Kredit Melambat, Saatnya Bank Serius Pakai AI

Kredit Melambat, Tapi Risiko Tetap Jalan Terus

Pertumbuhan kredit perbankan Indonesia per November 2025 cuma di kisaran 7,74% yoy, di bawah target Bank Indonesia (BI) yang menargetkan 8%-11% untuk sepanjang tahun. BI sendiri sudah memberi sinyal: pertumbuhan kredit 2025 bakal mentok di batas bawah target.

Sementara itu, dana pihak ketiga (DPK) tumbuh 12,03% yoy. Artinya apa? Uang di bank menumpuk, tapi disalurkan ke sektor riil lebih pelan. Banyak pelaku usaha masih wait and see, bunga kredit masih dianggap mahal, dan bank makin hati-hati soal risiko.

Di titik seperti ini, AI dalam industri perbankan bukan lagi sekadar tren teknologi. AI jadi alat kerja strategis untuk dua hal penting:

1. Menilai risiko kredit lebih akurat di tengah permintaan yang lemah
2. Mendorong inklusi keuangan melalui digital banking, tanpa membuat NPL meledak

Tulisan ini membahas kenapa perlambatan kredit justru momen tepat buat bank di Indonesia memperkuat AI untuk penilaian kredit, mitigasi risiko, dan percepatan layanan digital.

---

Apa yang Sebenarnya Terjadi dengan Pertumbuhan Kredit?

Jawabannya: permintaan belum kuat, risiko masih tinggi, dan bank cenderung defensif.

Dari pernyataan Gubernur BI Perry Warjiyo, ada beberapa poin kunci:

• Target pertumbuhan kredit 2025: 8%-11% yoy
• Realisasi hingga November 2025: 7,74% yoy
• BI melihat pelaku usaha masih wait and see
• DPK justru tumbuh lebih cepat: 12,03% yoy

Jadi, ada tiga tekanan utama:

1. Permintaan kredit lemah
   Banyak korporasi tahan ekspansi, UMKM berhitung ketat. Mereka khawatir soal prospek ekonomi, biaya dana, dan ketidakpastian kebijakan.

2. Bank makin selektif
   Setelah beberapa tahun tekanan kualitas aset, bank tidak mau ambil risiko agresif. Proses analisis kredit diperketat, terutama di sektor-sektor yang sensitif siklus.

3. Likuiditas longgar, tapi tidak otomatis jadi kredit
   BI sudah ekspansi likuiditas, longgarkan rasio likuiditas makroprudensial (KLM), plus belanja pemerintah juga meningkat. Namun tanpa keyakinan risiko yang terukur, dana ini tidak serta-merta jadi kredit produktif.

Di level makroprudensial, BI akan memperkuat koordinasi dengan Komite Stabilitas Sistem Keuangan (KSSK). Di level mikro, bola justru ada di tangan bank: seberapa cepat mereka bisa mengubah data menjadi keputusan kredit yang aman tapi tetap agresif?

Di sinilah AI kredit scoring dan analitik risiko mulai terasa relevan.

---

Kenapa AI Kreditskor Jadi Penting Saat Kredit Melambat?

Karena sumber pertumbuhan berikutnya tidak akan datang dari nasabah “tradisional” saja. Bank harus berani turun ke segmen yang selama ini dianggap terlalu berisiko atau terlalu mahal secara operasional.

Pertumbuhan kredit ke depan akan banyak bergantung pada:

• UMKM informal yang belum punya laporan keuangan rapi
• Individu dengan riwayat kredit minim atau bahkan thin file
• Pelaku digital (merchant online, driver, kreator) yang datanya ada, tapi bukan data perbankan klasik

Model analisis manual dan spreadsheet tidak lagi cukup. AI membantu bank mengambil keputusan lebih tajam dengan informasi yang lebih kaya. Misalnya:

• Menggabungkan data transaksi rekening, e-wallet, e-commerce, dan POS
• Mengukur pola arus kas harian, bukan cuma laporan tahunan
• Mendeteksi pola keterlambatan kecil yang berulang sebagai indikator risiko

Dalam kondisi kredit melambat, ada dua pilihan:
main aman dan tumbuh pelan, atau pakai AI untuk membaca risiko lebih presisi dan berani masuk ke segmen baru dengan kontrol yang kuat. Pilihan kedua jauh lebih menarik kalau bank ingin bertahan di era digital banking.

