Mengapa LLMs Sendirian Tidak Akan Memberikan ROI dalam Layanan Keuangan

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna dan lainnya

Model bahasa besar (LLMs) telah disebut sebagai listrik zaman kita, dan kedatangannya telah memicu gelombang eksperimen di bidang keuangan. Dari riset otomatis hingga wawasan pelanggan, potensinya sangat besar. Tetapi seiring adopsi yang meningkat, sebuah kenyataan yang jelas mulai muncul: LLMs saja tidak cukup tanpa lapisan agenik di atasnya.

LLMs dapat menghasilkan kata-kata, tetapi mereka membutuhkan agen untuk menjamin kebenaran. Mereka dapat merangkum data, tetapi tanpa lapisan agenik, mereka tidak dapat memutuskan apa yang paling penting untuk bisnis Anda. Dan dalam sektor di mana kepercayaan, kepatuhan, dan kecepatan adalah hal yang mutlak, celah ini sangat krusial. Sementara LLMs membawa kekuatan ke sistem, AI agenik tahu kapan dan bagaimana menyalakan lampu.

LLMs saja tidak cukup

LLMs mengesankan, tetapi mereka bersifat reaktif. Mereka merespons prompt, menghasilkan teks, dan merangkum data, tetapi mereka tidak beroperasi dengan konteks bisnis. Sendirian, mereka kurang dasar dalam definisi organisasi, aturan, dan garis waktu. Tanpa lapisan agenik dan katalog konteks, model-model ini kuat tetapi tidak lengkap. Mereka dapat berkomunikasi dengan lancar, tetapi mereka tidak dapat memastikan bahwa apa yang mereka katakan sesuai dengan cara bisnis mendefinisikan kebenaran. Celah ini menjadi sangat penting dalam lingkungan keuangan yang kompleks di mana informasi harus dipercaya, diatur, dan dibagikan secara konsisten.

AI agenik, dikombinasikan dengan katalog konteks, menyediakan elemen yang hilang: konteks bisnis untuk pengambilan keputusan dan pembelajaran manusia-di-loop untuk perbaikan berkelanjutan. Bersama-sama, mereka menambahkan otonomi, konteks, dan memori. Agen tahu apa yang harus dicari, katalog konteks memastikan output sesuai dengan definisi yang dipercaya, dan keduanya beroperasi dalam batasan yang jelas. Dalam praktiknya, ini memungkinkan lembaga keuangan untuk:

*   Terus memantau pasar, berita, dan pengajuan dokumen untuk menemukan anomali sebelum manusia menyadarinya
*   Melacak sentimen pelanggan dari waktu ke waktu dan menghubungkan wawasan ke penasihat dan tim produk
*   Mengotomatisasi pelaporan dan alur kerja kepatuhan sehingga wawasan langsung diterjemahkan menjadi keputusan

Agen yang dikombinasikan dengan lapisan metadata mengubah LLM dari alat reaktif menjadi peserta aktif dalam operasi keuangan, sementara manusia tetap menjadi pengambil keputusan utama. Mereka mengubah potensi menjadi kinerja.

Seiring semakin banyak bisnis mengadopsi alat AI, organisasi yang memperlakukan AI seperti hidangan sampingan yang mewah dalam strategi mereka tidak akan melihat ROI yang mereka cari. Strategi AI paling sukses ketika terjalin dalam struktur organisasi, ketika menjadi bagian dari organisasi itu sendiri.

Membangun kecerdasan di atas model

Sejarah listrik memberikan analogi yang berguna. Akses awal ke listrik adalah keunggulan kompetitif. Setelah listrik menjadi umum, keunggulan beralih ke mereka yang merancang sistem yang menggunakannya secara efisien. Pabrik, jalur perakitan, dan sistem pencahayaan menjadi pembeda.

LLMs sekarang berada di tahap yang sama. Mereka tersedia secara luas. Keunggulan nyata berasal dari bagaimana institusi menggunakannya untuk memandu alur kerja, mengorkestrasi keputusan, dan mendukung penilaian manusia. Hanya menerapkan model sebagai “solusi serba guna” bukanlah strategi. Menggunakan kecerdasan untuk menyelesaikan atau mendukung tujuan tertentu adalah yang mendorong dampak yang terukur.

