Jay Venkateswaran, Kepala Unit Bisnis, Perbankan & Layanan Keuangan di WNS – Seri Wawancara

Jay Venkateswaran, Business Unit Head untuk Perbankan dan Layanan Keuangan, mengawasi strategi, pertumbuhan, dan kinerja keuangan. Sebelum bergabung dengan WNS, ia adalah Consulting Partner di AT Kearney. Sebagai mitra Business Transformation dan Services yang terpercaya, WNS secara unik menggabungkan keahlian domain dengan ekosistem digital terpadu yang mengintegrasikan Analitik, Hyperautomation, dan AI untuk menciptakan diferensiasi pasar bagi klien.

Generative AI sedang dengan cepat mengubah perbankan dan layanan keuangan.  Bagaimana Anda melihat dampaknya berkembang dalam lima tahun ke depan?

Dalam perbankan, saya melihat Generative AI (Gen AI) memainkan peran penting dalam meningkatkan pengalaman nasabah, meningkatkan efisiensi operasional, dan memperkuat manajemen risiko. Di back office, otomatisasi berbasis AI akan menyederhanakan tugas seperti pelaporan regulasi, pemeriksaan kepatuhan, dan pemrosesan dokumen, secara signifikan mengurangi biaya operasional. Selain itu, AI akan memperbaiki penilaian risiko kredit dan deteksi penipuan melalui wawasan data real-time dan analitik prediktif.

Salah satu perubahan paling transformatif akan terjadi pada hyper-personalization, yang akan memungkinkan lembaga keuangan menawarkan produk dan layanan yang sangat disesuaikan dengan perilaku, preferensi, dan kebutuhan masing-masing nasabah. Seiring kemampuan AI berkembang, bank akan semakin mengintegrasikan chatbot dan asisten virtual berbasis AI untuk meningkatkan interaksi dengan nasabah, menjadikannya lebih intuitif dan responsif. Pada akhirnya, sektor perbankan dan layanan keuangan akan berkembang menjadi ekosistem yang sangat cerdas dan berbasis data, di mana wawasan berbasis AI memungkinkan pengambilan keputusan yang lebih pintar, menghasilkan pengalaman perbankan yang mulus dan lebih personal.

Tentu saja, jangan lupakan fakta bahwa kurang dari dua tahun setelah Gen AI menjadi mainstream, terobosan yang sama—atau bahkan lebih—transformatif telah muncul: Agentic AI. Inovasi ini berpotensi mendorong pergeseran paradigma dalam perbankan dengan menggantikan chatbot statis dan otomasi terisolasi dengan agen AI otonom yang dapat membuat keputusan, yang dapat beradaptasi, belajar, dan mengeksekusi tugas dengan kecerdasan mendekati manusia.

Banyak lembaga keuangan masih berada pada tahap awal adopsi AI.  Apakah sudah terlalu terlambat bagi adopter terlambat untuk mengejar ketertinggalan, atau apakah Anda melihat strategi yang layak bagi mereka untuk menutup kesenjangan?

Belum terlalu terlambat bagi lembaga keuangan untuk mengadopsi AI, tetapi pendekatan strategis sangat penting. Adopter terlambat harus mengintegrasikan AI ke dalam rencana strategis mereka, dengan fokus pada kasus penggunaan berdampak tinggi yang menawarkan nilai segera.

Langkah pertama yang direkomendasikan adalah mengidentifikasi peluang “quick-win”—seperti chatbot layanan pelanggan berbasis AI, otomatisasi pemrosesan dokumen, dan deteksi penipuan—di mana adopsi AI dapat dengan cepat meningkatkan efisiensi dan kepuasan nasabah.

Selain itu, alih-alih mengembangkan model AI secara internal, yang dapat memakan banyak sumber daya dan waktu, lembaga keuangan dapat mempercepat penerapan AI melalui kemitraan dengan vendor AI khusus. Kemitraan ini memungkinkan bank memanfaatkan model AI yang sudah dibangun dan solusi AI berbasis cloud, mengurangi waktu dan biaya implementasi.

Strategi kunci lainnya adalah memanfaatkan platform AI low-code dan no-code. Platform ini memungkinkan lembaga keuangan menyebarkan solusi berbasis AI dengan cepat tanpa keahlian teknis yang mendalam. Misalnya, modul Intelligent Data Processing (IDP) berbasis AI dapat mengekstrak, mengkategorikan, dan menganalisis data dari sumber tidak terstruktur seperti PDF dan email, meningkatkan efisiensi operasional.

