Walau Sistem Terintegrasi, 86% Bank Masih Gagal Memetakan Hubungan Fraud dan Pencucian Uang

Rangkuman riset global Datos Insights dan SAS, “Fraud and AML Convergence: Closing the Speed Gap” (28 Oktober 2026)

Selama bertahun-tahun, tim fraud dan tim anti-pencucian uang (AML) di bank bekerja di jalurnya masing-masing. Keduanya punya regulasi, tenggat hukum, dan struktur pelaporan yang berbeda. Kini, dengan pembayaran real-time yang semakin lazim, pemisahan itu mulai terasa mahal. Riset terbaru Datos Insights yang dikomisikan SAS menunjukkan bahwa industri sudah bergerak ke arah konvergensi, tetapi belum cukup jauh.

Survei ini melibatkan 165 eksekutif fraud dan AML dari 21 negara di tujuh kawasan. Temuan utamanya: 86% responden mengaku masih ada keterkaitan antara aktivitas fraud dan pencucian uang yang terlewat, padahal 71% sudah mulai menyatukan teknologi deteksi dan pemantauan mereka.

Integrasi fraud dan AML (FRAML) dalam satu paragraf

FRAML adalah pendekatan yang menggabungkan pencegahan fraud dan kepatuhan AML. Idenya sederhana: fraud dan pencucian uang sering kali merupakan dua sisi dari rangkaian aktivitas kriminal yang sama. Kalau kedua tim hanya melihat potongan yang berbeda, hubungan di antara potongan itu mudah terlewat. Lonjakan penipuan berbasis AI, deepfake, jaringan rekening perantara (mule), dan pembayaran real-time membuat batas antara fraud dan pencucian uang semakin kabur.

Infrastruktur sudah bersama, namun analis belum

Pola yang paling menonjol dari riset ini adalah bank lebih mudah mengubah teknologi daripada mengubah orang dan proses. Hasilnya, sistem terhubung, tetapi pemahaman tentang risiko tetap terpisah.

71% institusi aktif menyatukan teknologi deteksi dan pemantauan fraud dan AML, tetapi hanya 13% yang melakukan hal serupa pada tata kelola, kebijakan, dan struktur organisasi.
72% menjalankan analitik fraud dan AML di infrastruktur yang sama, namun tetap memisahkan model dan proses. Hanya 1% yang berbagi data, model, infrastruktur, sekaligus tata kelola.
87% menilai kemampuan mereka membangun pandangan terpadu atas risiko nasabah hanya sebagian, dengan celah yang signifikan.

Hambatan terbesarnya bukan teknologi. Sebanyak 88% institusi menyebut silo organisasi, termasuk jalur pelaporan yang terpisah, sebagai hambatan utama atau besar. Angka ini melampaui keterbatasan teknologi (73%) serta isu tata kelola dan kualitas data (70%). Di sisi operasional, 64% menyebut teknologi lama sebagai tantangan internal terbesar, dan 63% mengeluhkan tingginya false positive.

Speed gap: transaksi real-time, deteksi keesokan harinya

Sistem fraud menilai transaksi dalam hitungan milidetik. Pemantauan AML, sebaliknya, biasanya berjalan setelah transaksi terjadi, sering kali lewat proses batch semalam. Ketika pembayaran real-time menjadi standar, selisih kecepatan ini menjadi celah yang bisa dimanfaatkan.

Berbagi data sebenarnya sudah terjadi, tetapi masih bergantung pada manusia. Sekitar 73% institusi mengatakan tim fraud dan AML sering atau selalu berbagi data saat investigasi berlangsung. Untuk pemantauan otomatis, angkanya hanya 17%. Artinya, keterkaitan sering baru ditemukan setelah investigasi dimulai, bukan terdeteksi otomatis sebelum dana berpindah.

Biaya dari kerja terpisah pun terukur: 81% institusi mengalami alert atau kasus ganda, dan 71% menanggung biaya operasional lebih tinggi akibat duplikasi tim atau teknologi.

Pandangan Ahli

Serpil Hall dari Datos Insights menekankan bahwa teknologi saja tidak cukup. Institusi yang berkembang adalah yang juga menghubungkan data, manajemen kasus, investigasi, dan pertukaran informasi, sehingga risiko terlihat dalam konteks yang lebih luas dan bisa ditindak lebih cepat.

Stu Bradley dari SAS memandang konvergensi sebagai persoalan risiko, bukan sekadar latihan kepatuhan. Menurutnya, regulator akan makin menuntut institusi mencegah perilaku ilegal sebelum pencucian uang dimulai, dan itu hanya mungkin jika fraud dan AML memakai strategi yang sama serta berbagi data sejak awal.

Tantangan Operasional dan Tantangan Data

Riset SAS dan Datos Insights mengidentifikasi sejumlah hambatan utama yang menyebabkan maraknya celah defensif pada sektor keuangan:

Model Data yang TerfragmentasiMeskipun infrastruktur dasar disatukan, perbedaan format data dan parameter variabel membuat analitis yang terintegrasi sulit berjalan optimal.
Keterbatasan Keterampilan dan Sumber DayaInvestigasi fraud dan pencucian uang membutuhkan pendekatan teknis dan sudut pandang hukum yang berbeda. Tanpa pelatihan lintas disiplin, tim operasional sulit menghubungkan pola antar-divisi.
Peningkatan Beban Kasus Positif Palsu (False Positives)Volume transaksi digital dan real-time payment yang melonjak meningkatkan beban investigasi manual. Hal ini menyita waktu analis untuk memverifikasi alarm palsu dibanding mendeteksi potensi ancaman kejahatan nyata.

Solusi FRAML Berbasis AI dan Analitis Terpadu

Untuk menutup celah-celah tersebut, laporan riset merekomendasikan transisi dari sekadar “infrastruktur bersama” menuju integrasi total FRAML berbasis AI:

Komponen Integrasi	Pendekatan Konvensional	Pendekatan Terpadu (FRAML Modern)
Profil Risiko Nasabah	Dilihat terpisah per transaksi/kejadian	Pandangan tunggal risiko nasabah secara 360 derajat
Model Data	Model fraud dan AML berjalan independen	Model analitis bersama berbasis kecerdasan buatan (AI)
Penyelidikan Kasus	Alur penanganan kasus terpisah antar-tim	Investigasi terintegrasi dengan otomatisasi generative AI

Penggunaan teknologi AI dan analitis terkini membantu menyaring false positives dan mempercepat pelaporan kejahatan keuangan (Suspicious Activity Report/SAR). Langkah ini memberikan efisiensi operasional sekaligus meningkatkan ketahanan defensif bank dari ancaman kejahatan finansial yang kian kompleks.