Hasil keuangan dan kecerdasan buatan di bidang perbankan

inisiasi » Kotak » Hasil keuangan dan kecerdasan buatan di bidang perbankan

Kehadiran kecerdasan buatan di sektor perbankan benar-benar mengubah aturan main dalam hal bagaimana hasil keuangan dihasilkan, risiko dikelola, dan bank berinteraksi dengan pelanggannya. Kita tidak lagi berbicara tentang proyek percontohan kecil yang terisolasi, tetapi tentang teknologi yang meresap ke jantung perbankan dan perbankan digital : mulai dari pemberian pinjaman hingga pengawasan regulasi, termasuk pencegahan penipuan dan layanan pelanggan 24/7.

Pada saat yang sama, gelombang inovasi ini membawa serta kerentanan baru yang dapat memengaruhi stabilitas sistem, persaingan, dan keadilan. Kuncinya terletak pada bagaimana inovasi tersebut diadopsi, dengan intensitas berapa, dalam proses spesifik apa, dan di bawah kerangka tata kelola dan regulasi apa. Bagian berikut merinci bagaimana AI memengaruhi perbankan, perbedaan apa yang ada dalam tingkat adopsinya, risiko sistemik apa yang diidentifikasi, dan proposal regulasi apa yang diajukan untuk menghindari terhambatnya inovasi sekaligus mencegah pendekatan yang membabi buta.

Perkembangan pesat kecerdasan buatan di sektor perbankan dan dampaknya terhadap hasil keuangan.

Di sektor perbankan, AI telah berkembang dari sekadar eksperimen menjadi pendorong utama profitabilitas . Bank menggunakan model pembelajaran mesin canggih untuk mengoptimalkan pemberian pinjaman, menyesuaikan harga produk, meningkatkan manajemen modal, dan mengurangi biaya operasional melalui otomatisasi cerdas. Semua ini secara langsung berdampak pada rasio efisiensi yang lebih baik, margin yang lebih kuat, dan, dalam banyak kasus, pengalaman pelanggan yang jauh lebih personal.

Lembaga keuangan menerapkan sistem yang menganalisis volume data internal dan eksternal yang sangat besar secara real-time , dengan mengandalkan tim analis pasar keuangan , untuk mengantisipasi perilaku pelanggan, mendeteksi perubahan risiko, dan meluncurkan penawaran yang dipersonalisasi. Kemampuan prediksi dan segmentasi ini tidak hanya mendorong pertumbuhan bisnis tetapi juga mengurangi tunggakan dan meningkatkan alokasi modal, dua variabel penting dalam laba bersih bank.

Selain itu, AI telah menjadi alat kunci untuk mengurangi biaya struktural . Otomatisasi tugas administratif, verifikasi dokumen otomatis, pemrosesan transaksi bervolume tinggi, dan dukungan karyawan yang cerdas mengurangi kebutuhan intervensi manual dalam proses yang berulang. Hal ini membebaskan sumber daya untuk aktivitas yang bernilai tambah lebih tinggi, meningkatkan waktu respons, dan memangkas biaya operasional yang secara tradisional menghambat efisiensi.

Hasil penting lainnya adalah kemampuan untuk merancang produk keuangan yang disesuaikan berdasarkan analisis mendalam terhadap perilaku setiap pelanggan. Mulai dari rekening yang dipersonalisasi hingga pinjaman dengan ketentuan dinamis atau proposal investasi yang selaras dengan profil risiko dan pengelolaan kekayaan mereka yang sebenarnya , AI memungkinkan bank untuk melampaui pendekatan satu ukuran untuk semua. Personalisasi ini, jika dikelola dengan baik, meningkatkan loyalitas pelanggan, penjualan silang, dan nilai seumur hidup pelanggan, dengan dampak langsung dan positif pada pendapatan.

