Kenapa Menkeu dan Bank Dunia Cemas AI Claude Mythos

Oleh VOXBLICK

Sabtu, 09 Mei 2026 - 07.15 WIB

Kenapa Menkeu dan Bank Dunia Cemas AI Claude Mythos

AI memicu kecemasan global (Foto oleh ThisIsEngineering)

VOXBLICK.COM - Belakangan ini, nama AI Claude Mythos dari Anthropic mendadak ramai diperbincangkanbukan sekadar di komunitas teknologi, tetapi juga di ruang-ruang yang biasanya jauh dari tren chatbot. Kementerian Keuangan (Menkeu), kalangan regulator, hingga lembaga seperti Bank Dunia dikabarkan cemas. Kekhawatiran itu bukan karena “AI itu jahat”, melainkan karena kemampuan AI generatif yang semakin maju bisa mengubah cara uang, kebijakan, dan layanan publik bekerjadengan kecepatan yang lebih cepat daripada kemampuan sistem pengawasan.

Claude Mythos dipandang sebagai model AI terbaru yang lebih kuat dalam memahami konteks, menyusun argumen, dan menghasilkan keluaran yang tampak meyakinkan.

Ketika teknologi seperti ini masuk ke ekosistem kebijakan fiskal, manajemen risiko bank, analisis kredit, atau layanan publik berbasis dokumen, potensi dampaknya menjadi besartermasuk dampak yang sulit diprediksi. Untuk memahami “kenapa Menkeu dan Bank Dunia cemas”, kita perlu bedah beberapa risiko utama: dari keamanan informasi, bias kebijakan, sampai masalah tata kelola dan audit.

1) Output AI yang “terlihat benar” bisa menyesatkan kebijakan

Dalam konteks keuangan dan kebijakan publik, kesalahan kecil bisa berubah menjadi masalah besar. Model AI seperti Claude Mythos bisa menghasilkan ringkasan, rekomendasi, atau interpretasi data yang tampak koheren.

Masalahnya: koherensi bukan berarti kebenaran. AI bisa “mengarang dengan percaya diri” (hallucination) atau menyederhanakan isu kompleks menjadi narasi yang terlalu rapi.

Bayangkan skenario berikut: ketika tim kebijakan menggunakan AI untuk membantu menyusun draft evaluasi program subsidi, AI mungkin menyusun argumen yang sejalan dengan data yang diberikan, tetapi gagal menangkap konteks pentingmisalnya perubahan

asumsi makroekonomi, keterlambatan transfer data, atau perbedaan definisi indikator. Jika dokumen kebijakan dipakai sebagai dasar keputusan, risiko yang muncul adalah:

Keputusan fiskal kurang akurat karena analisis tidak sepenuhnya diverifikasi.
Reputasi institusi menurun saat publik menemukan inkonsistensi atau kesalahan.
Kerugian finansial jika rekomendasi memengaruhi alokasi anggaran atau strategi pembiayaan.

2) Risiko keamanan data: dokumen sensitif bisa bocor atau tersalin

Menkeu dan bankir biasanya bekerja dengan data yang sensitif: informasi pajak, data kepatuhan, profil risiko debitur, hingga dokumen internal audit.

Ketika AI generatif dipakai untuk membaca, merangkum, atau mencari pola dalam dokumen, muncul beberapa pertanyaan keamanan yang serius:

Apakah data yang kamu masukkan benar-benar aman? Misalnya, apakah ada risiko data tersimpan di sisi penyedia layanan atau terpapar ke pengguna lain.
Apakah AI bisa mengungkap informasi yang seharusnya tidak dibuka? Ini termasuk risiko prompt injection dan data exfiltration.
Bagaimana kontrol aksesnya? Siapa yang boleh meminta analisis, dan seberapa ketat pencatatan auditnya?

Kekhawatiran global muncul karena AI generatif sering kali tidak “terlihat” prosesnya. Berbeda dengan sistem deterministik yang outputnya mudah dilacak, model seperti Claude Mythos dapat menghasilkan respons dari kombinasi pola yang kompleks.

Jika tidak ada mekanisme keamanan dan audit yang kuat, kebocoran data bisa terjadi tanpa disadari.

3) Bias dan ketimpangan dapat “mengunci” kebijakan yang tidak adil

AI belajar dari data historis. Jika data historis mencerminkan ketimpanganmisalnya akses kredit yang timpang, pola penilaian risiko yang bias, atau perbedaan perlakuan layanan publikmaka AI bisa mereplikasi bahkan memperkuat bias tersebut.

Dalam sektor keuangan, bias bukan sekadar isu etika ia berdampak langsung pada stabilitas dan inklusivitas.

Misalnya, ketika bank menggunakan AI untuk membantu scoring atau rekomendasi limit kredit, model bisa cenderung menilai kelompok tertentu lebih rendah berdasarkan indikator yang “berkorelasi” dengan faktor sensitif.

Jika tidak ada pengujian fairness yang ketat, output AI bisa membuat keputusan terasa “objektif”, padahal sebenarnya bias.

Untuk Menkeu dan Bank Dunia, kekhawatiran utamanya adalah: kebijakan berbasis AI bisa mempercepat siklus ketidakadilan.

Ketika keputusan dibuat lebih cepat, kesalahan yang bias juga menyebar lebih cepatdan sulit dibetulkan jika tidak ada audit berkala.

4) Dampak pada tenaga kerja: otomatisasi analisis bisa mengubah lanskap pekerjaan

Claude Mythos yang lebih cakap berpotensi mempercepat otomatisasi tugas-tugas berbasis pengetahuan: menyusun ringkasan dokumen, menyiapkan draft laporan, membuat analisis awal, hingga menyusun template komunikasi.

