Apakah AI generatif merupakan jawaban untuk modernisasi inti?

AI generatif dapat digunakan untuk mengurangi waktu dan biaya memodernisasi sistem inti lama, menurut konsultan di perusahaan besar seperti Accenture dan McKinsey.

Penerapan AI generatif pada peningkatan inti “adalah salah satu ide paling transformatif yang pernah saya lihat di awal siklus hidup AI generatif,” kata Michael Abbott, pemimpin perbankan global di Accenture, dalam sebuah pernyataan. Podcast Bankir Amerika awal tahun ini. “Kemampuan untuk merekayasa ulang kode Cobol lama yang telah berusia 30, 40 tahun agar mendekati persyaratan aslinya.”

Teknologi ini masih dalam tahap awal dan belum sempurna, ungkapnya. “Namun, kami melihat tingkat akurasi 80% hingga 85% dalam merekayasa balik kode lama menjadi persyaratan, lalu menggunakan teknisi untuk memodifikasi dan menyusunnya sedikit lebih baik, lalu Anda dapat merekayasa ulang kembali menjadi arsitektur modern,” kata Abbott.

Jika sebuah perusahaan memiliki sistem lama dan ingin memodernisasikannya ke teknologi baru, “di situlah kami melihat AI generatif menjadi pendorong besar untuk menurunkan biaya dan mengurangi waktu,” kata Aston Hamilton, manajer keterlibatan di McKinsey & Company, dalam sebuah wawancara.

Beberapa ahli menyatakan bahwa penggunaan AI generatif dalam proyek modernisasi inti akan membutuhkan banyak pengawasan manusia.

“Hal ini mengingatkan saya pada abad lalu, ketika orang-orang berkata Anda ingin memigrasikan aplikasi yang ditulis dalam bahasa kuno seperti Cobol, dan Anda tidak ingin menulis ulang karena ini merupakan pekerjaan besar dan sistem berjalan dengan baik, Anda hanya ingin memodernisasikannya sehingga lebih mudah didukung dan dapat memiliki kemampuan masa depan,” kata Steve Rubinow, profesor di Illinois Institute of Technology dan mantan kepala bagian informasi di NYSE Euronext. Penerjemah bahasa berjanji untuk menerjemahkan kode dari Cobol ke bahasa lain seperti Java.

“Orang-orang berpikir: ‘Yang harus kami lakukan adalah mengambil kode saat ini dan memasukkannya ke penerjemah, lalu penerjemah akan mengeluarkan padanannya dalam Java, dan kemudian akan mudah untuk mendukungnya,'” kata Rubinow. “Lalu Anda mengajukan pertanyaan tentang uang: Seberapa akurat terjemahannya? Dan jawabannya adalah, sekitar 90%.”

Namun, pekerjaan yang diperlukan untuk mencari tahu 10% mana yang tidak akurat “hampir sama banyaknya dengan menulisnya dari awal,” kata Rubinow.

Masalah dengan sistem inti lama

Sebagian besar bank AS masih menjalankan sistem inti yang lama, dan sekitar tiga perempat bank menggunakan salah satu dari tiga vendor inti teratas: FIS, Fiserv, dan Jack Henry.

“Jika inti perusahaan Anda menurun, akan sangat sulit untuk terus beroperasi,” kata Kristiane Koontz, wakil presiden eksekutif dan direktur transformasi perbankan di Zions Bancorporation di Salt Lake City. “Dan banyak dari perusahaan ini menghadapi tantangan nyata terkait ketahanan. Saya pikir ini adalah salah satu risiko terbesar bagi industri perbankan.”

Koontz adalah ketua komite platform inti American Bankers Association, yang bertemu dengan tiga penyedia inti teratas serta beberapa penyedia inti penantang, untuk mendengar tentang peta jalan modernisasi mereka. FIS, Fiserv, dan Jack Henry menolak permintaan wawancara atau komentar.

Masalah lain dengan perangkat lunak inti lama di perbankan adalah bahwa sistem pembayaran federal terjalin erat dengan sistem lama, dan kontrol telah dibangun selama bertahun-tahun untuk mendukungnya, kata Kate Megraw, CIO Webster Five Cents Savings Bank di Auburn, Massachusetts.

“Karena kami telah menerapkan Undang-Undang Gramm Leach Bliley, Undang-Undang Sarbanes Oxley, dan berbagai kontrol kepatuhan, hal tersebut juga telah dimasukkan ke dalam kode lama ini,” kata Megraw. “Meskipun kami melihat banyak peningkatan pada pembayaran modern dan pembayaran di hari yang sama, kami masih hidup di dunia di mana sistem pembayaran kami sama tuanya. Dan sistem tersebut dibangun di atas kode yang sama dan terintegrasi dengan sangat baik dengan inti lama ini.”

