Pidato oleh Gubernur Waller tentang mengoperasionalkan AI di Federal Reserve

Terima kasih, Presiden Collins, dan terima kasih atas kesempatan berbicara kepada Anda hari ini.1 Kecerdasan buatan adalah fenomena teknologi yang sedang menggemparkan dunia. Kita membacanya setiap hari dan banyak dari kita telah menggunakannya dalam berbagai cara. Sepanjang hidup saya, saya belum pernah melihat revolusi teknologi seperti ini—dan saya telah menyaksikan lahirnya eksplorasi luar angkasa, kenaikan komputer pribadi, ledakan internet, dan kemudian smartphone. Meskipun semua bersifat transformasional, tidak ada yang sebanding dengan potensi AI dalam mengubah hidup kita dengan kecepatan yang menakjubkan. Perusahaan, rumah tangga, dan setiap pemerintah semuanya berusaha mengintegrasikannya ke dalam cara mereka berfungsi dan beroperasi. Dan saya di sini untuk memberi tahu Anda bahwa Federal Reserve tidak berbeda.

Jadi, mengingat tema konferensi ini dan komposisi audiensnya, saya merasa ini adalah waktu yang tepat untuk membahas bagaimana Sistem Federal Reserve menggunakan kecerdasan buatan untuk membangun dan mengoptimalkan sistem yang mendukung pekerjaan kita, serta mengintegrasikannya ke dalam aplikasi internal lainnya.

Sekarang, kebanyakan orang mengaitkan Federal Reserve dengan kebijakan moneter—suku bunga, inflasi, dan keputusan yang menjadi berita utama saat pejabat Fed bertemu delapan kali setahun. Tetapi sebagian besar aktivitas harian kami adalah melakukan pekerjaan operasional seperti pembayaran, pengelolaan keuangan, sumber daya manusia, dan menyediakan layanan keuangan kepada Departemen Keuangan AS. Elemen penting dari pekerjaan operasional ini adalah teknologi. AI adalah teknologi terbaru yang kami bangun ke dalam pekerjaan harian kami untuk mencapai efisiensi operasional.

Fed dirancang pada tahun 1913 sebagai sistem bank regional, dan secara historis banyak keputusan teknologi dibuat oleh masing-masing Bank. Itu masuk akal di era sebelumnya, ketika setiap Reserve Bank secara efektif beroperasi sebagai organisasi terpisah. Tetapi seiring pekerjaan Fed menjadi lebih digital dan saling terhubung—bersamaan dengan evolusi sistem perbankan dan ekonomi yang lebih luas—pendekatan itu semakin menciptakan duplikasi, ketidakefisienan, dan risiko operasional.

Ketika sistem saling terhubung, keputusan yang diambil secara terpisah menciptakan masalah koordinasi—terutama mengingat skala dan pentingnya sistem yang dioperasikan Fed. Mempertahankan standar ketahanan dan keamanan bank sentral memerlukan model yang lebih terkoordinasi.

Itulah sebabnya kami beralih ke pendekatan yang berorientasi pada Sistem Federal Reserve—dengan standar dan infrastruktur bersama, sambil mempertahankan desentralisasi di area yang paling penting, terutama untuk kebijakan moneter dan riset ekonomi.2

Dan urgensi untuk melakukan transisi ini semakin meningkat. Volume dan kecepatan perubahan teknologi terus bertambah. Sebagai institusi publik dengan peran penting dalam sistem keuangan AS dan global, Fed harus mengikuti perkembangan agar dapat memberikan layanan yang efektif dan andal bersama sektor swasta.

Kecepatan perubahan ini terlihat jelas dalam Konferensi Inovasi Pembayaran yang baru-baru ini saya selenggarakan, di mana berbagai peserta dan peserta diskusi membahas konvergensi AI, stablecoin, tokenisasi, dan pembayaran—tema yang juga sering saya dengar dalam percakapan dengan industri dan yang saya duga akan muncul di seluruh panel hari ini.

Dengan kecepatan perubahan seperti itu, pendekatan Bank per Bank tidak akan cukup, terutama untuk teknologi frontier seperti tokenisasi, komputasi kuantum, dan AI generatif. Ini adalah tantangan besar—dan peluang—yang melintasi seluruh Sistem Federal Reserve.

