Rabobank menginvestasikan 2 miliar euro untuk masa depan kecerdasan buatan

Transformasi Rabobank: AI sebagai kunci daya saing

Kecerdasan buatan di perbankan: Dari teori hingga aplikasi praktis

Rabobank, salah satu bank terkemuka di Belanda, berencana melakukan investasi besar hingga €2 miliar di bidang data, teknologi informasi, dan kecerdasan buatan (AI) selama tiga tahun ke depan. Keputusan ini diambil karena laba bersih bank diperkirakan akan stagnan di angka €2,694 miliar pada semester pertama tahun 2026. Alih-alih memaksimalkan keuntungan jangka pendek, Rabobank memandang modernisasi infrastruktur digitalnya sebagai hal penting untuk daya saing di masa depan.

Proyek ambisius ini melampaui sekadar investasi dalam kecerdasan buatan; proyek ini juga mencakup peningkatan kualitas data, pengembangan pengalaman pelanggan digital, dan integrasi teknologi modern ke dalam sistem yang ada. Di dunia yang semakin digital, sangat penting bagi bank untuk berevolusi secara teknologi guna memenuhi tuntutan pelanggan yang meningkat dan tantangan pasar. Dengan langkah ini, Rabobank menunjukkan pengakuannya akan kebutuhan untuk memposisikan diri kembali di lingkungan yang sangat kompetitif, dengan fokus tidak hanya pada teknologi inovatif tetapi juga pada fondasi data dan TI yang kuat untuk memastikan kesuksesan jangka panjang.

Taruhan Rabobank senilai dua miliar dolar pada AI

Bank-bank di Eropa tidak lagi mampu menoleransi stagnasi teknologi

Rabobank berencana untuk menginvestasikan hingga €2 miliar dalam data, teknologi informasi, dan kecerdasan buatan dalam waktu tiga tahun. Investasi ini dilakukan pada saat laba bersih tetap tidak berubah di angka €2,694 miliar pada semester pertama tahun 2026 dibandingkan dengan periode yang sama tahun lalu. Kombinasi ini membuat keputusan tersebut secara ekonomi sangat penting: bank meningkatkan kemampuan teknologinya bukan demi pertumbuhan laba jangka pendek, tetapi meskipun pendapatan stagnan. Dengan demikian, bank memperlakukan modernisasi infrastruktur digitalnya bukan sebagai program inovasi sukarela, tetapi sebagai prasyarat yang diperlukan untuk daya saing di masa depan.

Kesalahpahaman umum bahwa ini semata-mata investasi AI adalah menyesatkan. Anggaran tersebut secara eksplisit mencakup data dan infrastruktur TI, pengalaman pelanggan digital, dan penskalaan kecerdasan buatan. Oleh karena itu, sebagian besar dana kemungkinan besar tidak akan diinvestasikan pada model bahasa yang spektakuler atau asisten yang terlihat, melainkan pada kualitas data, antarmuka, arsitektur cloud, keamanan siber, validasi model, dan integrasi aplikasi modern ke dalam sistem inti yang ada. Inilah logika ekonominya: tanpa data yang andal dan fondasi teknis yang kuat, AI dapat didemonstrasikan di bank besar, tetapi tidak dapat diskalakan dengan aman dan menguntungkan.

Oleh karena itu, taruhan strategisnya bukanlah bahwa AI saja akan langsung menghemat miliaran dolar. Melainkan, bank dengan arsitektur data dan teknologi modern akan mampu mengubah proses lebih cepat, mengidentifikasi risiko lebih tepat, memenuhi persyaratan regulasi lebih efisien, dan melayani pelanggan lebih hemat biaya. Pada saat yang sama, struktur biaya dan ketergantungan baru sedang muncul. Daya komputasi, layanan cloud, perangkat lunak khusus, konsultasi eksternal, personel yang berkualifikasi tinggi, dan pemantauan berkelanjutan menghasilkan pengeluaran yang tinggi secara konsisten. Dengan demikian, investasi sekali waktu menjadi transformasi model bisnis selama bertahun-tahun.

Sebuah program bernilai miliaran dolar dengan dampak signifikan terhadap hasilnya

Hingga €2 miliar selama tiga tahun setara dengan rata-rata sekitar €667 juta per tahun. Jika laba setengah tahun sebesar €2,694 miliar diekstrapolasi ke satu tahun penuh untuk tujuan perbandingan, angka yang dihasilkan akan sekitar €5,388 miliar. Anggaran teknologi tahunan rata-rata kemudian akan mewakili sekitar 12,4 persen dari laba tahunan yang dihitung ini. Dibandingkan dengan laba setengah tahun yang dilaporkan, total anggaran tiga tahun bahkan mencapai 74 persen. Angka-angka ini menunjukkan bahwa ini bukanlah anggaran digital tambahan di pinggiran organisasi.

Faktur tersebut tidak boleh disamakan dengan pengurangan laba langsung. Tidak jelas bagian mana yang akan dikapitalisasi, disusutkan selama beberapa tahun, atau dibebankan langsung. Demikian pula, tidak ada rincian yang tersedia untuk umum tentang berapa banyak dari jumlah tersebut yang mewakili investasi pembaruan yang diperlukan dan berapa bagian yang sebenarnya merupakan tambahan. Frasa "hingga" juga relevan: frasa tersebut mendefinisikan jumlah maksimum, bukan jumlah yang akan sepenuhnya digunakan. Oleh karena itu, untuk evaluasi ekonomi, total keseluruhan kurang penting daripada komposisi dana, waktu pencairannya, dan hasil yang terukur untuk setiap kasus penggunaan tertentu.

