Mengubah Data Menjadi Peluang: Metrik yang Dinamis – Bagaimana AI Dapat Meningkatkan Transparansi Kepemilikan

Organisasi semakin mengandalkan data hubungan untuk Manajemen Risiko, uji tuntas, Kepatuhan, dan transparansi. Dalam blog ini, Zornitsa Manolova, Kepala Manajemen Kualitas Data dan Ilmu Data di GLEIF, membahas bagaimana AI menawarkan peluang baru untuk meningkatkan kualitas, kelengkapan, dan aksesibilitas informasi kepemilikan tepercaya dalam skala besar.

---

---

Dalam ekonomi global yang semakin terhubung, kemampuan organisasi untuk mempercayai dan menggunakan data secara efektif merupakan fondasi bagi inovasi, pertumbuhan, dan daya saing.

Ekosistem data berkualitas tinggi merupakan pendorong perubahan dan inovasi yang memungkinkan organisasi mengidentifikasi dan memanfaatkan peluang baru, sementara kualitas data yang rendah dapat menyebabkan inefisiensi serta paparan terhadap risiko regulasi dan reputasi.

Untuk membantu meningkatkan kesadaran industri yang lebih luas tentang inisiatif Kualitas Data GLEIF dan penerapannya di berbagai sektor, seri blog baru ini mengeksplorasi metrik kunci yang tercantum dalam laporan-laporan tersebut.

Fokus bulan ini: bagaimana AI dapat memperkuat transparansi kepemilikan.

Seiring dengan semakin kompleksnya struktur korporasi global, akses terhadap data kepemilikan dan hubungan yang dapat dipercaya menjadi semakin penting untuk transparansi, akuntabilitas, dan wawasan risiko. Data ini, yang mencakup hubungan induk dan anak perusahaan, membantu organisasi menilai risiko, mendukung Kepatuhan, dan mengambil keputusan yang lebih terinformasi dengan menunjukkan bagaimana Badan Hukum terhubung.

Dalam Sistem Pengenal Badan Hukum Global, data Level 2 memberikan konteks penting ini dengan mengidentifikasi struktur perusahaan induk dan anak perusahaan, hubungan cabang-kantor pusat, serta hubungan dana. Seringkali digambarkan sebagai jawaban atas pertanyaan "siapa yang memiliki siapa", data Level 2 membantu mengungkap struktur di balik Badan Hukum dan memperkuat kepercayaan di seluruh ekosistem keuangan dan bisnis.

Memahami Nilai Data Level 2 dalam Sistem LEI Global

Survei terbaru yang dilakukan oleh Komite Pengawasan Peraturan (ROC) dan GLEIF menyoroti nilai data Level 2. Sekitar 70% responden melaporkan menggunakan data Level 2, sementara hampir 85% mengatakan mereka menganggapnya sebagai data berkualitas. Responden juga menegaskan bahwa data Level 2 telah terintegrasi ke dalam pengambilan keputusan organisasi mereka dan melaporkan penggunaan data Level 2 untuk mendukung berbagai proses operasional dan strategis, dengan banyak di antaranya yang secara khusus menghargai hubungan induk yang terkonsolidasi.

Temuan ini menyoroti tren utama. Seiring meningkatnya permintaan akan informasi kepemilikan yang andal, menjaga kualitas data hubungan yang tinggi dalam skala besar menjadi sangat penting.

AI Membuka Kemungkinan Baru untuk Ekstraksi Data Hubungan

Dengan kecerdasan buatan (AI) yang mengubah cara organisasi mengelola dan menganalisis data, peluang baru muncul untuk memenuhi kebutuhan ini guna lebih meningkatkan kualitas, kelengkapan, dan keandalan data hubungan.

Misalnya, informasi hubungan yang berharga sudah tersedia secara luas – tetapi seringkali sulit diakses karena tersembunyi dalam laporan tahunan dan pengungkapan perusahaan lainnya. Rincian induk dan anak perusahaan mungkin muncul dalam catatan kaki, tabel, catatan atas laporan keuangan, atau bagian naratif. Pengungkapan ini sering kali terfragmentasi, diformat secara tidak konsisten, dan sulit untuk ditinjau secara manual dalam skala besar, sehingga menyulitkan untuk mengintegrasikannya ke dalam kumpulan data terstruktur.

Ekstraksi berbasis AI menawarkan cara praktis untuk mengungkap informasi tersembunyi ini. Dengan mengidentifikasi, menafsirkan, dan menyusun rincian kepemilikan dari laporan tahunan dan dokumen PDF kompleks lainnya, AI dapat membantu mengubah informasi tidak terstruktur menjadi data hubungan yang terstruktur. AI juga dapat membandingkan informasi di berbagai dokumen. Hal ini dapat meningkatkan proses pengambilan dan validasi data Level 2, mendukung analisis risiko dan pengambilan keputusan yang lebih baik, serta meningkatkan kualitas dan transparansi keseluruhan Sistem LEI Global.

