Goldman Sachs memperluas penggunaan operasional Anthropic Claude dalam akuntansi perdagangan dan onboarding klien

Institusi keuangan besar mempercepat eksperimen dengan AI generatif, dan Goldman Sachs kini memperluas platform Claude dari Anthropic di berbagai alur kerja back-office.

Goldman Sachs Memasukkan AI Generatif ke dalam Back Office

Goldman Sachs berencana untuk menerapkan model Claude dari Anthropic dalam akuntansi perdagangan dan onboarding klien, menempatkan peluncuran ini sebagai bagian dari dorongan yang lebih luas di antara bank-bank besar untuk menggunakan AI generatif demi peningkatan efisiensi. Penekanan awal adalah pada proses operasional yang berada di back office dan secara historis bergantung pada tim besar yang menangani review dokumen, rekonsiliasi, dan pemeriksaan kepatuhan.

Beberapa bank sudah menerapkan AI generatif untuk pekerjaan berbasis pengetahuan. JPMorgan Chase memberikan akses kepada karyawannya ke rangkaian model bahasa besar untuk pengambilan informasi dan analisis data. Selain itu, Bank of America menggunakan asisten Erica untuk menjawab pertanyaan internal terkait teknologi dan sumber daya manusia. Citi dan Goldman keduanya mengandalkan alat AI untuk mendukung pengembang dalam tugas pengkodean, menunjukkan bahwa penerapan awal lebih fokus pada riset dan pengembangan perangkat lunak daripada operasi.

Namun, laporan dari American Banker mencatat tren baru: penggunaan AI generatif untuk aktivitas operasional seperti akuntansi perdagangan dan pemeriksaan know-your-customer (KYC). Ini menandai pergeseran dari penggunaan yang murni analitik menuju otomatisasi alur kerja yang padat transaksi dan secara langsung mempengaruhi operasi perbankan harian.

Mengotomatisasi Kasus Tepi dalam KYC dan Rekonsiliasi

Banyak proses perbankan yang dapat diotomatisasi berbasis aturan, melibatkan pengumpulan data, validasi terhadap basis data internal dan eksternal, serta pembuatan dokumentasi yang diperlukan. Secara teori, perangkat lunak tradisional sudah menangani sebagian besar pekerjaan ini. Namun, Marco Argenti, kepala informasi Goldman, berpendapat bahwa meskipun platform berbasis aturan menyelesaikan sebagian besar kasus, persentase kecil transaksi di luar parameter yang telah ditentukan dapat menghasilkan ribuan pengecualian dalam skala besar.

Dia menyebut verifikasi identitas dalam kepatuhan KYC sebagai contoh umum. Ketidaksesuaian kecil dalam catatan klien atau dokumen yang mendekati tanggal kedaluwarsa dapat menghasilkan kasus tepi yang memerlukan penilaian manusia. Selain itu, pengecualian ini cenderung terkumpul di lingkungan dengan volume tinggi, sehingga review manual menjadi mahal dan lambat.

Argenti mengatakan bahwa jaringan neural dapat menangani keputusan mikro ini karena mereka menerapkan penalaran kontekstual di mana aturan tetap hilang atau ambigu. Dalam pengaturan ini, AI generatif meningkatkan mesin aturan yang ada daripada menggantinya. Keuntungan operasional muncul dari berkurangnya bagian kasus yang memerlukan intervensi manual, yang pada gilirannya mempercepat waktu penyelesaian pengecualian dan meningkatkan proses langsung.

Pelajaran dari Pengembangan Perangkat Lunak Berbantuan AI

Pekerjaan awal Goldman dengan Claude untuk pengembangan perangkat lunak internal memberi pengaruh pada keputusannya untuk memperluas AI ke domain operasional lain. Pengembang di bank menggunakan versi Claude yang dikombinasikan dengan agen Devin dari Cognition untuk mendukung alur kerja pemrograman. Dalam proses ini, insinyur manusia mendefinisikan spesifikasi dan batasan regulasi, agen menghasilkan kode, dan pengembang kemudian meninjau serta menyempurnakan output.

Agen Devin juga menjalankan pengujian dan validasi kode. Argenti menggambarkan pengaturan ini sebagai perubahan struktural pada alur kerja pengembang, dengan agen AI beroperasi berdasarkan instruksi yang jelas. Selain itu, kombinasi pengkodean berbasis spesifikasi dan pengujian otomatis telah meningkatkan produktivitas pengembang dan mempercepat waktu penyelesaian proyek.

Pengalaman ini meyakinkan Goldman bahwa agen AI dapat menangani tugas-tugas yang sempit secara aman dalam lingkungan yang diatur, selama tanggung jawab dibagi secara jelas antara manusia dan sistem. Meski demikian, lapisan review manusia tetap penting, terutama ketika output memiliki implikasi regulasi atau risiko.

Dari Pengkodean ke Alur Kerja Operasional Berbasis Dokumen

Untuk akuntansi perdagangan dan onboarding klien, pemimpin proyek Goldman dan Anthropic pertama kali mengamati alur kerja yang ada bersama para ahli domain untuk menemukan hambatan. Agen AI yang diterapkan kini meninjau dokumen, mengekstrak entitas, menentukan apakah dokumentasi tambahan diperlukan, menilai struktur kepemilikan, dan memicu pemeriksaan kepatuhan lebih lanjut jika diperlukan. Tugas-tugas ini biasanya berorientasi dokumen dan memerlukan penilaian individu, sehingga cocok untuk dukungan pengambilan keputusan berbantuan AI.

