Oleh Pierre Gérard, CEO dan co-founder, Scorechain

Saat kami mendirikan Scorechain di Luksemburg pada 2015, “analitik blockchain” belum menjadi sebuah kategori. Kami menghabiskan beberapa tahun pertama untuk menjelaskan kepada bank dan regulator mengapa transparansi buku besar publik adalah sebuah peluang, bukan ancaman. Satu dekade kemudian, saya menyaksikan kesalahpahaman yang sama menempel pada kecerdasan buatan (AI), dan hal itu membuat industri kehilangan waktu yang tidak dimilikinya.

Dua cerita mendominasi percakapan. Yang pertama mengatakan bahwa AI akan segera menggantikan tim kepatuhan sepenuhnya. Yang kedua mengatakan bahwa AI terlalu tidak dapat diprediksi untuk dibiarkan sedekat apa pun dengan aktivitas keuangan yang teregulasi. Saya tidak percaya keduanya, dan saya mengatakan itu sebagai seseorang yang perusahaannya telah menilai risiko lebih dari 2.800 penyedia layanan aset virtual (Virtual Asset Service Providers/VASPs) sejak 2015, serta telah menghabiskan dua tahun terakhir menambahkan AI di tempat yang benar-benar membantu—sebagai lapisan terpisah, bukan sesuatu yang tertanam di dalam alat kepatuhan yang menjadi andalan klien kami.

Mulailah dari masalah yang selalu diangkat oleh setiap petugas kepatuhan yang saya temui dalam lima menit pertama: noise (kebisingan/pemberitahuan yang tidak relevan). Sistem screening sanksi yang disetel seperti bank yang gelisah menyetel sistemnya bisa memunculkan false positive dalam kisaran 95%. Pemantauan transaksi tidak jauh di belakang. Jadi seorang analis terlatih—seseorang yang memahami tipologi dan bisa membaca arus dana—menghabiskan sebagian besar hari kerja untuk membersihkan peringatan yang sebenarnya tidak pernah menjadi risiko: menolak kecocokan nama pada marga yang umum, membaca lima kabar buruk (adverse media hits) yang ternyata mendeskripsikan orang yang sama sekali berbeda. Setiap pemeriksaan adverse media tersebut membutuhkan 10 sampai 20 menit dari seorang analis. Itulah tekstur nyata pekerjaan kepatuhan hari ini, dan itulah sebabnya orang-orang yang baik mudah kehabisan tenaga di profesi itu.

Di sinilah otomatisasi memperoleh tempatnya, dan tempatnya lebih sempit daripada yang disarankan oleh sensasi (hype). Saya tidak bersikap netral terhadap hal ini. Scorechain AI diciptakan untuk memberikan satu laporan kepada seorang analis: skor risiko sebuah dompet, jenis entitas yang telah berinteraksi dengannya, serta layanan dan pihak lawan yang telah terekspos. Itu pekerjaan yang dulu berarti jam-jam penelusuran manual lintas ledger. Namun perhatikan apa yang dilakukan laporan itu dan apa yang tidak dilakukannya. Laporan itu tidak memutuskan apa pun. Ia memadatkan bukti agar petugas kepatuhan—orang yang harus menandatangani keputusan itu dan mempertanggungjawabkannya kepada regulator nanti—bisa membacanya dalam hitungan menit, lalu membuat keputusan. Itu keseluruhan permainannya. Otomatisasi yang baik tidak mengecilkan fungsi kepatuhan; ia memindahkannya dari treadmill triase dan mengembalikannya ke ranah penilaian (judgment).

