Kredit Melambat, Saatnya Bank Serius Pakai AI

Kredit Melambat, Bank Harus Ubah Cara Main

Pertumbuhan kredit perbankan Indonesia per November 2025 cuma sekitar 7,74% yoy. Di saat yang sama, Bank Indonesia menargetkan kredit tumbuh 8%–11% untuk sepanjang tahun dan sudah mengakui, proyeksinya akan berada di batas bawah target.

Artinya sederhana: uang di bank ada (DPK tumbuh 12,03% yoy), tapi mengalir ke kredit jauh lebih pelan. Likuiditas longgar, tapi penyaluran seret. Pelaku usaha masih wait and see, suku bunga masih jadi ganjalan, dan bank semakin ketat dalam menilai risiko.

Di titik ini, sebagian bank memilih menahan diri. Menunggu ekonomi lebih pasti, menunggu suku bunga makin turun. Menurut saya, itu setengah benar. Sisi lain yang sering luput: justru saat kredit melambat, bank harus meng-upgrade cara kerja, terutama di penilaian kredit dan manajemen risiko. Dan di sinilah AI dalam perbankan mulai bukan lagi sekadar wacana, tapi kebutuhan.

Tulisan ini membahas:

• Kenapa kredit bisa melambat di tengah likuiditas melimpah
• Risiko yang mengintai bank kalau hanya mengandalkan cara lama
• Bagaimana AI di perbankan bisa membantu mendorong kredit yang sehat
• Contoh konkret penerapan AI di kredit retail, UMKM, dan korporasi
• Langkah praktis untuk manajemen bank yang ingin mulai serius di AI kredit

Apa yang Terjadi: Kredit Tumbuh Pelan, DPK Ngebut

Jawaban singkatnya: permintaan dan penawaran kredit sama-sama hati-hati, sementara dana masyarakat terus masuk ke bank.

Angka dari BI: Sekilas Tapi Penting

Dari paparan Gubernur BI Perry Warjiyo:

• Target pertumbuhan kredit 2025: 8%–11% yoy
• Realisasi hingga November 2025: 7,74% yoy
• Proyeksi BI: kredit 2025 berada di batas bawah target
• Pertumbuhan Dana Pihak Ketiga (DPK) November 2025: 12,03% yoy

Artinya:

• Likuiditas longgar: uang di bank banyak
• Permintaan kredit belum kuat: pelaku usaha menunda ekspansi
• Bank makin selektif: lebih agresif cari dana, tapi tidak agresif menyalurkan kredit

Perry juga menyinggung bahwa pengusaha masih wait and see. Ini wajar di tengah ketidakpastian global, dinamika geopolitik, dan adaptasi kebijakan pemerintah baru.

Risiko Buat Bank Kalau Kondisi Ini Berlarut

Kalau tren ini dibiarkan, bank menghadapi beberapa risiko strategis:

1. Margin tertekan
   DPK tumbuh lebih cepat dari kredit. Artinya cost of fund jalan terus, tapi aset produktif (kredit) tumbuh lebih lambat. NIM bisa tergerus.

2. Persaingan makin brutal di nasabah yang “itu-itu saja”
   Tanpa kemampuan analitik yang lebih canggih, bank cenderung rebutan nasabah besar dan nasabah paling aman. Pasar jadi sesak, pricing jadi ketat.

3. Inklusi keuangan jalan di tempat
   Segmen UMKM dan retail non-prime tetap susah akses kredit karena bank belum pede menilai risiko mereka.

4. Peluang digital banking terbuang
   Padahal ekosistem digital Indonesia (e-commerce, ride-hailing, fintech) sudah bisa jadi tambang data untuk kredit alternatif.

Di sini lah saya cukup tegas: mengandalkan model kredit konvensional saja sudah tidak cukup. AI bukan hanya “nice to have”, tapi alat untuk bertahan dan tumbuh di kondisi kredit melambat.

Dari BI ke AI: Mengubah Cara Bank Menilai Kredit

Kalau BI fokus mendorong kredit dari sisi kebijakan (likuiditas, suku bunga, koordinasi KSSK), bank harus menjawab dari sisi operasional: bagaimana menyalurkan kredit lebih cepat, lebih tepat, dan tetap aman.

Jawaban praktisnya: AI di proses penilaian kredit.

