DeepSeek vs Google: Pelajaran untuk Bank Digital RI

DeepSeek vs Google: Sinyal Serius dari Tiongkok untuk Dunia Perbankan

China butuh kurang dari dua tahun untuk menghadirkan DeepSeek sebagai penantang serius Google dan OpenAI. Modal risetnya jauh lebih kecil, tapi hasilnya sudah bikin Amerika gelisah.

Ini bukan sekadar perang gengsi teknologi. Buat ekosistem digital Indonesia — khususnya perbankan dan e-commerce — ini adalah alarm: siapa yang lambat mengadopsi AI, akan tertinggal jauh, bukan cuma dari raksasa global, tapi juga dari pemain regional.

Di artikel ini, kita bahas:

• Apa sebenarnya yang dilakukan DeepSeek di Tiongkok
• Kenapa model AI seperti DeepSeek V3.2 dan Speciale relevan untuk bank digital dan e-commerce Indonesia
• Blueprint praktis bagaimana bank & platform e-commerce bisa meniru pendekatan Tiongkok untuk meningkatkan pengalaman pelanggan dan mendorong inklusi keuangan

---

Apa yang DeepSeek Lakukan Berbeda dari Google & OpenAI?

Jawabannya: mereka fokus pada penalaran (reasoning) dan efisiensi, bukan cuma "AI yang pintar ngobrol".

DeepSeek baru saja merilis dua model:

• DeepSeek-V3.2 – model serbaguna dengan konteks panjang, diklaim setara GPT-5 untuk penggunaan harian
• DeepSeek-V3.2-Speciale – model penalaran tingkat tinggi, diklaim menyaingi Gemini-3.0-Pro dan dapat skor “emas” di kompetisi tingkat dunia seperti IMO dan ICPC

Beberapa hal penting dari strategi DeepSeek yang relevan untuk dunia perbankan dan e-commerce:

1. Penalaran terstruktur, bukan sekadar chat pintar
   DeepSeek menggabungkan kemampuan berpikir terstruktur langsung dengan penggunaan alat (tools). Artinya, AI tidak hanya menjawab, tapi juga merencanakan langkah, memanggil fungsi yang tepat, lalu menggabungkan hasilnya.

2. Integrasi erat dengan API
   DeepSeek merilis pembaruan API agar model-model ini mudah diintegrasikan ke sistem. Ini pola yang sama yang akan menentukan masa depan AI di perbankan digital: AI bukan berdiri sendiri, tapi tertanam di core system, CRM, risk engine, dan kanal layanan.

3. Model spesialis
   Mereka juga merilis DeepSeekMath-V2, model khusus matematika yang kuat dalam pembuktian teorema dan kompetisi IMO. Pola yang sama bisa (dan seharusnya) terjadi di bank: model AI khusus kredit UMKM, khusus fraud detection, khusus rekomendasi produk, bukan satu model serba bisa yang dipaksa melakukan semuanya.

Intinya: DeepSeek mengarah ke AI yang mampu berpikir dan bertindak dalam ekosistem digital, bukan cuma mengobrol. Ini persis yang dibutuhkan perbankan dan e-commerce kalau mau naik kelas.

---

Dari Mesin Pencari ke Mesin Keputusan: Relevansinya untuk Bank Digital

Mesin pencari seperti Google dan penggantinya di Tiongkok sebenarnya sedang berubah menjadi mesin keputusan berbasis AI. Pengguna bukan cuma cari informasi, tapi minta rekomendasi, analisis, hingga eksekusi tugas.

Di perbankan dan e-commerce, pergeseran ini punya dampak langsung:

• Nasabah tidak lagi sekadar cek saldo, tapi minta analisis arus kas dan saran keuangan otomatis
• Pengguna marketplace tidak lagi sekadar scroll produk, tapi ingin rekomendasi tepat, harga dinamis, dan checkout instan

Model seperti DeepSeek-V3.2 yang kuat dalam konteks panjang dan penalaran cocok untuk skenario seperti:

• Percakapan panjang dengan nasabah yang punya banyak produk: tabungan, kartu kredit, KPR, investasi
• Riwayat transaksi panjang di e-commerce yang harus dianalisis AI untuk rekomendasi atau scoring risiko

Bank dan e-commerce yang masih mengandalkan sistem rule-based klasik akan terasa kaku dibandingkan pengalaman yang didukung AI reasoning seperti ini.