Namun, seluruh penerapan AI ini juga menimbulkan biaya baru dalam hal investasi teknologi, talenta, dan kepatuhan terhadap peraturan . Bank yang berinvestasi besar-besaran dalam transformasi ini membutuhkan infrastruktur data yang kuat, tim khusus, dan kerangka kerja tata kelola yang menjamin kualitas, keterlacakan, dan keandalan keputusan algoritmik. Ini adalah upaya yang signifikan, tetapi data menunjukkan bahwa mereka yang mengejarnya dengan ambisius memperoleh keuntungan finansial yang jelas dibandingkan pesaing mereka.

Tingkat adopsi AI di sektor perbankan Spanyol: siapa yang terdepan dan siapa yang tertinggal

Di tingkat Eropa, adopsi AI di sektor perbankan sudah meluas : lebih dari empat perlima lembaga menggunakan teknologi ini dalam beberapa bentuk, dan jika proyek percontohan disertakan, hampir seluruh sektor berada dalam fase pengujian atau penerapan. Namun, isu kuncinya bukan lagi apakah teknologi ini digunakan atau tidak, tetapi seberapa banyak dan bagaimana teknologi ini diintegrasikan ke dalam operasional bisnis sehari-hari.

Analisis penggunaan AI di sepuluh perusahaan terbesar Spanyol, berdasarkan laporan tahunan dan informasi yang tersedia di situs web perusahaan mereka, mengungkapkan heterogenitas yang signifikan dalam tingkat integrasi yang efektif . Beberapa perusahaan hampir menggunakan AI secara intensif di berbagai bidang, sementara yang lain terbatas pada aplikasi tertentu, dengan tingkat adopsi yang hampir tidak melebihi tingkat menengah.

Di balik perbedaan-perbedaan ini muncul pola yang jelas: ukuran bank sangat memengaruhi penerapan AI . Lembaga dengan aset lebih dari €500.000 miliar menunjukkan tingkat integrasi AI yang jauh lebih tinggi daripada bank menengah dan kecil. Hal ini dapat dijelaskan oleh kapasitas investasi mereka yang lebih besar, ketersediaan tim teknis khusus, skala ekonomi dalam infrastruktur teknologi, dan tekanan persaingan dan regulasi yang lebih intens.

Sebaliknya, bank dengan volume aset yang lebih kecil menunjukkan penggunaan AI yang lebih moderat, seringkali terkonsentrasi pada beberapa proses seperti otomatisasi operasional atau deteksi penipuan. Meskipun kemajuan ini signifikan, penerapannya belum meluas dan mencakup seluruh model bisnis. Kesenjangan teknologi ini membuka peluang keunggulan kompetitif struktural bagi lembaga-lembaga besar, yang dapat menawarkan layanan yang lebih personal dan efisien dengan biaya lebih rendah.

Semua ini menunjukkan semakin besarnya kesenjangan digital di dalam sistem perbankan itu sendiri . Jika tidak ditangani, hal ini dapat menyebabkan pasar di mana segelintir pemain utama memusatkan kapasitas untuk inovasi dan analisis data tingkat lanjut, sementara sisanya lebih rentan bersaing berdasarkan harga atau di ceruk pasar dengan nilai tambah yang lebih rendah.

Di mana AI digunakan: studi kasus utama di sektor perbankan

Penerapan kecerdasan buatan tidak seragam di berbagai aplikasi . Saat menganalisis penggunaan berdasarkan area fungsional, terlihat bahwa bank memprioritaskan aplikasi yang menawarkan efisiensi internal dan penghematan biaya, sebelum secara bertahap beralih ke area yang lebih penting dari perspektif keuangan dan regulasi.

Pertama, kasus penggunaan yang berfokus pada otomatisasi dan dukungan operasional sangat menonjol . Alat AI diterapkan pada otomatisasi proses (RPA yang dikombinasikan dengan algoritma cerdas), klasifikasi dan verifikasi dokumen, penyelesaian masalah umum, dan dukungan untuk tugas internal seperti pembuatan laporan atau analisis file dalam perbankan transaksi perusahaan . Di area ini, skor adopsi sangat tinggi, mencerminkan upaya pengurangan biaya dan peningkatan produktivitas tanpa mengganggu proses berisiko tinggi secara tiba-tiba.

