Mengatasi Fragmentasi Data dan Keterbatasan AI dalam Profitabilitas Transaksi

Pada sesi khusus FF News Virtual Arena, para spesialis industri berkumpul untuk membahas hambatan kritis dalam operasi perbankan: bagaimana fragmentasi data dan arsitektur warisan secara langsung menyebabkan lembaga keuangan kehilangan profitabilitas dalam aliran transaksi mereka.

Diskusi ini menampilkan:

• Ian Horne, Host di FF News

• Mariia Komissarova, Data and AI Retail Business Lead di Raiffeisen Bank International

• Breno Alves De Oliveira, Chief Product Officer di PAYABL

• Kirill Lisitsyn, Co-Founder dan CEO di Torus

Panel ini mengeksplorasi biaya operasional tersembunyi dari koleksi data yang tidak dimanfaatkan, keterbatasan kecerdasan buatan non-deterministik, dan strategi yang harus diterapkan lembaga keuangan untuk mengubah data mentah menjadi fondasi inti bagi keberlangsungan di pasar.

Akar Kebocoran Keuntungan: Hambatan Infrastruktur Warisan dan Data Terstruktur

Bagi lembaga keuangan multi-generasi di pasar, seperti Raiffeisen Bank International, infrastruktur warisan menonjol sebagai hambatan internal utama terhadap optimalisasi. Mariia Komissarova menjelaskan bahwa tantangan inti yang menyebabkan bank kehilangan profitabilitas dalam aliran transaksi pada dasarnya adalah masalah data.

Karena aplikasi perbankan historis beroperasi dalam silo yang berbeda, mengumpulkan dan menyusun data transaksi korporat dalam format yang transparan dan terorganisir sangatlah sulit. Tanpa kerangka terstruktur, menghitung profitabilitas yang tepat dari sebuah transaksi keuangan individual hampir mustahil dilakukan.

Kegagalan ini berakar dari tata kelola data historis dan kurangnya penerapan kerangka modern. Paradigma organisasi lanjutan, seperti konsep "data mesh", telah muncul di pasar tetapi masih kurang tersebar di seluruh perusahaan perbankan besar.

Saat sektor keuangan global menghadapi transformasi AI yang menyeluruh dalam verifikasi identitas dan pemrosesan transaksi, penyelesaian lapisan data ini bukan lagi kemewahan. Membangun fondasi data yang bersih telah meningkat menjadi persyaratan mutlak untuk keberlangsungan perusahaan jangka panjang.

Jaringan Biaya Tersembunyi dari Ingesti Data Massal

Jebakan umum bagi lembaga warisan adalah asumsi bahwa menangkap volume data yang lebih tinggi secara alami menghasilkan nilai bisnis yang lebih tinggi. Lima hingga tujuh tahun lalu, panduan industri tradisional berfokus pada pengumpulan sebanyak mungkin titik data yang beragam, termasuk memasukkan data dari jaringan media sosial ke server korporat.

Ekosistem transaksi modern telah melampaui pola pikir ini. Lembaga keuangan menemukan bahwa sekadar menyimpan dan memelihara jumlah informasi tidak terstruktur yang sangat besar menimbulkan biaya server dan rekayasa data yang sangat besar.

"Jumlah data ini, data dalam jumlah besar untuk dikumpulkan dan disimpan, cukup mahal dan jika Anda tidak memanfaatkannya, Anda juga mulai kalah dalam permainan penetapan harga ini…"

Ketika sebuah perusahaan menanggung biaya penyimpanan operasional yang besar tanpa secara aktif mengekstrak nilai komersial dari data tersebut, ia tertinggal dalam persaingan penetapan harga. Perusahaan tidak dapat menawarkan tarif optimal kepada para pedagangnya karena biaya infrastruktur dasarnya menggelembung secara artifisial.

Seperti yang disoroti oleh Kirill Lisitsyn, strategi data modern harus berfokus pada mengekstrak nilai nyata dari aset data yang ada terlebih dahulu. Hanya ketika kasus penggunaan bisnis yang jelas telah ditetapkan, sebuah lembaga harus menginvestasikan modal untuk memperoleh aliran data tambahan, sehingga menghindari hambatan operasional yang tidak perlu dan akumulasi biaya.

Jebakan Non-Deterministik: Mengapa LLM Tidak Dapat Memperbaiki Data yang Buruk

Ketika lembaga berupaya menyatukan sistem warisan yang menggunakan bahasa perangkat lunak yang sepenuhnya berbeda dan memanfaatkan format data yang tidak terstandarisasi, banyak yang beralih ke Kecerdasan Buatan dan Large Language Models (LLM) untuk mengotomatiskan kode dan transformasi data. Breno Alves De Oliveira mencatat bahwa perusahaan fintech unggul dalam menyerap data kompleks dan menyusunnya kembali ke dalam format yang mudah dicerna, sebuah proses yang sangat dipercepat oleh alat AI.