Sistem inti yang sudah tua membuat bank sulit mengadopsi teknologi baru. Perangkat lunak saat ini biasanya ditulis dalam bahasa pemrograman yang lebih baru seperti Java.

“Saya dapat menghadiri konferensi dan melihat teknologi yang sesuai dengan peta jalan strategis kami, saya ingin membelinya,” kata Megraw. “Jalan menuju integrasi yang erat, bukan sekadar integrasi screen-scrape — menggunakan API untuk memindahkan data melalui panggilan API yang aman — jauh lebih mudah diucapkan daripada dilakukan.”

Dan sebagian besar bank komunitas tidak memiliki tim teknisi yang dapat menulis kode atau mengembangkan API. Oleh karena itu, mereka mengandalkan vendor inti mereka untuk setiap pemutakhiran perangkat lunak.

Dalam beberapa kasus, orang-orang yang mengembangkan sistem inti sudah tidak ada lagi, dan bahkan menemukan pengembang yang fasih dalam Cobol bisa menjadi suatu tantangan.

“Biasanya Anda menghadapi sejumlah kendala karena orang-orang yang awalnya membangun sistem tersebut tidak lagi tersedia untuk membantu Anda memahami sistem tersebut,” kata Hamilton.

Dimana AI generatif dapat berperan

AI generatif dapat membantu perusahaan mengatasi perangkat lunak lama dengan membuatnya mudah dipahami, menurut Hamilton.

“Biasanya ketika Anda memiliki semacam warisan, baik itu perangkat lunak, model data, atau apa pun yang dapat Anda pikirkan, langkah pertama biasanya adalah memahami warisan tersebut,” katanya. “Kompleksitas dan luasnya sistem membutuhkan sejumlah besar keahlian khusus agar orang dapat membaca semuanya secara manual, memahami apa yang dilakukannya, dan mendokumentasikannya.”

AI generatif dapat digunakan untuk merekayasa balik kode lama untuk menciptakan apa yang disebut McKinsey sebagai spesifikasi teknis bahasa alami.

“Ini adalah deskripsi yang dapat dibaca, dipahami, disederhanakan, dan dirasionalisasi dari apa pun yang dilakukan oleh teknologi lama,” kata Hamilton. “Kemudian Anda dapat memodifikasi atau mengoptimalkannya untuk mencapai tujuan tertentu.”

Menurut Koontz, AI generatif dapat bertindak sebagai akselerator dalam pekerjaan semacam ini, dan dapat membantu staf TI bank memahami teknologi lama. “Sebagian besar bank tidak memiliki dokumentasi yang baik tentang hal itu,” katanya.

Megraw setuju bahwa AI generatif dapat membantu bagian analisis bisnis dari peningkatan inti – mendokumentasikan keadaan terkini, baik dari perspektif teknologi maupun proses bisnis. Ia memperkirakan bahwa ini merupakan sekitar 20% dari pekerjaan proyek modernisasi inti.

McKinsey memiliki proses untuk mengubah spesifikasi teknis bahasa alaminya menjadi platform modern, kata Hamilton.

“Sepanjang proses ini, kami memanfaatkan kecerdasan yang didemokratisasi ini untuk membantu kami mempercepat konversi spesifikasi bahasa alami yang telah disempurnakan, dioptimalkan, dan sebagainya, ke gaya teknologi target,” katanya.

AI generatif dapat berguna untuk pemfaktoran ulang kode, kata Koontz. Namun, “bagi bank, bukan di situlah letak pekerjaannya,” katanya, karena sebagian besar bank membeli perangkat lunak inti mereka dari vendor seperti FIS, Fiserv, atau Jack Henry.

Dia memperkirakan, sekitar 40% dari transformasi inti adalah membersihkan data lama, memastikan konsistensinya, dan menentukan data apa yang akan dibawa ke inti baru.

“Terkadang Anda tidak perlu membawa semuanya,” kata Koontz. “Jadi ada banyak pembersihan internal dan kemudian banyak pengumpulan data untuk konsistensi data dan kemudian memigrasikan akun-akun tersebut, pelanggan, semua data terkait dari inti lama ke inti baru.”

AI generatif mungkin dapat membantu sebagian pekerjaan itu, tetapi tidak semuanya, katanya.

