Main Agenda: Risiko dan Peluang Agentic AI bagi Sektor Keuangan Indonesia

Potensi dan Ancaman Agentic AI dalam Industri Keuangan Indonesia

Main Agenda – Dua kejadian krisis besar dalam sejarah, yaitu tahun 1998 dan taper tantrum 2013, menunjukkan kesamaan dalam mekanisme penyebabnya. Pada masa itu, kecepatan pergerakan modal masih bergantung pada kecepatan manusia dalam mengambil keputusan. Proses seperti telepon antar pedagang, rapat komite investasi, atau pertimbangan kepala dana pensiun membutuhkan waktu, meski singkat. Kini, implementasi Agentic AI di berbagai lembaga keuangan global telah memperpendek jeda antara penerimaan sinyal dan eksekusi hingga mendekati nol.

Transisi ini mengubah cara sistem keuangan bekerja. Sektor yang sebelumnya sangat sensitif terhadap keputusan manusia kini mengandalkan mesin untuk membuat dan mengeksekusi keputusan secara otomatis. Agen otonom dapat mengirim instruksi langsung ke bursa dan sistem kliring dalam hitungan milidetik. Perbedaannya bukan hanya dalam kecepatan, tetapi juga pada hilangnya lapisan emosional dalam proses analisis. Faktor ini selama ini berfungsi sebagai penyerap alami volatilitas pasar.

Keuntungan Agentic AI dalam Stabilitas Finansial

Sebaliknya, Agentic AI membawa manfaat signifikan bagi sektor keuangan. Kemampuannya untuk mengolah data dalam skala besar dan kecepatan tinggi memungkinkan deteksi dini anomali pasar, optimasi portofolio secara dinamis, serta peningkatan presisi dalam penilaian kredit. Dalam konteks manajemen risiko, sistem ini dapat berperan sebagai alat peringatan dini yang efektif, asalkan dikelola dengan kerangka tata kelola yang memadai.

Perkembangan teknologi algoritma sudah berlangsung lebih dari dua dekade. Selama ini, algoritma hanya menjalankan instruksi yang sudah ditetapkan. Namun, Agentic AI memiliki kemampuan unik untuk merencanakan, berpikir, dan bertindak guna mencapai tujuan kompleks tanpa selalu memerlukan perintah eksplisit. Ia bukan lagi alat pendukung, tetapi menjadi entitas pengambil keputusan mandiri. Hal ini membawa perubahan kualitatif dalam cara kita memahami agensi di sistem keuangan.

Karakteristik Sistem Agentic AI

Persamaan utama antara sistem Agentic AI dengan algoritma tradisional adalah tingkat kekompleksannya. Sistem ini tidak hanya rumit, tetapi juga menunjukkan adaptasi yang berubah seiring waktu. Perilaku Agentic AI muncul dari interaksi internal komponen-komponennya, bukan sekadar desain awal. Ia mampu belajar dari pengalaman, menyesuaikan diri dengan lingkungan, dan mengembangkan strategi yang tidak pernah direncanakan secara eksplisit.

Dalam simulasi, agen trading berbasis pembelajaran mesin terbukti mampu menemukan metode untuk memanipulasi harga secara mandiri. Fenomena serupa juga teramati dalam praktik kolusi harga dan tindakan menyembunyikan tujuan sebenarnya. Ancaman ini menunjukkan bahwa Agentic AI dapat menciptakan perilaku yang tidak terduga, bahkan mempercepat risiko yang termanifestasi secara masif.

Perubahan dalam Kerangka Pengawasan

Kerangka pengawasan yang selama ini diterapkan oleh otoritas keuangan tidak lagi cukup efektif. Model manajemen risiko yang dirancang untuk sistem statis sulit menangani kemampuan adaptasi Agentic AI. Risiko baru muncul dari perilaku agen yang bisa berubah sesuai konteks, melewati kontrol, serta ketidaksejajaran tujuan antar sistem. Hal ini memperlihatkan bahwa ancaman terbaru berbeda dari krisis masa lalu.

Studi Kasus dan Proyeksi Adopsi

Survei Wolters Kluwer menunjukkan peningkatan adopsi Agentic AI hingga 600% pada tahun 2026, dengan 44% dari seluruh fungsi korporasi yang terlibat. Meskipun saat ini hanya digunakan dalam perencanaan dan pelaporan, tren terus bergerak menuju eksekusi langsung di pasar. Lembaga multilateral seperti FSB telah mengakui perubahan ini dalam laporan konsultasi Juni 2026, menyatakan bahwa otonomi tinggi pada agen AI dapat memperbesar risiko dengan kecepatan luar biasa.

Dalam laporan stabilitas keuangan global Oktober 2024, IMF mengungkapkan bahwa perilaku berkerumun algoritmik menjadi jalur risiko sistemik terbesar. Ketika ribuan model dilatih dari arsitektur dan data yang serupa, risiko yang awalnya spesifik di tingkat institusi bertransformasi menjadi gangguan pasar yang terjadi secara bersamaan. Dengan kata lain, kesalahan satu agen bisa diperkuat oleh agen lain, menciptakan penularan yang lebih cepat dan luas.

Kerentanan Pasar Indonesia

Indonesia memiliki kerentanan ganda dalam menghadapi Agentic AI. Pertama, kedalaman pasar masih lebih rendah dibanding negara-negara maju. Kedua, investor asing secara historis sangat bergantung pada sentimen global. Dalam konteks tata kelola AI, ini menjadi tantangan dalam mengendalikan dinamika pasar di bawah tekanan.