Namun, Komissarova mengeluarkan peringatan teknis yang kuat mengenai ketergantungan berlebihan pada algoritma generatif untuk infrastruktur transaksional inti. LLM secara inheren bersifat non-deterministik, yang berarti outputnya berbasis probabilitas daripada absolut, sehingga mengekspos mereka pada risiko sistemik halusinasi algoritmik.

Dalam dunia transaksional, di mana kesalahan secara langsung berdampak pada buku besar keuangan, turun di bawah presisi total tidak dapat diterima. Memasukkan data yang tidak akurat atau tidak terstruktur ke dalam LLM secara signifikan meningkatkan kemungkinan menghasilkan perhitungan yang salah, yang berpotensi merugikan lembaga keuangan jutaan dolar.

Panel sepakat bahwa tidak ada solusi teknologi ajaib; perusahaan tidak bisa begitu saja melemparkan kumpulan data yang tidak terorganisir ke model generatif dan mengharapkan logika bisnis yang sempurna. Membangun lapisan data yang andal memerlukan investasi waktu dan modal yang disiplin, bersama dengan spesialis internal yang terampil yang dapat menyusun pipeline data dengan benar.

Menyeimbangkan Persamaan: Inti Hibrida Deterministik

Untuk memanfaatkan kecepatan AI modern dengan aman tanpa mengorbankan akurasi keuangan yang mutlak, para panelis mengusulkan arsitektur struktural hibrida. Model ini menyeimbangkan mesin pemrosesan deterministik dengan antarmuka bahasa yang fleksibel untuk memudahkan alur kerja pengguna akhir:

• Fondasi Deterministik: Lapisan data inti harus tetap sepenuhnya deterministik. Platform kecerdasan khusus, seperti Torus, dengan sengaja membangun logika backend mereka untuk berfokus pada akurasi matematis total daripada model "probabilitas 80%", memastikan bahwa biaya skema dan catatan transaksi sepenuhnya direkonsiliasi.

• Antarmuka Percakapan: Setelah garis dasar integritas data yang terverifikasi ditetapkan, lembaga dapat melapisi LLM di atasnya untuk menginterpretasikan data, menyederhanakan interaksi pengguna, dan mempercepat tugas analitis.

Fondasi terstruktur ini memungkinkan lembaga untuk memanfaatkan konsep seperti data lake untuk merumuskan dan menguji hipotesis komersial. Secara historis, menemukan tren pemrosesan atau mengevaluasi variabel penetapan harga memerlukan kueri basis data manual yang sangat besar.

Dengan inti hibrida yang terpadu, tim produk dapat dengan cepat menguji hipotesis untuk mengevaluasi probabilitas keberhasilannya. Pada akhirnya, kerangka ini memungkinkan bank untuk menganalisis statistik internal, lanskap pesaing, dan pergeseran pasar makro secara bersamaan. Pendekatan berbasis data ini memandu penyesuaian yang ditargetkan di seluruh aliran konversi, perutean transaksi, dan pengalaman produk, mengubah investasi modal yang diperlukan menjadi pendorong profitabilitas korporat yang dapat diprediksi.

Sorotan Utama dari Panel Virtual Arena:

• Hambatan Struktur Data: Mengumpulkan data di seluruh sistem warisan yang menggunakan format berbeda membuat pelacakan profitabilitas transaksi yang akurat menjadi sangat kompleks.

• Biaya Tinggi Stagnasi Data: Menyimpan data dalam jumlah besar tanpa kasus penggunaan yang jelas menggelembungkan biaya operasional, membuat bank kurang kompetitif dalam penetapan harga pedagang.

• Nilai di Atas Volume: Kecerdasan data modern memprioritaskan ekstraksi utilitas maksimum dari aset yang ada sebelum membeli aliran data eksternal.

• Bahaya AI Non-Deterministik: Karena model AI generatif berbasis probabilitas, menggunakannya pada data inti yang tidak terstruktur berisiko menimbulkan kesalahan perhitungan keuangan.

• Cetak Biru Sistem Hibrida: Arsitektur yang berhasil menggabungkan lapisan data deterministik yang 100% akurat dengan alat LLM percakapan di atasnya untuk interpretasi pengguna.

• Inovasi Berbasis Hipotesis: Merekayasa ulang kerangka data inti memungkinkan tim untuk dengan cepat memvalidasi perubahan pemrosesan, mengurangi risiko investasi modal.

Artikel Mengatasi Fragmentasi Data dan Keterbatasan AI dalam Profitabilitas Transaksi pertama kali muncul di FF News | Fintech Finance.