Survei ini bukan kejutan pasar, tetapi mengungkap hambatan struktural adopsi AI di jasa keuangan yang berdampak pada anggaran teknologi, kepatuhan, dan daya saing bank serta fintech Indonesia.
Ringkasan Eksekutif
Survei Cloudera The Data Readiness Index 2026 menemukan 83% lembaga jasa keuangan mengaku memiliki visibilitas atas lokasi penyimpanan data. Namun hanya 61% yang menyatakan seluruh atau hampir seluruh data mereka terkelola dengan baik. Kesenjangan itu penting: mengetahui di mana data disimpan tidak sama dengan mampu mengendalikan mutu, akses, dan konteksnya untuk AI. Sebanyak 38% responden menyebut kinerja infrastruktur terus-menerus mengganggu inisiatif operasional, dan 20% menyatakan lemahnya integrasi ke dalam alur kerja membuat investasi AI dan analitik gagal memberi imbal hasil sesuai harapan. Jake Bengston dari Cloudera menegaskan keberhasilan AI jangka panjang tidak cukup bergantung pada model, tetapi pada konteks data yang tepercaya, mudah diakses, dan terkelola. Temuan ini membalik urutan prioritas yang biasa dipakai bank ketika mengadopsi AI.
Perhatian publik biasanya tertuju pada model, vendor, atau ukuran komputasi. Data menunjukkan hambatan justru berada di lapisan di bawahnya: observabilitas, lineage, kualitas data, dan integrasi antarsistem. Di institusi keuangan, data tersebar di core banking, CRM, sistem antifraud, aplikasi kredit, dan platform digital. AI untuk deteksi fraud atau manajemen risiko tidak bisa akurat jika konteks nasabah dan transaksi tidak konsisten di seluruh sumber. Karena itu, anggaran yang semula dialokasikan untuk eksperimen model berpotensi bergeser ke platform data, tata kelola, dan integrasi. Dampaknya meluas ke rantai pasok teknologi. Penyedia cloud, platform data, alat kualitas data, dan integrator sistem akan menerima permintaan yang lebih besar, sementara proyek AI yang hanya berhenti pada purwarupa menghadapi uji kelayakan yang lebih ketat.
Di Indonesia, bank dan fintech menghadapi tekanan ganda: ekspektasi nasabah akan layanan personal dan real-time, serta kewajiban kepatuhan dan manajemen risiko. Dengan IHSG di 5.185 dan USD/IDR 17.943, tekanan pada anggaran teknologi meningkat sehingga investasi AI harus menunjukkan hasil yang terukur, bukan sekadar narasi transformasi.
Mengapa Ini Penting
Yang berubah bukan minat pada AI, melainkan syarat kelayakannya. Bank dengan arsitektur data terfragmentasi akan membayar dua kali: biaya eksperimen AI yang tidak masuk produksi dan biaya perbaikan data di belakang. Sebaliknya, vendor platform data, integrasi, dan tata kelola informasi menjadi penerima anggaran yang lebih pasti ketimbang penyedia model tunggal. Dalam pengawasan jasa keuangan, kesiapan data juga menjadi isu kepatuhan karena AI untuk fraud dan risiko harus bisa dijelaskan dan diaudit.
Dampak ke Bisnis
- Bagi bank dan fintech, proyek AI di deteksi fraud, manajemen risiko, dan layanan nasabah berisiko berhenti di tahap pilot. Sebanyak 20% responden menyebut integrasi ke alur kerja sebagai penyebab utama imbal hasil tidak sesuai harapan, sementara 38% menghadapi gangguan kinerja infrastruktur. Dampaknya, belanja bergeser dari model ke integrasi data, kualitas data, dan observabilitas.
- Penyedia teknologi akan merasakan perubahan komposisi permintaan. Vendor platform data, alat lineage, manajemen data induk, dan integrator sistem mendapat peluang lebih besar; penyedia model AI yang berdiri sendiri menghadapi tekanan untuk membuktikan nilai di lingkungan produksi. Bank dengan sistem warisan yang kompleks menjadi segmen paling membutuhkan jasa migrasi dan integrasi.
- Fungsi kepatuhan dan audit ikut terimbas dalam 3–6 bulan ke depan. AI yang dipakai untuk keputusan kredit, deteksi fraud, atau pelaporan risiko memerlukan jejak data yang dapat diaudit. Jika tata kelola data lemah, institusi menghadapi risiko sanksi dan biaya remediasi. Penegakan tata kelola di sektor jasa keuangan menunjukkan kontrol internal dan dokumentasi menjadi titik rawan yang tidak bisa ditutup hanya dengan model AI.
- Pengawasan regulator terhadap industri jasa keuangan semakin menekankan tata kelola dan dokumentasi. AI yang tidak didukung data terkelola baik akan menyulitkan audit trail dan pelaporan risiko. Ini memperbesar beban kepatuhan bagi bank dan fintech, terutama yang masih memiliki data tersebar di banyak sistem.
Yang Perlu Dipantau
- Yang perlu dipantau dalam 1–4 pekan: rilis rincian metode dan sampel Data Readiness Index 2026 — definisi “terkelola baik” dan komposisi responden menentukan seberapa jauh temuan bisa digeneralisasi ke pasar Indonesia.
- Risiko yang perlu dicermati: integrasi data yang lemah memaksa bank menunda proyek AI — jika pilot tidak masuk produksi, belanja teknologi bisa tersendat dan imbal hasil investasi makin jauh.
- Sinyal penting: pernyataan OJK atau BI serta pengumuman bank soal tata kelola data dan AI — indikasi apakah prioritas bergeser dari model ke data lineage, kontrol akses, dan kualitas data.
Analisis ini dibuat oleh sistem AI Feedberry berdasarkan sumber berita publik dan tidak merupakan saran investasi atau keputusan bisnis. Selalu verifikasi dengan sumber primer.