Pada level kedua terdapat aplikasi yang berfokus pada pengalaman pelanggan , seperti proses pendaftaran digital, rekomendasi yang dipersonalisasi, dan dukungan melalui asisten virtual. Pembukaan rekening tanpa kertas, identifikasi biometrik jarak jauh, dan penggunaan alur kerja yang dipandu AI menyederhanakan proses pendaftaran bagi pelanggan baru dan mengurangi tingkat pengabaian. Pada saat yang sama, mesin rekomendasi menggunakan perilaku transaksional dan informasi kontekstual untuk menyarankan produk yang disesuaikan dengan profil setiap pengguna.

Di bawah level-level ini terdapat area yang sangat sensitif terhadap regulasi dan stabilitas keuangan , seperti pencegahan penipuan, penilaian kredit, dan manajemen investasi. Meskipun model pembelajaran mesin sudah digunakan untuk mengidentifikasi anomali secara real-time, memprediksi gagal bayar, dan membangun portofolio yang optimal, penerapan sistem ini di seluruh organisasi berjalan lebih hati-hati, mengingat perlunya validasi yang ketat, tata kelola yang kuat, dan kemampuan untuk menjelaskan hasilnya.

Di bidang pencegahan penipuan, AI dapat mendeteksi pola yang tidak biasa dalam transaksi dan perilaku pengguna dengan akurasi yang jauh lebih tinggi daripada sistem berbasis aturan. Namun, implementasi yang luas memerlukan pertimbangan yang cermat mengenai keseimbangan antara keamanan dan pengalaman pengguna untuk menghindari pemicuan positif palsu atau pemblokiran sistematis terhadap transaksi yang sah.

Di sektor kredit, model berbasis AI mengintegrasikan informasi yang jauh lebih banyak daripada sistem penilaian tradisional , termasuk data perilaku, riwayat pembayaran terperinci, dan sumber alternatif, yang berpotensi memperluas akses kredit bagi kelompok yang sebelumnya kurang terlayani. Tantangannya terletak pada memastikan bahwa keputusan-keputusan ini tidak mereproduksi bias yang tidak diinginkan atau menghasilkan diskriminasi yang tidak transparan dalam penetapan harga atau persyaratan.

AI dalam perbankan digital: asisten virtual, otomatisasi, dan analitik tingkat lanjut

Salah satu aplikasi AI yang paling terlihat di bidang perbankan adalah interaksi pelanggan . Chatbot dan asisten virtual, yang berbasis pada pemrosesan bahasa alami, telah menjadi garda terdepan dalam menyelesaikan pertanyaan umum, memandu pengguna melalui transaksi sederhana, dan mengarahkan permintaan ke saluran yang tepat, tanpa perlu intervensi langsung dari manusia.

Sistem ini beroperasi 24/7 dan dapat diakses dari perangkat apa pun , memungkinkan pelanggan untuk memeriksa rekening, kartu, atau pinjaman mereka, memulai prosedur, atau menerima informasi yang dipersonalisasi kapan saja. Di banyak lembaga, volume percakapan yang ditangani oleh asisten ini sudah mencapai ratusan ribu, sehingga membebaskan tim manusia untuk mencurahkan lebih banyak waktu pada kasus-kasus yang kompleks atau bernilai lebih tinggi.

Salah satu contoh yang menggambarkan hal ini adalah asisten percakapan yang terintegrasi ke dalam perbankan seluler, seperti yang diterapkan oleh beberapa lembaga selama periode digitalisasi terbesar akibat pandemi. Kombinasi AI percakapan dengan mesin transaksi terpandu memungkinkan tidak hanya menjawab pertanyaan tetapi juga menjalankan operasi lengkap dalam obrolan: transfer, pemblokiran kartu, pengecekan riwayat transaksi, atau pendaftaran produk sederhana.