Menghadapi momen ini membutuhkan koordinasi seluruh Sistem, dorongan untuk bertindak, dan pelaksanaan yang disiplin dalam skala besar. Itulah sebabnya kami secara sengaja membangun praktik inovasi yang berfokus pada Sistem. Daripada menduplikasi usaha—melakukan hal yang sama berkali-kali di seluruh Sistem—kami bisa melakukan seratus hal berbeda. Pendekatan Sistem memungkinkan kami memindahkan ide dari eksperimen ke pelaksanaan lebih cepat dan efisien.

AI adalah studi kasus tentang bagaimana pendekatan ini diterapkan secara praktis. Saya tidak perlu memberi tahu audiens ini seberapa cepat AI bergerak—mengubah cara pekerjaan dilakukan dan bagaimana organisasi beroperasi. Sebagai pembangun dan pemimpin, Anda mengalaminya secara langsung. Dan Federal Reserve tidak terkecuali. Sangat penting bagi kami untuk mengikuti perkembangan. Ya, kami adalah bank sentral; “merusak sesuatu dan minta maaf” tidak akan berhasil di sini. Dengan kekuatan besar datang tanggung jawab besar. Sistem AI dapat memperbesar kesalahan secepat mereka memperbesar efisiensi. Mereka bisa berhalusinasi. Mereka dapat memperkenalkan risiko nyata terkait perlindungan data, risiko model, bias, dan ketahanan operasional. Kami tidak bisa menganggap AI secara santai. Sebagai bank sentral, kami memegang standar tinggi. Itu berarti adanya batasan yang jelas tentang bagaimana dan di mana penggunaannya, pengendalian keamanan informasi yang kuat, validasi model yang ketat, akuntabilitas manusia terhadap keputusan, dan evaluasi berkelanjutan seiring perkembangan teknologi. Inovasi dan manajemen risiko bukanlah prioritas yang saling bertentangan—mereka saling memperkuat.

Kita harus menghormati prinsip-prinsip ini, tetapi pasif juga bukan pilihan. Kita tidak mampu terlambat atau menilai perubahan transformatif secara fragmentaris. Jadi, kita melakukan ini dengan cara berbeda. Dalam menerapkan AI di seluruh Fed, kita bergerak sebagai satu Sistem, dengan arahan dan keselarasan bersama. Kami telah mengembangkan platform AI umum internal yang dapat digunakan oleh semua pegawai Reserve Bank. Pendekatan kami sengaja dipimpin oleh bisnis dan didukung AI. Kami mulai dari masalah yang harus diselesaikan dan kebutuhan bisnis, lalu menerapkan kemampuan yang tepat dari seluruh tumpukan AI. Disiplin ini membantu kami memberikan nilai bisnis nyata sambil menghindari kompleksitas dan biaya yang tidak perlu.

Menjadi dipimpin oleh bisnis juga berarti membangun AI ke dalam cara Fed beroperasi—bukan menganggapnya sebagai kumpulan eksperimen acak atau proyek zombie.

Tujuannya bukan inovasi semata. Tujuannya adalah manfaat.

Mari kita lihat contoh penggunaan AI secara nyata. Kami menerapkan AI dalam tiga cara yang fokus dan saling melengkapi, mencerminkan bagaimana pekerjaan dilakukan di institusi besar dan kompleks—akses luas untuk semua pegawai, alat khusus untuk pembangun, dan kemampuan tertanam dalam alur kerja perusahaan—yang semuanya menjadikan AI bagian dari cara Federal Reserve beroperasi sehari-hari.

Saya mulai dengan AI umum untuk semua pegawai, karena di situlah dampak harian terbesar pertama kali terlihat.

Ini tentang menjadikan AI sebagai kemampuan dasar dari pekerjaan sehari-hari, bukan alat niche. Setiap pegawai memiliki akses ke solusi AI yang disetujui Fed yang dapat digunakan sepanjang hari—untuk menyusun draf, merangkum, menganalisis informasi, dan mempercepat penyelesaian masalah. Bagi banyak orang, ini berfungsi sebagai asisten digital yang meresap—suara yang bisa mereka kembali saat menghadapi masalah dan menyelesaikan tugas harian. Tujuannya bukan untuk menjadikan semua orang menjadi ahli teknologi; melainkan mengurangi gesekan dalam pekerjaan rutin agar orang bisa lebih banyak menggunakan waktu untuk penilaian, pemecahan masalah, dan kegiatan bernilai tinggi.