Dengan mengadopsi strategi terfokus ini, adopter terlambat dapat secara efisien menutup kesenjangan AI sambil memastikan kepatuhan dan skalabilitas.

Apa tantangan terbesar yang dihadapi bank saat mengimplementasikan solusi AI, dan bagaimana mereka dapat mengatasinya?

Ketika mengimplementasikan solusi AI, bank menghadapi tiga tantangan utama: kualitas data, integrasi sistem warisan, dan kepatuhan regulasi.

1. Kualitas & Ketersediaan Data: Model AI memerlukan dataset yang berkualitas tinggi, terstruktur, dan beragam untuk pelatihan. Namun, banyak bank mengalami kesulitan dengan sumber data yang terfragmentasi, kurangnya tata kelola, dan format data yang tidak konsisten. Untuk mengatasinya, lembaga keuangan harus berinvestasi dalam kerangka tata kelola data yang kuat, memusatkan repositori data, dan memanfaatkan alat pembersihan serta pemerkayaan data berbasis AI.
2. Integrasi Sistem Warisan: Banyak bank masih beroperasi pada infrastruktur TI warisan yang tidak dioptimalkan untuk implementasi AI. Menerapkan arsitektur integrasi berbasis Application Programming Interface (API) dapat menjembatani kesenjangan antara solusi berbasis AI dan sistem warisan, memungkinkan aliran data yang mulus dan otomatisasi proses tanpa harus melakukan perombakan total sistem.
3. Keprihatinan Regulasi dan Kepatuhan: Lanskap regulasi yang terus berkembang menuntut model AI menjadi transparan, dapat dijelaskan, dan dapat diaudit. Untuk mengatasi hal ini, bank harus menerapkan kerangka tata kelola AI, bekerja sama dengan badan regulasi, dan mengadopsi solusi AI yang dapat dipercaya yang memprioritaskan transparansi, mitigasi bias, dan keselarasan kepatuhan.

Dengan secara proaktif mengatasi tantangan ini, bank dapat menciptakan fondasi yang kuat untuk adopsi AI dan memastikan keberhasilan jangka panjang.

Mengapa penting bagi bank untuk bereksperimen dengan kasus penggunaan AI sebelum penerapan skala penuh?

Bereksperimen dengan kasus penggunaan AI sangat penting bagi bank untuk memastikan kelayakan operasional, kepatuhan regulasi, dan adopsi pengguna yang berhasil sebelum berkomitmen pada penerapan skala penuh.

1. Kesiapan Operasional: Solusi berbasis AI dapat secara signifikan mengubah alur kerja, memerlukan re-imajinasi proses bukan sekadar rekayasa ulang. Eksperimen memungkinkan bank menilai dampak pada proses yang ada dan melakukan penyesuaian yang diperlukan sebelum implementasi luas.
2. Penerimaan Pengguna & Pelatihan: Sistem berbasis AI memerlukan keselarasan dengan harapan pengguna akhir. Proyek percontohan skala kecil membantu bank mengukur penerimaan pengguna dan menyempurnakan model AI berdasarkan umpan balik dunia nyata, memastikan adopsi yang lebih mulus dan kepercayaan pada pengambilan keputusan berbasis AI.
3. Validasi ROI: Bank harus mengukur dampak finansial dan operasional AI sebelum melakukan investasi skala besar. Bereksperimen dengan kasus penggunaan AI—seperti peningkatan akuisisi nasabah, penghematan biaya operasional, dan perbaikan pencegahan penipuan—memberikan wawasan nyata tentang ROI, memungkinkan keputusan investasi yang berbasis data.

Dengan mengambil pendekatan iteratif, uji-dan-pelajari, bank dapat mengurangi risiko, menyempurnakan strategi AI mereka, dan memastikan bahwa adopsi AI selaras dengan tujuan bisnis.

Bagaimana lembaga keuangan harus mendekati kesiapan dan penerapan AI untuk memaksimalkan ROI?

Agar penerapan AI menghasilkan ROI maksimal, bank harus mengambil pendekatan strategis lintas fungsi yang menyelaraskan inisiatif AI dengan tujuan bisnis.