---

3 Area Kunci di Mana AI Bisa Mengangkat Pertumbuhan Kredit

1. Penilaian Kredit Alternatif untuk UMKM dan Segmen Ritel

Masalah klasik:
Banyak UMKM ditolak bukan karena buruk, tapi karena datanya tidak lengkap. Tidak ada laporan keuangan audited, agunan terbatas, histori kredit minim.

Solusi dengan AI kredit scoring:

• Analisis data transaksi
  AI bisa membaca histori transaksi rekening, QRIS, marketplace, bahkan sistem kasir digital untuk memotret kesehatan bisnis sehari-hari.

• Behavioral scoring
  Perilaku pembayaran tagihan, pola belanja, mobilitas, hingga stabilitas lokasi usaha bisa diolah jadi skor risiko.

• Segmentasi otomatis
  Alih-alih satu kebijakan kredit untuk semua, AI bisa mengelompokkan nasabah ke ratusan micro-segment dengan limit, tenor, dan harga berbeda.

Hasilnya:
Bank bisa bilang, "Oke, usahamu belum punya laporan keuangan tebal, tapi cashflow-mu sehat dan stabil. Gue bisa kasih limit kecil dulu, dimonitor AI, lalu dinaikkan kalau performanya bagus."

Inilah cara inklusi keuangan naik tanpa mengorbankan kualitas aset.

2. Mitigasi Risiko & Monitoring Portofolio Secara Real Time

Saat ekonomi melambat, risiko portofolio bisa berubah cepat, bahkan kalau NPL sekarang masih terlihat aman.

AI membantu bank dengan cara:

• Early warning system (EWS)
  Model AI bisa mendeteksi nasabah yang mulai menunjukkan pola berisiko: penurunan saldo rata-rata, keterlambatan kecil tapi sering, omzet turun di beberapa bulan beruntun.

• Stress testing dinamis
  Bukan cuma skenario tahunan untuk regulator, tapi simulasi berkala: "Kalau sektor X turun 10%, portofolio mana yang paling goyah?"

• Optimasi pricing berbasis risiko
  Nasabah dengan profil risiko lebih baik bisa mendapat bunga lebih kompetitif, sementara segmen berisiko diberi harga yang mencerminkan profilnya – semua dihitung otomatis.

Dalam konteks BI yang ingin "memperbaiki struktur suku bunga", AI menyiapkan data konkret untuk negosiasi internal bank: berapa harga yang pantas untuk risiko tertentu.

3. Percepatan Proses Kredit via Digital Banking & Chatbot AI

Perlambatan kredit bukan cuma soal risiko, tapi juga soal pengalaman nasabah.

Kalau proses pengajuan butuh:

• Datang ke cabang
• Isi formulir tebal
• Tunggu hari bahkan minggu

…banyak nasabah ritel dan UMKM digital akan mundur sebelum mulai.

Dengan AI dan digital banking:

• Onboarding digital
  Nasabah isi data lewat aplikasi, selfie KYC, unggah dokumen, dan AI langsung melakukan pre-screening.

• Chatbot berbasis bahasa Indonesia
  Nasabah bisa tanya status pengajuan, simulasi cicilan, atau kelayakan kredit di luar jam kerja, dijawab chatbot yang paham konteks lokal dan istilah keuangan.

• Keputusan lebih cepat
  Untuk produk tertentu (paylater, KTA kecil, modal kerja mikro), sebagian besar proses bisa otomatis. Analis manusia tinggal fokus ke kasus-kasus yang rumit.

Ketika BI mendorong ekspansi likuiditas, bank yang paling siap secara digital dan AI akan jadi yang paling cepat menyulap likuiditas itu menjadi kredit produktif.

---

Tantangan Nyata: Data, Regulasi, dan Mindset Bank

AI bukan solusi instan. Ada tiga hambatan besar yang sering saya lihat di bank Indonesia.

1. Data Masih Terpecah dan Kotor

Banyak bank punya data melimpah, tapi:

• Tersimpan di banyak sistem yang tidak saling bicara
• Ada data yang missing, tidak konsisten, atau duplikat
• Tidak ada data governance yang tegas

Sebelum training model AI, bank perlu:

• Merapikan data pipeline dan arsitektur data
• Menetapkan standar kualitas data dan pemilik data (data owner)
• Membangun data lake atau data warehouse yang matang

Tanpa fondasi ini, AI hanya akan mempercepat kekacauan.