Selain layanan pelanggan, AI juga diterapkan pada otomatisasi proses back-office dan middle-office internal . Manajemen data, rekonsiliasi informasi, pemrosesan permintaan, dan peninjauan dokumen adalah area di mana algoritma dan robot perangkat lunak secara drastis mengurangi waktu pemrosesan dan kesalahan. Otomatisasi ini secara langsung berkontribusi pada peningkatan rasio efisiensi dan waktu respons yang lebih singkat, sesuatu yang diperhatikan pelanggan ketika mereka meminta, misalnya, pinjaman atau modifikasi kontrak.

Elemen kunci lainnya adalah analitik data tingkat lanjut untuk mendukung pengambilan keputusan . Bank menggunakan model AI untuk membangun skenario risiko, memprediksi perilaku gagal bayar, menyesuaikan batas kredit, dan mengsegmentasikan pelanggan berdasarkan kecenderungan mereka untuk membeli produk tertentu. Kemampuan analitik waktu nyata ini sangat berguna dalam lingkungan yang fluktuatif, di mana model statis tidak memadai dan kecepatan reaksi sangat menentukan.

Keunggulan kompetitif AI: efisiensi, keamanan, dan personalisasi

AI menawarkan berbagai manfaat yang berdampak pada keuntungan dan kepuasan pelanggan . Peningkatan efisiensi, pengurangan penipuan, dan layanan yang dipersonalisasi adalah tiga keuntungan yang paling jelas, tetapi bukan satu-satunya.

Dari sudut pandang operasional, otomatisasi tugas berulang dan optimalisasi proses mengurangi biaya, meminimalkan kesalahan manusia, dan meningkatkan kecepatan eksekusi. Operasi yang sebelumnya membutuhkan beberapa langkah manual—seperti verifikasi dokumen, penyortiran surat, atau peninjauan file—kini diselesaikan hampir secara real-time, dengan dampak positif langsung pada jadwal manajemen dan persepsi klien tentang kelincahan.

Dari segi keamanan, algoritma deteksi penipuan berbasis pembelajaran mesin mampu mengidentifikasi perilaku mencurigakan jauh lebih akurat daripada sistem tradisional, karena terus belajar dari pola yang diamati. Algoritma ini menganalisis ribuan variabel per transaksi dan secara dinamis menyesuaikan ambang batas peringatannya, membantu menekan munculnya penipuan dan mengurangi kerugian, sekaligus melindungi kepercayaan pengguna.

Personalisasi adalah area utama lain di mana AI membuat perbedaan. Berkat analisis mendalam terhadap data perilaku, bank dapat menawarkan produk dan layanan yang disesuaikan dengan kebutuhan spesifik setiap pelanggan : rekomendasi tabungan, proposal investasi, peringatan risiko cerukan proaktif, atau saran untuk mengoptimalkan struktur utang. Pendekatan relasional ini memperkuat hubungan pelanggan dan meningkatkan tingkat retensi.

Secara paralel, AI berkontribusi pada optimalisasi manajemen risiko keuangan . Model yang menggabungkan data makroekonomi, kinerja portofolio, dan sinyal alternatif memungkinkan deteksi dini potensi tekanan, penyesuaian kebijakan pinjaman, dan penyediaan cadangan yang lebih baik. Kemampuan untuk mengantisipasi guncangan ini meningkatkan ketahanan lembaga keuangan dan mengurangi kemungkinan kejutan yang tidak menyenangkan dalam hasil mereka.

AI di jantung keuangan: pasar, pembayaran, dan pengawasan.

Gangguan yang disebabkan oleh AI tidak terbatas pada perbankan komersial; AI sepenuhnya memengaruhi pasar modal, manajemen aset, dan sistem pembayaran . Dalam perdagangan, algoritma berbasis big data dan model prediktif menyempurnakan eksekusi pesanan, mengoptimalkan strategi, dan meningkatkan perkiraan harga. Dalam manajemen portofolio, AI membantu membangun portofolio yang disesuaikan secara dinamis dengan profil risiko dan kondisi pasar.