Rabobank memulai restrukturisasinya dari posisi keuangan yang kuat. Pada semester pertama tahun 2026, bank ini mencapai rasio Common Equity Tier 1 (CET1) sebesar 20,2 persen dan return on equity sebesar 9,5 persen. Rasio biaya terhadap pendapatan membaik menjadi 50,2 persen. Pada saat yang sama, penurunan nilai aset keuangan meningkat dari €136 juta pada periode yang sama tahun sebelumnya menjadi €562 juta, terutama karena beberapa provisi besar di bisnis perbankan korporasi. Perkembangan ini menggarisbawahi bahwa pengeluaran teknologi tidak terjadi dalam lingkungan yang bebas risiko. Meskipun modal yang kuat memberikan fleksibilitas, hal itu tidak menghilangkan risiko kredit atau ketidakpastian ekonomi.

Landasan operasionalnya juga substansial. Dalam bisnis perbankan ritel dan korporasi Belanda, simpanan mencapai €375,1 miliar dan pinjaman €293 miliar. Pendapatan bunga bersih di segmen ini meningkat sebesar 6 persen menjadi €3,951 miliar. Dalam bisnis perbankan korporasi dan pertanian internasional, portofolio pinjaman tumbuh sebesar €7,8 miliar menjadi €142,7 miliar pada kurs tetap. Aset yang dikelola dalam perbankan swasta mencapai €83,1 miliar. Bahkan peningkatan persentase kecil dalam perubahan teknologi yang memengaruhi neraca dan metrik proses ini dapat memiliki efek absolut yang signifikan. Sebaliknya, kesalahan, kegagalan, atau keputusan yang salah juga dapat menyebabkan kerusakan yang substansial.

Kendala sebenarnya terletak di bawah permukaan AI

Dalam wacana publik, kecerdasan buatan (AI) sering diperlakukan sebagai perangkat lunak mandiri yang dapat diinstal bersama sistem yang sudah ada. Namun, di bank besar, kebalikannya yang terjadi. AI mengakses data dari rekening, transaksi, hubungan pelanggan, berkas pinjaman, arsip dokumen, sistem manajemen risiko, dan saluran komunikasi. Informasi ini sering tersedia dalam berbagai format, dengan standar kualitas yang berbeda dan terkadang definisi yang saling bertentangan. Sebuah model hanya dapat berfungsi dengan andal jika asal, makna, kemutakhiran, dan hak akses data didefinisikan dengan jelas.

Oleh karena itu, investasi tinggi yang dibutuhkan terutama merupakan harga dari kompleksitas. Sistem perbankan inti yang telah berevolusi selama beberapa dekade mengandung logika bisnis yang penting tetapi sulit diintegrasikan dengan platform modern. Data harus dibersihkan, dikategorikan, dan diperkaya dengan metadata. Antarmuka memerlukan standar yang seragam. Identitas dan izin harus dikontrol di berbagai sistem. Setiap model penting membutuhkan versi yang dapat dilacak, data pelatihan dan pengujian yang terdokumentasi, tanggung jawab yang ditentukan, dan pemantauan berkelanjutan. Pekerjaan ini jarang menghasilkan produk yang terkenal, tetapi menentukan apakah AI beralih dari demonstrasi ke operasi perbankan reguler.

Rabobank telah menyederhanakan sebagian dari arsitektur intinya. Dalam bisnis perbankan korporatnya, ribuan portofolio, lini kredit, pinjaman, posisi perdagangan, dan rekening dari lebih dari 35 sistem perbankan inti lama telah dimigrasikan ke platform pusat. Konsolidasi semacam ini signifikan secara ekonomi karena dapat mengurangi jumlah model data paralel, antarmuka, dan jalur pemeliharaan. Namun, hal ini tidak secara otomatis menurunkan biaya dalam jangka pendek. Selama fase transisi, sistem lama dan baru sering berjalan berdampingan, dibutuhkan spesialis tambahan, dan risiko migrasi harus dimitigasi.

Hal ini menjelaskan paradoks utama dari program digitalisasi skala besar: Awalnya, upaya yang dibutuhkan meningkat, meskipun strategi tersebut bertujuan untuk mengurangi biaya dalam jangka panjang. Sistem lama hanya dapat dinonaktifkan setelah data sepenuhnya ditransfer, proses dirancang ulang, kontrol divalidasi, dan prosedur darurat diuji. Penghematan dilakukan terlalu dini, sehingga meningkatkan risiko operasional. Menjalankan sistem secara paralel terlalu lama mencegah penghematan terwujud. Oleh karena itu, keberhasilan ekonomi tidak hanya bergantung pada implementasi teknis tetapi juga pada penyederhanaan yang konsisten. Menambahkan lapisan AI modern ke struktur proses yang kompleks yang sudah ada hanya akan menambah biaya baru pada biaya yang sudah ada.

Dari proyek percontohan hingga skala industri

Sektor perbankan Eropa sebagian besar telah melewati fase eksperimental. Lebih dari 85 persen lembaga besar yang dipantau oleh pengawas perbankan Eropa menggunakan kecerdasan buatan dalam beberapa bentuk. Survei yang dilakukan oleh Otoritas Perbankan Eropa bahkan menunjukkan angka lebih dari 90 persen untuk pasar yang lebih luas. Namun, angka-angka tersebut tidak berarti bahwa AI sudah beroperasi secara produktif di semua sektor. Terdapat perbedaan signifikan dalam kematangan antara model klasifikasi dokumen yang terbatas dan platform AI yang terintegrasi secara mendalam dan penting bagi bisnis.

Tantangan ekonomi terletak pada transformasi berbagai solusi individual menjadi kemampuan yang dapat digunakan kembali. Chatbot, model deteksi penipuan, atau asisten pemrograman dapat dengan cepat memberikan manfaat lokal. Namun, jika masing-masing dibangun jalur data, pemeriksaan keamanan, dan model operasional yang terpisah, biaya dan risikonya akan berlipat ganda. Peningkatan skala membutuhkan komponen teknis bersama, kriteria kualitas yang terstandarisasi, dan kerangka kerja pusat di mana departemen dapat mengembangkan aplikasi.