Pembedaan ini penting, karena alternatifnya berbahaya. Dalam lingkungan teregulasi, sebuah model tidak bisa bertanggung jawab kepada supervisor. Sixth Anti-Money Laundering Directive (AMLD6) dan Markets in Crypto-Assets Regulation (MiCA) sama-sama mewajibkan sebuah institusi untuk menjelaskan dan bertanggung jawab atas keputusannya. “Algoritmanya yang menandainya” bukanlah pembelaan saat inspeksi, dan “algoritmanya yang membersihkannya” lebih buruk. Jadi satu-satunya desain yang bertanggung jawab adalah menjadikan AI sebagai lapisan dukungan yang berada di atas data tepercaya, dengan seorang petugas kepatuhan yang bernama jelas tetap memegang keputusan dan akuntabilitas yang menyertainya. Pengawasan manusia bukanlah semacam roda latihan yang kita hilangkan begitu model makin matang. Itulah arsitekturnya.

Dan sebuah model hanya sebaik apa yang ada di bawahnya. Ini bagian yang sering dilewatkan oleh pihak luar. Tanpa konteks tambahan, sebuah AI yang membaca blockchain hanya melihat rangkaian karakter anonim yang memindahkan nilai ke rangkaian anonim lainnya. Ia tidak bisa mengetahui bahwa dompet tiga langkah di hulu adalah bursa yang disanksi, atau bahwa pihak lawan yang menerima dana itu adalah mixer, bukan penyedia penggajian. Memberikan konteks yang hilang itulah keseluruhan pekerjaan analitik blockchain: menempelkan identitas dan risiko pada aktivitas on-chain mentah, melacak eksposur tidak langsung melintasi banyak hop, bukan hanya memeriksa alamat yang ada di depan Anda, dan melakukan penilaian terhadap lebih dari satu miliar titik data serta lebih dari satu juta entitas kripto yang sudah kami beri label sejak 2015. Ambil contoh konkret: sebuah dompet tampak bersih pada pandangan pertama, tetapi penelusuran alirannya menunjukkan sebagian besar saldonya tiba, dua hop ke belakang, dari alamat yang terkait dengan operator ransomware. Itulah temuan yang tidak akan pernah dijangkau model hanya dari data on-chain mentah, dan itulah yang harus ditindaklanjuti oleh petugas kepatuhan. Beri model konteks itu, dan ia bisa bernalar dengan dasar yang kuat. Beri model data yang tipis, dan ia menghasilkan omong kosong yang terdengar meyakinkan—dan dalam kepatuhan, itu lebih berbahaya daripada celah yang jujur, karena ia membersihkan hal-hal yang seharusnya tidak.

Berikut adalah hal yang benar-benar baru yang saya temukan. AI tidak lagi hanya menjadi alat yang digunakan tim kepatuhan; AI sedang menjadi peserta di pasar yang mereka awasi. Agen otonom yang memulai pembayaran dengan batas yang sudah ditetapkan telah beralih dari sekadar demo ke penerapan nyata, didorong oleh infrastruktur yang sesungguhnya: standar x402 milik Coinbase untuk pembayaran mesin-ke-mesin, Trusted Agent Protocol dari Visa, integrasi checkout PayPal dan OpenAI. Perangkat lunak mulai melakukan transaksi dengan perangkat lunak lain, menempatkan dana pada aset kripto, dalam volume yang tidak bisa disamai oleh tim treasury secara manual.

Ini mengangkat pertanyaan yang belum dijawab industri dengan bersih: bagaimana menerapkan prinsip Know Your Transaction pada pihak lawan yang berupa potongan perangkat lunak? Arah setidaknya jelas. Saat agen bertransaksi atas inisiatif sendiri, kontrol tidak bisa hanya berada di tahap onboarding. Kontrol bergeser ke lapisan transaksi itu sendiri: pemantauan real-time, batas kecepatan (velocity limits), provenance, serta kemampuan untuk melakukan intervensi saat uang masih dalam proses. Transparansi yang selama bertahun-tahun kami perjuangkan untuk meyakinkan pihak skeptis ternyata adalah satu-satunya hal yang membuat aktivitas on-chain otonom bisa diaudit sepenuhnya.