1. Keselarasan Strategis: AI harus diintegrasikan dalam tujuan strategis yang lebih luas dari lembaga keuangan, seperti pengurangan biaya, efisiensi proses, akuisisi nasabah, dan peningkatan manajemen risiko.
2. Kolaborasi Lintas Fungsi: Implementasi AI tidak boleh terisolasi dalam tim TI. Sebaliknya, kolaborasi lintas fungsi yang melibatkan risiko, kepatuhan, operasi, layanan pelanggan, dan unit bisnis sangat penting untuk memastikan solusi AI memenuhi kebutuhan seluruh organisasi.
3. Peningkatan Keterampilan Tenaga Kerja & Manajemen Perubahan: Bank harus berinvestasi dalam program pelatihan untuk membekali karyawan dengan keterampilan terkait AI. Transisi yang mulus ke operasi berbasis AI memerlukan program pembelajaran terstruktur, pelatihan praktis, dan memanfaatkan bakat AI eksternal melalui kemitraan.
4. Infrastruktur AI yang Skalabel: Lembaga keuangan harus menyebarkan platform AI yang dapat diskalakan yang memungkinkan perbaikan iteratif dan integrasi mulus dengan sistem perbankan yang ada.

Dengan memprioritaskan elemen-elemen ini, bank dapat memastikan adopsi AI mendorong hasil bisnis yang berarti, meningkatkan pengalaman nasabah, dan memberikan pengembalian finansial yang terukur.

Penipuan dalam pembayaran digital menjadi kekhawatiran yang meningkat. Bagaimana generative AI dapat membantu lembaga keuangan melawan penipuan yang meningkat dan meningkatkan keamanan?

Adopsi pembayaran digital yang meningkat telah menyebabkan taktik penipuan yang lebih canggih. Gen AI menawarkan kemampuan deteksi penipuan yang ditingkatkan dengan menganalisis dataset besar secara real-time dan mengidentifikasi pola transaksi anomali yang mungkin terlewat oleh sistem berbasis aturan tradisional.

Gen AI dapat:

1. Mendeteksi penipuan dengan akurasi lebih tinggi dengan terus belajar dari data transaksi, mengurangi false positive sekaligus meningkatkan tingkat pencegahan penipuan.
2. Mengidentifikasi anomali perilaku pada tingkat nasabah individu, menandai aktivitas mencurigakan berdasarkan tren historis.
3. Meningkatkan intelijen ancaman dengan memindai laporan industri, buletin keamanan, dan basis data insiden global untuk memprediksi tren penipuan yang muncul dan beradaptasi sesuai.

Dengan memanfaatkan kemampuan berbasis AI ini, lembaga keuangan dapat secara signifikan memperkuat langkah-langkah pencegahan penipuan mereka, mengoptimalkan investigasi yang dipimpin manusia, dan memastikan transaksi digital yang lebih aman.

WNS telah bersama-sama menciptakan solusi untuk berbagai klien guna menangani aspek deteksi dan investigasi penipuan dengan memanfaatkan analitik dan AI. Solusi ini memanfaatkan kombinasi

Pemodelan prediktif untuk deteksi dan klasifikasi penipuan.

• IDP untuk digitalisasi dokumen
• Solusi berbasis Deep Learning untuk mendeteksi dokumen yang telah dimanipulasi

Persyaratan kepatuhan semakin kompleks di pasar global. Bagaimana AI dapat membantu bank dalam memenuhi standar regulasi secara lebih efisien?

Kepatuhan regulasi telah menjadi tantangan yang dinamis dan terus berkembang selama beberapa dekade terakhir karena perubahan regulasi global yang konstan. Hal ini menjadikan penting bagi bank untuk berinvestasi dalam sumber daya manusia, proses, dan teknologi guna memastikan kepatuhan terhadap mandat kepatuhan yang semakin kompleks. AI muncul sebagai alat yang kuat dalam menyederhanakan kepatuhan regulasi, khususnya dalam melacak perubahan regulasi dan menilai dampaknya pada operasi perbankan. Dengan memanfaatkan AI, lembaga keuangan dapat menerima pembaruan regulasi secara real-time, memungkinkan mereka merencanakan dan menerapkan langkah kepatuhan secara proaktif.