1. Skoring Kredit Berbasis Data Alternatif

Kenyataannya, banyak individu dan UMKM di Indonesia:

• Tidak punya laporan keuangan formal
• Riwayat kredit di SLIK minim atau belum ada
• Usaha jalan, omzet ada, tapi “tak kasat mata” di sistem tradisional

AI memungkinkan bank menggunakan data alternatif seperti:

• Data transaksi e-commerce
• Riwayat pembayaran tagihan (pulsa, listrik, PDAM, e-wallet)
• Perilaku transaksi di rekening (pola debit/kredit, frekuensi, stabilitas saldo)
• Data log dari aplikasi mobile banking (pola penggunaan, lokasi, device)

Model AI bisa memproses ratusan variabel ini untuk menghasilkan credit scoring yang lebih granular. Bukan cuma “layak / tidak layak”, tapi:

• Berapa plafon ideal
• Tenor aman
• Pricing yang mencerminkan risiko sebenarnya

Hasilnya:

• Segmen yang dulu dianggap terlalu berisiko bisa di-serve dengan skema yang tepat
• Bank bisa memperluas basis kredit tanpa melompat ke risiko buta

2. Otomatisasi Underwriting, Proses Jadi Hitungan Menit

Salah satu alasan bank enggan agresif adalah biaya dan waktu underwriting. Untuk tiket kecil (KUR, kredit konsumsi kecil), cost manual checking sering tidak sebanding.

Dengan AI underwriting engine:

• Data nasabah langsung diproses otomatis (KTP, foto, slip gaji, mutasi rekening)
• Sistem memberi rekomendasi: approve, review manual, atau reject
• Dokumen dicocokkan pakai computer vision untuk deteksi palsu

Bank yang sudah matang biasanya menargetkan:

• 80%+ aplikasi retail bisa diproses otomatis
• Waktu keputusan turun dari hitungan hari jadi hitungan menit/jam

Ini sangat relevan di era digital banking Indonesia, di mana nasabah terbiasa dengan layanan instan dari fintech.

3. Manajemen Risiko Dinamis, Bukan Sekali Set Rekening

Model tradisional: risiko dinilai di awal pengajuan, lalu relatif statis.
Model AI: risiko nasabah dipantau secara dinamis sepanjang umur kredit.

Beberapa contoh yang sudah banyak dipakai secara global dan mulai masuk Indonesia:

• Early warning system yang memantau penurunan transaksi usaha, keterlambatan kecil tapi berulang, hingga perubahan perilaku login aplikasi
• Collection strategy berbasis AI: siapa yang cukup diingatkan via WhatsApp, siapa yang perlu dihubungi petugas, siapa yang berpotensi restrukturisasi

Dampaknya ke bank:

• NPL lebih terkendali meski ekspansi kredit jalan
• Koleksi lebih efisien, tidak asal sebar tenaga penagih

AI untuk Dorong Inklusi Keuangan di Tengah Perlambatan

Melambatnya kredit sering memukul segmen yang paling rapuh: UMKM dan rumah tangga berpenghasilan menengah bawah. Di sinilah AI bisa diposisikan bukan hanya alat profit, tapi juga alat inklusif.

Kredit UMKM: Dari Feeling ke Data

Selama ini banyak kredit UMKM bergantung pada:

• Jejak hubungan dengan bank
• Penilaian analis lapangan (yang subyektif)
• Jaminan fisik (yang sering kali membuat pengusaha kecil tersingkir)

AI dalam perbankan memungkinkan pendekatan yang lebih adil:

• Nasabah UMKM yang aktif di marketplace bisa dinilai dari data penjualan, rating, retur, dan pertumbuhan omzet
• Pedagang ritel bisa dianalisis dari data EDC, QRIS, dan mutasi harian

Bank bisa punya produk:

• Kredit modal kerja mikro berbasis omzet digital
• Plafon fleksibel yang naik otomatis saat performa usaha konsisten baik

Ini bukan teori. Bank dan fintech lokal sudah mulai ke arah sana. Bedanya, bank yang serius invest di AI dan data pipeline akan bergerak lebih cepat dan rapi.

Digital Banking: Dari Mass Product ke Personalized Offer

Saat ekonomi melambat, nasabah jauh lebih sensitif terhadap bunga, biaya admin, dan fleksibilitas.

AI di digital banking memungkinkan:

• Penawaran kredit personal di aplikasi, sesuai profil risiko dan kebutuhan
• Simulasi cicilan yang otomatis menyesuaikan arus kas nasabah
• Rekomendasi produk (kartu kredit, KTA, KPR) yang benar-benar relevan, bukan spam massal

Hasilnya dua arah:

• Nasabah merasa dipahami dan dibantu, bukan dijualin produk
• Bank bisa mengoptimalkan risk-adjusted return, bukan sekadar ngejar volume kredit.

Contoh Penerapan AI Kredit: Dari Teori ke Praktik

Supaya tidak terlalu abstrak, berikut beberapa skenario yang cukup realistis untuk bank di Indonesia.

1. Skoring Otomatis untuk KUR Digital

Masalah hari ini:
Proses KUR masih sering lama, banyak manual check, dan kantor cabang kewalahan.