Inilah masa depan yang kami putuskan untuk bangun, bukan menunggunya. Belum lama ini kami meluncurkan Scorechain MCP, yang mengekspos penilaian risiko dan kecerdasan entitas kami melalui Model Context Protocol—standar yang sedang berkembang dan memungkinkan agen AI memanggil alat eksternal langsung. Kecerdasannya hidup di platform kami, sementara AI tetap berada di luar; ia memanggil ke sana untuk mendapatkan jawaban, bukan disematkan di dalam alat kepatuhan itu sendiri. Premisnya sederhana: sebuah agen tidak boleh pernah bertransaksi dalam keadaan buta. Sebelum ia memindahkan dana atau menyetujui pihak lawan, ia bisa bertanya kepada Scorechain dalam satu tarikan napas apakah alamat tersebut adalah entitas yang disanksi, mixer, penipuan yang sudah dikenal, atau dompet privat yang bersih, lalu menerima skor risiko sebagai balasan. Ini bukan sekadar kemungkinan throughput. Kami sudah menjalankan lebih dari 1,5 juta pemeriksaan AML per hari, dan panggilan screening kembali dalam sekitar 235 milidetik—cukup cepat untuk berada di dalam transaksi yang sedang berjalan, bukan malah memperlambatnya. Kami menempatkannya di tempat agen dan workflow tersebut benar-benar berada: sebagai aplikasi di dalam ChatGPT dan Claude, serta sebagai integrasi pada platform otomasi seperti n8n dan Zapier. Pemeriksaan kepatuhan yang tersisip di alur, saat keputusan dibuat, bernilai jauh lebih besar daripada pemeriksaan yang dipasang setelah uang sudah terlanjur berpindah. Pemeriksaan paling dasar dari semuanya—apakah sebuah alamat muncul di daftar sanksi—tidak seharusnya berada di balik paywall untuk siapa pun. Itulah mengapa kami menyediakannya sebagai free sanctions screening API yang bisa dipanggil oleh pengembang mana pun, agen, atau workflow apa pun. Screening terhadap paparan sanksi bukan tempat penyedia kepatuhan mengambil nilai; itu adalah fondasi yang seharusnya dijadikan pijakan oleh seluruh pasar.

Ada pergeseran tingkat kedua yang mulai diakui penerbit token dan manajer aset. Ketika nilai berpindah ke stablecoin dan aset token dalam kecepatan mesin, risiko yang paling penting tidak lagi hanya transaksi individual, melainkan aset itu sendiri: siapa yang memilikinya, seberapa terkonsentrasinya kepemilikan itu, dan seberapa besar pasokan berada pada entitas yang disanksi atau yang berisiko tinggi. Ini pertanyaan yang berbeda dari pemantauan transaksi, dan itulah yang dibangun oleh Digital Asset Intelligence kami untuk menjawab—memberi penerbit atau manajer aset pandangan pada tingkat aset tentang pemegang dan eksposur sebelum mereka mint, mendaftarkan, atau mengalokasikan.

Eropa lebih siap untuk ini daripada yang orang kira. MiCA dan AMLD6 sudah mengasumsikan pemantauan berkelanjutan dan akuntabilitas yang jelas, bukan sekadar pemeriksaan sekali di pintu, dan rezim yang mengasumsikan aktivitas harus bisa dijelaskan adalah persis yang Anda inginkan saat perangkat lunak mulai memindahkan uang. Jadi ya, AI sedang datang untuk kepatuhan kripto. Ia akan menghapus banyak pekerjaan yang melelahkan dan membosankan, dan saya menyambut itu. Yang tidak akan ia hilangkan adalah kebutuhan akan penilaian, akuntabilitas, dan data yang bisa diverifikasi. Ia menaikkan standar pada semuanya. Tim yang memperlakukan AI sebagai analis yang lebih cepat—berlandaskan kecerdasan on-chain yang andal dan tetap sepenuhnya di bawah kendali manusia—adalah tim yang akan tetap berdiri ketika mesin mulai bertransaksi. Itu lebih dekat daripada yang dipikirkan kebanyakan orang.