Selain itu, solusi berbasis AI dapat secara sistematis mengorganisir dan mengelola publikasi regulasi, mengurangi upaya manual yang diperlukan untuk melacak dan menafsirkan perubahan tersebut. Gen (Gen AI) lebih lanjut meningkatkan kemampuan kepatuhan dengan menganalisis regulasi baru dibandingkan versi sebelumnya, memungkinkan institusi dengan cepat menilai dampaknya pada kebijakan dan prosedur internal. Kemampuan ini memperkuat penilaian risiko dan kontrol, menjadikan proses kepatuhan lebih efektif dan efisien. Lebih jauh lagi, Gen AI dapat berperan penting dalam menciptakan konten pelatihan terstruktur, memastikan staf tetap terinformasi dengan baik tentang perubahan regulasi. Kemampuan pemantauan dan audit berkelanjutan berbasis AI secara signifikan mengurangi risiko kepatuhan, memberikan institusi pendekatan proaktif terhadap manajemen regulasi dan meminimalkan kejutan dalam kerangka kerja risiko dan kepatuhan secara keseluruhan.

Di bidang kepatuhan, WNS telah berada di garis depan dalam membangun solusi yang memanfaatkan AI & Gen AI selama beberapa tahun terakhir termasuk:

• Solusi Gen AI untuk penyaringan Media Negatif
• Solusi AI & Gen AI untuk Investigasi AML
• Solusi berbasis AI untuk KYC yang ditingkatkan

Apa saja beberapa kasus penggunaan AI yang paling menjanjikan di perbankan saat ini, selain deteksi penipuan dan kepatuhan?

AI terus berkembang, dengan ilmuwan data dan praktisi AI mengembangkan solusi inovatif untuk menangani berbagai imperatif bisnis di sektor perbankan. Selain deteksi penipuan dan kepatuhan, AI mendorong transformasi signifikan dalam pengalaman nasabah, efisiensi operasional, dan proses pengambilan keputusan.

Salah satu kasus penggunaan paling menonjol adalah chatbot berbasis AI dan bantuan agen real-time yang didorong oleh Gen AI, yang merevolusi layanan pelanggan dengan menyediakan interaksi yang dipersonalisasi, instan, dan efisien. Perubahan ini meningkatkan kepuasan nasabah dan memperlancar penyelesaian masalah.

Di sisi operasional, AI menangani tantangan lama dalam proses rekonsiliasi, yang biasanya melibatkan banyak departemen dalam lembaga keuangan. Algoritma berbasis AI dapat mengotomatiskan pencocokan transaksi yang tidak terpasangkan dengan menganalisis pola dan tren historis, secara signifikan mengurangi kebutuhan intervensi manual.

Aplikasi kritis lainnya adalah pemrosesan pembayaran, khususnya penanganan setoran masuk di mana detail pembayaran yang tidak lengkap atau ambigu memerlukan intervensi manusia. Model propensity berbasis AI dapat menghasilkan skor probabilitas, membantu institusi dengan cepat dan akurat mengidentifikasi pihak lawan yang tepat dan dengan demikian mengoptimalkan upaya pemrosesan manual.

Ini hanyalah beberapa contoh bagaimana WNS secara aktif mendukung lembaga keuangan terkemuka dalam memanfaatkan AI untuk meningkatkan efisiensi, memperbaiki pengalaman nasabah, dan memperkuat ketahanan operasional.

Bakat AI sangat diminati di seluruh industri. Apa yang dapat dilakukan bank untuk menarik dan mempertahankan profesional AI terbaik?

Adopsi AI yang meningkat di seluruh industri telah menyebabkan lonjakan permintaan akan bakat AI, khususnya ilmuwan data dan ahli pembelajaran mesin. Menarik dan mempertahankan profesional AI terbaik memerlukan pendekatan strategis yang berfokus pada pemberian peluang bermakna dan membina lingkungan inovatif.

Salah satu motivasi utama bagi profesional AI adalah akses ke data berkualitas tinggi yang memungkinkan mereka bereksperimen, berinovasi, dan mengembangkan solusi berdampak. Organisasi yang menawarkan ekosistem data terstruktur dan terorganisir dengan baik menciptakan lingkungan di mana ahli AI dapat berkembang. Sebaliknya, kurangnya peluang untuk menciptakan dampak bisnis yang berarti adalah salah satu alasan utama mengapa profesional AI meninggalkan organisasi.

Untuk menarik bakat terbaik, bank harus menjalin kemitraan kuat dengan perguruan tinggi teknik terkemuka dan universitas, menawarkan magang berfokus pada AI, kolaborasi riset, dan jalur rekrutmen langsung. Pendekatan ini memungkinkan lembaga keuangan melibatkan profesional AI sejak awal karier mereka dan memberikan jalur pertumbuhan yang jelas di dalam organisasi.

