AI, Media Sosial & Bank 2026: 3 Gerakan Penting

AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)••By 3L3C

Menjelang 2026, bank Malaysia perlu lebih daripada sekadar chatbot. AI, cloud-native, media sosial dan kepakaran segmen akan membezakan peneraju dan pengikut.

AI perbankanmedia sosial kewangancloud-native bankinghyper-personalisationfintech Malaysiastrategi bank 2026
Share:

AI, Media Sosial & Bank 2026: 3 Gerakan Penting

Pada 2024, Bank Negara laporkan lebih 90% bank di Malaysia sudah melabur dalam projek AI — daripada pengesanan penipuan, chatbots, sehinggalah pemodelan risiko. Tapi kalau kita jujur, ramai bank masih “tampal sana-sini” je, bukan bina asas yang betul untuk 2026.

Inilah isu sebenar: AI bukan sekadar pasang chatbot dan beli sistem anti-fraud. Tanpa seni bina cloud-native, strategi pemperibadian yang jelas dan kefahaman mendalam tentang tingkah laku pelanggan di media sosial, pelaburan AI hanya jadi kos, bukan pemacu pertumbuhan.

Artikel ini ambil inspirasi daripada pandangan Andrew Smith (Sporta) tentang 2026, dan saya rangkumkannya khusus untuk konteks bank, insurans dan fintech di Malaysia. Fokusnya: apa yang akan membezakan pemain biasa dengan peneraju pasaran dalam tempoh 18–24 bulan akan datang.

1. Dari Mainframe ke Cloud-Native: Asas Sebenar AI Perbankan

AI yang serius hanya boleh hidup di atas seni bina yang serius. Ramai pakar, termasuk Smith, dah kata perkara sama lebih 10 tahun:

Untuk merealisasikan potensi AI, bank perlu pindah daripada core lama kepada seni bina cloud-native yang fleksibel dan boleh diskala.

Kenapa cloud-native jadi isu besar menjelang 2026

Bagi bank dan insurans di Malaysia, tekanan datang dari tiga arah:

  1. Operasi – kos infrastruktur mainframe dan sistem legasi makin tinggi, sukar dicari kemahiran, dan perubahan produk mengambil masa berbulan.
  2. AI & data – model analitik terkini perlukan data masa nyata, streaming, dan integrasi pantas dengan pelbagai sumber (e-wallet, e-dagang, telco, data alternatif lain).
  3. Regulasi – garis panduan terkini tentang keselamatan siber, perlindungan data dan explainable AI memaksa institusi kewangan mempunyai kawalan lebih baik terhadap pipeline data mereka.

Tanpa cloud-native:

  • Model AI sukar dilatih dan di-deploy pada skala besar.
  • Eksperimen produk digital jadi perlahan.
  • Kos pematuhan dan risiko operasi meningkat.

Apa yang praktikal untuk 2025–2026

Bagi pasukan transformasi digital, ada tiga langkah realistik, bukan sekadar slogan “migrate to cloud”:

  1. Mulakan dengan domain yang jelas, bukan “lift & shift” penuh
    Contoh untuk bank Malaysia:

    • Domain pengesanan penipuan kad & e-pembayaran
    • Domain pinjaman pengguna (personal financing / hire purchase)
    • Domain khidmat pelanggan omnichannel (call centre + chat + media sosial)

  2. Bina “AI-ready data layer”
    Bukannya cuba baiki semua data legasi sekali gus, fokus pada:

    • customer 360 minimum viable (akaun, transaksi utama, interaksi digital)
    • menormal dan menanda data untuk kegunaan model (fraud, skor kredit, churn)
    • governance: data lineage, kawalan akses, audit trail

  3. Standardkan pipeline MLOps
    Supaya setiap model baru tak perlu “custom project”:

    • proses standard untuk training, UAT, deployment dan pemantauan model
    • amaran automatik untuk model drift dan bias
    • log yang jelas untuk tujuan audit Bank Negara / internal audit

Realitinya, bank yang berjaya pada 2026 ialah bank yang bukan hanya ada AI, tapi ada kilang untuk bina, uji dan deploy AI dengan konsisten.

2. Era Kepakaran (Specialisation): Bank Tak Boleh Jadi “Semua Untuk Semua” Lagi

Kepakaran ialah strategi survival, bukan pilihan gaya. Smith menekankan specialisation sebagai masa depan bank — dan ini sangat masuk akal untuk Malaysia di mana persaingan datang daripada:

  • bank besar yang semakin digital,
  • bank Islam yang inovatif,
  • fintech BNPL, e-wallet, insurans mikro,
  • super app yang mula masuk ke ruang kewangan.

Kepakaran + AI: kombinasi yang mengubah operasi

Bila bank pilih segmen yang jelas, AI jadi jauh lebih berkesan. Contoh:

  • Bank fokus PKS (SME)
    AI boleh dioptimumkan untuk:

    • skor kredit berdasarkan aliran tunai akaun korporat, data POS, dan invois,
    • ramalan keperluan modal kerja,
    • pengesanan risiko penipuan pembekal.

