Implementasi Agentic AI dalam Perbankan: Jenis-Jenis dan Cara Implementasinya

Mengapa Agentic AI Penting untuk Perbankan?

Agentic AI adalah sistem artificial intelligence yang mampu mengambil keputusan, menjalankan complex tasks, dan beradaptasi mandiri tanpa supervisi manusia secara langsung. 

Keunggulan dibanding Gen AI adalah kemampuannya “berpikir” lebih strategis dan bertindak secara autonomous. Bukan hanya sekadar memproses data, agentic AI bisa:

• Memahami konteks historis transaksi nasabah.

• Memutuskan langkah terbaik secara real time.

• Berkolaborasi dengan agent lain untuk workflow yang kompleks.

Dengan kemampuannya untuk berpikir (reasoning), mengeksekusi (acting), dan belajar (learning), teknologi ini dapat mengubah cara bank menjalankan operation sehari-hari.

Ikuti Webinar AI for Banking: Transforming Financial Services into Smart, Proactive, and Data-Driven Experiences. Daftar Sekarang!

Jenis-Jenis AI Agents dalam Banking Automation

Menurut Deloitte, AI agents memiliki spektrum dari yang sederhana hingga yang kompleks. Berikut gambaran tingkatan kompleksitasnya:

Sumber: Deloitte

Dari tabel di atas, terlihat bahwa autonomous agents adalah level tertinggi. Agen jenis ini tidak hanya mengeksekusi, tapi juga bisa mengatur workflow secara independen.

Real Use Case: Anti-Money Laundering (AML)

Bayangkan sebuah kasus AML. Saat ini, Automation Tradisional biasanya hanya memberikan alert jika ada aktivitas mencurigakan. Namun, penyelidikan detail tetap harus dilakukan analis manusia.

Dengan Agentic AI, alurnya bisa berubah seperti:

1. Agent A memantau dan membaca alert dari sistem monitoring.

2. Agent B meninjau data nasabah (KYC) serta riwayat transaksi.

3. Agent C mendokumentasikan temuan dan memberikan rekomendasi langkah berikutnya.

4. Hanya di tahap akhir, manusia masuk untuk validasi dan pengambilan keputusan final.

Proses ini jauh lebih cepat, efisien, dan minim human error. Bahkan, agent tambahan bisa langsung mengisi laporan suspicious activity untuk regulator.

Baca juga : Pelatihan Deep Learning Python

Kapan Bank Harus Menggunakan Agentic AI?

Tidak semua workflow cocok untuk langsung “di-agentic-kan”. Deloitte mengidentifikasi beberapa karakteristik yang paling pas untuk implementasi awal Agentic AI:

Sumber: Deloitte Center for Financial Services

Dengan kata lain, bank sebaiknya memulai dari use case yang low-risk tapi high-impact, misalnya: validasi dokumen standar, deteksi transaksi mencurigakan, atau optimalisasi treasury.

3 Strategi Implementasi Agentic AI di Bank

Bagaimana cara bank mulai mengimplementasikan teknologi ini? Setidaknya ada tiga strategi utama:

1. Smart Overlay

Menerapkan agentic AI sebagai “smart layer” di atas sistem lama.

Begini prosesnya : 

• Bank memanfaatkan agentic AI sebagai intelligent conversational layer yang diletakkan di atas proses dan teknologi yang sudah ada.

• Tidak Mengganti Sistem Inti: Bank tidak perlu melakukan overhaul besar-besaran yang kompleks dan mahal terhadap sistem warisan (legacy systems).

• Modalitas Interaksi: Agen berinteraksi dengan sistem existing melalui API (Application Programming Interface) dan protokol seperti Model Context Protocol (MCP) untuk mengambil data dan menjalankan tugas.

• Mengikuti SOP Existing: Agen dirancang untuk mengikuti Standard Operating Procedure (SOP) yang telah terdokumentasi layaknya sebuah skrip, sehingga menjamin konsistensi dan kepatuhan terhadap regulasi.

• Memanfaatkan Keahlian yang Ada: Bank dapat memanfaatkan pengetahuan proses yang sudah dimiliki dan menyematkan pengamanan (safeguards) yang sudah teruji.

Contoh Implementasi:
Meningkatkan fungsi RPA (Robotic Process Automation) treasury yang tadinya hanya menjalankan "cash sweep" rutin menjadi sebuah "dynamic liquidity optimizer" yang bisa mengambil keputusan pricing dan hedging secara mandiri.

Ikuti Webinar AI for Banking: Transforming Financial Services into Smart, Proactive, and Data-Driven Experiences. Daftar Sekarang!

2. Agentic by Design

Membangun sistem baru dari nol dengan prinsip agentic AI. 

Pendekatan ini mirip arsitektur microservices, di beberapa bank dapat memperkenalkan layanan agentic yang lebih kecil dan terspesialisasi yang terintegrasi smooth ke dalam infrastruktur yang lebih besar. 

Contoh: Treasury management yang didesain ulang agar agent bisa mengoptimalkan likuiditas secara real-time.

Keuntungan: Lebih fleksibel, bisa benar-benar autonomous.

Cocok untuk: Bank yang siap melakukan transformasi fundamental dan memiliki roadmap jangka panjang.

3. Process Redesign

Merombak total workflow agar agentic AI bisa terintegrasi penuh.

Karena skalanya yang besar dan kompleks, implementasi pendekatan ini berisiko tinggi.

Contoh: Dari proses onboarding nasabah, verifikasi identitas, hingga pembukaan rekening dilakukan agentic AI.

Tahapan Implementasi: 

• Melibatkan assessment proses yang ada, mengidentifikasi

• Memprioritaskan peluang untuk di-"agentify"

• Redesign proses untuk embed agents guna mencapai kinerja dan efisiensi yang optimal.

Hasil Akhir:
Terciptanya "invisible intelligence" di mana Agentic AI beroperasi secara seamless di balik layar, menyederhanakan technology adoption dan menyematkan kemampuan advanced predictive ke dalam operasional sehari-hari.

Cocok untuk: Key business functions dengan potensi revenue baru atau high risk.

Baca juga : Pelatihan Data Science with Python

Tantangan yang Perlu Diantisipasi

Meski menjanjikan, adopsi Agentic AI punya beberapa tantangan seperti:

• Regulasi: Bank harus memastikan kepatuhan pada aturan privasi dan Anti-Money Laundering (AML).

• Bias & etika: AI tetap berisiko mengambil keputusan diskriminatif jika datanya bias.

• Integrasi sistem lama: Banyak bank masih menggunakan legacy systems yang sulit dikoneksikan.

• Skill SDM: Dibutuhkan tenaga ahli yang paham AI sekaligus regulasi perbankan.

Kesimpulan

Agentic AI bukan sekadar inovasi, tapi bisa jadi strategis yang wajib dipertimbangkan oleh seluruh digital banking di Indonesia.

Kuncinya adalah memilih pendekatan yang tepat: mulai dari smart overlay untuk uji coba cepat, agentic by design untuk fungsi baru, hingga process redesign untuk transformasi menyeluruh.

🚀Upgrade Skill Anda dan Tim Dengan Menguasai Teknologi AI

Jika Anda berminat untuk mempelajari teknologi AI lebih mendalam, silakan mengikuti pelatihan terkait AI bersama SUHU disini : 

• Implementasi Generative AI untuk Layanan Digital

• Pelatihan Deep Learning Python

• Pelatihan Data Science with Python

Silakan konsultasikan kebutuhan Anda bersama kami dengan klik link berikut: https://bit.ly/kontaksuhu