Feedzai Farol: Agen AI buat Investigasi Fraud di Bank

Feedzai pada 24 September 2026 merilis Farol, agen AI yang menempel langsung di RiskOps Studio. Bukan chatbot generik di tab browser. Farol hidup di alur kerja yang sudah dipakai analis fraud: tarik data kasus, ringkas alert, cek rule yang bising, sampai bantu draft laporan aktivitas mencurigakan (SAR).

Pitch-nya sederhana. Banyak bank sedang uji coba agentic AI, tapi model pihak ketiga sering jalan di luar data transaksi real-time. Hasilnya: pilot keren, dampak operasional kecil. Farol mau menutup celah itu dengan duduk di dalam lingkungan nasabah Feedzai — konteks lengkap, jejak audit, tanpa ganti sistem inti.

Feedzai sendiri pemain lama di pencegahan financial crime berbasis AI — dari scoring transaksi sampai network intelligence. Farol adalah langkah mereka ke agen yang bekerja di RiskOps, bukan sekadar model deteksi di belakang layar.

Angka yang mereka sebut di materi publik:

1. 20% lebih cepat handle alert (Investigations)
2. Draft SAR sampai 12× lebih cepat
3. Analisis strategi rule klaim 13× lebih cepat
4. Riset internal Feedzai: 68% lembaga keuangan sedang uji agentic AI

Apa yang diluncurkan, dan kenapa sekarang

Press release keluar dari New York dan Lisbon — basis Feedzai. Produk diposisikan sebagai embedded AI agent untuk risk operations perbankan, bukan suite monitoring baru.

Beberapa tekanan industri yang mereka sebut:

1. Reimbursement wajib — bank makin sering harus ganti rugi fraud, loss exposure naik.
2. Biaya review manual — antrian alert tidak turun sendiri meski deteksi makin ketat.
3. Spend teknologi — stack fraud sudah mahal; menambah tool terpisah jarang menyelesaikan bottleneck.
4. Integrasi AI yang gagal — model di luar workflow tidak punya konteks case data, jadi sulit jadi efisiensi nyata.

Pedro Barata, Chief Product Officer Feedzai, menekankan sudut praktis: tim fraud tidak butuh tool baru untuk dicek. Mereka butuh agen yang sudah kenal lingkungan dan masalah yang mau diselesaikan — surfacet informasi lebih cepat, buang kerja berulang, biarkan analis fokus jaga nasabah.

Kutipan pelanggan yang ikut di launch: Justinas Rekus (Fraud Prevention Business Owner di SEB) bilang punya satu antarmuka pintar untuk retrieval data, insight, dan saran rule siap produksi mengubah cara mereka merapikan strategi fraud.

Sam Abadir dari IDC (Research Director, Risk / Financial Crime / Compliance) menyebut investigasi fraud sebagai salah satu use case agentic AI yang paling jelas di near-term: agen dengan akses langsung ke case data dan tool analis memangkas kerja rakit data.

Catatan: Klaim “20% / 12× / 13×” datang dari materi Feedzai dan situs produk Farol. Treat sebagai angka vendor sampai ada case study publik yang bisa diaudit independen. Yang jelas: fokus produknya augment analis, bukan ganti keputusan manusia.

Kenapa bank butuh agen tertanam, bukan chatbot di samping

Cerita yang Feedzai ulang: 68% institusi keuangan sedang uji agentic AI, tapi kebanyakan deployment tidak menghasilkan efisiensi karena model pihak ketiga terisolasi dari data transaksi real-time.

Farol menjawab dengan tiga janji arsitektur:

1. Embedded di RiskOps — tidak perlu pindah tab ke chat AI generik.
2. Data tetap di estate nasabah — insight dan case context diklaim tidak “keluar” ke layanan AI publik.
3. Audit trail transparan — alasan di balik saran agen bisa ditelusuri (penting buat compliance).

Di situs produk, mereka juga bilang Farol bisa bawa konteks lintas query — jadi pertanyaan berikutnya tidak mulai dari nol. Analis tetap yang memutuskan aksi; agen yang menyiapkan bahan.

Banding kasar posisi di stack risk:

Alur yang mereka jual kira-kira begini:

flowchart LR
  A[Alert / case di RiskOps] --> B[Farol Investigations]
  B --> C[Ringkas trigger + konteks]
  C --> D[Analis review + putuskan]
  D --> E{Perlu filing?}
  E -->|Ya| F[SAR Narrative draft]
  E -->|Tidak| G[Tutup / escalate]
  H[Rule set produksi] --> I[Farol Risk Strategy]
  I --> J[Saran threshold / noise]
  J --> D
  K[Pertanyaan UI] --> L[Farol Knowledge]
  L --> D

Tips: Kalau tim risk masih “tempel ChatGPT di samping dashboard”, bottleneck biasanya bukan model — melainkan akses aman ke case data + jejak keputusan. Farol menjual jawaban ke masalah itu di dalam stack Feedzai.