Dalam banyak hal, ini mencerminkan bagaimana orang sudah menggunakan AI dalam kehidupan pribadi mereka. Di rumah saya sendiri, AI telah menjadi alat sehari-hari—seperti smartphone atau bahkan microwave yang kita andalkan tanpa berpikir panjang. Istri saya menggunakannya sebagai teman harian: merencanakan perjalanan, membantu anak-anak memikirkan pilihan karier, membandingkan produk, atau mengubah tugas kecil yang menjengkelkan menjadi sesuatu yang lebih mudah.

Ini bukan hal yang eksotis. Ini adalah alat.

Dan itulah cara kita harus memikirkan AI di tempat kerja juga.

Mari saya buat nyata.

Staf Fed sering menerima bahan latar belakang non-FOMC yang cukup besar untuk membantu persiapan berbagai rapat. Untuk membantu menyintesis informasi tersebut, mereka kadang menggunakan alat AI internal Fed untuk dengan cepat menghasilkan tema utama. Tentu saja, ini tidak menggantikan persiapan atau penilaian. Ini merangkum pekerjaan mekanis sehingga lebih banyak waktu dapat digunakan untuk substansi dan pertanyaan yang penting.

Contoh lain adalah ketika seorang kolega kembali dari liburan yang layak—sebuah detox digital sejati, artinya dia tidak memiliki akses ke perangkat kerja atau email—dan dia kembali ke kotak masuk dan antrean dokumen yang penuh. Daripada menghabiskan hari-hari memilah semuanya, dia menggunakan alat AI internal Fed untuk merangkum dan menilai apa yang telah terkumpul. Itu memungkinkannya langsung fokus pada hal yang membutuhkan keahliannya.

Dalam kedua kasus, alat tersebut menangani volume dan pass awal. Manusia yang membuat keputusan.

Area ketiga di mana kita melihat dampak nyata adalah dengan pengembang dan pembangun langsung—orang-orang yang mengubah ide menjadi implementasi.

Asisten pengkodean membantu pengembang mengoptimalkan pekerjaan di seluruh siklus hidup pengembangan perangkat lunak—dari dokumentasi dan refactoring hingga penulisan kode dan pengujian unit. Ini membantu tim menyelesaikan backlog lebih cepat, meningkatkan kualitas dan keandalan, memodernisasi sistem, dan mengirimkan lebih banyak nilai dan inovasi.

Tapi ini bukan hanya soal kecepatan.

AI mengambil alih beberapa bagian paling memakan waktu dan kurang memuaskan dari pengembangan perangkat lunak, sehingga pengembang dapat fokus pada keamanan dan kualitas. Ini penting bagi institusi seperti Federal Reserve, di mana keandalan dan ketahanan sistem produksi sangat krusial.

Ambil contoh pengujian unit. Ini penting untuk kualitas dan ketahanan, tetapi bukan bagian yang membuat pengembang bersemangat. Di beberapa tim, tugas yang dulunya memakan waktu berhari-hari kini selesai dalam jam dengan bantuan AI. Seorang pengembang langsung berkata, “Yang dulu saya butuhkan dua hari sekarang hanya dua jam.” Ini membebaskan waktu untuk pekerjaan bernilai tinggi seperti memperkuat keamanan dan membangun kemampuan baru. Seiring alat ini berkembang, manfaatnya akan semakin bertambah.

Ada poin yang lebih luas tentang kapasitas. Ketika asisten pengkodean menurunkan biaya pembuatan perangkat lunak sekaligus meningkatkan kualitas, mereka memperluas kemungkinan. Kita bisa menulis lebih banyak kode, membangun lebih banyak kemampuan, dan memberikan lebih banyak nilai bisnis. Ketika kelangkaan berkurang, kapasitas meningkat—memungkinkan kita mengatasi backlog dan utang teknis yang menumpuk seiring waktu.

Analogi yang saya dengar yang membantu adalah iPhone dan fotografi. Menaruh kamera di saku semua orang tidak menghilangkan fotografi profesional. Sebaliknya, itu menurunkan biaya produksi, meningkatkan volume, dan memperluas pasar. Lebih banyak foto diambil, dan permintaan untuk karya berkualitas tinggi justru meningkat. Saya pikir asisten pengkodean akan bekerja dengan cara yang sama untuk perangkat lunak.

Di Fed, kita sudah melihat adopsi awal yang kuat—ratusan pengembang dengan cepat mengadopsi alat ini—yang menunjukkan bahwa kemampuan ini memenuhi kebutuhan nyata.