Inilah tujuan utama dari Agentic Hub yang didirikan oleh Rabobank. Tujuannya adalah untuk menyatukan pengetahuan, pengembangan teknis, pengalaman aplikasi, dan blok bangunan yang dapat digunakan kembali untuk agen AI. Hal ini sangat penting mengingat lebih dari 1.100 tim yang terlibat dalam pengembangan perangkat lunak di dalam bank. Tanpa arsitektur pusat, setiap tim dapat berulang kali menyelesaikan masalah serupa, memilih alat yang berbeda, dan membuat mekanisme kontrolnya sendiri. Sebuah hub dapat mengurangi duplikasi upaya dan mempercepat penyebaran solusi yang berhasil.

Namun, sentralisasi tidak boleh berubah menjadi mekanisme kontrol yang rumit. Jika setiap perubahan membutuhkan persetujuan berbulan-bulan, departemen akan beralih ke alat yang tidak disetujui atau tertinggal dari pesaing digital. Sebaliknya, platform yang terlalu terbuka menyebabkan model yang tidak terkontrol, kebocoran data, dan hasil yang tidak konsisten. Jalan tengah yang produktif terdiri dari komponen yang terstandarisasi dan telah disetujui sebelumnya, kelas risiko yang jelas, dan proses persetujuan bertingkat. Asisten pengetahuan internal membutuhkan kontrol yang berbeda dari sistem yang menyiapkan keputusan kredit atau memblokir pembayaran yang mencurigakan.

Di mana manfaat ekonomi dapat muncul

Bidang aplikasi yang paling menarik pada awalnya terletak di mana volume kasus yang tinggi bertemu dengan pekerjaan berbasis pengetahuan yang terstandarisasi. Ini termasuk identifikasi pelanggan, verifikasi dokumen, deteksi penipuan, pemantauan anti pencucian uang, pemrosesan permintaan layanan, pengembangan perangkat lunak, dan penelitian internal. Di bidang-bidang ini, AI tidak perlu bertindak sepenuhnya secara otonom sejak awal. Bahkan pra-penyortiran, peringkasan, atau prioritas yang lebih baik dapat mempersingkat waktu pemrosesan dan meringankan tugas rutin karyawan yang berkualifikasi.

Rabobank telah memproses jutaan transaksi per hari dalam waktu yang sangat singkat untuk deteksi penipuan. Prosedur berbasis aturan dikombinasikan dengan penilaian risiko dan pembelajaran mesin. Keunggulan pendekatan hibrida ini terletak pada kombinasi transparansi dan pengenalan pola. Aturan secara transparan memetakan skenario penipuan yang diketahui, sementara model statistik dapat mendeteksi konstelasi yang tidak biasa yang tidak sepenuhnya dijelaskan sebelumnya. Nilai ekonomi dihasilkan melalui pengurangan kerugian, berkurangnya alarm palsu, dan pengurangan upaya peninjauan manual.

Hal yang sama berlaku untuk memerangi pencucian uang dan kejahatan keuangan lainnya. Bank harus menganalisis sejumlah besar pesan, dokumen, dan informasi transaksi. Sistem tradisional sering menghasilkan banyak peringatan, yang sebagian besar ternyata tidak berdasar. Ketika AI meningkatkan prioritas, penyelidik dapat mencurahkan lebih banyak waktu untuk kasus-kasus yang kompleks. Manfaatnya kemudian meluas melampaui sekadar biaya yang lebih rendah. Deteksi yang lebih cepat dan akurat mengurangi risiko regulasi, hukum, dan reputasi, yang potensi kerugiannya jauh melebihi biaya personel yang berkelanjutan.

Dalam layanan pelanggan, AI generatif dapat mengumpulkan informasi dari repositori pengetahuan internal, mempersiapkan percakapan, dan meringkas dokumen. Karyawan mendapatkan gambaran yang lebih cepat, sementara pelanggan mengalami waktu respons yang lebih singkat. Komunikasi yang sepenuhnya otomatis tetap lebih berisiko karena jawaban yang salah atau tidak lengkap memiliki dampak eksternal langsung. Oleh karena itu, pendekatan bertahap seringkali lebih layak secara ekonomi: AI mempersiapkan konten, manusia meninjaunya untuk hal-hal sensitif, dan hanya kasus standar yang didefinisikan dengan jelas yang sepenuhnya otomatis.

Pengembangan perangkat lunak juga menawarkan potensi yang signifikan. Agen AI dapat menyiapkan kode, menghasilkan pengujian, menemukan bug, membuat dokumentasi, dan mendukung tinjauan. Contoh industri menunjukkan peningkatan produktivitas sebesar 20 hingga 30 persen jika diimplementasikan secara konsisten di seluruh proses pengembangan. Namun, angka tersebut tidak menjamin penghematan biaya. Peningkatan output per pengembang hanya mengurangi biaya personel jika kapasitas benar-benar dikurangi. Lebih sering, manfaat awalnya muncul dari proyek yang lebih cepat, lebih sedikit backlog, dan kemampuan adaptasi yang lebih besar.

Keuntungan tidak hanya dihasilkan dari penghematan menit

Banyak model bisnis AI melebih-lebihkan nilai penghematan waktu yang kecil. Jika seorang asisten menghemat beberapa menit per hari untuk setiap karyawan, ini tidak langsung menghasilkan keuntungan yang sepadan. Waktu yang dihemat dapat tersebar di banyak interval singkat di mana tidak ada pekerjaan tambahan yang menghasilkan nilai tambah. Hanya ketika proses dan tanggung jawab diatur ulang, produktivitas dapat diterjemahkan menjadi biaya yang lebih rendah, peningkatan kapasitas, atau pendapatan tambahan.

