperiksa manual, tanpa perlu operasi manual lengkap.

Contoh kasus:

Factor Labs tidak mengganti sistem lama, tetapi membangun aplikasi di atasnya. Agen cerdas mereka secara otomatis menangani sengketa penolakan pembayaran untuk bank dan lembaga pembayaran. Setiap tugas agen mengikuti panduan operasi yang disesuaikan (berdasarkan jenis merchant dan proses standar kartu), meniru langkah analis manusia: login ke email perusahaan, alat formulir, platform anti penipuan CyberSource, menarik bukti terkait, menyusun dokumen Word sesuai format pelanggan, dan akhirnya mengirimkan kembali sebagai PDF ke pelanggan.

Kesimpulan

Ketiga jalur implementasi ini semuanya memiliki nilai praktis, dan di masa depan, sebagian besar platform baru akan menggabungkan ketiganya. Perusahaan dapat memilih titik masuk terbaik sesuai skenario pasar mereka:

1. Skenario dengan regulasi yang sering berubah: jika bisnis melintasi banyak yurisdiksi, regulasi cepat berubah, atau hasil audit dan inspeksi sering mengharuskan penyesuaian sistem kepatuhan, prioritas utama adalah mengubah regulasi menjadi kode.

2. Mengganti sistem inti bisnis, cocok untuk dua kondisi: 1) Ada peluang pasar baru, dan tidak ada produk mapan yang kuat. Contohnya bank baru di Arab Saudi, atau banyak perusahaan penasihat investasi independen di AS, yang saat memilih platform baru cenderung memilih sistem berbasis AI asli. 2) Biaya operasional sistem lama sangat tinggi dan sulit diubah, satu-satunya solusi adalah mengganti total agar AI bisa berfungsi optimal.

3. Berorientasi hasil, dengan pekerjaan yang menumpuk atau kekurangan tenaga manusia, prioritas adalah kolaborasi manusia dan mesin. Jika pekerjaan kepatuhan harus menghasilkan laporan, dokumen pengajuan, dan sertifikat, kebutuhan utama adalah menambah “tenaga manusia” — dan agen cerdas yang bekerja 24/7 tanpa kesalahan bisa dengan cepat mengurangi tumpukan pekerjaan (misalnya, 70.000 peringatan di Bank TD yang harus ditangani).

Dalam jangka panjang, ketiga jalur ini akan menyatu. Perusahaan terdepan di bidang ini pasti akan mengimplementasikan otomatisasi regulasi, menguasai sistem bisnis inti baru, dan melakukan deployment agen cerdas secara skala besar.