---

Pelajaran Langsung untuk Perbankan Indonesia

1. Bangun “Otak AI” yang Terhubung ke Sistem, Bukan Chatbot Tempelan

Banyak bank dan e-commerce di Indonesia punya chatbot, tapi kebanyakan cuma:

• Menjawab FAQ
• Mengecek status pesanan
• Mengarahkan ke CS manusia

Sementara, pendekatan ala DeepSeek adalah menggabungkan reasoning dengan tools. Untuk bank dan e-commerce, tools itu bisa berupa:

• API cek saldo, mutasi, limit kartu kredit
• API status transaksi, pengiriman, refund
• Engine scoring risiko kredit
• Engine rekomendasi produk

Contoh alur di bank digital:

1. Nasabah chat: “Aku mau atur keuangan bulan ini, gaji 8 juta, cicilan 2,5 juta, pengeluaran rata-rata 4 juta. Bisa buatin rencana nabung?”
2. AI memanggil data historis transaksi, menghitung pola pengeluaran, lalu menyusun rencana pengeluaran + tabungan.
3. AI menawarkan: “Kalau kamu setuju, aku bisa aktifkan auto-debit Rp500 ribu setiap tanggal 1 ke produk tabungan X, bunganya sekian.”

Ini beda kelas dengan chatbot yang jawab: “Silakan cek halaman Tabungan pada menu Produk.”

2. Manfaatkan Kekuatan Reasoning untuk Scoring Kredit dan Fraud

Model seperti DeepSeek-V3.2-Speciale yang kuat dalam kompetisi matematika dan logika bukan cuma pamer prestasi. Dunia keuangan sangat butuh kemampuan ini.

Use case di perbankan dan paylater:

• Analisis pola transaksi UMKM: pendapatan musiman, repeat buyer, pola retur
• Menggabungkan data e-commerce (rating toko, review, volume transaksi) dengan data perbankan
• Menilai risiko fraud dari pola perilaku, bukan sekadar blacklist atau rule statis

Pendekatan yang saya pegang:

Bank yang menggabungkan data e-commerce + perbankan dengan AI reasoning akan punya keunggulan besar dalam penyaluran kredit digital dibanding bank yang hanya mengandalkan laporan keuangan formal.

3. Personalisasi Layanan ala Ekosistem Digital Tiongkok

Ekosistem digital di Tiongkok (super-app, pembayaran, e-commerce, ride-hailing) sudah bertahun-tahun memanfaatkan AI untuk personalisasi ekstrem:

• Rekomendasi produk disesuaikan dengan kebiasaan dan lokasi
• Penawaran kredit muncul tepat saat pengguna butuh (misalnya pas lagi checkout barang mahal)

Bank dan e-commerce Indonesia bisa mengadopsi pola ini:

• Dalam aplikasi bank digital:
  Tampilkan insight otomatis: “Bulan ini pengeluaranmu di food delivery naik 27%. Mau kita bantu set limit?”

• Dalam aplikasi e-commerce:
  Saat checkout, tawarkan cicilan atau paylater yang disesuaikan dengan profil risiko pengguna, dihitung real-time oleh AI.

Semakin personal dan kontekstual, semakin tinggi conversion, retention, dan trust.

---

Penerapan Konkret AI ala DeepSeek untuk E-commerce & Bank Digital

Untuk menyambungkan dengan seri “AI untuk E-commerce Indonesia: Meningkatkan Pengalaman Pelanggan”, berikut gambaran praktis penerapan AI yang meniru kekuatan DeepSeek.

A. Rekomendasi Produk & Layanan Keuangan yang Benar-Benar Relevan

Model AI dengan konteks panjang bisa:

• Mengingat histori browsing dan pembelian
• Menggabungkannya dengan data perilaku pembayaran dan limit

Contoh implementasi:

• Customer sering beli produk bayi, tapi selalu pilih opsi COD → AI dapat mengusulkan fitur dompet digital dengan limit kecil dan promo cashback yang relevan.
• Nasabah sering belanja elektronik di marketplace mitra bank → AI bisa menawarkan kartu kredit co-branding atau cicilan khusus langsung di halaman produk.

B. Dynamic Pricing & Penawaran Real-Time

Model yang efisien seperti DeepSeek-V3.2 cocok untuk menjalankan dynamic pricing dan penawaran adaptif tanpa memakan biaya komputasi berlebihan.

