Mengapa Menambah Lebih Banyak Aturan Tidak Akan Menyelesaikan Inefisiensi AML

Lembaga keuangan menginvestasikan sumber daya yang besar untuk prosedur kepatuhan anti-pencucian uang (APU atau “AML”), tetapi tingginya tingkat “false positive” tetap menjadi tantangan yang terus terjadi. Seiring meningkatnya volume transaksi dan semakin canggihnya metode yang digunakan pelaku kejahatan, banyak lembaga merespons dengan menambahkan lebih banyak aturan ke dalam sistem AML mereka. Meskipun aturan memiliki peran penting dalam menandai aktivitas yang berpotensi mencurigakan, aturan saja tidak dapat membedakan risiko yang benar-benar nyata dari alarm palsu. Akibatnya, analis harus menelaah alert secara manual, mengumpulkan dan menginterpretasikan informasi kontekstual untuk menentukan alert mana yang benar-benar memerlukan investigasi lebih lanjut.

Sistem AML tradisional dapat menandai potensi risiko, tetapi sering kali tidak memiliki pemahaman kontekstual yang diperlukan untuk memisahkan ancaman nyata dari anomali yang tidak berbahaya. Inefisiensi ini menguras sumber daya kepatuhan tanpa memberikan peningkatan deteksi risiko yang sebanding. Sebagai contoh, sebuah bank regional yang memproses 2 juta transaksi per hari dapat menghasilkan 4,000 alert, tetapi kurang dari 200 di antaranya yang memerlukan eskalasi. Sebagian besar waktu analis justru dihabiskan untuk memastikan bahwa tidak terjadi sesuatu yang mencurigakan.

Masalah utamanya bukan kekurangan aturan atau sumber daya, melainkan keterbatasan arsitektur. Sistem konvensional terutama dirancang untuk menghasilkan alert, bukan untuk melakukan investigasi atau memprioritaskan risiko berdasarkan konteks. Seiring kejahatan keuangan menjadi semakin kompleks dan terus berkembang, lembaga membutuhkan arsitektur pemantauan yang lebih cerdas dan adaptif, bukan sekadar lebih banyak alert.

Apa Sebenarnya yang Dimaksud dengan Agentic AI dalam Konteks AML

Istilah "AI" (kecerdasan artifisial atau Artificial Intelligence) sudah muncul di sebagian besar sistem AML. Perbedaan yang penting adalah antara AI konvensional dan Agentic AI, dan perbedaannya bukan sekadar tingkat kemampuan, melainkan fungsi.

AI konvensional menjalankan tugas yang terbatas: mengklasifikasikan transaksi sebagai mencurigakan atau tidak, lalu menampilkannya untuk ditinjau oleh manusia. Selanjutnya, analis manusia menentukan tindakan berikutnya. Setiap langkah investigasi—mulai dari mengumpulkan riwayat transaksi, memeriksa data pihak lawan dan struktur kepemilikan hingga menilai konteks perilaku—memerlukan inisiasi dari manusia.

Agentic AI menutup rangkaian tersebut. Alih-alih hanya menghasilkan alert lalu berhenti, Agentic AI memulai dan menjalankan investigasi secara mandiri. Karakteristik utamanya dalam konteks AML meliputi:

• Investigasi dan orkestrasi multi-langkah: Sistem memecah sebuah alert menjadi tugas-tugas investigasi, melakukan kueri terhadap catatan transaksi, profil nasabah, data pihak lawan, informasi kepemilikan manfaat (beneficial ownership), informasi intelijen negatif, dan kebijakan internal, serta mengoordinasikan kueri tersebut secara mandiri tanpa menunggu analis menjalankannya satu per satu.

• Rekonstruksi konteks dan hubungan: Alih-alih memperlakukan setiap alert secara terpisah, Agentic AI menganalisis aktivitas pada entitas, rekening, koridor, dan saluran pembayaran yang saling terhubung dari waktu ke waktu, sehingga dapat mengidentifikasi pola yang hanya terlihat jika seluruh data dilihat secara lebih luas.

• Penalaran berbasis bukti: Sistem menghasilkan narasi kasus yang terdokumentasi dan terhubung dengan bukti yang mendasarinya, termasuk mencatat hal-hal yang mendukung temuan aktivitas mencurigakan, hal-hal yang bertentangan, serta informasi yang masih belum tersedia.

