AI bunuh dilema build vs buy dalam kewangan

Satu angka yang buat ramai CFO tersentak: dalam banyak organisasi besar, lebih 30–40% lesen perisian hampir tak digunakan selepas tahun pertama. Dalam masa yang sama, pasukan kewangan dan risiko bergelut dengan projek AI yang ambil masa berbulan-bulan untuk jalan, sedangkan pesaing sudah uji idea baru dalam hitungan hari.

Di tengah tekanan pematuhan, fraud yang semakin canggih, dan pelanggan yang menuntut pengalaman digital yang licin, bank dan fintech di Malaysia tak lagi ada masa untuk kitaran RFP 9 bulan hanya untuk "tengok dulu". Di sinilah perubahan besar sedang berlaku: AI telah mematikan cara lama berfikir tentang “build vs buy”. Bukan teori, ini sudah jadi realiti di organisasi kewangan global — dan semakin jelas relevannya untuk Malaysia.

Dalam siri “AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)” ini, fokus kita mudah: bagaimana nak guna AI dengan lebih bijak, bukan sekadar lebih banyak. Untuk topik kali ini, saya nak hujahkan satu perkara penting:

Dalam era AI, persoalan sebenar bukan lagi “patut kita build atau buy?”, tetapi “patut kita build dulu untuk belajar apa yang patut kita buy?”.

Dari “build vs buy” kepada “build untuk belajar”

Realitinya, AI telah menjatuhkan kos dan masa pembangunan perisian dengan cara yang kita tak pernah bayang 5 tahun lepas. Apa yang dulu perlukan skuad developer, infra, dan 3 bulan sprint, sekarang boleh dapat prototaip dalam 2–8 jam menggunakan agen coding AI dan alatan no-code/low-code.

Untuk bank, insurans dan fintech, ini ubah keseluruhan logik lama:

• Dulu: Definisikan keperluan, keluarkan RFP, banding vendor, pilih, implement. Lepas 6–12 bulan baru tahu sama ada ia betul-betul membantu.
• Sekarang: Guna AI untuk build prototaip ringan, uji dengan data dan proses sebenar, faham apa yang betul-betul beri impak — kemudian baru pilih sama ada nak beli, bina penuh, atau tak buat langsung.

Saya sangat suka ringkaskan paradigma baru ini begini:

Mantra lama: Build atau buy
Mantra baru: Build untuk belajar apa yang patut buy.

Ini bukan soal jimat kos semata-mata. Ini soal mengurangkan risiko projek gagal, mengelak vendor lock-in yang tak perlu, dan — yang paling penting — memastikan setiap ringgit bajet AI benar-benar menambah nilai kepada bisnes.

Bagaimana AI menjadikan “build” boleh dibuat oleh pasukan bukan teknikal

Perubahan paling menarik sekarang: jurang antara “teknikal” dan “bukan teknikal” makin kabur.

Dalam banyak bank dan institusi kewangan di Malaysia, patternnya lebih kurang sama:

• Pasukan risiko nampak corak penipuan baru, tapi kena tunggu giliran dalam backlog IT.
• Pasukan treasury nak dashboard scenario stress test baru, tapi BI team penuh dengan permintaan lain.
• Pasukan pematuhan nak automasi semakan dokumen, tapi projek besar sudah pun makan semua kapasiti.

Dengan agen coding AI dan platform AI moden, senario itu mula berubah:

• Pegawai risiko boleh gunakan AI assistant untuk jana kod SQL bagi analisis corak transaksi mencurigakan.
• Pasukan kewangan boleh gunakan alat no-code digabung AI untuk bina prototaip dashboard ALM atau analitik keuntungan pelanggan dalam sehari.
• Pasukan pematuhan boleh minta AI susun rangka sistem ringkas untuk ekstrak data daripada dokumen KYC, kemudian developer hanya kemaskan dan produksi-kan.

Secara praktikal, apa yang AI buat ialah:

• Mengendalikan ±80% kerja kod rutin (query, transformasi data, komponen UI asas).
• Membenarkan orang yang faham proses (kewangan, risiko, compliance) menghasilkan prototaip sendiri.
• Menjadikan pasukan teknikal lebih fokus pada arsitektur, keselamatan, skalabiliti, bukan kerja manual yang berulang.

Hasilnya? Masa dari "idea" ke "sesuatu yang boleh dicuba" turun daripada minggu ke jam. Untuk sektor yang sangat dikawal selia seperti perbankan, ini bukan bermaksud terus skip kawalan IT — tapi fasa penerokaan awal boleh berjalan jauh lebih laju.

“Build dulu, baru decide buy”: contoh praktikal dalam kewangan

Cara fikir baru ini sangat berguna bila anda nak melabur dalam AI di kawasan kritikal seperti fraud detection, pemarkahan kredit, atau analitik pelanggan.

1. Fraud detection & anti-money laundering (AML)

Jawapan langsung: Gunakan AI untuk bina prototaip model dan workflow AML dalaman dulu, kemudian baru bandingkan vendor.