  • Bank/fintech fokus generasi muda & gig economy
    AI menilai:

    • corak pendapatan tidak tetap (Grab, Foodpanda, freelancer),
    • risiko hiper-lokal (bandar vs luar bandar),
    • potensi cross-sell seperti takaful mikro, simpanan automatik.

  • Insurans / takaful fokus kesejahteraan (wellbeing)
    Smith sebut tentang industri wellbeing yang berkembang. Di Malaysia kita dah nampak:

    • produk takaful dengan ganjaran langkah harian,
    • diskaun premium jika pelanggan konsisten melakukan pemeriksaan kesihatan,
    • integrasi wearables dan aplikasi kesihatan.

    AI di sini boleh:

    • meramal risiko kesihatan berdasarkan pola gaya hidup,
    • mengesan tuntutan (claims) yang mencurigakan,
    • mencadangkan pelan yang lebih sesuai dari masa ke masa.

Mengapa bank Malaysia perlu berani “menolak” segmen tertentu

Kebanyakan bank cuba layan semua segmen, lalu berakhir dengan:

  • pengalaman pelanggan yang generik,
  • model risiko yang tak cukup tajam,
  • produk yang kelihatan sama macam pesaing.

Ada pendekatan yang lebih bijak:

  1. Pilih 2–3 segmen keutamaan hingga 2026
    Contoh: PKS, keluarga muda bandar, atau Muslim profesional.

  2. Selaraskan roadmap AI mengikut segmen

    • Bagi PKS: fokus analitik aliran tunai & penilaian risiko invois.
    • Bagi keluarga muda: skor kelayakan perumahan, penjimatan automatik, perlindungan keluarga.

  3. Ukur kejayaan pada kedalaman, bukan hanya bilangan pelanggan

    • kadar cross-sell,
    • peningkatan nilai akaun sepanjang masa,
    • penurunan NPL / claims ratio dalam segmen sasaran.

Bank yang pakar boleh menawarkan harga lebih kompetitif dan pengalaman jauh lebih peribadi, kerana model AI mereka dilatih khusus untuk segmen tersebut.

3. Media Sosial + AI: Dari Marketing Kepada “Mesin Kepercayaan”

Smith membandingkan perjalanan bank dengan evolusi media sosial: dari MySpace ke Facebook, kemudian Instagram dan gabungan pelbagai fungsi dalam satu super app. Logiknya mudah:

Keperluan dan tingkah laku pengguna berubah, dan platform yang menang ialah yang paling memahami perubahan itu.

Begitu juga bank di Malaysia. Data paling hidup tentang pelanggan anda bukan ada dalam borang pembukaan akaun — ia wujud dalam:

  • komen dan DM di media sosial,
  • corak penggunaan e-wallet dan aplikasi super app,
  • reaksi pelanggan terhadap isu caj, gangguan sistem, dan promosi.

Di mana AI boleh bantu di media sosial

  1. Social listening yang “faham bahasa manusia”
    Menggunakan Natural Language Processing (NLP) dalam Bahasa Melayu dan campuran rojak (BM + BI) untuk:

    • kesan sentimen terhadap bank / produk,
    • kesan isu yang bakal “viral” sebelum meletup,
    • faham topik utama: yuran, UI apps, masa menunggu, produk tak jelas.

  2. Chatbot generatif omnichannel
    Pada 2026, pelanggan jangka:

    • boleh tanya soalan di WhatsApp, Instagram DM, X, live chat laman web,
    • dapat jawapan yang konsisten dan tepat,
    • boleh escalate ke manusia tanpa perlu ulang cerita.

    AI generatif boleh:

    • rumuskan soalan pelanggan,
    • cadangkan jawapan standard ikut polisi bank,
    • auto-bina tiket untuk staf frontline dengan konteks penuh.

  3. Personalisasi “content kewangan” ikut kehidupan sebenar pelanggan
    Bukannya spam promosi kad kredit yang sama pada semua orang. Berdasarkan data tingkah laku dan media sosial, AI boleh mencadangkan:

    • tip bajet untuk pasangan baru berkahwin,
    • panduan pembiayaan rumah pertama,
    • peringatan simpanan pendidikan anak,
    • kandungan literasi kewangan spesifik (contoh: hutang PTPTN, pengurusan gaji pertama).

Risiko yang bank tak boleh pandang ringan

Bila AI mula sentuh media sosial dan interaksi pelanggan secara agresif, beberapa isu perlu diurus dengan matang:

  • Privasi & kebenaran
    Gunakan data media sosial hanya dalam skop yang pelanggan setujui. Jelas tentang bagaimana data digunakan.

  • Bias dan diskriminasi
    Pastikan model AI tak menyediakan tawaran kewangan yang berat sebelah berdasarkan lokasi, bahasa, atau latar belakang sosial.

  • Konsistensi suara jenama
    Chatbot AI tak boleh ‘terlepas cakap’. Latihan model perlu diseimbangkan dengan guardrail yang jelas, terutama bagi bank Islam dan produk patuh Syariah.

Bank yang mengurus tiga aspek ini dengan telus berpeluang menjadikan media sosial + AI sebagai mesin kepercayaan, bukan sumber skandal.