Oleh karena itu, bagi Rabobank, evaluasi ekonomi harus dilakukan pada tingkat proses. Dalam pemrosesan pinjaman, metrik yang relevan meliputi waktu pemrosesan, tingkat kesalahan, jumlah kasus yang diselesaikan, dan pengembalian yang disesuaikan dengan risiko. Dalam pencegahan penipuan, kerugian yang dihindari, tingkat deteksi, tingkat alarm palsu, dan biaya pemrosesan per kasus adalah kunci. Dalam layanan pelanggan, tingkat penyelesaian kontak pertama, waktu tunggu, kepuasan pelanggan, dan biaya per pertanyaan lebih bermakna daripada sekadar jumlah respons yang dihasilkan AI. Dalam pengembangan perangkat lunak, waktu penerapan, kesalahan pasca peluncuran, penggunaan kembali, dan persentase sistem lama yang benar-benar dinonaktifkan harus diukur.

Pengembalian investasi juga harus dihitung terhadap total biaya. Selain lisensi dan daya komputasi, ini termasuk persiapan data, integrasi, keamanan siber, tinjauan hukum, validasi model, pelatihan karyawan, pemantauan, dan solusi cadangan. Peningkatan penggunaan juga dapat meningkatkan biaya jika penagihan didasarkan pada volume komputasi atau panggilan model. Proyek percontohan yang awalnya murah dapat menjadi mahal dengan jutaan transaksi harian. Oleh karena itu, setiap kasus penggunaan memerlukan perhitungan biaya per unit yang kuat dan batasan yang jelas untuk menentukan kapan pendekatan teknis alternatif menjadi lebih ekonomis.

Yang lebih penting daripada angka keseluruhan yang spektakuler adalah portofolio investasi yang terdiversifikasi. Aplikasi dengan risiko lebih rendah dan manfaat terukur yang lebih cepat dapat memberikan pengembalian awal. Proses inti berisiko tinggi memerlukan validasi yang lebih lama tetapi mungkin menjanjikan keuntungan strategis yang lebih besar. Investasi infrastruktur seringkali tidak menghasilkan pendapatan individu secara langsung tetapi memungkinkan banyak aplikasi selanjutnya. Kesalahan manajemen utama adalah mengaitkan biaya platform sepenuhnya dengan proyek-proyek awal individual atau, sebaliknya, menerima setiap janji di masa depan sebagai pembenaran untuk pengeluaran yang tidak terkendali.

Dimensi baru transformasi digital dengan 'Managed AI' (Kecerdasan Buatan) – Platform & solusi B2B | Xpert Consulting - Gambar: Xpert.Digital

Di sini Anda akan mempelajari bagaimana perusahaan Anda dapat mengimplementasikan solusi AI yang disesuaikan dengan cepat, aman, dan tanpa hambatan masuk yang tinggi.

Platform AI terkelola adalah solusi lengkap dan bebas khawatir Anda untuk kecerdasan buatan. Alih-alih berurusan dengan teknologi yang kompleks, infrastruktur yang mahal, dan proses pengembangan yang panjang, Anda menerima solusi siap pakai yang disesuaikan dengan kebutuhan Anda dari mitra khusus – seringkali hanya dalam beberapa hari.

Keunggulan utama secara sekilas:

⚡ Implementasi cepat: Dari ide hingga aplikasi siap pakai dalam hitungan hari, bukan bulan. Kami menghadirkan solusi praktis yang menciptakan nilai tambah langsung.

🔒 Keamanan data maksimal: Data sensitif Anda tetap aman. Kami menjamin pemrosesan yang aman dan sesuai peraturan tanpa membagikan data dengan pihak ketiga.

💸 Tanpa risiko finansial: Anda hanya membayar untuk hasil. Investasi awal yang tinggi untuk perangkat keras, perangkat lunak, atau personel sepenuhnya dihilangkan.

🎯 Fokus pada bisnis inti Anda: Konsentrasikan pada apa yang Anda kuasai. Kami mengurus seluruh implementasi teknis, pengoperasian, dan pemeliharaan solusi AI Anda.

📈 Tahan masa depan & dapat diskalakan: AI Anda tumbuh bersama Anda. Kami memastikan optimasi dan skalabilitas berkelanjutan, serta secara fleksibel menyesuaikan model dengan kebutuhan baru.

Informasi selengkapnya di sini:

• Solusi AI Terkelola - Layanan AI Industri: Kunci Daya Saing di Sektor Jasa, Industri, dan Teknik Mesin

Keuntungan yang stagnan meningkatkan tekanan untuk meraih kesuksesan

Laba bersih yang tidak berubah bukanlah otomatis menjadi tanda peringatan bagi bank yang kuat. Hal itu dapat mencerminkan daya perolehan pendapatan yang stabil dalam lingkungan yang lebih menantang. Di Rabobank, pendapatan yang lebih tinggi dan pengendalian biaya diimbangi oleh peningkatan penurunan nilai aset yang signifikan. Meskipun demikian, pertumbuhan laba yang stagnan mengubah persepsi terhadap program teknologi. Selama hasil tidak tumbuh secara dinamis, investor, anggota, dan regulator akan lebih cermat mengamati kapan dan bagaimana pengeluaran tersebut akan membuahkan hasil.