Contoh aliran kerja:

1. Pasukan risiko pilih subset data transaksi (de-identified, ikut polisi data).
2. Guna platform data dalaman + AI coding assistant untuk:
   • Jana feature asas (frekuensi, volum, lokasi, corak masa).
   • Latih beberapa model awal (contoh: isolation forest, gradient boosting) dengan bimbingan AI.
3. Pasukan risiko uji secara dalaman:
   • Berapa tinggi false positive?
   • Corak macam mana yang banyak tertangkap?
   • Keperluan explainability macam mana?
4. Lepas 2–3 minggu eksperimen, pasukan faham dengan jelas:
   • Jenis alert yang paling berguna.
   • Ambang risiko yang realistik.
   • Keperluan integrasi dengan sistem case management sedia ada.

Baru pada tahap ini anda mula berjumpa vendor AML. Bezanya:

• Anda tak lagi bergantung pada deck vendor untuk definisi masalah.
• Anda boleh tanya soalan sangat spesifik: “Macam mana sistem anda handle pattern X yang kami dah uji?”
• Anda tahu apa yang anda tak mahu bayar (feature yang cantik di demo tapi tak kritikal pada kes anda).

2. Pemarkahan kredit automatik

Jawapan langsung: Prototip cepat dengan AI membantu anda faham batasan data dan polisi dalaman sebelum beli platform scoring penuh.

Aliran realistik:

• Pasukan kredit bersama data team gunakan AI untuk
  • Analisis semula dataset sedia ada (CTOS/CCRIS, data dalaman).
  • Cuba model scoring mudah dan tengok impak ke NPL, approval rate.
• Keluaran awal mungkin tak cukup robust untuk produksi, tapi cukup untuk jawab soalan penting:
  • Adakah kita perlukan lebih banyak data alternatif (contoh: data transaksi e-dompet)?
  • Apakah segmen pelanggan yang paling sesuai di-automate dahulu?
  • Tahap explainability macam mana yang diperlukan oleh regulator dan internal credit committee?

Bila anda pergi ke vendor scoring atau platform AI kredit selepas fasa ini, anda bukan lagi sekadar cari "AI credit scoring". Anda cari solusi kepada senarai keperluan yang anda sudah validate sendiri.

3. Analitik pelanggan & harga dinamik untuk bank runcit

Dalam e-dagang, dynamic pricing sudah lama jadi standard. Bank dan insurans sebenarnya menghadap isu sama, cuma dalam bentuk berbeza:

• Kadar faedah simpanan dan pinjaman.
• Diskaun premium untuk insurans berdasarkan risiko.
• Tawaran produk bundling untuk segmen pelanggan tertentu.

Pendekatan “build untuk belajar” di sini boleh jadi begini:

1. Pasukan produk & kewangan gunakan AI untuk:
   • Segmentasi pelanggan berdasarkan tingkah laku transaksi dan nilai hayat (LTV).
   • Uji simulasi senario harga berbeza dan anggaran impaknya pada margin & churn.
2. Hasilnya mungkin hanya prototaip Excel + skrip AI di atas data warehouse, bukan sistem enterprise penuh.
3. Tapi daripada eksperimen ini, anda dapat:
   • Definisi segmen yang betul-betul penting.
   • Senarai metrik yang perlu dipantau bila harga berubah.
   • Pemahaman batasan data dalaman.

Bila anda kemudian bincang dengan vendor “customer analytics” atau “personalisation engine”, anda tahu dengan tepat feature apa yang perlu ada, dan tak akan lagi bayar mahal untuk dashboard cantik yang tak menjawab soalan bisnes.

Perangkap “cargo cult AI” dalam institusi kewangan

Banyak organisasi kewangan sekarang terperangkap dalam fasa kosmetik AI.

• Setiap produk mesti ada “AI assistant”.
• Setiap RFP tanya “adakah solusi ini AI-powered?”.
• Setiap vendor tampal label “AI” pada produk sedia ada.

Hasilnya:

• Bank beli chatbot AI, tapi tak ubah proses dalaman, jadi pelanggan masih perlu tunggu 3 hari untuk approval.
• Syarikat insurans bayar mahal untuk sistem “AI claims”, tapi manual override berlaku pada 70% kes sebab polisi tak disusun semula.
• Fintech guna AI scoring, tapi masih on-board pelanggan berdasarkan borang lama yang penuh friction.

Ini sama seperti cerita “cargo cult”: bina landasan dan menara kawalan, harap kapal terbang akan mendarat. Bentuk ada, tapi fungsi tak wujud.

Cara elak perangkap ini dalam konteks build vs buy:

• Jangan beli AI semata-mata kerana label. Tanya: "Kerja siapa yang jadi lebih cepat atau lebih tepat bila kita guna ini?"
• Gunakan prototaip AI dalaman untuk uji sama ada masalah itu benar-benar wujud, atau sebenarnya isu proses dan polisi.
• Ukur sebelum beli: kalau prototaip ringkas anda sudah beri 60–70% manfaat, vendor perlu jelaskan dengan jelas apa 30–40% tambahan yang justify harga mereka.

