Menusun strategi berbasis data menjadi semakin lumrah di sektor keuangan, namun hal ini menimbulkan dilema etika yang kompleks. Laporan dari Finansial Times menyoroti bahwa beberapa bank dan perusahaan keuangan mencoba memonetisasi data pelanggan yang telah dianonimkan dengan menawarkan produk yang sangat terpersoalisasi kepada pengiklan. Praktik ini menimbulkan kekhawatiran akan privasi terutama ketika persetujuan eksplisit tidak dijelaskan secara jelas kepada nasabah dat batas antara pemanfaatan data dan eksploitasi menjadi bias (Akila Quinio, 2024). Sementara itu, muncul keprihatinan mengenai algoritma AI yang dirancang secara tidak transparan atau dikenal sebagai Black Box. Regulasi belum cukup untuk menjangkau kebutuhan akan kejelasan pengambilan keputusan otomatis, terutama dalam domain finansial seperti penilaian kredit. Para pakar sepertiJamie Dimon telah menekankan betapa pentingnya penerapan AI yang dapat dijelaskan atau dapat disebut dengan “Explanable AI” untuk menjaga akuntabilitas keputusan finansial (Dupuy, 2024).

Masalah etika lain muncul karena prinsip transparansi keadilan dan pertanggungjawaban tidak selaluditerapkan secara konsisten di dalam industri keuangan. Lee (2025) menyoroti bahwa lembaga finansial seharusnya menjadikan transparansi penggunaan data termasuk edukasi kepada pelanggan serta penjelasan alasan di balik keputusan berbasis data sebagai praktik utama. Data keuangan seringkali melibatkan informasi sensitif, maka dari itu pengumpulan dan pengolahannya harus memperhatikan kerahasiaan dan privasi terkait. Lembhe (2024) menekankan bahwa privasi individu atau perusahaan harus dilindungi secara ketat. Dalam ranah akuntansi, tantangan etika meliputi godaan manipulasi laporan serta benturan kepentingan. Praktisi di bidang akuntansi diingatkan untuk selalu menjaga integritas meskipun terkadang mereka dihadapkan pada tekanan pelaporan yang kontradiktif antara keakuratan dan tuntutan bisnis

Studi dari arXic yang membahas mengenai “Algirothmic Fairness” menunjukkan bahwa kemajuan dalam analitik bisnis juga membawa risiko diskriminasi terhadap kelompok marginal. Ketimpangan hasil yang muncul bukan hanya melanggar prinsip keadilan tapi juga berpotensi merusak kredibilitas organisasi dan menciptakan kerugian sosial secara luas (De-Arteaga et al., 2022). membangun praktik pemanfaatan data finansial secara etis memerlukan kerangka komprehensif yang mencakup transparansi pengumpulan data yang adil kepada pelanggan algoritma yang dapat dijelaskan proteksi privasi dan kepedulian sosial. Tanpa fondasi etika yang kuat kepercayaan publik pada sistem keuangan dapat terkikis yang pada akhirnya merugikan sektor finansial itu sendiri

 

 

Referensi:

Akila Quinio. (2024, November 22). What are banks doing with your financial data? @FinancialTimes; Financial Times. https://www.ft.com/content/754e598e-e96d-4a32-b4d2-a949f762b537

De-Arteaga, M., Feuerriegel, S., & Saar-Tsechansky, M. (2022). Algorithmic Fairness in Business Analytics: Directions for research and practice. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2207.10991

Dupuy, J. (2024, March). Legal transparency in AI finance: facing the accountability dilemma in digital decision-making. Reuters. https://www.reuters.com/legal/transactional/legal-transparency-ai-finance-facing-accountability-dilemma-digital-decision-2024-03-01

Lee, S. (2025). Navigating Data Ethics in Finance. Numberanalytics.com. https://www.numberanalytics.com/blog/data-ethics-in-finance-guide

Lembhe, P. L. P. (2024). Ethical Considerations in the collection and handling of financial data in ETC. International Journal of Computing and Engineering, 5(4), 11–26. https://doi.org/10.47941/ijce.1823