Bagi sebagian orang, ini terdengar seperti efisiensi. Namun bagi regulator dan lembaga internasional, ada risiko sosial-ekonomi:

Perubahan komposisi pekerjaan di sektor keuangan dan layanan pemerintah.
Gap kompetensi karena tidak semua pegawai bisa beradaptasi dengan alat baru.
Ketergantungan pada AI yang mengurangi kemampuan analitis internal.

Bank Dunia dan pembuat kebijakan biasanya memikirkan dampak jangka menengah: apakah otomatisasi akan menciptakan pekerjaan baru yang setara, atau justru memperlebar ketimpangan keterampilan.

Kecemasan bukan pada teknologi semata, melainkan pada kecepatan adopsi dibanding kesiapan pelatihan dan penataan ulang proses kerja.

5) Tata kelola dan audit: “siapa bertanggung jawab” saat AI keliru?

Ini poin yang sering luput di diskusi publik.

Saat AI digunakan untuk membantu keputusan, pertanyaan yang harus dijawab adalah: kalau AI salah, siapa yang bertanggung jawab? Di sektor keuangan, tanggung jawab tidak bisa hanya “ditaruh” pada model atau vendor.

Menkeu dan bankir cemas karena tanpa tata kelola yang jelas, beberapa masalah muncul:

Lacak jejak keputusan (decision traceability) sulit dilakukan.
Audit kepatuhan tidak punya bukti yang cukup tentang proses dan dasar analisis.
Standar penggunaan tidak seragam antar unit kerja.

Claude Mythos mungkin unggul secara teknis, tetapi institusi tetap butuh kerangka kerja: dokumentasi model, kebijakan penggunaan data, prosedur validasi, serta mekanisme peninjauan manusia (human-in-the-loop) yang benar-benar bermaknabukan sekadar

formalitas.

Apa yang perlu disiapkan pemerintah dan industri agar AI tetap bermanfaat?

Kalau kamu ingin melihat sisi solusinya, kuncinya adalah mengubah adopsi AI dari “sekadar mencoba chatbot” menjadi program transformasi yang terukur. Berikut langkah-langkah praktis yang bisa dipertimbangkan pemerintah, bank, dan industri:

Buat kebijakan penggunaan AI yang spesifik (jenis tugas yang boleh/tidak boleh, tingkat kerahasiaan data, serta aturan verifikasi).
Wajibkan validasi berbasis data: output AI harus diuji terhadap sumber resmi dan indikator yang terverifikasi, terutama untuk dokumen kebijakan dan analisis fiskal.
Bangun sistem audit dan logging agar setiap permintaan, sumber data, dan versi model bisa ditelusuri.
Implementasikan red-teaming dan uji keamanan (prompt injection, data leakage, dan skenario penyalahgunaan).
Uji fairness dan bias pada model yang dipakai untuk keputusan kredit atau program sosialdengan metrik yang bisa dipertanggungjawabkan.
Latih SDM dengan kurikulum “AI untuk pengambil keputusan”: cara memeriksa output, cara menyusun prompt yang aman, dan cara menghindari overreliance.
Gunakan pendekatan hybrid: AI untuk draft/insight awal, manusia untuk keputusan final dan penanggung jawab.

Dengan langkah-langkah itu, kekhawatiran Menkeu dan Bank Dunia dapat dialihkan menjadi energi untuk membangun sistem yang lebih kuat.

AI seperti Claude Mythos tetap bisa memberi manfaatmisalnya mempercepat analisis dokumen, meningkatkan kualitas ringkasan kebijakan, dan memperluas akses layanantanpa mengorbankan keamanan, keadilan, dan akuntabilitas.

Rekomendasi praktis untuk organisasi yang mulai memakai Claude Mythos

Kalau kamu berada di organisasi (pemerintah atau industri) yang sedang mempertimbangkan penggunaan AI generatif, kamu bisa mulai dari langkah sederhana namun berdampak:

Mulai dari kasus penggunaan berisiko rendah (misalnya klasifikasi dokumen atau peringkasan internal yang tidak langsung memengaruhi keputusan finansial).
Tetapkan “aturan verifikasi”: output AI harus dibandingkan dengan data primer sebelum dipakai.
Batasi akses data dan gunakan tokenisasi/redaksi untuk informasi sensitif.
Uji skenario kegagalan: apa yang terjadi jika AI memberikan jawaban yang salah, dan bagaimana prosedur koreksinya?
Evaluasi dampak operasional: apakah AI benar-benar mengurangi waktu kerja tanpa menurunkan kualitas dan kepatuhan?

Dengan cara ini, kamu tidak hanya “mengadopsi AI”, tetapi juga membangun kontrol yang membuat teknologi tetap berada di jalur yang aman.

Kecemasan Menkeu dan Bank Dunia terhadap AI Claude Mythos pada dasarnya adalah sinyal bahwa dunia keuangan dan kebijakan tidak bisa lagi menunggu sampai masalah muncul.

AI generatif mampu mempercepat proses, namun juga mempercepat penyebaran kesalahan jika tata kelola lemah. Jika pemerintah dan industri menyiapkan standar keamanan, audit, pengujian bias, serta pelatihan SDM, AI justru bisa menjadi alat yang memperkuat kualitas layanan publik dan stabilitas sistem keuangan. Yang dibutuhkan bukan penolakan teknologi, melainkan kedewasaan dalam penerapannya.