Mengapa Realitas Interoperabel Akan Menentukan Tahap Berikutnya dari AI dalam Layanan Keuangan

Catatan :

Artikel ini awalnya diterbitkan di situs web saya https://www.raktimsingh.com/ dan diadaptasi di sini untuk audiens layanan keuangan.

Anda dapat membaca artikel lengkap di https://www.raktimsingh.com/representation-utility-stack-interoperable-reality/

Pendahuluan: AI dalam BFSI Telah Mencapai Titik Pembelokan

Lembaga keuangan telah berinvestasi secara besar-besaran dalam kecerdasan buatan selama dekade terakhir.

Dari deteksi penipuan dan penilaian kredit hingga layanan pelanggan dan otomatisasi kepatuhan, AI telah beralih dari eksperimen ke penerapan.

Namun, sebuah pola mulai terlihat.

Meskipun modelnya semakin canggih, banyak inisiatif AI di perbankan dan layanan keuangan kesulitan untuk diskalakan secara andal dalam produksi.

Masalahnya tidak selalu terletak pada performa model.

Lebih sering, masalahnya justru lebih dalam:

Sistem AI beroperasi pada representasi realitas yang terfragmentasi, tidak konsisten, dan tidak dapat dipindahkan (non-portable).

Batas Tersembunyi: AI Bertindak pada Representasi, Bukan Realitas

AI tidak berinteraksi langsung dengan dunia nyata.

AI berinteraksi dengan representasi pelanggan, transaksi, aset, dan peristiwa.

Jika representasi tersebut:

• tidak konsisten antar sistem
• ketinggalan zaman atau tidak lengkap
• didefinisikan secara berbeda di berbagai fungsi
• tidak memiliki asal-usul (provenance) atau tingkat keyakinan

maka bahkan sistem AI paling canggih pun menghasilkan keluaran yang tidak dapat diandalkan.

Ini menjelaskan mengapa:

• Seorang pelanggan bisa terlihat berbeda di sistem onboarding, pemberian pinjaman, dan kepatuhan

• Sebuah transaksi yang ditandai sebagai mencurigakan di satu sistem terlihat normal di sistem lain

• “Identitas terverifikasi” berarti hal yang berbeda di antara institusi

Dalam layanan keuangan, ini bukan sekadar masalah teknis.

Ini adalah isu risiko, kepatuhan, dan kepercayaan.

Mengapa Percakapan AI Saat Ini Tidak Lengkap

Sebagian besar percakapan AI perusahaan saat ini masih berpusat pada model:

• LLM mana yang harus kita gunakan?
• Bagaimana cara meningkatkan akurasi?
• Bagaimana cara mengurangi biaya inferensi?

Ini penting—tetapi tidak cukup.

Sebelum model apa pun menghasilkan keluaran, tiga pertanyaan dasar harus sudah terselesaikan:

2. Apakah sinyal yang benar telah ditangkap dari dunia nyata?

3. Apakah sinyal tersebut dikaitkan dengan entitas yang benar (pelanggan, akun, pihak lawan)?

4. Apakah keadaan (state) tersebut dapat berpindah lintas sistem tanpa kehilangan makna?

Jika jawaban atas salah satu dari hal-hal ini lemah, AI menjadi rapuh dalam produksi.

Dari Interoperabilitas Data ke Interoperabilitas Realitas

Industri keuangan telah melewati beberapa gelombang infrastruktur:

• Modernisasi perbankan inti
• API banking dan open banking
• Data lake dan platform analitik

Namun, AI menghadirkan kebutuhan yang lebih menuntut.

Sistem tidak hanya harus bertukar data.

Sistem harus bertukar representasi realitas yang bermakna, konsisten, dan memiliki tata kelola (governed).

Sebagai contoh:

Dua sistem sama-sama dapat memberi label seorang pelanggan sebagai “risiko tinggi”
—but berdasarkan definisi yang berbeda, sumber data yang berbeda, dan frekuensi pembaruan yang berbeda.

Tanpa representasi yang disepakati bersama, koordinasi gagal.

Memperkenalkan Tumpukan Utilitas Representasi (Representation Utility Stack)

Untuk mengatasi ini, lembaga keuangan perlu berpikir melampaui model dan platform data.

Mereka membutuhkan lapisan infrastruktur baru:

The Representation Utility Stack

Model tiga lapis yang memungkinkan:

• Realitas yang dapat dibaca oleh mesin (machine-legible reality)
• Keadaan (state) yang interoperabel lintas sistem
• Aksi yang dikelola dan dapat diaudit

Lapisan 1: Utilitas Representasi (Lapisan SENSE)

Sistem-sistem ini memelihara representasi tepercaya atas entitas kunci:

• Identitas pelanggan
• Keadaan akun dan transaksi
• Relasi pihak lawan
• Kepemilikan dan perpindahan aset

Mereka menjawab:

• Siapa entitas ini?
• Apa keadaan terkini (current state)-nya?
• Apa yang telah berubah?
• Apa tingkat keyakinannya (confidence level)?
• Bukti apa yang mendukung keadaan tersebut?