4. Dari “One-Size-Fits-All” ke Penderiaan Mikro (Hyper-Personalisation)

Satu benang merah dalam pandangan Smith ialah pempibadian (personalisation). Rujukan beliau kepada evolusi media sosial boleh diterjemah begini: pelanggan akan tinggal dengan institusi kewangan yang paling memahami konteks hidup mereka.

Bagaimana hyper-personalisation nampak dalam perbankan Malaysia

Beberapa aplikasi praktikal menjelang 2026:

  • Harga dinamik dan had kredit adaptif

    • had kad kredit yang berubah mengikut aliran tunai semasa,
    • kadar keuntungan pembiayaan yang disesuaikan ikut risiko sebenar, bukan sekadar segmen gaji.

  • Journey perbankan yang dibina mengikut “momen hidup”
    Contoh momen:

    • mula kerja pertama,
    • berkahwin,
    • anak pertama,
    • beli rumah,
    • mula bisnes kecil.

    AI boleh:

    • mengesan momen ini melalui corak transaksi dan interaksi,
    • mencadangkan produk dan nasihat yang relevan,
    • mengatur masa komunikasi yang sesuai (bukan spam hujung bulan bila orang tengah penat bayar bil).

  • Wealth & insurans/takaful analytics
    Untuk pelanggan affluent atau mass affluent:

    • saranan pelaburan berasaskan profil risiko yang dikemas kini secara dinamik,
    • simulasi senario (contoh: kesan kadar OPR, inflasi, mata wang),
    • cadangan perlindungan keluarga yang dihubungkan dengan portfolio pelaburan.

Syarat asas: kejujuran data dan kawalan pelanggan

Hyper-personalisation hanya berkesan kalau pelanggan rasa mereka:

  • faham bagaimana data digunakan,
  • boleh opt-out atau ubah tetapan,
  • nampak manfaat jelas (diskaun, kadar lebih baik, pengalaman lebih mudah).

Bank yang terlalu agresif tanpa membina kepercayaan akan dilihat “stalker digital”. Bank yang telus akan dilihat sebagai rakan kewangan.

5. Apa Yang Perlu Dibuat Sepanjang 2025 Untuk Bersedia 2026

Kalau anda duduk dalam pasukan strategi, risiko, IT, atau produk di bank/insurans/fintech, inilah tindakan praktikal yang saya rasa paling bernilai 12–18 bulan akan datang.

1. Pilih satu “lighthouse use case” AI yang benar-benar memberi kesan

Contoh yang realistik untuk Malaysia:

  • pengesanan penipuan transaksi runcit masa nyata,
  • skor kredit alternatif untuk PKS mikro,
  • chatbot generatif bilingual (BM + BI) untuk khidmat pelanggan.

Ukurnya secara tegas:

  • pengurangan kerugian fraud (RM),
  • peningkatan approval rate tanpa naikkan NPL,
  • pengurangan masa respon pelanggan dan peningkatan CSAT.

2. Bentuk pasukan rentas fungsi: risiko + IT + perniagaan + compliance

AI dalam kewangan tak boleh dimiliki oleh IT sahaja.

  • Risiko pastikan model patuh polisi dan kawal bias.
  • Perniagaan pastikan model menyokong objektif pendapatan.
  • Compliance pastikan garis panduan BNM dan undang-undang data dipatuhi.

Bank yang gagal di sini biasanya kerana setiap unit buat projek AI sendiri-sendiri tanpa standard.

3. Rangka pelan pemodenan cloud dan data 2–3 tahun

Bukan sekadar “kita nak ke cloud”, tetapi:

  • sistem mana dulu,
  • domain data mana dulu,
  • tolok ukur (milestone) setiap 6 bulan,
  • bagaimana ia selari dengan keperluan AI yang spesifik.

4. Kemas kini polisi governance AI

Termasuk:

  • senarai use case yang dibenarkan / dilarang,
  • garis panduan explainability — terutamanya untuk penolakan pembiayaan,
  • proses kelulusan model (model risk management),
  • garis panduan khas untuk penggunaan media sosial dan data luaran.

Menjejak 2026: Bank Mana Yang Akan Mendahului?

AI dalam perkhidmatan kewangan di Malaysia sedang bergerak daripada fasa percubaan kepada fasa infrastruktur asas. Pada 2026, perbezaan antara bank yang “ada AI” dan bank yang dibina untuk AI akan jelas pada:

  • kelajuan melancarkan produk baru,
  • keupayaan mengesan dan menangani penipuan,
  • kualiti pengalaman pelanggan merentas aplikasi, cawangan dan media sosial,
  • keupayaan memahami segmen dan momen hidup pelanggan dengan mendalam.

Bank, insurans dan fintech yang berani menyusun semula seni bina cloud-native, memilih kepakaran yang jelas, dan menggunakan AI untuk membina kepercayaan di media sosial akan jadi rujukan pasaran — bukan sekadar pengikut.

Soalnya sekarang: adakah pelan AI dan transformasi digital anda sudah cukup berani untuk 2026, atau masih sekadar tambah satu lagi chatbot?