Faktanya, GLEIF sudah menggunakan ekstraksi berbasis AI untuk mengambil data hubungan dari laporan tahunan dan mengubahnya menjadi format terstruktur. Hal ini memungkinkan GLEIF untuk meninjau dan mengonfirmasi informasi hubungan yang ada di Indeks LEI Global, atau memicu pembaruan jika diperlukan, di luar proses perpanjangan tahunan. Hasilnya, data hubungan dapat tetap terkini dan terpercaya dari waktu ke waktu.

Kemajuan pada Transparency Fabric – sebuah inisiatif bersama yang diperkenalkan oleh GLEIF, Open Ownership, dan OpenSanctions – pada tahun 2025 juga memperkenalkan penggunaan Model Bahasa Besar (LLM) untuk mengekstraksi dan menganalisis informasi dari dokumen tidak terstruktur guna memetakan struktur kepemilikan yang kompleks dengan lebih baik serta mendukung penghubungan LEI dengan data kepemilikan sebenarnya dan data sanksi.

Cara Kerjanya

Proses otomatis ini mengidentifikasi semua anak perusahaan dari perusahaan induk dalam laporan tahunan PDF menggunakan proses multi-langkah LLM:

• Pertama, AI meninjau laporan dan mengidentifikasi anak perusahaan yang mungkin berdasarkan definisi dan contoh yang disediakan. Selanjutnya, AI memeriksa hasilnya sendiri untuk mengidentifikasi potensi kesenjangan, anak perusahaan yang terlewat, atau entri yang mungkin dimasukkan secara salah.
• Setelah peninjauan ini, hasilnya disempurnakan menjadi daftar akhir dalam format yang diperlukan. Hal ini mencakup penghapusan hasil positif palsu, penambahan anak perusahaan yang terlewat, pemeriksaan referensi halaman yang relevan, dan standarisasi detail seperti informasi yurisdiksi atau negara.
• Terakhir, daftar yang dihasilkan AI dapat dibandingkan dengan daftar yang diekstraksi secara manual untuk menilai akurasi, kelengkapan, dan kualitas secara keseluruhan.

Hal ini menunjukkan bagaimana AI dapat membantu mempercepat ekstraksi data anak perusahaan dari dokumen PDF yang kompleks. Pada saat yang sama, pengawasan manusia tetap penting untuk memvalidasi hasil, meningkatkan kualitas, dan memastikan keandalan data hubungan akhir.

Menggunakan Data LEI Terpercaya untuk Meningkatkan Kinerja AI

Meskipun AI dapat membantu menemukan dan memeriksa data hubungan Level 2, data LEI tepercaya pada gilirannya dapat meningkatkan penggunaan metode AI untuk tugas ini.

GLEIF telah menggunakan data LEI yang ada dan laporan tahunan untuk mengoptimalkan prompt menggunakan pendekatan GEPA, atau Genetic Pareto Reflective Prompt Evolution. Alih-alih menebak prompt mana yang mungkin berkinerja terbaik, GEPA menggunakan data berlabel dan umpan balik manusia untuk mengembangkan varian prompt yang lebih kuat, mengujinya terhadap contoh yang diketahui, dan mempertahankan kompromi yang berkinerja terbaik.

Pendekatan ini mengubah pengembangan AI dari eksperimen menjadi peningkatan yang dapat diukur. Misalnya, prompt yang disempurnakan dengan GEPA meningkatkan akurasi terukur dari informasi hubungan yang diambil. Yang lebih menarik lagi, model yang lebih kecil dan lebih murah berkinerja lebih baik daripada model yang lebih besar dan lebih mahal setelah optimalisasi. Hal ini menunjukkan bahwa data berkualitas tinggi dan optimalisasi terstruktur sering kali lebih penting daripada menggunakan model yang lebih besar. Sederhananya, input yang lebih baik menghasilkan output yang lebih baik.

Menggabungkan Inovasi AI dengan Fondasi Data yang Terpercaya

Hasil paling berharga dari ekstraksi data hubungan yang didorong oleh AI adalah kemampuan untuk mengubah pengungkapan yang terfragmentasi menjadi intelijen hubungan yang andal, terstruktur, dan dapat ditindaklanjuti – sehingga memungkinkan organisasi untuk membuat keputusan yang lebih tepat di seluruh ekonomi global.

Namun, kerangka kerja yang tepercaya, Tata Kelola, dan pengenal standar tetap penting untuk memastikan wawasan ini dapat diandalkan dan dapat digunakan. Dengan menggabungkan inovasi AI dengan fondasi tepercaya dari Sistem LEI Global, ada peluang untuk memperkuat kualitas, cakupan, dan kegunaan data kepemilikan dan hubungan dalam skala besar.

---