Saya akan berikan contoh lain—yang kurang tentang kode dan lebih tentang mendengarkan komunitas yang kita layani.

Di seluruh Federal Reserve, kita mengumpulkan sejumlah besar informasi kualitatif—percakapan dengan bisnis, pemimpin komunitas, dan pelaku pasar. Secara historis, menyintesis informasi tersebut di berbagai wilayah dan periode waktu sangat memakan waktu.

Dengan alat AI, analis kini dapat menarik tema-tema tertentu dari volume besar catatan wawancara, membandingkan pola di berbagai siklus, dan menampilkan perubahan sentimen jauh lebih cepat. Ini tidak menggantikan penilaian manusia—ini mempercepat pass awal sehingga ekonom dapat lebih banyak menghabiskan waktu menafsirkan apa yang penting.

Cara ketiga kita memasukkan AI ke dalam produksi adalah dengan mengintegrasikannya langsung ke dalam alur kerja yang sudah digunakan orang.

Daripada meminta tim mengadopsi alat baru secara keseluruhan atau membangun solusi khusus, kita mengaktifkan kemampuan AI dalam platform yang sudah mendukung pekerjaan sehari-hari di bidang hukum, risiko, pengadaan, operasional, dan fungsi perusahaan lainnya.

Adopsi mengikuti alur kerja. Ketika AI terintegrasi—bukan dipasang secara terpisah—orang tidak perlu mengubah cara mereka bekerja untuk mendapatkan manfaatnya.

Jika Anda sering berbelanja online atau bepergian, Anda mungkin sudah mengalami perubahan ini. Ketika sesuatu salah—penerbangan tertunda, sambungan terlewat, paket rusak—sering kali lebih cepat menyelesaikan masalah melalui chat atau pesan teks, atau bahkan panggilan yang sering ditakuti itu. Dalam banyak kasus, AI bekerja di belakang layar untuk merangkum konteks, mengarahkan masalah, atau menyelesaikannya langsung—dan ketika ada manusia yang terlibat, mereka lebih siap membantu. Pengalaman menjadi lebih sederhana, lebih cepat, dan seringkali lebih baik.

Dinamika yang sama berlaku di Fed. Dengan mengintegrasikan AI ke dalam sistem perusahaan yang ada, kita dapat meningkatkan kecepatan, konsistensi, dan kualitas layanan tanpa menciptakan solusi yang terfragmentasi. Ini juga secara fiskal bertanggung jawab. Mengingat teknologi berkembang begitu cepat, mengkonsumsi AI melalui platform vendor memungkinkan kita mendapatkan manfaat dari peningkatan berkelanjutan, daripada membangun dan memelihara alat yang bisa menjadi mahal atau usang.

Secara keseluruhan, contoh-contoh ini menunjukkan bagaimana kita memindahkan AI dari eksplorasi ke pelaksanaan melalui pendekatan yang terkoordinasi dan berorientasi pada Sistem.

Hasilnya adalah peningkatan kapasitas di seluruh organisasi, memungkinkan tim mengatasi masalah kompleks dan memberikan lebih banyak nilai, sekaligus meningkatkan produktivitas dan efisiensi biaya melalui inovasi yang bertanggung jawab.

Meskipun ini adalah awal yang solid, kita tidak tertarik menjadi satu-hit wonder. Yang penting adalah keberlanjutan dan itu menuntut fokus pada adopsi, akuntabilitas, dan kepemimpinan.

Di sinilah banyak upaya AI berhasil atau gagal—ketika tongkat estafet berpindah dari pengadopsi awal ke operator harian. Teknologi bukan lagi bagian tersulit; manajemen perubahan adalah. Ini bergantung pada seberapa cepat orang mengadopsi alat, seberapa dalam mereka mengintegrasikannya ke dalam alur kerja harian, dan apakah adopsi itu menghasilkan hasil nyata.

Itulah sebabnya kami mengambil pendekatan yang berorientasi pada adopsi. Kami memperlakukan AI sebagai investasi sumber daya manusia, bukan eksperimen sampingan. Pelatihan dan peningkatan keterampilan dilakukan selama jam kerja, bukan malam atau akhir pekan.