Untuk e-commerce:

• Harga bisa disesuaikan berdasarkan stok, permintaan, riwayat harga, dan perilaku kompetitor.
• Diskon bisa dipersonalisasi per segmen, bukan disebar merata.

Untuk perbankan:

• Suku bunga pinjaman bisa adaptif berdasarkan profil risiko yang dihitung AI secara terus-menerus.
• Limit kartu kredit atau paylater bisa dinaikkan/turunkan otomatis berdasarkan perilaku transaksi, bukan review manual berkala.

C. Chatbot Multibahasa + Multikanal yang Benar-Benar “Ngerti” Nasabah

Indonesia multibahasa: Bahasa Indonesia, Jawa, Sunda, Minang, dan lainnya, plus gaya bahasa gaul dan campuran.

AI reasoning yang kuat bisa:

• Memahami konteks walau bahasanya campur-campur
• Menyambungkan percakapan lintas kanal: chat di aplikasi, DM di media sosial, hingga percakapan sebelumnya

Contoh:

• Nasabah komplain di DM, beberapa hari kemudian chat di aplikasi bank → AI mengenali bahwa ini orang yang sama dan melanjutkan konteks masalah yang belum selesai, bukan mulai dari nol.

D. Analisis Sentimen untuk Deteksi Dini Krisis & Peluang

Model AI yang kuat dalam pemahaman bahasa bisa memantau:

• Review produk di marketplace
• Komentar media sosial terhadap layanan bank atau e-commerce
• Feedback di survey aplikasi

Lalu mengelompokkan menjadi:

• Masalah prioritas tinggi (misalnya error transfer, saldo hilang)
• Masalah UX (aplikasi lemot, tampilan membingungkan)
• Peluang produk (banyak yang minta fitur tabungan bersama, cicilan syariah, dsb.)

Bank dan e-commerce yang responsif terhadap sinyal ini akan jauh lebih disukai pelanggan.

---

Strategi Praktis: Dari “Cuma Ikut Tren AI” ke “Punya Strategi AI Serius”

Berikut langkah realistis untuk bank dan e-commerce Indonesia yang ingin belajar dari pendekatan Tiongkok tanpa harus menghabiskan triliunan rupiah:

1. Mulai dari satu domain dulu, tapi garap dalam:
   Misalnya: AI untuk layanan nasabah, atau AI untuk scoring kredit UMKM. Jangan langsung semua sekaligus.

2. Bangun tim kecil lintas fungsi:
   Kombinasi data scientist, engineer, orang bisnis, dan orang operasional yang paham proses lapangan.

3. Pakai model foundation (seperti DeepSeek/OpenAI/LLM lain), lalu fine-tune untuk kasus lokal:

   • Bahasa Indonesia + bahasa daerah
   • Regulasi OJK dan BI
   • Pola transaksi spesifik Indonesia (warung, QRIS, top-up e-wallet, dll.)

4. Integrasikan AI ke API core system, bukan cuma ke UI chatbot.
   Kalau AI bisa memanggil fungsi cek_saldo, buat_rekening, ajukan_kredit, nilai bisnisnya melonjak berkali lipat.

5. Ukur dampak dengan angka, bukan perasaan:

   • Penurunan beban call center (misalnya -35%)
   • Kenaikan approval rate kredit sehat
   • Kenaikan NPS / CSAT
   • Penurunan fraud loss

Tanpa angka, proyek AI akan terasa seperti gimmick, bukan fondasi bisnis.

---

Menatap ke Depan: Siapa Duluan, Dia Menang

DeepSeek menunjukkan bahwa dominasi AI bukan monopoli Amerika. Tiongkok bergerak cepat, agresif, dan fokus pada penerapan praktis yang menempel di ekosistem digital mereka.

Untuk Indonesia, terutama di persimpangan perbankan digital dan e-commerce, momennya sedang pas:

• Regulasi mulai lebih jelas
• Pengguna sudah terbiasa dengan pembayaran digital
• Data transaksi menumpuk dan siap diolah AI

Pertanyaannya sekarang sederhana:
Apakah bank dan e-commerce Indonesia ingin sekadar menjadi pengguna pasif teknologi AI asing, atau mulai membangun kapasitas AI sendiri yang paham konteks lokal?

Yang bergerak duluan akan jadi rujukan pasar. Yang menunda, akan habis dipotong pemain yang paham bahwa AI bukan lagi fitur tambahan, tapi mesin utama penggerak pengalaman pelanggan dan pertumbuhan bisnis.