• Tindakan dan eskalasi yang terikat kebijakan: Agentic AI beroperasi dalam parameter kepatuhan yang telah ditetapkan, menyelesaikan tindakan yang telah disetujui secara mandiri untuk kasus berisiko rendah, sekaligus meneruskan keputusan yang material, ambigu, atau berisiko tinggi kepada “reviewer “manusia yang berkualifikasi.

• Adaptasi yang terkelola: Hasil keputusan analis dan tipologi baru dimasukkan kembali ke sistem melalui pengujian dan kalibrasi yang terkontrol, sehingga prioritasi dan alur kerja investigasi dapat terus ditingkatkan.

Dalam praktiknya, skema “structuring” yang melibatkan beberapa yurisdiksi—yang sebelumnya mungkin mengharuskan analis mengompilasi data transaksi selama enam bulan secara manual, melakukan pemeriksaan sanksi, dan memetakan kepemilikan manfaat—dapat diinvestigasi, didokumentasikan, dan dieskalasikan secara mandiri sebagai kasus prioritas tinggi yang dilengkapi bukti sebelum “reviewer” membuka kotak masuk mereka. Dengan demikian, Agentic AI tidak sekadar membuat AML lebih cepat. Agentic AI membuat AML secara fundamental lebih cerdas, dengan menggeser pendekatan dari deteksi statis menuju intelijen investigasi yang mandiri dan sadar konteks.

Di Mana Sistem Lama Mengalami Kegagalan dan Berapa Biayanya

Keterbatasan sistem AML lama sudah dipahami dengan baik di dalam fungsi kepatuhan. Namun, biaya finansial dan regulasinya lebih jarang dihitung secara kuantitatif.

Tiga kegagalan struktural berikut mendefinisikan model lama:

1. Beban “false positive”
   Di seluruh industri, aktivitas AML dipicu oleh alert yang sering kali memiliki tingkat “false positive” sangat tinggi dan tidak memerlukan tindakan. Sebagai contoh, sebuah tim yang meninjau 3,500 alert setiap minggu dapat menghabiskan 40 jam untuk memastikan bahwa 3,200 alert tersebut tidak menunjukkan sesuatu yang mencurigakan—40 jam yang seharusnya dapat digunakan untuk menangani 300 kasus yang benar-benar memerlukan investigasi. Dari 300 kasus tersebut, skema yang telah berjalan selama berbulan-bulan dapat tetap tidak terinvestigasi hanya karena tim tidak memiliki kapasitas untuk menanganinya tepat waktu.

2. Celah eksploitasi pada aturan statis
   Setiap aturan dalam sistem AML lama mewakili skema yang telah diketahui. Artinya, setiap aturan dapat dipelajari, dipahami, dan diakali. Jarak waktu antara munculnya skema baru dan ditulisnya aturan untuk mendeteksinya merupakan “exploitation window”. Dalam jaringan kriminal yang canggih, celah waktu tersebut sengaja dimaksimalkan. Sistem lama tidak dapat mendeteksi sesuatu yang belum diprogram untuk ditemukan.

3. “Blind spot” akibat sistem yang terfragmentasi
   Sebagian besar lembaga keuangan mengoperasikan sistem pemantauan yang terpisah berdasarkan jenis pembayaran, lini produk, dan wilayah geografis. Skema “layering” yang dirancang untuk memindahkan nilai melintasi batas-batas tersebut dapat memanfaatkan celah di antara sistem yang sejak awal tidak dirancang untuk berbagi informasi. Tidak ada satu sistem pun yang dapat melihat keseluruhan gambaran, dan tidak ada analis manusia yang memiliki kapasitas untuk merekonstruksinya secara manual.

Dampak kumulatifnya bukan hanya beban operasional. Dampaknya mencakup kejahatan keuangan yang lolos melalui celah tersebut, eksposur regulasi yang meningkat ketika kemampuan deteksi proaktif tidak dapat dibuktikan, serta biaya talenta akibat analis terampil mengerjakan pekerjaan yang tidak menghasilkan hasil yang berarti.

Dampak operasionalnya nyata. Sebuah “payment processor” di kawasan APAC yang menerapkan Agentic AI di seluruh fungsi pemantauannya berhasil mengurangi false positive sebesar 60%, memangkas rata-rata waktu investigasi dari empat hari menjadi enam jam, serta mengidentifikasi skema structuring lintas beberapa koridor yang sebelumnya tidak terlihat karena arsitektur yang terisolasi. Alur kerja deteksi—Detect → Retrieve → Link → Assess → Document → Recommend → Escalate—berjalan secara mandiri dari sinyal hingga menjadi kasus yang dilengkapi bukti.