2. Kepatuhan & Privasi Data

Di sektor perbankan, AI harus tunduk ke aturan:

• Perlindungan data nasabah
• Kewajiban explainability keputusan kredit
• Penghindaran bias diskriminatif

Model yang sangat akurat tapi tidak bisa dijelaskan ke regulator atau nasabah akan jadi masalah.
Solusinya: kombinasi antara black-box model dengan explainable AI, ditambah policy yang jelas soal data apa yang boleh dan tidak boleh dipakai.

3. Mindset: Dari "Tools" Jadi "Cara Kerja Baru"

Banyak inisiatif AI gagal bukan karena teknologinya jelek, tapi karena:

• AI hanya dianggap proyek IT, bukan transformasi bisnis
• Analis kredit tidak diajak sejak awal, merasa "digantikan" mesin
• Manajemen puncak tidak mengaitkan AI ke target bisnis: NPL, ROE, cost-to-income, dan pertumbuhan kredit

Pendekatan yang lebih sehat:
AI bukan pengganti analis, tapi co-pilot mereka. Mesin mengerjakan repetisi dan hitung cepat; manusia fokus ke judgment, negosiasi, dan relasi dengan nasabah.

---

Strategi Praktis: Langkah Bank Memulai AI Kredit di 2026

Untuk bank yang ingin menjadikan 2026 sebagai titik balik pertumbuhan kredit di era BI yang likuid, ini pendekatan yang realistis:

1. Pilih satu use case yang sempit tapi berdampak
   Misalnya: scoring KUR digital, kredit payroll, atau modal kerja mikro berbasis data transaksi.

2. Bangun pilot terkontrol, jangan langsung skala nasional
   Uji di satu segmen, satu wilayah, atau satu produk. Pantau NPL, approval rate, dan waktu proses.

3. Gabungkan tim bisnis, risiko, dan data scientist
   Model yang bagus lahir dari kolaborasi: orang risiko tahu pola gagal bayar, bisnis tahu kebutuhan nasabah, data scientist tahu cara memodelkan.

4. Jadikan AI bagian dari SOP, bukan eksperimen paralel
   Integrasikan ke workflow kredit, sistem core, dan dashboard manajemen. Jangan hanya jadi POC yang berhenti di presentasi.

5. Invest di literasi AI untuk manajemen dan analis
   Kalau orang risiko tidak paham cara kerja dasar model, mereka tidak akan percaya dan tidak akan memakainya.

Dengan pendekatan seperti ini, bank tidak hanya "ikut tren AI", tapi benar-benar menghubungkan AI ke target BI soal pertumbuhan kredit dan stabilitas sistem keuangan.

---

Menyambut Era Baru: Likuiditas BI, Kredit Cerdas Berbasis AI

BI sudah menggelontorkan insentif likuiditas ratusan triliun dan melonggarkan kebijakan makroprudensial untuk mendorong kredit. Tapi likuiditas saja tidak cukup. Yang menentukan adalah seberapa pintar bank menyalurkan likuiditas menjadi kredit yang sehat.

Di seri "AI dalam Industri Perbankan Indonesia: Era Digital Banking" ini, benang merahnya selalu sama:
Bank yang menang bukan sekadar yang punya dana besar, tapi yang paling cepat mengubah data menjadi keputusan.

Perlambatan kredit 2025 bukan sinyal untuk mengerem inovasi. Justru sebaliknya: ini saat yang pas untuk:

• Merapikan fondasi data dan risiko
• Membangun model AI kredit yang fit dengan karakter nasabah Indonesia
• Menghubungkan kanal digital banking dengan decision engine yang cerdas

Pada akhirnya, AI bukan tujuan, tapi cara bagi bank untuk:

• Tumbuh di tengah ketidakpastian
• Menggapai segmen yang dulu dianggap terlalu berisiko
• Menjaga stabilitas sambil mendorong inklusi keuangan

Pertanyaannya sekarang:
Apakah bank Anda akan menunggu permintaan kredit "pulang sendiri", atau mulai menyiapkan mesin AI yang bisa membaca risiko lebih tajam dan bergerak lebih cepat dari kompetitor?