Pertimbangkan tiga contoh:

*   **Riset pasar**: Sebuah LLM dapat merangkum berita atau pengajuan dokumen. Sebuah agen, didukung oleh metadata katalog konteks, menyaring, memprioritaskan, dan menyoroti apa yang relevan untuk keputusan investasi yang disesuaikan dengan investor.
*   **Analisis sentimen pelanggan**: Sebuah LLM membaca postingan sosial atau survei. Agen yang dikontekstualisasikan oleh katalog mengumpulkan wawasan, melacak tren, dan menghubungkan hasil ke manajer hubungan.
*   **Penipuan dan kepatuhan**: LLM memparsing data tidak terstruktur. Agen mengorkestrasi deteksi anomali menggunakan definisi dari katalog, lalu mengotomatisasi pelaporan dan tugas tindak lanjut untuk mencegah risiko operasional.

Dalam setiap skenario, model memberikan skala dan kefasihan, tetapi kombinasi agen dan katalog konteks menciptakan relevansi, fokus, dan tindakan yang dapat diambil.

Mendukung penilaian manusia

Beberapa berasumsi bahwa agen atau LLM akan menggantikan manusia. Dalam layanan keuangan, ini tidak mungkin. Manusia memberikan penilaian, pengawasan, dan pemikiran strategis yang tidak dapat diotomatisasi. Agen dan katalog konteks memperkuat kemampuan manusia dengan memastikan informasi akurat, dikontekstualisasikan, dan siap untuk pengambilan keputusan. Mereka menangani tugas berulang, memakan waktu, atau sangat tersebar.

Ketika digabungkan, LLM, agen, dan katalog konteks menciptakan umpan balik: Model menghasilkan wawasan; agen memprioritaskan dan mengorkestrasi; katalog menempatkannya dalam kebenaran organisasi. Akhirnya, manusia membuat keputusan.

Hasilnya adalah hasil yang lebih cepat, lebih percaya diri, dan lebih tepat. Analis dan pemimpin menghabiskan lebih sedikit waktu mengumpulkan informasi dan lebih banyak waktu bertindak berdasarkan informasi tersebut.

Kewajiban kompetitif

Lembaga keuangan yang hanya mengandalkan LLM tetap bersifat reaktif. Mereka yang mengintegrasikan agen dan katalog konteks mendapatkan proaktivitas, efisiensi, dan wawasan dalam skala besar. LLM diperlukan tetapi tidak lengkap. Agen mengubahnya menjadi sistem yang memberikan nilai nyata. Katalog memastikan sistem tersebut beroperasi berdasarkan definisi yang dipercaya dan data yang dapat diverifikasi.

Industri jasa keuangan berada di titik balik. LLM telah menjadi utilitas dasar. Keunggulan kompetitif kini berasal dari merancang sistem yang mengorkestrasi kecerdasan, menyediakan konteks, dan mengintegrasikan seluruh alur kerja. Mereka yang memahami realitas ini akan mendefinisikan era inovasi fintech berikutnya.

LLMs memberikan kekuatan. Agen dan katalog konteks mengarahkan kekuatan tersebut dan membuatnya berguna. Bersama-sama, mereka memungkinkan organisasi jasa keuangan untuk melihat dengan jelas, bertindak dengan percaya diri, dan membuat keputusan yang lebih cerdas.

Tentang penulis

Alexander Walsh adalah Co-Founder dan CEO Oraion. Dengan latar belakang yang beragam di bidang strategi, keuangan, dan ekspansi internasional, Alexander telah menghabiskan lebih dari satu dekade mendorong pertumbuhan perusahaan global terkemuka. Sebelum mendirikan Oraion, ia menjabat sebagai Direktur Ekspansi Internasional di Via.work, membantu memperluas operasi global perusahaan dan memimpin perusahaan menuju keberhasilan melalui akuisisi oleh JustWorks. Pengalamannya mencakup peran di Apple, N26, dan Silicon Valley Bank, di mana ia mengkhususkan diri dalam operasi, kepatuhan, dan pengambilan keputusan berbasis data. Keahliannya terletak pada strategi bisnis, manajemen keuangan, dan memanfaatkan otomatisasi untuk mendorong pertumbuhan serta mentransformasi bisnis.