Belanja AI Sektor Keuangan Naik Tajam, tetapi ROI Masih Sulit Dibuktikan

Belanja kecerdasan buatan (AI) di industri jasa keuangan terus membesar, tetapi besarnya anggaran belum otomatis berubah menjadi hasil bisnis yang terukur. Pesan utama Quinlan & Associates cukup jelas: sektor ini tak lagi berada pada tahap mempertanyakan apakah AI perlu diadopsi, melainkan harus membuktikan penerapan mana yang benar-benar meningkatkan pendapatan, menurunkan biaya, memperbaiki pengelolaan risiko, atau menghasilkan pengalaman nasabah yang lebih baik.

Investasi besar, kesenjangan ROI tetap lebar

Quinlan & Associates memperkirakan industri jasa keuangan menghabiskan US$76 miliar untuk inisiatif terkait AI pada 2025. Angka itu diproyeksikan melampaui US$130 miliar pada 2030. 14 Namun, sekitar 95% lembaga keuangan tradisional disebut sedang menjajaki atau telah menggunakan AI dalam operasi bisnis, sementara 71% mengaku kesulitan meraih atau menunjukkan return on investment (ROI), yaitu imbal hasil atas investasi, secara jelas. 3

Kesenjangan ini penting. Adopsi yang meluas memang mencerminkan ambisi organisasi, tetapi bukan bukti bahwa setiap program telah menciptakan nilai yang berkelanjutan. Temuan yang dikaitkan dengan Quinlan juga menyebut 43% inisiatif AI dibatalkan, menandakan cukup banyak proyek yang tidak pernah mencapai tahap penerapan yang stabil dalam skala besar. 15

Mengapa proyek AI belum berubah menjadi hasil

Quinlan menyoroti tiga hambatan yang saling terkait dalam upaya mewujudkan nilai dari AI:

1. Strategi yang berpusat pada teknologi. Organisasi dapat memulai dari alat yang tersedia, alih-alih dari masalah bisnis yang jelas, perjalanan nasabah, hambatan alur kerja, dan target nilai yang ingin dicapai. Akibatnya, pemilihan kasus penggunaan tidak memiliki jalur dampak yang meyakinkan. 6
2. Tata kelola terlambat diterapkan. Ketika risiko, kepatuhan, dan kontrol baru diperlakukan sebagai tahap persetujuan setelah desain dimulai, tim dapat menemukan kendala setelah waktu dan biaya besar telanjur dikeluarkan. 6
3. Model operasi belum siap untuk skala besar. Data yang terfragmentasi, fondasi implementasi yang lemah, serta kemampuan yang belum memadai untuk mengelola, menerapkan, dan memperluas AI dapat membuat proyek menjanjikan terhenti di antara tahap uji coba dan adopsi di seluruh perusahaan. 6

Masalah ini lebih merupakan kendala eksekusi ketimbang sekadar keterbatasan teknologi. Sebuah lembaga bisa membeli lisensi model AI, menjalankan proof of concept, dan melaporkan banyak eksperimen, tetapi tetap tidak menghasilkan dampak finansial apabila alur kerja dan akuntabilitasnya tidak dirancang ulang.

Tata kelola AI adalah bagian dari mekanisme ROI

Bagi jasa keuangan, tata kelola AI yang dapat dipercaya bukan isu terpisah dari kinerja komersial. Tata kelola menentukan apakah sebuah kasus penggunaan dapat disetujui, diterapkan, dipantau, dan dipercaya pada tingkat otonomi yang dibutuhkan oleh kasus bisnisnya.

Playbook AI untuk jasa keuangan dari World Economic Forum merekomendasikan agar manajemen risiko dan praktik AI yang bertanggung jawab ditanamkan di setiap lapisan: menetapkan toleransi risiko sejak awal, memvalidasi model secara ketat, serta memastikan tindakan AI tetap dapat dijelaskan, ditelusuri, dan dikendalikan. 1 Hal ini makin penting ketika perusahaan bergerak dari sistem pendukung menuju sistem yang mampu menjalankan tindakan bertahap. Batas penggunaan yang tegas, jalur eskalasi, dan pengawasan manusia dapat mengurangi ketidakpastian operasional yang kerap menghambat perluasan kasus penggunaan bernilai tinggi.

Bukti dari industri juga menegaskan pentingnya fondasi tersebut. Survei IIF-EY menempatkan kualitas dan ketersediaan data sebagai tantangan utama dalam penerapan AI ke lingkungan produksi, di samping kebutuhan akan tenaga ahli dan pengamanan tata kelola. 4

Dibandingkan dengan temuan BCG dan NVIDIA

Riset lain mendukung diagnosis Quinlan, meski memakai sampel dan ukuran yang berbeda.

Survei BCG terhadap lebih dari 280 eksekutif fungsi keuangan menemukan median ROI AI dan AI generatif yang dilaporkan sebesar 10%—di bawah target 20% yang dibidik banyak responden. Hampir sepertiga responden hanya melaporkan manfaat yang terbatas. 43 Dalam studi lain yang mencakup lebih dari 1.250 perusahaan, BCG menemukan hanya 5% yang berhasil menciptakan nilai AI dalam skala besar, sedangkan 60% menyatakan belum mendapatkan nilai material meski investasi sudah besar.

Survei NVIDIA pada 2025 memperlihatkan sisi lain: sebagian kasus penggunaan yang telah diterapkan memang menghasilkan manfaat nyata. Hampir 70% responden mengatakan AI mendorong kenaikan pendapatan setidaknya 5%, dan lebih dari 60% menyebut AI memangkas biaya tahunan sedikitnya 5%. Penggunaan AI generatif untuk perdagangan dan optimasi portofolio, serta pengalaman pelanggan, menjadi kategori dengan ROI tertinggi yang dilaporkan.

Temuan-temuan itu tidak saling bertentangan. AI dapat menghasilkan imbal hasil, tetapi penerapan itu sendiri bukanlah hasil akhir. Perbedaannya terletak pada kemampuan perusahaan memilih kasus penggunaan bernilai tinggi, mengubah alur kerja terkait, membangun data dan kontrol yang andal, serta mengukur dampak operasional dan finansialnya.

Tantangannya kini: eksekusi, bukan sekadar adopsi

Sinyal paling jelas dari laporan Quinlan adalah ketidaksesuaian antara belanja, aktivitas, dan nilai yang benar-benar terealisasi: basis investasi US$76 miliar pada 2025, aktivitas AI yang meluas di institusi keuangan, tetapi kesulitan membuktikan imbal hasil tetap tinggi. 14 3

Bagi pemimpin di sektor jasa keuangan, respons praktisnya adalah memperlakukan AI sebagai program transformasi bisnis, bukan kumpulan proyek percontohan yang berdiri sendiri. Mulailah dari sasaran bisnis yang dapat diukur; tetapkan kebutuhan risiko dan tata kelola sebelum pengembangan; tunjuk pemilik hasil; lalu pantau metrik sepanjang siklus hidup setelah sistem diterapkan. BCG juga menilai perusahaan yang menciptakan nilai signifikan cenderung berfokus pada sejumlah kecil inisiatif, memperluasnya dengan cepat, mengubah proses inti, meningkatkan keterampilan tim, dan mengukur hasil operasional maupun finansial secara sistematis.

Karena itu, pembeda kompetitif berikutnya kemungkinan bukan lagi antara lembaga yang memiliki AI dan yang tidak. Pembeda utamanya adalah kemampuan menjalankan AI secara aman, terukur, dan dapat diandalkan dalam alur kerja inti—bukan terus menumpuk eksperimen tanpa jalur berulang menuju nilai bisnis.