Peranan baru pasukan kewangan: dari penjaga bajet kepada arkitek AI

Untuk sektor kewangan, saya percaya pasukan kewangan (CFO, FP&A, procurement) kini ada superpower baru bila AI menjadikan prototaip begitu murah dan cepat.

Daripada hanya tanya "berapa kos sistem ini?", pasukan kewangan kini boleh:

1. Mandatkan fasa “build untuk belajar”
   Jadikan syarat: sebelum mana-mana projek AI > jumlah tertentu diluluskan, mesti ada:

   • Prototaip dalaman (walaupun kasar).
   • Bukti konsep (POC) dengan metrik asas.
   • Senarai keperluan yang dihasilkan daripada eksperimen sebenar, bukan daripada brochure vendor.

2. Mengurangkan risiko vendor lock-in
   Bila organisasi sudah ada versi prototaip sendiri:

   • Anda berunding dari kedudukan lebih kuat.
   • Anda tahu berapa banyak kerja sebenarnya, jadi sukar untuk vendor overcharge.
   • Kalau vendor tak menjadi, pasukan dalaman masih faham bentuk penyelesaian dan boleh pivot.

3. Mengutamakan projek yang benar-benar penting
   Dengan kos prototaip yang rendah, anda boleh:

   • Cuba 5–10 idea kecil,
   • Bunuh cepat projek yang tak nampak traction,
   • Gandakan pelaburan pada 2–3 inisiatif yang jelas menunjukkan impak.

Dalam ekosistem perkhidmatan kewangan Malaysia yang sangat kompetitif, ini beza antara bank/fintech yang "tampal AI" berbanding yang betul-betul boleh iterasi produk dan proses lebih pantas daripada pesaing.

Bagaimana nak mula: rangka kerja 30 hari untuk bank & fintech

Untuk jadikan konsep ini praktikal, berikut satu rangka kerja ringkas yang saya sendiri akan cadangkan jika saya duduk bersama pasukan transformasi digital di sebuah bank atau insurans Malaysia.

Minggu 1: Pilih masalah kecil tapi bernilai

• Fokus pada 1–2 kes guna seperti:
  • Analitik kecairan harian,
  • Semakan dokumen onboarding,
  • Pengenalpastian transaksi mencurigakan mudah.
• Pastikan masalah:
  • Cukup kecil untuk diuji dalam 30 hari,
  • Ada pemilik proses yang jelas,
  • Ada data asas yang boleh diakses secara selamat.

Minggu 2–3: Build prototaip dengan AI

• Gunakan gabungan:
  • AI coding assistant di atas repositori kod / data dalaman,
  • Alat visualisation BI sedia ada,
  • Skrip automasi kecil (yang dihasilkan AI, disemak developer).
• Sasaran bukan sistem produksi, tetapi:
  • Paparan insight yang boleh difahami,
  • Workflow asas yang menunjukkan bagaimana proses boleh berubah,
  • Metrik kasar impak (masa jimat, ketepatan meningkat, dsb.).

Minggu 4: Keputusan build vs buy (berdasarkan pembelajaran)

Selepas 3 minggu bereksperimen, baru jawab tiga soalan penting:

1. Adakah masalah ini benar-benar worth diselesaikan sekarang?
2. Adakah kita perlukan sistem enterprise berskala besar, atau cukup dengan memperkemas prototaip yang ada?
3. Jika nak beli, vendor macam mana yang kita perlukan, dan ciri apa yang mesti ada berdasarkan apa yang kita sudah pelajari?

Bila proses ini jadi standard, organisasi kewangan akan perlahan-lahan meninggalkan mindset lama yang berat dan mahal, dan menggantikan dengan budaya uji cepat, belajar cepat, beli dengan lebih bijak.

Penutup: AI tak membunuh "build vs buy" – ia menaik tarafnya

Dalam landskap perkhidmatan kewangan Malaysia hari ini, tekanan untuk "jadi syarikat AI" sangat kuat. Tapi realiti yang saya nampak: yang menang nanti bukan yang paling banyak beli produk AI, tapi yang paling sistematik guna AI untuk belajar sebelum beli.

Bagi bank, insurans dan fintech, mesejnya jelas:

• Gunakan AI untuk membina prototaip pantas bagi fraud detection, pemarkahan kredit, analitik pelanggan dan pematuhan.
• Jadikan “build untuk belajar apa yang patut buy” sebagai prinsip asas pelaburan teknologi.
• Libatkan pasukan kewangan sebagai penjaga disiplin ini, bukan hanya approver bajet terakhir.

Siri "AI dalam Perkhidmatan Kewangan" ini wujud kerana satu sebab: AI sudah pun mengubah cara risiko diukur, penipuan dikesan dan pelanggan dilayan. Soalnya sekarang — adakah organisasi anda masih terperangkap dalam dilema build vs buy yang lama, atau sudah bersedia untuk guna AI bagi mengubah cara anda membuat keputusan teknologi?

Jawapannya akan tentukan sama ada anda hanya mengikut gelombang AI… atau memanfaatkan sepenuhnya potensinya.