Dan pelatihan itu bukan sekadar satu kali atau bersifat teoretis. Itu bersifat terus-menerus, praktis, dan relevan dengan peran. Pegawai belajar dengan menggunakan AI dalam alur kerja nyata, melalui lokakarya terapan, sesi pendidikan langsung, dan latihan prompt. Pendekatan “langsung dari kunci” ini penting, karena kenyamanan dan kompetensi berasal dari penggunaan, bukan dari slide.

Kami juga tegas dalam menetapkan harapan. Penggunaan AI bukan pilihan. Literasi dasar dan penerapannya sedang dibangun ke dalam tujuan kinerja pegawai di seluruh Sistem. Apa yang diukur, akan dikerjakan.

Saya menyaksikan ini secara langsung. Ketika saya menjadi Direktur Riset di St. Louis, kami menyusun rencana strategis yang sebagian besar hanya tersimpan di rak. Yang mengubah perilaku adalah memasukkan prioritas tersebut langsung ke dalam tujuan pegawai. Setelah orang tahu apa yang penting dan bagaimana mereka akan diukur, eksekusi pun mengikuti. Pengalaman itu membentuk cara saya memandang perubahan yang berkelanjutan.

Kepemimpinan memainkan peran penting di sini. Menetapkan harapan dan melakukan investasi adalah hal yang perlu, tetapi tidak cukup. Tim perlu melihat pemimpin menjalankan apa yang mereka katakan dan menyampaikan bahwa mereka berkomitmen—dan bahwa mereka sendiri adalah pelajar teknologi ini. Sinyal kepemimpinan itu yang mengubah momentum awal menjadi perubahan perilaku yang berkelanjutan.

Inilah cara kita beralih dari kemenangan awal ke kemampuan yang langgeng dengan memadukan teknologi dengan pelatihan, akuntabilitas, dan kepemimpinan, sehingga AI menjadi bagian yang tahan lama dari cara Federal Reserve beroperasi.

Konferensi seperti ini berfokus pada bagaimana teknologi mengubah masa depan. Apa yang saya coba tunjukkan hari ini adalah bagaimana kita mendekati tantangan tersebut di Federal Reserve—menjalankan misi kita melalui inovasi yang didukung teknologi, dengan fokus yang jelas pada pelaksanaan dan efisiensi. Dan dengan melakukan itu, kita menunjukkan bagaimana institusi publik dapat mengadopsi AI secara bertanggung jawab dan dalam cara yang memperkuat kepercayaan publik.

Ketika kita melihat teknologi seperti tokenisasi dan AI agenik muncul, penting untuk diingat bahwa ini bukan pertama kalinya industri kita menghadapi perubahan seperti ini. Ketika ATM pertama kali diperkenalkan, mereka tidak menghilangkan teller bank. Sebaliknya, mereka mengubah cara kerja perbankan. Transaksi rutin menjadi lebih murah, lebih cepat, dan lebih mudah diakses, sementara upaya manusia bergeser ke kegiatan bernilai lebih tinggi. Dampak sebenarnya bukan sekadar otomatisasi—melainkan bagaimana institusi mengatur ulang struktur mereka berdasarkan teknologi.

AI serupa. Keuntungan terbesar tidak akan datang hanya dari menambahkan AI ke proses yang ada. Mereka akan datang dari memikirkan ulang alur kerja, peran, dan sistem untuk memanfaatkan apa yang memungkinkan teknologi ini.

Apa yang tidak kita ketahui—dan tidak bisa kita ketahui—adalah kapan tepatnya teknologi ini akan mencapai titik infleksi penuh. Kita tidak akan mendapatkan sinyal yang jelas saat AI beralih dari kemajuan pesat ke dampak sistemik yang sesungguhnya. Tapi menunggu kejelasan sempurna bukanlah strategi. Jika kita ingin siap saat saat itu tiba, pekerjaan harus dimulai sekarang.

AI adalah salah satu contoh nyata bagaimana Federal Reserve dapat melaksanakan secara berani, dalam skala besar, ketika kita mengadopsi pendekatan berorientasi Sistem.

1. Pandangan yang disampaikan di sini adalah pandangan pribadi saya dan tidak harus mencerminkan pandangan rekan-rekan saya di Dewan Federal Reserve. Kembali ke teks

2. Dalam pidato ini, sebagai Gubernur Pengawas untuk Reserve Banks, ketika saya menyebut ‘Sistem’ saya merujuk pada 12 Reserve Bank, bukan Dewan Gubernur. Kembali ke teks