Dengan mengotomatisasi ekstraksi dan penilaian awal, agen mengurangi waktu yang dihabiskan analis untuk pekerjaan perbandingan manual. Namun, mereka tidak menggantikan pengambilan keputusan akhir. Sebaliknya, mereka menyajikan data terstruktur dan langkah selanjutnya yang disarankan, memungkinkan spesialis fokus pada kasus yang kompleks atau berisiko tinggi daripada penanganan file rutin.

Indranil Bandyopadhyay, analis utama di Forrester, menjelaskan bahwa rekonsiliasi dalam akuntansi perdagangan memerlukan perbandingan data yang terfragmentasi dari buku besar internal, konfirmasi pihak lawan, dan laporan bank. Alur kerja tipikal bergantung pada ekstraksi dan pencocokan angka serta teks dari berbagai dokumen secara akurat. Di sinilah Claude dari Anthropic diposisikan sebagai solusi untuk menangani langkah pencocokan yang padat dokumen ini secara skala besar.

Mengapa Claude Cocok untuk Kasus Penggunaan Rekonsiliasi dan Onboarding

Bandyopadhyay mencatat bahwa kemampuan Claude untuk memproses jendela konteks besar dan mengikuti instruksi rinci membuatnya cocok untuk alur rekonsiliasi yang kompleks. Untuk onboarding klien, analis harus memparsing paspor dan dokumen pendaftaran perusahaan, lalu melakukan cross-referensi dari semua sumber. Selain itu, kebutuhan untuk menafsirkan dokumen tidak terstruktur menambah kompleksitas yang sulit dikelola secara efisien oleh alat berbasis aturan tradisional.

Dalam lingkungan ini, kapasitas AI untuk mengekstrak data terstruktur, menyoroti inkonsistensi, dan menandai dokumen yang hilang menawarkan kecocokan yang kuat. Hasilnya adalah pengurangan beban kerja keseluruhan bagi analis dan siklus onboarding yang lebih cepat, sambil tetap menjaga standar tata kelola yang diperlukan di perbankan.

Yang penting, Bandyopadhyay menekankan bahwa platform akuntansi dan kepatuhan tetap menjadi sistem pencatatan utama. Claude berada di lapisan alur kerja, bertanggung jawab untuk ekstraksi dan pencocokan, sementara analis manusia menangani pengecualian yang muncul dari kode tersebut. Menurutnya, nilai operasional di sektor yang sangat diatur seperti perbankan terletak pada pembagian kerja ini daripada otomatisasi penuh.

Manajemen Risiko, Ketidakpastian, dan Pengawasan Manusia

Jonathan Pelosi, kepala layanan keuangan di Anthropic, mengatakan bahwa Claude dilatih untuk menampilkan ketidakpastian dan memberikan atribusi sumber, menciptakan jejak audit yang mengurangi efek halusinasi. Selain itu, pilihan desain ini bertujuan membuat perilaku AI lebih transparan bagi tim risiko dan regulator dengan menghubungkan output ke bukti pendukungnya.

Bandyopadhyay juga menyoroti pentingnya pengawasan dan validasi manusia, mendesak institusi untuk merancang sistem agar kesalahan dapat dideteksi sejak dini dalam alur kerja. Meski demikian, dia mengakui bahwa ketika dipantau dengan baik, agen AI dapat menangani sebagian besar pemeriksaan dan perbandingan berulang jauh lebih cepat daripada staf manusia.

Marco Argenti dari Goldman menolak gagasan bahwa sistem AI secara inheren lebih mudah untuk ditipu daripada manusia. Dia berpendapat bahwa serangan rekayasa sosial terutama mengeksploitasi kerentanan manusia, sementara model AI dapat mendeteksi anomali halus secara skala besar. Namun, dia menegaskan bahwa pengaturan optimal menggabungkan penilaian manusia dengan pengawasan otomatis dalam tim terintegrasi.

Implikasi untuk Operasi Perbankan

Menurut Argenti, kombinasi ini berarti peningkatan kapasitas operasional yang signifikan tanpa peningkatan proporsional dalam jumlah staf, meskipun ada masalah yang diketahui terkait penerapan AI. Selain itu, ini memungkinkan bank mengelola beban regulasi dan dokumentasi yang semakin meningkat sambil menjaga pertumbuhan jumlah karyawan tetap terkendali.

Di seluruh sektor perbankan, AI generatif muncul sebagai alat untuk meningkatkan kinerja operasional dengan mempercepat pemrosesan dokumen, mengurangi waktu penanganan pengecualian, dan meningkatkan throughput dalam alur kerja volume tinggi. Namun, kebutuhan akan pengawasan manusia yang berkelanjutan berarti institusi harus mempertahankan sistem pencatatan dan struktur tata kelola yang ada, menggunakan AI terutama untuk menyederhanakan lapisan-lapisan di atasnya.

Singkatnya, pekerjaan Goldman dengan Claude dan agen terkait menunjukkan model pragmatis untuk AI generatif di bidang keuangan: otomatisasi tugas-tugas berorientasi dokumen dan aturan yang dekat, menampilkan pengecualian secara jelas, dan menjaga para ahli manusia sebagai pihak terakhir yang bertanggung jawab atas keputusan penting dan kepatuhan regulasi.