Dengan AI:

• Aplikasi KUR via mobile atau web
• Sistem membaca data NIK, NPWP, rekening, transaksi usaha
• Skor risiko keluar otomatis, termasuk rekomendasi plafon
• Hanya kasus borderline yang naik ke analis manusia

Dampak:

• Waktu proses bisa turun dari mingguan jadi maksimal 1–2 hari kerja
• Penyaluran KUR naik tanpa mengorbankan kualitas portofolio

2. Pre-approved Limit di Aplikasi Digital Banking

Masalah hari ini:
Banyak nasabah sebenarnya layak kredit, tapi tidak tahu atau malas mengajukan.

Dengan AI:

• Bank menghitung pre-approved limit berdasarkan transaksi gaji, belanja, dan riwayat pembayaran
• Limit tampil di aplikasi digital banking, siap dicairkan dalam 1–2 klik
• Sistem otomatis mengatur tenor dan bunga sesuai risiko

Dampak:

• Bank bisa mengkonversi DPK menjadi kredit konsumsi dengan risiko terukur
• Nasabah terbantu saat butuh dana cepat tanpa harus ke cabang

3. Fraud & Risk Guardrail untuk Menjaga Stabilitas

Saat kredit didorong, kekhawatiran terbesar manajemen: fraud dan lonjakan NPL.

AI bisa berperan sebagai “rem otomatis” melalui:

• Deteksi pengajuan berulang dari device yang sama tapi identitas berbeda
• Pendeteksian pola dokumen palsu (KTP, slip gaji) lewat computer vision
• Peringatan dini jika ada lonjakan klaim atau pola gagal bayar di satu segmen tertentu

Ini sejalan dengan fokus stabilitas sistem keuangan yang dijaga BI dan KSSK. Ekspansi boleh agresif, tapi sistem pengaman harus cerdas.

Langkah Praktis untuk Bank: Mulai dari Mana?

Kalau Anda di manajemen bank atau tim digital/risiko, pertanyaan besarnya mungkin: “Mulai dari mana, dan bagaimana supaya nggak cuma jadi proyek gimmick?”

Berikut pendekatan yang biasanya paling masuk akal:

1. Pilih Satu Use Case Kredit yang Jelas

Jangan langsung semua lini. Contoh titik awal yang bagus:

• Otomatisasi scoring KTA payroll
• Pre-approved limit di nasabah gaji ASN/BUMN
• Peningkatan produktivitas analis KUR

Kriteria utamanya:

• Volume cukup besar
• Data relatif sudah tersedia
• Dampak bisnis terukur dalam 6–12 bulan

2. Rapikan Data Sebelum Bicara Model Canggih

AI perbankan yang bagus berdiri di atas data yang rapi dan bisa diakses:

• Satukan data transaksi, kredit, dan interaksi nasabah dalam satu data lake
• Perjelas data ownership antara unit bisnis, risiko, dan IT

Pengalaman saya, banyak proyek AI gagal bukan karena algoritma jelek, tapi karena data berantakan dan silo antar unit.

3. Bangun Tim Hybrid: Bisnis + Risiko + Data

Jangan lepaskan proyek AI kredit hanya ke vendor atau tim IT.

• Libatkan orang risiko yang paham portofolio dan regulasi
• Libatkan orang bisnis yang paham target nasabah
• Padukan dengan data scientist dan data engineer

Kombinasi ini yang menentukan apakah model nanti nyambung ke kenyataan lapangan atau cuma bagus di presentasi.

4. Komunikasi dengan Regulator Sejak Awal

BI dan OJK makin terbuka pada inovasi AI, tapi tetap ketat pada prinsip:

• Transparansi model (minimal explainability dasar)
• Perlindungan data nasabah
• Tata kelola dan akuntabilitas keputusan kredit

Bank yang sejak awal mengajak regulator berdiskusi biasanya lebih mulus saat skala besar.

Penutup: Perlambatan Kredit Itu Sinyal, Bukan Vonis

Pertumbuhan kredit yang melambat di 2025 bukan berarti peluang pertumbuhan bank habis. Justru ini sinyal kuat bahwa model lama penyaluran kredit sudah mentok.

BI sudah memberi sinyal dengan target yang realistis dan pelonggaran likuiditas. Giliran bank yang harus menjawab dengan cara baru menilai dan mengelola risiko kredit, dan menurut saya, kuncinya ada di AI dalam industri perbankan Indonesia.

Bank yang berani berinvestasi di AI untuk penilaian kredit, manajemen risiko, dan digital banking hari ini, akan punya posisi jauh lebih kuat saat siklus ekonomi berbalik naik. Pertanyaannya tinggal: Anda mau jadi bank yang menunggu siklus berubah, atau bank yang mempersiapkan mesin baru sejak sekarang?

---

Seri: AI dalam Industri Perbankan Indonesia: Era Digital Banking – tulisan ini fokus pada kredit dan manajemen risiko. Seri berikutnya akan membahas AI untuk deteksi fraud dan personalisasi layanan nasabah.