Confluent Ungkap Peran Data Streaming di Era Agentic AI

Transformasi digital di sektor keuangan Indonesia semakin memasuki fase krusial. Perbankan, asuransi, pasar modal, hingga perusahaan fintech kini tidak lagi sekadar berbicara soal digitalisasi layanan, tetapi juga bagaimana memanfaatkan data dan Artificial Intelligence (AI) secara real-time untuk meningkatkan daya saing. Dalam konteks inilah, kesiapan data atau data readiness menjadi fondasi utama untuk membangun AI yang lebih cerdas, akurat, dan relevan dengan kondisi bisnis saat ini.

Hal tersebut mengemuka dalam acara focus group discussion bertajuk “Data & AI Financial Sector”, yang menghadirkan Country Manager Confluent Indonesia, Jemmy Ang, sebagai salah satu narasumber. Dalam paparannya, Jemmy menekankan bahwa keunggulan AI masa depan bukan lagi ditentukan oleh large language model (LLM) semata, melainkan oleh kemampuan sistem dalam mengolah data yang terus bergerak secara real-time.

Agentic AI Mulai Diadopsi Enterprise

Jemmy menjelaskan, adopsi AI di tingkat enterprise saat ini telah memasuki babak baru, yakni agentic AI. Berbeda dengan AI konvensional yang hanya merespons perintah, agentic AI mampu berkomunikasi, berkolaborasi, bahkan mengambil keputusan secara mandiri berdasarkan konteks data yang diterima.

Berdasarkan berbagai survei global, tren ini akan semakin kuat dalam beberapa tahun ke depan. Diperkirakan, pada 2028 sekitar 33 persen aplikasi perangkat lunak enterprise akan menyertakan agentic AI. Selain itu, 15 persen pekerjaan rutin harian diproyeksikan dapat diotomatisasi dengan agentic AI pada tahun yang sama. Dampaknya semakin terasa pada 2029, ketika 80 persen isu layanan pelanggan dapat diselesaikan tanpa campur tangan manusia, serta potensi penghematan biaya operasional hingga 30 persen.

“AI dan data sangat sejalan dengan visi dan misi perusahaan kami. Rentang perubahan ini akan terjadi hingga 2029, dan perusahaan yang tidak mempersiapkan diri sejak sekarang akan tertinggal,” ujar Jemmy.

Tiga Use Case Utama di Industri Perbankan

Dalam industri perbankan, Jemmy mengungkapkan setidaknya ada tiga use case utama AI yang saat ini paling banyak diterapkan. Pertama adalah credit scoring, di mana AI digunakan untuk menilai kelayakan kredit secara lebih akurat dengan mempertimbangkan data real-time. Kedua, fraud detection, yang memanfaatkan analisis aliran data untuk mendeteksi anomali dan potensi kecurangan sejak dini. Ketiga, hyper-personalization, yakni pemanfaatan AI sebagai chatbot dan asisten digital yang mampu memberikan layanan personal sesuai profil dan perilaku nasabah.

Namun, keberhasilan ketiga use case tersebut sangat bergantung pada kualitas dan kecepatan data yang digunakan. “Kunci agentic AI bukan pada membangun LLM yang lebih baik, tetapi pada kesiapan data,” tegas Jemmy.

Dari Machine Learning ke Agentic AI

Secara historis, perjalanan AI dimulai dari classic machine learning, di mana model dilatih secara offline menggunakan data historis dalam skema batch. Pendekatan ini cukup efektif untuk analisis masa lalu, tetapi memiliki keterbatasan dalam menggambarkan kondisi aktual.

Berbeda dengan itu, agentic AI dan generative AI mengandalkan proses inference secara online menggunakan foundation models yang dapat digunakan ulang. Model yang sama dapat menghasilkan keputusan berbeda ketika diberi data real-time yang berbeda pula. Hasilnya, keputusan yang diambil menjadi lebih presisi dan kontekstual.

Jemmy mencontohkan penggunaan chatbot AI. Jika chatbot hanya mengandalkan data lama, risiko yang muncul adalah AI hallucination, yaitu jawaban yang terdengar meyakinkan tetapi tidak sesuai dengan kondisi nyata. Sebaliknya, dengan data real-time yang tepercaya, AI tidak hanya mampu menjawab, tetapi juga berdialog dan mengambil keputusan yang relevan.

Kompleksitas Agentic AI di Skala Enterprise

Meski menjanjikan, implementasi agentic AI di lingkungan enterprise bukan perkara mudah. Sistem AI modern merupakan complex systems dengan banyak ketergantungan. Mengganti seluruh sistem data dan aplikasi lama (legacy systems) demi AI baru adalah hal yang hampir mustahil.

Karena itu, pendekatan yang digunakan adalah menjadikan AI sebagai lapisan cerdas yang terhubung dengan sistem yang sudah ada. Dalam konsep ini, agentic AI dipandang sebagai event-driven microservices with a brain. Setiap agen memiliki logika sendiri dan tidak saling bergantung, sehingga sistem menjadi lebih cepat, fleksibel, dan tahan terhadap gangguan.

Namun, tantangan mulai muncul ketika AI yang awalnya hanya sebatas uji coba atau demo harus diterapkan sebagai sistem yang benar-benar digunakan dalam operasional sehari-hari. Hambatan utamanya antara lain data yang tidak sampai ke sistem AI dengan cukup cepat, kurangnya kemampuan replayability, tidak adanya representasi data operasional terbaru, serta pemisahan yang rapuh antara pemrosesan data dan AI.

Untuk menjawab tantangan tersebut, Confluent mendorong paradigma data in motion, yakni pengelolaan data secara real-time dan berkelanjutan. Data tidak lagi diperlakukan sebagai arsip statis, melainkan sebagai data product yang terus diperbarui dan dapat digunakan lintas aplikasi.

Melalui data streaming platform, seluruh data dapat terus dialirkan, diproses, diatur tata kelolanya, dan dibagikan sebagai single source of truth. Dengan demikian, data menjadi langsung bernilai, tepercaya, dan siap digunakan oleh aplikasi AI maupun microservices.

Menuju Infrastruktur Data Real-Time

Menatap 2026 dan seterusnya, Confluent memprediksi infrastruktur data real-time akan menjadi kebutuhan yang tidak bisa ditawar. Aplikasi berbasis AI menuntut data yang terus mengalir, sementara sistem batch tidak lagi mampu mendukung pengambilan keputusan instan dan pengalaman pelanggan modern.

Selain itu, AI akan mempercepat modernisasi sistem lama dengan syarat adanya data real-time yang terkelola dengan baik. Ke depan, platform terpadu yang mengintegrasikan streaming, tata kelola, dan penyimpanan data akan menjadi prioritas utama untuk mempercepat adopsi AI sekaligus menekan risiko.

Dengan kata lain, di era agentic AI, keunggulan kompetitif bukan hanya soal kecanggihan algoritma, tetapi seberapa cepat dan tepercaya data dapat bergerak untuk mendukung keputusan bisnis.