Di pasar saham, proliferasi model perdagangan alternatif yang didukung oleh AI dan big data mengubah cara likuiditas dihasilkan dan sinyal harga ditransmisikan. Sistem ini dapat meningkatkan efisiensi pasar, tetapi juga memperkenalkan risiko perilaku yang terlalu sinkron, penurunan harga secara tiba-tiba (flash crash), dan bentuk-bentuk ketidakstabilan baru ketika banyak pemain menggunakan algoritma yang serupa.

Di sektor pembayaran dan infrastruktur keuangan, AI diterapkan untuk mendeteksi anomali, mencegah risiko operasional, dan mengoptimalkan alur penyelesaian , sehingga meningkatkan manajemen pembayaran . Sistem pembayaran instan, misalnya, mendapat manfaat dari model yang mengidentifikasi transaksi yang berpotensi anomali secara real-time, tanpa memperlambat layanan. Hasilnya adalah ekosistem yang lebih efisien, tetapi juga lebih bergantung pada teknologi dan kualitas data.

Bahkan pengawasan regulasi pun memasukkan AI sebagai alat. Pengawas menggunakan model analitik big data (suptech) untuk memantau risiko sistemik, mendeteksi pola yang tidak biasa di pasar, dan menilai perilaku entitas dan perantara. Hal ini memperkuat kapasitas pengawasan sistem tetapi mengharuskan regulator untuk memperoleh keterampilan teknis tingkat lanjut dan pemahaman mendalam tentang keterbatasan dan bias dari model yang mereka gunakan.

Penerapan AI yang meluas di bidang keuangan ini mengubah struktur insentif dan distribusi risiko di seluruh sistem. Keputusan yang sebelumnya bergantung pada penilaian manusia semakin dialihkan ke algoritma yang belajar dan berkembang seiring waktu, menciptakan ketergantungan baru pada perangkat lunak, infrastruktur data, dan penyedia eksternal yang menyediakan daya komputasi dan model.

Risiko yang muncul: ketidaksetaraan, ketidaktransparan, dan kerapuhan sistemik

Di samping manfaatnya, AI dalam bidang keuangan juga menghadirkan serangkaian risiko yang tidak dapat diabaikan . Ketidaktransparanan banyak model, potensi diskriminasi dalam akses kredit, konsentrasi kekuatan pasar, dan homogenitas dalam desain algoritma adalah beberapa faktor yang dapat memperbesar kerentanan sistem.

Salah satu masalah yang paling pelik adalah kurangnya transparansi dan kemampuan menjelaskan model-model yang kompleks . Ketika keputusan pemberian kredit, penetapan harga, atau rekomendasi investasi didasarkan pada algoritma kotak hitam, akan sulit bagi pelanggan, regulator, dan bahkan bank itu sendiri untuk memahami secara tepat apa yang terjadi. Hal ini mempersulit akuntabilitas dan dapat mengikis kepercayaan jika keputusan tersebut dianggap tidak adil atau tidak dapat dipahami.

Terdapat pula kekhawatiran mengenai potensi memburuknya ketidaksetaraan dan bias dalam akses ke layanan keuangan . Jika model dilatih dengan data historis yang mencerminkan diskriminasi di masa lalu, model tersebut dapat mereproduksi atau bahkan memperkuatnya, secara sistematis menghukum kelompok-kelompok tertentu. Hal ini memengaruhi ketersediaan kredit dan persyaratan yang ditawarkan, sehingga menimbulkan tantangan serius bagi kesetaraan dan inklusi keuangan.

Dari perspektif stabilitas keuangan, homogenitas dalam desain model dan strategi algoritmik dapat meningkatkan risiko guncangan sistemik. Jika banyak entitas menggunakan skema AI serupa untuk mengelola portofolio, mengambil posisi pasar, atau bereaksi terhadap sinyal tertentu, pergerakan yang tersinkronisasi, aksi jual massal, atau reaksi berantai terhadap perubahan ekspektasi yang tiba-tiba lebih mungkin terjadi.