Empat skill Farol yang wajib dipahami

Farol diluncurkan dengan skill khusus, bukan agen “tanya apa saja”:

1. Risk Strategy

Menginterogasi rule set: mana yang bikin noise tanpa nangkep fraud, mana threshold yang perlu diperketat. Klaim situs: optimasi strategi risk 13× lebih cepat dibanding cara lama. Hygiene rule yang biasanya berhari-hari digeser ke hitungan menit.

Baca juga AMD Akuisisi World Labs: Apa Artinya buat AI Spatial

2. Investigations

Tarik dan ringkas data alert dalam hitungan detik. Analis dapat konteks lebih cepat, klaim 20% lebih cepat handle alert. Di halaman produk disebut juga visual context supaya isu lebih gampang dibaca sekilas.

Skill ini yang paling “langsung ke lantai operasi”. Bukan slide strategi. Yang berubah: waktu dari “alert masuk” ke “analis paham kenapa triggered dan apa yang ganjil”. Kalau median handle time tim masih dihitung jam karena nunggu export CSV dari tiga sistem, Investigations adalah use case pertama yang masuk akal di POC.

3. SAR Narrative / SAR Drafting

Dari case data jadi draft SAR berbasis bukti, siap direview investigator. Klaim 12× lebih cepat. Tekanan compliance di sini besar: filing tetap butuh judgment manusia; yang dipangkas kerja rakit narasi.

4. Knowledge

“Product expert” selalu on di workflow. Tanya cara pakai platform dalam bahasa biasa, jawab dengan sitasi sumber — tanpa keluar UI cari dokumen atau buka tiket support.

Plus yang disebut “upcoming”: Bring Your Own Agent — kemampuan menyambungkan agen AI milik bank ke data, intelligence, dan workflow Feedzai. Masih dalam pengembangan; Feedzai mencari pelanggan untuk uji.

Peringatan: Draft SAR yang lebih cepat bukan izin auto-submit. Di hampir semua yurisdiksi (termasuk Indonesia lewat PPATK), manusia tetap bertanggung jawab atas isi laporan. Treat Farol sebagai asisten penyusunan, bukan tombol autopilot regulasi.

Angka klaim vs cara baca yang sehat

Ringkas metrik yang muncul di press + situs Farol:

Cara baca yang masuk akal buat tim risk:

1. +20% alert paling “dekat ke lantai operasi” — mudah diukur di queue sebelum/sesudah.
2. 12× SAR dan 13× rule analysis biasanya dibanding baseline kerja manual yang sangat lambat; hasil nyata tergantung kualitas data case dan kedisiplinan review.
3. 68% testing agentic AI adalah temuan riset Feedzai sendiri — useful untuk konteks pasar, bukan bukti Farol wajib dibeli.
4. Human-in-the-loop tetap eksplisit di FAQ produk: agen surfacet insight + reasoning; analis yang verify dan act.

Yang relevan buat bank dan fintech di Indonesia

Feedzai sudah dikenal di industri financial crime prevention global (customer story publik menyebut nama-nama besar di Eropa dan Amerika Latin). Farol sendiri belum ada harga self-serve di materi 24–25 September 2026 — jalur masuk tetap sales / demo enterprise.

Buat konteks lokal, beberapa poin yang biasanya muncul di diskusi risk & compliance Indo:

1. QRIS, transfer instan, e-wallet — volume alert naik seiring real-time payment. Skill Investigations relevan kalau antrian kasus sudah menggerogoti SLA.
2. LTKM / SAR ke PPATK — padanan “SAR drafting” di banyak bank Indo. Otomatisasi draft boleh membantu, tapi proses internal approval dan keakuratan fakta tetap non-negotiable.
3. Data residency & vendor AI — Farol diklaim jalan di environment institusi. Tim legal/IT security tetap perlu tanya: di mana model di-host, apa yang keluar ke Feedzai cloud, dan bagaimana retensi log reasoning agen.
4. OJK & tata kelola AI — ekspektasi audit trail + human accountability cocok dengan positioning “trace every decision”. Siapkan bukti bahwa rekomendasi agen bisa dijelaskan.
5. Stack yang sudah ada — banyak bank Indo pakai mix rules engine, ML scoring, dan case tool berbeda-beda. Farol paling masuk akal buat yang sudah di ekosistem RiskOps Feedzai; buat yang belum, ini signal arah produk vendor fraud AI, bukan plugin kilat.