Selain itu, membina budaya berbasis AI di dalam bank—di mana profesional AI dapat bekerja bersama pakar domain untuk memecahkan tantangan dunia nyata—meningkatkan kepuasan kerja dan retensi. WNS telah berhasil menerapkan model serupa bekerja sama dengan universitas terkemuka di India, memastikan aliran terus-menerus bakat AI terampil yang siap berkontribusi pada sektor layanan keuangan.

Bagaimana Anda melihat peran profesional perbankan berkembang seiring integrasi AI? Haruskah karyawan khawatir tentang kehilangan pekerjaan?

Diskusi tentang AI menggantikan pekerjaan manusia telah berlangsung selama bertahun-tahun. Meskipun AI mengotomatisasi tugas rutin, dampak sebenarnya terletak pada memperkuat kemampuan manusia dan meningkatkan kualitas pekerjaan yang dilakukan oleh profesional perbankan.

Seiring tugas berulang dan berbasis aturan semakin dikelola oleh AI dan Robotic Process Automation (RPA), profesional perbankan beralih ke peran yang memerlukan tingkat penilaian, pemikiran kritis, dan pengambilan keputusan yang lebih tinggi. Perubahan ini terjadi selama dekade terakhir, dengan pembayaran digital secara bertahap menggantikan transaksi berbasis cek tradisional. Meskipun transisi ini mengurangi kunjungan ke cabang dan ATM, secara bersamaan staf cabang mengambil peran yang lebih kompleks, seperti manajemen pengecualian pembayaran, penasihat investasi, dan investigasi penipuan.

Di tingkat back-office, AI menyederhanakan upaya operasional dengan mendigitalisasi data tidak terstruktur dari PDF dan dokumen yang dipindai, yang sebelumnya diproses secara manual. Keterlibatan manusia kini terutama difokuskan pada penanganan pengecualian dan tugas investigasi kompleks, sehingga meningkatkan efisiensi dan akurasi.

Alih-alih menyebabkan kehilangan pekerjaan, transformasi berbasis AI telah mendorong peningkatan keterampilan tenaga kerja, memastikan para profesional mengembangkan kompetensi baru yang selaras dengan kebutuhan industri. Perubahan ini pada akhirnya menguntungkan sektor layanan keuangan dengan membina tenaga kerja yang dilengkapi dengan keterampilan analitis dan pemecahan masalah tingkat lanjut.

Apakah ada praktik terbaik yang Anda amati dalam membangun budaya AI-first di dalam organisasi perbankan?

WNS telah berada di garis depan dalam membangun budaya AI-first di seluruh keterlibatan perbankannya yang beragam, mendorong transformasi berbasis AI melalui pendekatan terstruktur dan kolaboratif. Beberapa praktik terbaik berkontribusi pada keberhasilan penyematan AI dalam organisasi perbankan:

1. Model Co-creation: Bank harus mengintegrasikan pakar domain dan ilmuwan data dalam tim operasional untuk memastikan solusi berbasis AI selaras dengan tantangan perbankan dunia nyata. Di WNS, pendekatan ini telah memungkinkan identifikasi dan pelaksanaan peluang hyper-automation, memastikan perbaikan berkelanjutan.
2. Tim Transformasi Terintegrasi: Upaya transformasi AI tidak boleh terisolasi dalam departemen TI atau inovasi. Sebaliknya, menanamkan tim transformasi dalam operasi inti memastikan fokus berkelanjutan pada identifikasi efisiensi berbasis AI dan skala solusi di seluruh organisasi.
3. Kesadaran dan Adopsi Budaya: Organisasi harus berinvestasi dalam program literasi AI untuk mendidik karyawan tentang manfaat AI, kasus penggunaan, dan potensi untuk memperkuat peran mereka. Tenaga kerja yang terinformasi dengan baik lebih cenderung mengadopsi solusi AI dan berkontribusi pada implementasi yang berhasil.
4. Memberi Insentif pada Inovasi: Mendorong karyawan untuk menyumbangkan ide berbasis AI dan memberi penghargaan pada implementasi yang berhasil menumbuhkan budaya perbaikan berkelanjutan dan keterlibatan. Kompetisi, hackathon, dan program pengakuan dapat membantu mendorong adopsi AI di semua tingkat organisasi.

Dengan mengadopsi praktik terbaik ini, bank dapat memastikan integrasi AI yang mulus, memaksimalkan efisiensi operasional, dan membangun tenaga kerja yang siap menghadapi masa depan layanan keuangan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut sebaiknya mengunjungi WNS.