Manfaat operasional Agentic AI dalam AML menghasilkan sejumlah dampak yang spesifik dan terukur:

• Rasio konversi alert menjadi kasus yang lebih tinggi: Tim kepatuhan dapat memusatkan waktu pada kasus yang benar-benar penting, bukan memastikan bahwa transaksi rutin memang merupakan transaksi rutin.

• Investigasi yang lebih cepat dan komprehensif: Bukti dikumpulkan secara mandiri dari berbagai sumber data secara bersamaan, bukan secara berurutan oleh analis yang bekerja melalui checklist.

• Kualitas Laporan Aktivitas Mencurigakan (Suspicious Activity Report) yang lebih kuat: Narasi kasus yang didukung oleh bukti yang dikumpulkan secara sistematis menjadi lebih lengkap, konsisten, dan dapat dipertanggungjawabkan dalam pemeriksaan regulator.

• Kesiapan audit berkelanjutan: Setiap keputusan Agentic AI dicatat beserta alasan lengkapnya—apa yang dideteksi, diinvestigasi, dinilai, dan mengapa. Persiapan pemeriksaan regulator bergeser dari dokumentasi retrospeksi menjadi pelaporan secara “real time”.

• Skalabilitas tanpa biaya yang meningkat secara proporsional: Volume transaksi di kawasan APAC terus meningkat, didorong oleh adopsi pembayaran digital dan perdagangan lintas negara. Pemantauan dengan Agentic AI dapat berkembang mengikuti volume dengan biaya marginal, tanpa memerlukan peningkatan jumlah personel kepatuhan secara proporsional.

Regulator seperti MAS, HKMA, AUSTRAC, dan kerangka kerja yang setara semakin berfokus pada apakah kontrol pemantauan telah efektif, berbasis risiko, dapat dijelaskan, dan dikelola dengan baik. Agentic AI mendukung tujuan tersebut—namun tidak mengurangi akuntabilitas lembaga. Fungsi kepatuhan tetap bertanggung jawab atas hasilnya; Agentic AI memberikan alat yang memungkinkan fungsi tersebut memenuhi standar kontrol proaktif dan berbasis bukti yang lebih tinggi.

Sebagai contoh, sebuah bank di Asia Tenggara yang melakukan implementasi secara bertahap selama 12 bulan, menjalankan sistem secara paralel selama enam bulan pertama, meningkatkan ambang batas otonomi secara bertahap berdasarkan hasil yang diamati, dan memberikan pelatihan kepada tim kepatuhan sebelum menghentikan alur kerja lama, berhasil mengurangi “false positive” sebesar 55% tanpa celah deteksi serta melaporkan peningkatan kepuasan analis yang didorong oleh peralihan dari “triase alert” menuju pekerjaan investigasi yang sebenarnya.

Biaya untuk Menunggu Sudah Mulai Terakumulasi

Setiap bulan ketika tim kepatuhan menghabiskan waktu untuk meninjau proporsi besar alert “false positive” merupakan bulan ketika kapasitas mereka tidak diarahkan pada risiko yang sebenarnya. Setiap kuartal tanpa kontrol AML yang secara proaktif dapat dibuktikan merupakan kuartal dengan eksposur regulasi yang terus meningkat. Seiring ekspektasi pengawasan di seluruh kawasan APAC terus berkembang, lembaga yang masih menjalankan sistem reaktif akan semakin tertinggal dari standar yang diharapkan.

Lembaga yang mulai mengadopsi Agentic AI saat ini tidak hanya meningkatkan tingkat deteksi. Mereka juga membangun keunggulan operasional dan regulasi yang terus bertambah, seperti biaya kepatuhan yang lebih rendah, kemampuan yang lebih kuat untuk mempertanggungjawabkan hasil dalam audit, serta pengetahuan institusional yang semakin mendalam dengan setiap skema yang berhasil dideteksi dan setiap pemeriksaan yang berhasil dilewati.

Dalam lingkungan kejahatan keuangan yang berkembang lebih cepat daripada kemampuan aturan lama untuk mengikutinya, keunggulan tersebut akan semakin besar setiap kuartal penundaan.