Rasio biaya terhadap pendapatan yang lebih baik sebesar 50,2 persen memberikan titik awal yang solid. Ini menunjukkan bahwa untuk setiap euro pendapatan, kira-kira setengahnya dihabiskan untuk biaya operasional. Bagi bank universal tradisional, ini kompetitif, tetapi bukan alasan untuk berpuas diri. Bank digital dan penyedia layanan khusus menargetkan bagian-bagian yang menguntungkan dari rantai nilai dengan struktur yang lebih ramping. Pada saat yang sama, lembaga-lembaga yang sudah mapan menghadapi peningkatan pengeluaran untuk regulasi, keamanan siber, personel terampil, dan modernisasi teknologi. AI dimaksudkan untuk sebagian mengimbangi beban ini, tetapi pada awalnya, AI juga menimbulkan biaya.

Hal ini menciptakan asimetri temporal. Biaya investasi dan beban organisasi muncul lebih awal; penghematan dan peningkatan pendapatan menyusul kemudian dan tetap tidak pasti. Jika ekspektasi internal ditetapkan terlalu agresif, ada risiko tindakan personel yang tergesa-gesa atau perluasan prematur sistem yang belum terbukti. Jika tujuan dirumuskan terlalu hati-hati, anggaran miliaran dolar dapat dihamburkan tanpa disiplin yang cukup. Oleh karena itu, diperlukan tujuan menengah yang menghubungkan kemajuan teknologi dengan hasil ekonomi. Fokusnya seharusnya bukan pada jumlah model atau pengguna, tetapi pada peningkatan seluruh aliran nilai.

Bank juga harus mencegah peningkatan efisiensi hanya dengan menciptakan permintaan baru di dalam organisasi. Jika setiap departemen memesan lebih banyak analisis, laporan, dan perubahan perangkat lunak berkat AI, aktivitas akan meningkat, tetapi belum tentu nilai perusahaan. Tata kelola yang baik memprioritaskan kasus penggunaan berdasarkan risiko, kontribusi ekonomi, dan relevansi strategis. Tata kelola yang baik menghentikan proyek-proyek yang manfaatnya tidak dapat dibuktikan, meskipun teknologi yang mendasarinya tampak mengesankan.

Regulasi menjadi bagian dari produk

Di sektor keuangan Eropa, AI tidak dapat dipisahkan dari regulasi. Kerangka hukum Eropa umumnya mengklasifikasikan sistem untuk menilai kelayakan kredit individu sebagai aplikasi berisiko tinggi. Hal ini menghasilkan persyaratan untuk manajemen risiko, kualitas data, dokumentasi teknis, pencatatan, transparansi, pengawasan manusia, dan pemantauan pasca-implementasi. Pada saat yang sama, peraturan pengawasan perbankan sudah berlaku terkait risiko model, perlindungan konsumen, privasi data, dan organisasi bisnis yang tepat.

Selain itu, terdapat peraturan tentang ketahanan operasional digital sektor keuangan, yang telah berlaku sejak Januari 2025. Peraturan ini mensyaratkan prosedur yang kuat untuk risiko TI, pelaporan insiden, pengujian, dan pengendalian penyedia layanan teknologi eksternal. Bagi Rabobank, ini berarti bahwa aplikasi AI tidak hanya harus menghitung dengan benar. Bank juga harus mengetahui penyedia, subkontraktor, pusat data, dan aliran data mana yang terlibat, bagaimana gangguan diatasi, dan bagaimana perubahan penyedia dapat dilakukan secara teknis.

Oleh karena itu, kepatuhan bukanlah hal yang dipikirkan kemudian, melainkan bagian integral dari arsitektur sistem. Menambahkan dokumentasi, asal usul data, hak akses, dan pemantauan hanya setelah pengembangan akan mengakibatkan pengerjaan ulang yang signifikan. Platform yang hemat biaya mengintegrasikan fungsi-fungsi ini sejak awal. Protokol standar, register model, pengujian otomatis, dan tanggung jawab yang jelas mungkin meningkatkan biaya awal, tetapi mengurangi biaya marginal dari setiap aplikasi selanjutnya.

Masalah pengawasan manusia sangatlah menantang. Persetujuan formal oleh karyawan saja tidak cukup jika mereka kekurangan waktu dan informasi untuk meneliti rekomendasi secara kritis. Pengawasan yang efektif membutuhkan justifikasi yang mudah dipahami, kemungkinan penyimpangan, dan prosedur eskalasi yang jelas. Dalam kasus keputusan kredit atau keluhan pelanggan, pihak yang terkena dampak harus menerima jawaban yang transparan dan mudah dipahami. Semakin banyak sistem campur tangan dalam hak dan peluang ekonomi, semakin sedikit peran manusia yang seharusnya direduksi menjadi sekadar konfirmasi simbolis dari hasil otomatis.

Regulasi mungkin tampak sebagai faktor biaya dalam jangka pendek, tetapi dapat menciptakan keunggulan kompetitif dalam jangka panjang. Bank yang menguasai proses AI yang andal, dapat diaudit, dan adil dapat merilis aplikasi baru lebih cepat dan memperkuat kepercayaan pelanggan dan regulator. Sebaliknya, lembaga yang memperlakukan tata kelola hanya sebagai penghalang berisiko menghadapi pembatasan, denda, penutupan model, dan kerusakan reputasi di kemudian hari. Dalam perbankan, kepercayaan itu sendiri merupakan aset ekonomi.

Ketergantungan pada komputasi awan menjadi risiko strategis dalam neraca keuangan

AI tingkat lanjut membutuhkan pusat data berkinerja tinggi, chip khusus, penyimpanan yang dapat diskalakan, dan platform perangkat lunak yang kompleks. Hanya beberapa penyedia global yang dapat menyediakan infrastruktur ini dalam skala besar. Hal ini menciptakan bentuk konsolidasi baru bagi bank. Bahkan jika kontrak secara legal dialihdayakan, tanggung jawab untuk fungsi-fungsi penting tetap berada di lembaga tersebut.