Dalam BFSI, ini penting untuk:

• KYC dan resolusi identitas
• Pemantauan transaksi
• Profiling risiko
• Manajemen siklus hidup pelanggan

Lapisan 2: API Representasi (Lapisan Interoperabilitas)

Setelah realitas direpresentasikan, realitas tersebut harus berpindah lintas sistem.

API Representasi memastikan bahwa yang berpindah bukan sekadar data—melainkan keadaan yang bermakna (meaningful state).

Mereka membawa:

• Identitas
• Keadaan
• Provenance
• Confidence
• Konteks

Ini memungkinkan:

• Pengambilan keputusan yang konsisten lintas departemen
• Koordinasi antara bank, fintech, dan regulator
• Pengurangan beban rekonsiliasi

Lapisan 3: Eksekusi yang Dikelola (Lapisan DRIVER)

Di sinilah keputusan berbasis AI diterjemahkan menjadi tindakan:

• Persetujuan pinjaman
• Pemblokiran penipuan
• Otorisasi transaksi
• Pemrosesan klaim

Namun dalam layanan keuangan, tindakan harus:

• dapat dijelaskan (explainable)
• dapat diaudit (auditable)
• dapat dibalik (reversible)

Eksekusi yang dikelola memastikan:

• Pendelegasian wewenang yang jelas
• Representasi yang terverifikasi sebelum tindakan
• Jejak (traceability) keputusan
• Mekanisme peninjauan/penyelesaian (recourse) yang ditetapkan

Tanpa lapisan ini, AI menghadirkan risiko sistemik.

Mengapa Ini Penting Sekarang bagi Institusi Keuangan

AI dalam BFSI sedang bergerak dari:

Wawasan → Keputusan → Tindakan

Ketika sistem mulai bertindak secara otonom atau semi-otonom, biaya akibat representasi yang salah meningkat secara signifikan.

Kegagalan tidak lagi tetap menjadi masalah analitis.

Kegagalan menjadi:

• kerugian finansial
• pelanggaran kepatuhan
• erosi kepercayaan pelanggan
• penalti regulatori

Peluang yang Muncul: Infrastruktur Representasi

Perubahan ini kemungkinan akan menciptakan kategori pemain baru:

Penyedia Utilitas Representasi

Pemain-pemain ini bisa mencakup:

• Penyedia infrastruktur identitas dan KYC
• Platform sinkronisasi data dan keadaan lintas institusi
• Penyedia infrastruktur provenance dan audit
• Sistem pelaporan regulatori dan mekanisme recourse

Para pemain ini tidak akan bersaing pada performa model.

Mereka akan bersaing pada:

👉 membuat realitas konsisten, portabel, dan tepercaya

Apa yang Harus Dilakukan Para Pemimpin Keuangan Sekarang

Dewan direksi, CIO, CTO, dan Chief Risk Officers harus mulai bertanya:

• Di mana identitas pelanggan terpecah (fragmented) di seluruh sistem?
• Seberapa konsisten keadaan transaksi di seluruh fungsi?
• Apa sumber kebenaran (source of truth) kami untuk entitas-entitas kunci?
• Apakah keadaan dapat berpindah lintas sistem tanpa interpretasi ulang?
• Bagaimana cara memvalidasi representasi sebelum tindakan?
• Di mana recourse dimulai ketika AI salah?

Ini bukan pertanyaan teknologi semata.

Ini adalah pertanyaan strategi tentang infrastruktur.

Kesimpulan: Keunggulan Berikutnya Bukan Hanya Kecerdasan

Industri layanan keuangan selalu dibangun di atas kepercayaan.

Di era AI, kepercayaan akan bergantung pada sesuatu yang lebih mendalam:

kemampuan untuk merepresentasikan realitas secara akurat, membagikannya secara konsisten, dan bertindak atasnya secara bertanggung jawab.

Tahap berikutnya AI dalam BFSI tidak akan dimenangkan oleh:

• model yang lebih baik saja
• inferensi yang lebih cepat
• lebih banyak otomatisasi

Itu akan dimenangkan oleh institusi yang berinvestasi pada:

👉 realitas yang interoperabel, dikelola, dan dapat dibaca oleh mesin

Itulah peran dari Representation Utility Stack.

Dan ini bisa menjadi salah satu lapisan infrastruktur terpenting bagi layanan keuangan pada dekade mendatang.