Hal ini diperparah oleh meningkatnya ketergantungan pada infrastruktur teknologi bersama dan penyedia eksternal untuk model dasar, layanan cloud, dan daya komputasi. Kegagalan teknis, serangan siber, gangguan layanan, atau keputusan sepihak oleh beberapa penyedia dapat berdampak tidak proporsional pada seluruh sistem keuangan, menghasilkan bentuk-bentuk baru risiko operasional dan konsentrasi kekuasaan.

Para pemain kunci dalam ekosistem AI keuangan

AI di bidang keuangan tidak dibangun oleh satu jenis aktor saja, melainkan oleh ekosistem luas yang melibatkan entitas keuangan, penyedia teknologi, regulator, dan tentu saja, pelanggan itu sendiri yang menggunakan layanan yang dihasilkan oleh sistem ini.

Yang pertama dalam daftar adalah lembaga keuangan: bank, perusahaan asuransi, dan pengelola aset yang mengadopsi AI untuk meningkatkan operasional mereka, mengurangi biaya, dan menawarkan pengalaman pelanggan yang lebih lancar. Merekalah yang menentukan kasus penggunaan, menyediakan data, dan menanggung risiko bisnis langsung yang timbul dari penggunaan model-model ini.

Bersama mereka, para pemimpin teknologi di dalam organisasi—CIO, CTO, dan petugas data— membuat keputusan penting tentang arsitektur, keamanan, dan penerapan AI . Mereka harus menyeimbangkan inovasi dengan ketahanan, memilih vendor yang tepat, memastikan perlindungan data, dan membangun lingkungan pengujian dan validasi yang kuat.

Kepemimpinan eksekutif dan dewan direksi memiliki peran strategis yang semakin penting. AI bukan lagi sekadar masalah teknis , tetapi pergeseran pendekatan bisnis yang berdampak pada model operasional, hubungan pelanggan, dan posisi kompetitif. Oleh karena itu, badan-badan ini harus memikul tanggung jawab utama untuk mengelola risiko yang terkait dengan AI dan menyelaraskannya dengan strategi perusahaan.

Para penyedia teknologi—mulai dari platform cloud besar hingga perusahaan rintisan khusus— menyumbangkan alat, infrastruktur, dan model yang menjadi dasar solusi AI. Pengaruh mereka dalam rantai nilai finansial telah meningkat secara signifikan, yang pada gilirannya menuntut pemantauan konsentrasi kekuasaan dan penetapan kerangka kerja yang jelas untuk tanggung jawab bersama.

Terakhir, regulator dan pengawas bertanggung jawab untuk memastikan bahwa sistem AI mematuhi peraturan, tidak menimbulkan risiko sistemik yang tidak dapat diterima, dan menghormati prinsip-prinsip keadilan dan transparansi . Dan pelanggan, sebagai pengguna akhir, mendapat manfaat dari layanan yang lebih personal dan mudah diakses, tetapi mereka juga harus memiliki akses ke mekanisme perlindungan, informasi yang jelas, dan saluran pengaduan yang efektif.

Tantangan regulasi: sembilan kunci untuk mengatur AI tanpa menghambat inovasi

Respons regulasi terhadap perluasan AI di bidang keuangan harus cepat, fleksibel, dan matang . Ini bukan tentang menghambat inovasi, melainkan mengarahkannya agar memperkuat sistem, bukan melemahkannya. Beberapa analisis mengusulkan serangkaian langkah yang dapat memandu regulator dan pengawas dalam tugas ini.

Pertama, perlu untuk mendefinisikan ulang kerangka akuntabilitas dalam konteks di mana keputusan didelegasikan kepada sistem yang belajar dan berkembang . Tanpa mekanisme yang kuat untuk interpretasi dan keterlacakan model, lembaga keuangan berisiko membuat keputusan yang tidak dapat mereka jelaskan, yang akan merusak tata kelola dan mempersulit pengawasan.