Keunggulan langsung dari penyedia cloud dan AI besar terletak pada kecepatan dan skala ekonomi. Mereka menyediakan alat keamanan, model, dan daya komputasi yang hanya dapat dikembangkan sendiri oleh satu bank Eropa dengan upaya yang sangat besar. Operasi yang sepenuhnya dilakukan secara internal seringkali akan lebih mahal, lebih lambat, dan secara teknis kurang mumpuni. Oleh karena itu, kedaulatan teknologi tidak dapat secara bermakna berarti membangun setiap komponen secara internal.

Sebaliknya, ini berarti memahami dan mengelola ketergantungan kritis. Ini termasuk format data portabel, antarmuka yang terdokumentasi, cadangan terpisah, strategi keluar yang teruji, dan metode operasi alternatif untuk fungsi-fungsi yang sangat penting. Kontrak harus mencakup hak akses, audit, dan penghentian. Lebih lanjut, bank harus menghindari penyematan layanan eksklusif terlalu dalam ke dalam proses sehingga peralihan menjadi hampir tidak mungkin.

Strategi multi-vendor seringkali disajikan sebagai solusi sederhana, tetapi strategi ini menimbulkan biaya tersendiri. Dua lingkungan cloud berarti keahlian tambahan, konfigurasi keamanan, antarmuka, dan pengujian. Oleh karena itu, tidak setiap aplikasi perlu dijalankan di beberapa platform secara bersamaan. Arsitektur berbasis risiko lebih masuk akal: Untuk layanan yang sangat penting, diperlukan alternatif dan opsi cadangan yang nyata, sementara aplikasi yang kurang penting dapat dijalankan secara selektif pada satu penyedia. Yang terpenting, bank tidak boleh mengacaukan risiko konsentrasi dengan sekadar keragaman kontrak.

Isu geopolitik juga semakin penting. Banyak penyedia layanan cloud dan model terkemuka berlokasi di luar Uni Eropa. Perubahan dalam hukum perdagangan, sanksi, klaim akses ekstrateritorial, atau hambatan pasokan untuk chip berkinerja tinggi dapat memengaruhi ketersediaan. Oleh karena itu, bank Eropa harus bersama-sama menilai kinerja teknis, perlindungan data, kerangka hukum, dan keamanan pasokan. Layanan termurah belum tentu merupakan pilihan yang paling ekonomis jika waktu henti atau biaya peralihan tidak dipertimbangkan secara memadai.

Jumlah tenaga kerja akan dievaluasi ulang

Kecerdasan buatan mengubah tugas-tugas di bank terlebih dahulu, dan baru kemudian pekerjaan. Tugas-tugas berulang dalam pemrosesan dokumen, layanan pelanggan, kepatuhan, analisis risiko, dan pengembangan perangkat lunak sangat terpengaruh. Model dapat mencari informasi, mengurutkan kasus terlebih dahulu, menghasilkan draf teks, dan melakukan pemeriksaan standar. Akibatnya, pekerjaan manusia bergeser ke arah pemantauan, penanganan pengecualian, penilaian konteks, dan komunikasi pelanggan.

Pergeseran ini sama sekali tidak secara otomatis dapat diterima secara sosial. Jika target produktivitas terutama dibingkai sebagai pengurangan staf, karyawan mungkin menahan pengetahuan, menolak sistem baru, atau gagal melaporkan masalah secara terbuka. Namun, implementasi yang sukses bergantung pada pengetahuan berdasarkan pengalaman. Para ahli harus menjelaskan pengecualian mana yang relevan, bagaimana mengidentifikasi hasil yang salah, dan kapan suatu kasus perlu ditindaklanjuti. Oleh karena itu, manfaat ekonomi meningkat ketika karyawan terlibat dalam desain proses dan pengukuran kualitas sejak tahap awal.

Pada saat yang sama, akan tidak realistis untuk meremehkan dampak terhadap lapangan kerja. Jika sebuah bank dapat secara permanen memproses lebih banyak transaksi dan pertanyaan pelanggan dengan jumlah karyawan yang sama atau lebih sedikit, kebutuhan akan tugas-tugas tertentu akan berkurang. Pengurangan ini dapat terjadi melalui pengurangan alami, perekrutan karyawan baru yang lebih sedikit, relokasi, dan pemutusan hubungan kerja yang ditargetkan. Peran-peran yang nilainya terutama terdiri dari pengumpulan informasi, dokumentasi standar, atau pemrosesan berbasis aturan sangat tertekan.

Persyaratan baru muncul dalam rekayasa data, keamanan model, desain proses, pertahanan siber, tanggung jawab produk, dan validasi independen. Namun, posisi spesialis baru belum tentu mengimbangi penurunan pekerjaan berulang. Lebih jauh lagi, staf administrasi yang berpengalaman tidak dapat dilatih ulang sebagai arsitek AI dalam semalam. Oleh karena itu, program kualifikasi yang kredibel harus membedakan: beberapa karyawan membutuhkan keterampilan aplikasi yang aman, yang lain pengetahuan data yang mendalam, dan kelompok yang lebih kecil membutuhkan keterampilan teknis yang sangat khusus.

Tujuannya bukanlah untuk menyingkirkan manusia dari proses secepat mungkin. Pembagian tugas yang disadari akan lebih ekonomis. Mesin menangani sejumlah besar data, tugas berulang, dan pengenalan pola; manusia bertanggung jawab atas kasus-kasus yang ambigu, pertimbangan etis, hubungan, dan keputusan yang berdampak luas. Tingkat otomatisasi hanya dapat ditingkatkan setelah kualitas, keamanan, dan akuntabilitas terbukti.