Praktik 2 minggu buat tim yang penasaran (tanpa langsung beli):

1. Ukur median waktu handle 100 alert prioritas tinggi minggu ini
2. Hitung berapa lama analyst senior rakit satu LTKM/SAR dari case kompleks
3. Catat berapa sering rule review “besar” tertunda karena kurang bandwidth
4. Tanya vendor fraud yang dipakai sekarang: apakah agent tertanam di case UI atau cuma API chat terpisah
5. Libatkan compliance dari hari pertama POC, bukan di akhir kontrak

Satu pola yang sering muncul di fintech Indo: deteksi sudah relatif bagus, tapi investigasi jadi bottleneck karena data tersebar di payment switch, core banking, device signal, dan tiket CS. Agen yang cuma ringkas teks tiket tidak cukup. Yang dibutuhkan agen yang bisa tarik konteks lintas sumber di dalam case tool — persis janji positioning Farol di RiskOps.

Kalau institusi belum pelanggan Feedzai, launch ini tetap berguna sebagai benchmark RFP. Minta vendor incumbent tunjukkan: (a) agen di UI case, (b) reasoning yang bisa diaudit, (c) bantuan draft filing tanpa auto-submit, (d) opsi data residency. Kalau jawabannya “pakai API LLM terpisah”, gap-nya sama dengan yang Feedzai kritik di press release.

Catatan: Nama Farol di bahasa Portugis/Spanyol dekat dengan “mercusuar” — cocok dengan branding “arahkan” tim fraud. Jangan tertukar dengan proyek open-source atau merek lain yang kebetulan pakai nama mirip.

Poin penting

• 24 September 2026: Feedzai luncurkan Farol, agen AI tertanam di RiskOps Studio.
• Empat skill inti: Risk Strategy, Investigations, SAR Narrative, Knowledge.
• Klaim vendor: alert ~20% lebih cepat, analisis rule 13×, draft SAR 12×.
• Riset Feedzai: 68% lembaga keuangan uji agentic AI; banyak gagal karena model terisolasi dari data live.
• Operasi di environment nasabah; tekan audit trail dan human-in-the-loop.
• Bring Your Own Agent disebut upcoming untuk sambungkan agen milik bank.
• Harga publik self-serve belum ada; jalur demo/sales enterprise.
• Di Indo: relevan buat volume payment real-time + beban LTKM, dengan syarat data residency & accountability jelas.

Checklist

• Cek apakah stack fraud saat ini sudah punya case UI yang bisa diisi agen tertanam
• Ukur baseline: median waktu handle alert + waktu rakit satu LTKM/SAR
• Inventaris rule yang paling sering bikin false positive minggu ini
• Tulis pertanyaan data residency + lokasi model + retensi log reasoning
• Libatkan compliance & internal audit sebelum POC agentic AI di jalur filing
• Bedakan “chat AI di samping dashboard” vs “agen dengan akses case data”
• Kalau sudah pelanggan Feedzai: minta demo Farol khusus Investigations + SAR Narrative
• Kalau belum: pakai launch ini sebagai bahan RFP — minta vendor tunjukkan agent embedded + audit trail

Referensi

1. Feedzai (2026). As Banks Pivot to Agentic AI, Feedzai Unveils Farol to Transform Fraud Analysis and Cut Investigation Times — press release, 24 September 2026
2. Feedzai (2026). Farol: The AI Agent for Fraud & Risk — product page farol-agentic-riskops
3. Feedzai (2026). RiskOps Platform overview — unified fraud and financial crime operations
4. PR Newswire (2026). Feedzai Farol launch wire — New York and Lisbon, 24 September 2026
5. Finextra (2026). Feedzai tackles banks’ agentic AI integration gap with Farol agent
6. FF News (2026). Feedzai Launches Farol: How Agentic AI for Fraud is Automating Bank Risk Operations
7. Feedzai (2026). Quotes from Pedro Barata, Chief Product Officer, on embedded agentic intelligence
8. SEB / Feedzai press materials (2026). Comment from Justinas Rekus, Fraud Prevention Business Owner at SEB
9. IDC / Feedzai press materials (2026). Comment from Sam Abadir, Research Director, Risk, Financial Crime, and Compliance
10. Feedzai (2026). Product FAQ — analyst control, embedded workflows, Bring Your Own Agent roadmap
11. Feedzai (2026). Claimed skill metrics — Investigations 20%, SAR Narrative 12x, Risk Strategy 13x
12. Feedzai research cited in launch (2026). 68% of financial institutions actively testing agentic AI
13. Feedzai (2026). Positioning on in-estate operation and transparent audit trails for agent decisions
14. Feedzai company materials (2026). Background as AI-native financial crime prevention vendor
15. Industry context coverage (2026). Rising reimbursement exposure, manual review cost, and agentic AI pilot fragmentation in banking risk ops