Rubinow menjelaskan, sebagian besar perusahaan belum mengatur dan memformat data mereka dalam kondisi siap untuk AI generatif.

“Dalam organisasi besar mana pun, apakah semua data — teks, numerik, dan diagram sistemik — merupakan semua yang Anda butuhkan?” kata Rubinow. “Apakah semuanya sudah ada di sana, terbungkus rapi, menunggu untuk dimasukkan ke dalam model bahasa yang besar sehingga dapat memahami semua yang sedang terjadi dan dengan informasi yang hampir sempurna?”

Dia setuju dengan gagasan memasukkan dokumentasi sistem ke dalam model AI generatif dan melihat apa yang akan dilakukan sistem terhadapnya.

“Itu bisa memberi Anda perspektif,” kata Rubinow. Itu juga memerlukan seorang pakar yang dapat memandu sistem — seseorang yang memahami semua keanehan, kekurangan, dan kendala sistem yang ada.

Megraw menambahkan bahwa tanpa memahami cara kerja internal sebuah bank, sulit untuk memahami datanya. Misalnya, sulit untuk menggabungkan tabel data tanpa mengetahui data apa yang ada dalam tabel transaksi teller dibandingkan tabel pembukaan rekening dibandingkan struktur buku besar, katanya.

“Ada beberapa pemahaman mendasar tentang sistem keuangan dan bagaimana titik-titik data tersebut bergabung untuk benar-benar memahami pembersihan, memastikan bahwa segala sesuatunya diberi label dengan benar, dan kemudian semuanya dapat diingat dengan cara yang akurat dan dapat dilaporkan,” kata Megraw.

Hamilton menegaskan bahwa AI generatif dapat membantu membersihkan data, memastikannya diformat dengan benar, dan memindahkannya dari satu sistem ke sistem lainnya.

“Kami telah mencari kasus penggunaan di mana AI generatif tidak dapat dipercepat dan kami masih belum menemukannya,” katanya.

AI Generatif dapat membantu penyedia perangkat lunak inti dalam upaya modernisasi di mana mereka mencoba memodernisasi sistem inti monolitik yang mereka jual dengan membangun kembali arsitekturnya agar dapat dikomponenkan dalam apa yang mereka sebut arsitektur layanan mikro, kata Koontz.

Megraw setuju bahwa penyedia sistem inti dapat menulis ulang layanan mikro satu per satu menggunakan AI generatif.

“Bagi saya, kasus penggunaannya adalah, Jack Henry menulis ulang seluruh alur pembukaan akun mereka menggunakan AI generatif, lalu menemukan cara untuk mengintegrasikannya kembali ke inti lama,” kata Megraw. “Menurut saya, itu kasus penggunaan yang hebat.”

Sisa pekerjaan proyek modernisasi inti adalah pengujian internal sistem baru, misalnya untuk kepatuhan peraturan, dan integrasi dengan sistem yang ada, kata Koontz.

“Sebagai bank, regulator sangat yakin bahwa Anda memiliki kepatuhan,” katanya. “Jadi, Anda harus menguji data Anda pada inti baru untuk memastikan kepatuhan sepenuhnya.”

Sementara AI generatif dapat mempercepat sebagian pekerjaan integrasi itu, manusia masih harus menghabiskan banyak waktu untuk memasukkan model dan mencari tahu logika yang diperlukan, katanya.

Bagian terakhir dari proyek modernisasi inti — pengujian sistem baru — sudah otomatis, kata Koontz.

“Kami melakukan beberapa uji coba pada manusia sebagai tambahan untuk memeriksa ulang teknologinya, tetapi itu adalah teknologi yang sudah ada,” katanya. Ini bukan AI, ini adalah otomatisasi dasar, katanya.

Jika bank memanfaatkan AI generatif dalam modernisasi inti sebagai proses berulang dan tidak menetapkan ekspektasi terlalu tinggi, mereka akan mendapatkan sejumlah nilai darinya, kata Rubinow.

“Pertanyaannya adalah, apakah itu akan menjadi alkimia dan mengubah timah menjadi emas? Saya rasa tidak,” katanya. “Setidaknya belum. Namun, jika harapan Anda kurang dari itu, saya rasa itu bisa sangat berguna. Anda hanya perlu memutuskan berapa banyak yang ingin Anda investasikan dan di mana Anda pikir Anda akan mendapatkan keuntungan dan di mana Anda mengatakan itu menarik, tetapi kita harus mengambil pendekatan yang berbeda karena saya rasa kita tidak mendapatkan apa yang kita harapkan.”