Ada juga seruan untuk tata kelola hibrida antara manusia dan mesin , terutama dalam instrumen seperti kontrak pintar yang dieksekusi secara otomatis berdasarkan data waktu nyata. Pengawasan manusia, klausul pengecualian, dan kemampuan untuk menangguhkan atau memodifikasi eksekusi dalam situasi luar biasa harus ada untuk mencegah sistem menjadi kaku dan tidak terkendali.

Prioritas lainnya adalah peninjauan peraturan yang mengatur akses dan transparansi informasi . AI mengubah siapa yang memiliki akses ke data apa dan dengan kemampuan analitis apa, yang dapat menciptakan ketidakseimbangan yang merugikan. Untuk mengatasi hal ini, diusulkan untuk menstandarisasi informasi perusahaan yang tersedia untuk umum, memperjelas penggunaan data alternatif yang sah, dan meningkatkan transparansi dalam instruksi perdagangan saham dan kriteria yang digunakan dalam model.

Sama pentingnya adalah pengembangan pengujian keamanan algoritma yang sistematis . Untuk mencegah fenomena seperti kolusi algoritma atau perilaku yang tidak diinginkan, perlu ditetapkan standar pengujian, audit independen, dan uji stres spesifik untuk algoritma yang digunakan di pasar keuangan dan dalam pengambilan keputusan risiko yang kritis.

Di tingkat internasional, AI memiliki dimensi geopolitik yang jelas. Konsentrasi daya komputasi dan keahlian pemodelan di beberapa yurisdiksi dan perusahaan menimbulkan pertanyaan tentang kedaulatan teknologi, otonomi strategis, dan ketahanan ekonomi . Fragmentasi kerangka peraturan di antara berbagai wilayah seperti Amerika Serikat, Uni Eropa, dan Tiongkok mempersulit pembentukan standar global yang koheren, sehingga perlu untuk mempromosikan koordinasi internasional dan forum dialog khusus tentang AI keuangan.

Disarankan juga untuk mengeksplorasi metrik guna menilai pentingnya AI secara sistemik , serupa dengan kriteria yang digunakan untuk mengidentifikasi bank-bank penting secara sistemik global. Hal ini akan membantu mendeteksi area berisiko tinggi dan memprioritaskan sumber daya pengawasan di mana potensi dampaknya paling besar.

Alat penting lainnya adalah perencanaan berbasis skenario , yang memungkinkan untuk mengantisipasi ancaman teknologi yang muncul dan menguji ketahanan institusi dan pasar terhadap kegagalan model, serangan siber, atau gangguan terhadap infrastruktur penting. Latihan-latihan ini harus menjadi bagian dari perangkat standar para penyelia.

Terakhir, laporan ini menyoroti perlunya memperkuat kemampuan teknis regulator dan, jika perlu, menciptakan lembaga keamanan AI khusus yang mampu menetapkan standar, melakukan uji stres algoritma, dan memimpin penelitian terapan. Tanpa penguatan ini, pengawasan berisiko tertinggal jauh di belakang laju inovasi swasta.

Keseimbangan antara mendorong inovasi dan mengurangi potensi kegagalan pasar akan sangat penting. Regulasi yang berlebihan dapat menghambat perkembangan yang bermanfaat, sementara pengawasan yang longgar akan menciptakan titik buta yang dapat memunculkan masalah serius. Kerangka kerja yang adaptif, peninjauan asumsi secara terus-menerus, dan kolaborasi erat antara sektor publik dan swasta akan sangat penting untuk melewati fase ini.

Namun, kombinasi antara efisiensi operasional yang lebih besar, manajemen risiko yang lebih baik, layanan yang sangat personal, dan risiko sistemik baru berarti bahwa AI telah menjadi salah satu faktor yang paling memengaruhi daya saing dan stabilitas perbankan di tahun-tahun mendatang; mereka yang berhasil memanfaatkan teknologi ini dengan kriteria tata kelola yang solid dan di bawah kerangka peraturan yang cerdas akan memulai dengan keunggulan yang jelas dalam skenario keuangan yang semakin digital dan menuntut.