Platform Analisis Kredit Berbasis AI: Apa yang Berubah dalam Proses Underwriting?

Platform analisis kredit membantu lembaga keuangan mengelola informasi debitur, mengevaluasi risiko, dan mendokumentasikan keputusan pembiayaan. Namun, tidak semua fungsi tersebut membutuhkan artificial intelligence (AI).

Menghitung rasio keuangan, memeriksa kelengkapan dokumen, atau menerapkan batas kredit tertentu dapat dilakukan melalui sistem berbasis aturan (rule-based). AI menjadi relevan ketika analisis melibatkan hubungan data yang lebih kompleks, variasi dokumen, atau pola risiko yang sulit dikenali melalui aturan sederhana.

Bagi tim underwriting dan manajemen risiko bank maupun fintech, pertanyaan utamanya bukan apakah platform telah menggunakan AI, melainkan apakah teknologi tersebut memberikan kemampuan analitis tambahan yang dapat diuji dan dipertanggungjawabkan.

Apa Perbedaan Platform Konvensional dan Berbasis AI?

Platform konvensional dapat mengintegrasikan informasi kredit, menjalankan perhitungan, dan menerapkan kebijakan pembiayaan secara konsisten.

Sebagai contoh, sistem dapat menghitung debt-to-equity ratio dan memberikan peringatan apabila nilainya melewati batas yang ditetapkan lembaga. Proses ini bersifat deterministik dan tidak memerlukan machine learning.

Platform berbasis AI dapat menambahkan model yang mempelajari hubungan antar variabel berdasarkan data historis. Dalam penilaian kredit, model tersebut dapat digunakan untuk mengestimasi risiko berdasarkan kombinasi indikator yang relevan.

Namun, kemampuan tersebut bergantung pada kualitas data, metode pengembangan, dan validasi model. European Banking Authority (EBA) menekankan bahwa model untuk penilaian kelayakan kredit perlu dipahami dari sisi metodologi, data input, asumsi, keterbatasan, dan hasilnya.

AI Membantu Mengenali Hubungan Antar Indikator Risiko

Satu rasio keuangan jarang cukup untuk menggambarkan risiko debitur. Perusahaan dapat mencatat pertumbuhan pendapatan, tetapi pada saat yang sama mengalami peningkatan piutang, pelemahan arus kas, dan penambahan utang jangka pendek.

Model machine learning dapat dilatih untuk mengenali kombinasi variabel yang berkaitan dengan risiko gagal bayar berdasarkan pola dalam data pengembangan model. Pendekatan ini berbeda dari penggunaan threshold tunggal untuk setiap indikator.

Meski demikian, hubungan statistik tidak otomatis menunjukkan penyebab risiko. Hasil model tetap perlu diperiksa berdasarkan kondisi industri, karakteristik debitur, dan sumber pembayaran yang tersedia.

Dalam konteks ini, perubahan likuiditas, leverage, dan arus kas merupakan bagian penting dari analisis laporan keuangan dalam credit scoring perusahaan, sementara AI dapat membantu mengevaluasi hubungan antar indikator tersebut.

Salah satu penggunaan AI dalam underwriting adalah membantu mengelompokkan pengajuan berdasarkan tingkat risiko yang diperkirakan.

Pengajuan dengan karakteristik tertentu dapat diarahkan untuk pemeriksaan tambahan, sedangkan kasus lain diproses melalui alur standar sesuai kebijakan lembaga.

Pendekatan ini dapat membantu tim menggunakan kapasitas investigasi secara lebih terarah. Namun, scoring dan keputusan persetujuan merupakan dua tahap yang berbeda.

Model memberikan estimasi risiko. Kebijakan kredit menentukan bagaimana hasil tersebut digunakan, termasuk kapan pengajuan membutuhkan eskalasi atau penilaian manual.

Perbedaan tersebut penting karena analisis skor kredit juga membutuhkan interpretasi terhadap kondisi debitur, bukan sekadar pembacaan skor akhir.

Hasil AI Harus Dapat Dijelaskan dan Diverifikasi

Jika sebuah model menilai pengajuan berisiko tinggi, analis perlu memahami informasi apa yang berkontribusi terhadap hasil tersebut.

Di sinilah explainability menjadi penting.

Bank for International Settlements (BIS) menjelaskan bahwa keterbatasan explainability pada model AI yang kompleks dapat menyulitkan validasi, akuntabilitas, dan pengelolaan risiko model.

Teknik penjelasan juga memiliki keterbatasan sehingga hasilnya tidak boleh dianggap sebagai bukti yang sempurna mengenai cara model bekerja.

Karena itu, platform berbasis AI perlu mendukung dokumentasi input, hasil model, alasan eskalasi, serta mekanisme human review dan override yang dapat ditelusuri.

Tujuannya bukan memaksa setiap keputusan dilakukan secara manual, melainkan menjaga agar keputusan tetap dapat diperiksa dan dipertanggungjawabkan.

Keberhasilan implementasi AI tidak cukup dinilai dari kecepatan pemrosesan atau jumlah aplikasi yang berhasil dianalisis. Lembaga perlu mengevaluasi apakah model memberikan nilai tambahan dibandingkan metode sebelumnya melalui indikator seperti:

Financial Stability Board (FSB) dalam Sound Practices for Responsible Adoption of Artificial Intelligence (2026) menekankan pentingnya tata kelola data, evaluasi performa, monitoring berkelanjutan, explainability, dan human oversight sesuai risiko penggunaan AI.

Dengan demikian, manfaat AI perlu dibuktikan melalui peningkatan kualitas proses dan hasil penilaian, bukan hanya keberadaan fitur otomatisasi.

Platform analisis kredit berbasis AI bukan sekadar sistem konvensional yang ditambahkan algoritma. Nilainya terletak pada kemampuan menggunakan model analitik untuk mengenali hubungan risiko, mendukung prioritas pemeriksaan, dan melengkapi metode underwriting yang telah digunakan.

Namun, perhitungan berbasis aturan tetap relevan untuk proses deterministik, sementara interpretasi bisnis, validasi model, dan keputusan kredit tetap membutuhkan mekanisme pengawasan yang memadai.

AI memberikan nilai ketika meningkatkan kemampuan organisasi memahami dan mengelola risiko kredit secara terukur, bukan ketika seluruh proses diberi label otomatis.