Manfaat bagi pelanggan menentukan legitimasi

Modernisasi teknologi hanya menjadi relevan bagi pelanggan ketika hal itu terlihat dalam kehidupan sehari-hari mereka. Waktu pemrosesan yang lebih singkat, pencegahan penipuan yang lebih baik, komunikasi yang lebih jelas, dan peningkatan ketersediaan adalah keuntungan yang jelas. Saran yang dipersonalisasi dapat membantu pelanggan mengidentifikasi risiko keuangan lebih awal atau menemukan produk yang sesuai. Pada saat yang sama, personalisasi yang sama ini dapat dianggap mengganggu atau manipulatif jika bank menggunakan data tanpa tujuan yang jelas.

Pemberian pinjaman merupakan area yang sangat sensitif. Model yang lebih tepat dapat membedakan risiko dengan lebih baik dan membuka akses pembiayaan bagi pelanggan yang sebelumnya sulit dinilai. Namun, model tersebut juga dapat mereproduksi ketidaksetaraan yang ada jika data historis mengandung keputusan yang bias. Bahkan variabel yang tampak netral pun secara tidak langsung dapat mencerminkan asal, tempat tinggal, atau status sosial. Oleh karena itu, pemeriksaan rutin terhadap diskriminasi tidak hanya diwajibkan secara hukum tetapi juga melindungi model bisnis dari pemilihan risiko yang salah.

Asisten digital menghadirkan masalah lain: kepercayaan diri dalam berbahasa dapat dengan mudah disalahartikan sebagai kepastian faktual. Saran yang diungkapkan dengan lancar tetapi salah dapat menyebabkan kerugian finansial. Pelanggan harus dapat mengenali kapan mereka berinteraksi dengan sistem otomatis dan bagaimana cara menghubungi manusia. Untuk keputusan keuangan yang kompleks, kemudahan tidak boleh menggantikan nasihat yang tepat.

Sifat kooperatif Rabobank memunculkan harapan bahwa efisiensi teknologi tidak hanya akan berujung pada pengurangan biaya internal. Anggota dan pelanggan juga mengharapkan peningkatan layanan, penetapan harga yang adil, dan penanganan data yang bertanggung jawab. Jika otomatisasi hanya meningkatkan waktu tunggu dengan mengurangi jumlah kontak pribadi, transformasi tersebut akan kehilangan penerimaan publik. Sebaliknya, jika kombinasi pemrosesan digital yang cepat dan dukungan manusia yang mudah diakses berhasil diimplementasikan, teknologi dapat memperkuat loyalitas pelanggan.

Keunggulan kompetitif atau kewajiban yang mahal?

Investasi sebesar ini tidak menjamin keunggulan kompetitif, karena bank-bank besar lainnya juga meningkatkan pengeluaran teknologi mereka. Selain itu, alat AI semakin terstandarisasi dan tersedia bagi para pesaing melalui penyedia yang sama. Oleh karena itu, diferensiasi yang berkelanjutan tidak hanya berasal dari akses ke suatu model. Hal itu bergantung pada data kepemilikan, proses yang lebih baik, implementasi yang lebih cepat, tata kelola yang dapat dipercaya, dan kemampuan untuk menerjemahkan wawasan menjadi penawaran konkret kepada pelanggan.

Dengan posisinya yang kuat di sektor perbankan ritel dan korporasi Belanda, serta keahlian internasionalnya di bidang pertanian dan pangan, Rabobank memiliki data dan relasi spesifik industri yang berharga. Hal ini dapat menghasilkan aplikasi yang tidak mudah ditiru oleh perusahaan teknologi umum. Contohnya termasuk penilaian risiko yang lebih tepat di bidang pertanian dan rantai pasokan, perkiraan likuiditas yang lebih baik untuk bisnis menengah, dan peringatan dini tentang gangguan terkait cuaca dan komoditas. Nilai strategisnya terletak pada penggabungan kemampuan AI umum dengan keahlian industri yang mendalam.

Namun, ukuran juga bisa menjadi kelemahan. Semakin banyak unit bisnis, negara, peraturan, dan sistem lama yang ada, semakin besar upaya koordinasi yang dibutuhkan. Penyedia digital yang lebih kecil dapat menguji produk baru lebih cepat di platform terpadu. Oleh karena itu, Rabobank harus menerjemahkan jangkauannya ke dalam skala ekonomi tanpa terhambat oleh kompleksitas internal. Agentic Hub dan fondasi data bersama merupakan syarat yang diperlukan, tetapi tidak cukup untuk mencapai hal ini.

Apakah program tersebut menciptakan keunggulan kompetitif akan bergantung pada tiga pertanyaan. Pertama: Dapatkah bank menerapkan aplikasi yang sukses lebih cepat daripada pertumbuhan biaya dan risiko? Kedua: Apakah program tersebut benar-benar menutup sistem dan langkah proses lama, alih-alih hanya menambahkan lapisan baru? Ketiga: Akankah program tersebut menghasilkan keputusan dan pengalaman pelanggan yang lebih baik yang diterjemahkan menjadi kerugian yang lebih rendah, retensi yang lebih tinggi, atau bisnis tambahan? Jika pertanyaan-pertanyaan ini tetap tidak terjawab, program tersebut akan menjadi kewajiban modernisasi yang mahal tanpa pengembalian di atas rata-rata.

Tolok ukur yang andal untuk tiga tahun ke depan

Ukuran keberhasilan pertama adalah penyederhanaan lanskap teknis. Jumlah sistem lama yang dinonaktifkan, pengurangan antarmuka, dan konsolidasi kumpulan data menunjukkan apakah bank tersebut menghilangkan biaya jangka panjang. Sebaliknya, migrasi semata tanpa penonaktifan hanya memberikan sedikit manfaat struktural. Sama pentingnya adalah metrik kualitas data, seperti frekuensi catatan data yang salah, keterlacakan asal data, dan waktu yang dibutuhkan untuk memberikan informasi yang terverifikasi.

Metrik kedua berkaitan dengan kinerja operasional. Waktu pemrosesan, tingkat otomatisasi, tingkat kesalahan, kerugian akibat penipuan, dan volume peninjauan manual harus sebanding sebelum dan sesudah implementasi. Nilai rata-rata saja tidak cukup. Suatu sistem dapat mempercepat kasus standar sekaligus memperburuk kasus yang kompleks. Oleh karena itu, hasilnya harus dievaluasi berdasarkan kelompok pelanggan, produk, dan kelas risiko.

Ukuran ketiga adalah dampak keuangan bersih. Penghematan dan pendapatan tambahan harus dibandingkan dengan total biaya operasional. Ini termasuk depresiasi, layanan eksternal, fungsi pengendalian, dan pelatihan. Biaya yang dialihkan tidak boleh tampak sebagai penghematan. Jika suatu unit bisnis mengurangi staf sementara pengeluaran TI dan kepatuhan pusat meningkat secara signifikan, perusahaan secara keseluruhan mungkin tidak akan membaik.

Ukuran keempat adalah risiko. Jumlah dan tingkat keparahan kegagalan teknis, pelanggaran data, penyimpangan model, keluhan pelanggan, dan keberatan regulasi harus terlihat. Proyek dengan produktivitas tinggi tetapi tingkat kesalahan atau keluhan yang meningkat bukanlah sebuah kesuksesan. Demikian pula, rencana keluar dan rencana kontingensi harus diuji secara teratur dalam praktik, bukan hanya ada dalam dokumentasi.

Ukuran kelima adalah kemampuan adaptasi organisasi. Seberapa cepat bank dapat mentransfer aplikasi yang sukses dari satu area ke area lain? Berapa lama waktu yang dibutuhkan untuk menyetujui model baru? Berapa banyak tim yang menggunakan komponen bersama? Berapa persentase karyawan yang dapat menggunakan alat dengan percaya diri dan efektif? Metrik ini menunjukkan apakah proyek-proyek individual akan menghasilkan kemampuan yang berkelanjutan.

Perspektif yang jelas di balik taruhan miliaran dolar

Keputusan Rabobank dapat dipahami secara ekonomi, tetapi tidak secara otomatis menciptakan nilai. Tidak berinvestasi juga akan merugikan. Sistem yang ketinggalan zaman, data yang terfragmentasi, dan proses yang lambat meningkatkan risiko operasional dan menghambat persaingan dari penyedia yang lebih maju secara digital. Pada saat yang sama, akan berbahaya untuk membenarkan program tersebut hanya dengan merujuk secara umum pada kekuatan transformatif kecerdasan buatan. Anggaran miliaran dolar membutuhkan bukti yang lebih meyakinkan daripada sekadar demonstrasi yang persuasif.

Kekuatan terbesar proyek ini terletak pada pendekatannya yang komprehensif. Bank tersebut jelas menyadari bahwa AI hanya dapat berkembang jika didukung oleh fondasi data dan TI yang kuat. Kombinasi dengan platform pusat untuk aplikasi berbasis agen, modernisasi sistem inti yang berkelanjutan, dan aplikasi yang sudah mapan dalam deteksi penipuan dan kejahatan keuangan membuktikan bahwa ini bukan sekadar tren sesaat. Selain itu, basis modal yang solid menyediakan sumber daya keuangan yang diperlukan.

Kelemahan terbesar terletak pada detail ekonomi yang masih belum jelas. Anggaran maksimum sudah diketahui, tetapi alokasinya dan target pengembalian yang mengikat belum ditentukan. Tanpa tujuan sementara yang transparan, ada risiko bahwa investasi dasar yang diperlukan, proyek AI eksperimental, dan peningkatan TI rutin akan digabungkan menjadi satu jumlah besar. Akibatnya, akan sulit untuk membedakan bagian mana yang sebenarnya menciptakan nilai tambah.

Oleh karena itu, Rabobank tidak boleh mendefinisikan kesuksesannya hanya dengan satu metrik spektakuler. Yang penting adalah hasil yang seimbang yang mencakup biaya per unit yang lebih rendah, kemampuan adaptasi yang lebih cepat, pengendalian risiko yang lebih baik, dan nilai pelanggan yang lebih besar. Pengurangan staf dapat berkontribusi pada efek ini, tetapi hal itu tidak boleh menjadi satu-satunya model bisnis. Demikian pula, kedaulatan teknologi tidak boleh disamakan dengan pengembangan internal yang tidak realistis. Ketergantungan yang dapat dikelola, akuntabilitas yang jelas, dan alternatif yang terbukti lebih penting daripada kemandirian simbolis.

Pada akhirnya, program ini merupakan ujian bagi seluruh sektor perbankan Eropa. Jika Rabobank berhasil menerjemahkan neraca keuangannya yang kuat menjadi organisasi digital yang lebih produktif, sederhana, dan lebih tepercaya, investasi tersebut akan menjadi cetak biru. Jika gagal karena sistem lama, ketergantungan pada vendor tertentu, atau kurangnya implementasi dalam operasional, hal itu akan menunjukkan bahwa pengeluaran AI yang tinggi tanpa transformasi proses hanya akan menambah lapisan kompleksitas pada kompleksitas yang sudah ada. Oleh karena itu, pertanyaan krusialnya bukanlah apakah €2 miliar itu banyak. Melainkan apakah, setelah tiga tahun, bank tersebut akan memiliki kompleksitas yang jauh lebih rendah daripada sebelumnya. Hanya dengan demikian modernisasi teknologi akan diterjemahkan menjadi kemajuan ekonomi.

Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten - Gambar: Xpert.Digital

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

Konrad Wolfenstein

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini [email protected]:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang