AI Cukai & Perakaunan: Petanda Jelas Masa Depan Runcit

AI cukai, RM1 trilion data dan apa kaitannya dengan runcit

Dalam tempoh empat tahun, profesion perakaunan di AS kehilangan kira-kira 340,000 pekerja, bersamaan susut 17%. Pada masa yang sama, nilai bil fee perakaunan mencecah sekitar USD250 bilion setahun. Jurang antara permintaan dan kapasiti manusia semakin luas.

Ini bukan hanya kisah firma audit di Wall Street. Corak yang sama sedang berlaku pada runcit besar, pasar raya, jenama omni-channel dan marketplace e-dagang: kerja semakin kompleks, bakat semakin sukar dicari, margin semakin ditekan.

Di tengah tekanan inilah muncul Marble, sebuah startup AI cukai yang baru sahaja memperoleh USD9 juta bagi membangunkan agen AI untuk profesional cukai. Apa yang mereka lakukan untuk dunia perakaunan hari ini adalah gambaran jelas apa yang akan – dan sedang – berlaku kepada operasi runcit dan e-dagang esok.

Dalam siri “AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)” ini, fokus biasanya kepada bank dan fintech. Tapi kisah Marble menunjukkan sesuatu yang lebih besar: cara sektor yang sangat dikawal selia (seperti cukai) menerima AI memberi banyak petunjuk kepada bagaimana runcit besar, marketplace dan pemain pembayaran patut merancang strategi mereka sendiri.

---

1. Kenapa AI cukai patut buat peruncit & e-dagang berfikir dua kali

Trend pertama yang jelas: apabila industri paling konservatif pun mula bergantung kepada AI, runcit tidak lagi ada alasan untuk tunggu dan lihat.

Dalam kajian 2025 oleh Hanover Research dan Avalara, 84% pasukan kewangan dan cukai melaporkan mereka kini menggunakan AI secara meluas, meningkat daripada 47% pada 2024. Dalam masa setahun sahaja, penggunaan hampir berganda.

Marble masuk tepat pada masa:

• Tenaga kerja perakaunan menyusut
• Kod cukai semakin kompleks
• Firma besar sudah mula labur berbilion dalam AI audit dan cukai

Kalau firma cukai boleh:

• Mengurangkan masa kajian perundangan yang rumit
• Menjaga pematuhan di bawah pengawasan regulator
• Dan masih yakin dengan keselamatan data pelanggan

…peruncit dan e-dagang sebenarnya mempunyai lebih ruang untuk bergerak kerana:

• Data mereka lebih banyak berkaitan corak belian, inventori, harga dan tingkah laku pelanggan
• Risiko regulatori masih besar (contoh: data privasi, BNPL, cukai digital), tapi kurang rumit daripada kod cukai persekutuan
• Pulangannya jelas: stok lebih tepat, harga lebih bijak, promosi lebih tersasar, dan pengalaman pelanggan lebih peribadi

Realitinya: jika AI mampu "faham" dan menaakul ribuan mukasurat peraturan cukai, AI juga mampu mengurus juta-juta baris data transaksi runcit jauh lebih konsisten daripada pasukan manusia semata-mata.

---

2. Dari bil jam ke nilai hasil: pelajaran untuk model perniagaan runcit

Industri perakaunan tradisional hidup dengan model billable hours – caj mengikut jam kerja staf. Bila AI mula automasi kerja asas, ramai takut pendapatan akan jatuh kerana "jam" berkurang.

Marble mengambil pendirian yang berbeza: bukannya memusnahkan model perniagaan, AI sebenarnya membebaskan kapasiti untuk kerja yang lebih bernilai tinggi, iaitu nasihat strategik dan perancangan.

Ini sangat selari dengan apa yang sedang berlaku dalam runcit dan e-dagang:

• Bahagian operasi sibuk dengan kerja harian: kemaskini harga, kira stok, buat laporan jualan, urus SLA penghantaran
• Bahagian pemasaran pula bergelut urus berpuluh kempen serentak di pelbagai channel
• Sementara itu, kerja bernilai tinggi seperti perancangan kategori, reka bentuk pengalaman omnichannel, dan eksperimen model langganan pelanggan sering tertangguh

Apa Marble buat untuk akauntan, AI boleh buat untuk runcit:

1. Automasi kerja asas
   Seperti AI cukai automasi carian seksyen undang-undang dan ringkasan kes, AI runcit boleh:

   • Jana laporan jualan automatik setiap pagi mengikut kategori dan cawangan
   • Kesan anomali dalam margin (contoh promosi makan margin tanpa disedari)
   • Cadangkan stok optimum berdasarkan sejarah dan musim (contoh jualan Raya, Tahun Baru Cina)

2. Alih fokus ke kerja “nasihat”
   Akauntan yang tidak lagi tenggelam dalam kerja pematuhan boleh fokus kepada perancangan cukai strategik.
   Begitu juga, pengurus runcit yang tidak lagi tenggelam dalam Excel boleh fokus kepada:

   • Reka bundle produk khas untuk segmen pelanggan bernilai tinggi
   • Rancang kerjasama jenama (co-branding) berdasarkan data tingkah laku
   • Bina program kesetiaan yang lebih pintar berdasarkan LTV, bukannya mata ganjaran semata-mata

3. Naik taraf peranan staf barisan hadapan & penganalisis
   Sama seperti akauntan muda tidak hilang kerja, mereka berubah daripada "tukang key-in" kepada penasihat.
   Dalam runcit, AI boleh jadikan:

   • Penganalisis data kepada partner strategi kepada pengarah kategori
   • Ejen khidmat pelanggan kepada konsultan peribadi yang dibantu cadangan masa nyata

Bagi saya, apa yang paling kritikal untuk peruncit besar ialah cara mereka menilai ROI AI. Jika anda hanya ukur penjimatan kos, anda akan terlepas 50–70% nilai sebenar: pendapatan baru yang datang daripada kemampuan membuat keputusan lebih pintar pada skala besar.

---

3. Marble sebagai peta: bagaimana AI "agen penaakul" patut digunakan dalam runcit

Marble tidak sekadar membina chatbot. Mereka membina agen AI yang menaakul (reasoning agents) atas data cukai yang sangat kompleks. Ini penting, sebab runcit juga semakin memerlukan agen penaakul, bukan sekadar model ramalan buta.

Apa itu agen penaakul dalam konteks runcit?

Dalam cukai, agen AI Marble:

• Baca ribuan halaman peraturan
• Faham hubungan antara klausa
• Jawab soalan dengan rujukan jelas
• Analisis senario pematuhan

Dalam runcit & e-dagang, agen penaakul boleh:

1. Penaakul harga & margin

   • Mengambil kira kos, permintaan, stok, musim, dan strategi pesaing
   • Memberi cadangan "Jika turunkan harga 5% di 30 cawangan bandar, margin keseluruhan masih kekal X% kerana…"

2. Penaakul promosi omni-channel

   • Menimbang konflik antara promosi di aplikasi, marketplace dan kedai fizikal
   • Cadangkan struktur promosi yang tidak memakan jualan produk utama (cannibalisation)

1. Penaakul pematuhan & risiko
   • Faham peraturan promosi (contoh garis panduan KPDN, data privasi pelanggan, had caj BNPL)
   • Memberi amaran sebelum kempen atau harga yang mungkin melanggar garis panduan dilancarkan

The thing about agen penaakul ialah: ia tidak menggantikan keputusan manusia, ia mengurangkan kebodohan kolektif yang datang daripada data yang terlalu banyak dan masa yang terlalu sedikit.

Bagi peruncit yang beroperasi di banyak negara atau negeri (contoh cukai jualan berbeza, undang-undang promosi tidak sama), pendekatan ala Marble – strukturkan undang-undang ke dalam bentuk yang AI boleh faham dan rujuk – sangat relevan.

---

4. Isu terbesar: kepercayaan, data sensitif dan realiti Malaysia

Satu mesej kuat daripada kisah Marble: tanpa kepercayaan terhadap keselamatan data, AI takkan pergi jauh.

Dalam kajian Avalara, 63% responden meletakkan kebimbangan keselamatan dan privasi data sebagai halangan utama kepada automasi kewangan dan cukai.

Profesional cukai berurusan dengan:

• Pendapatan terperinci
• Struktur syarikat
• Transaksi silang sempadan

Peruncit besar dan marketplace pula berurusan dengan:

• Data kad kredit dan e-dompet
• Corak pembelian yang sangat sensitif
• Lokasi dan tingkah laku pelanggan

Di Malaysia, dengan fokus Bank Negara dan Suruhanjaya Sekuriti terhadap perlindungan data dan integriti sistem kewangan, pemain runcit yang bermain dalam ruang payment, BNPL, e-wallet, dan mikro-kredit sebenarnya sudah dikira sebahagian daripada ekosistem perkhidmatan kewangan ringan.

Apa yang Marble lakukan boleh dijadikan garis panduan praktikal:

• Pensijilan & pematuhan sebelum produk komersial
  Mereka mendapatkan pensijilan perisian dan membina budaya keselamatan sejak hari pertama.
  Untuk peruncit: jangan tunggu skandal data sebelum mula audit model AI dan pipeline data.

• Reka bentuk "privacy by design"
  Setiap ciri yang mereka bangunkan menilai: adakah data sensitif terdedah?
  Bagi e-dagang: pastikan model cadangan produk atau skor kredit dalaman tidak menyimpan data yang tidak perlu atau melanggar persetujuan pelanggan.

• Pendekatan ‘AI sebagai pembantu, bukan hakim’
  Dalam cukai, AI Marble bantu, bukan menandatangani fail cukai.
  Dalam runcit, AI boleh cadang kelulusan diskaun besar atau kredit, tapi manusia masih membuat keputusan akhir – sekurang-kurangnya sehingga rangka kerja governans AI anda matang.

Saya berpendapat syarikat yang paling cepat membina kerangka governans AI (siapa bertanggungjawab, garis panduan data, KPI, audit berkala) akan lebih mudah menarik rakan kongsi kewangan – bank, insurans, dan fintech – kerana mereka dilihat sebagai rakan yang boleh dipercayai dalam rantaian nilai.

---

5. Apa langkah praktikal untuk peruncit & e-dagang besar sekarang?

Kalau AI sudah mengubah perakaunan dan cukai pada skala USD250 bilion, bagaimana pemain runcit patut bertindak sepanjang 2026–2027?

Berikut pendekatan yang saya cadangkan, berasaskan pelajaran daripada Marble dan pemain AI lain dalam kewangan:

1) Mulakan dengan "alat percuma" yang fokus kepada penyelidikan & analitik

Marble bermula dengan alat kajian cukai percuma untuk tarik pengguna dan bina kepercayaan.
Runcit boleh:

• Sediakan alat dalaman percuma untuk staf: contohnya asistan AI yang boleh jawab soalan seperti “Bagaimana jualan produk X di zon utara minggu lepas?”
• Uji dulu dalam satu fungsi: contohnya demand planning atau perkhidmatan pelanggan

Tujuan fasa ini bukan jimat kos, tapi membina literasi AI dalam organisasi.

2) Kenal pasti 2–3 aliran kerja paling memenatkan, bukan paling "glamor"

Marble menyasarkan kerja penyelidikan yang makan masa, bukannya terus cuba "automasi semua pemfailan cukai".

Untuk runcit:

• Proses penyelarasan stok antara gudang dan kedai
• Pengurusan harga ribuan SKU merentasi berpuluh cawangan
• Penyusunan tiket sokongan pelanggan untuk dialihkan ke pasukan yang betul

Ini biasanya tempat ROI AI paling cepat muncul.

3) Gabungkan perspektif kewangan, runcit dan risiko sejak awal

Satu kesilapan biasa: projek AI di-drive oleh IT sahaja. Dalam dunia perkhidmatan kewangan, projek AI yang berjaya selalunya:

• Di-sponsor oleh CFO atau ketua risiko
• Direka bersama pasukan perniagaan & operasi

Bagi peruncit besar:

• Libatkan CFO, ketua operasi runcit, ketua data, dan jika anda ada unit fintech dalaman, bawa mereka ke meja perbincangan yang sama
• Rangka portfolio kes penggunaan AI yang menyentuh inventori, harga, pelanggan dan kewangan serentak, bukan silo

4) Ubah cara anda mengukur prestasi staf yang menggunakan AI

Dalam perakaunan, bila AI ambil alih kerja asas, KPI staf perlu berubah daripada "jam bil" kepada nilai nasihat dan hubungan klien.

Dalam runcit:

• Untuk pengurus kategori, ukur kualiti keputusan (margin, sell-through, kepuasan pelanggan), bukan berapa banyak laporan manual yang mereka hasilkan
• Untuk agen khidmat pelanggan, ukur penyelesaian masalah kali pertama, bukan cuma bilangan tiket seorang demi seorang

Tanpa perubahan KPI, staf akan rasa AI hanya "alat tambahan" yang menambah beban, bukan mengurangkan.

---

Penutup: Jika cukai pun boleh jadi lebih pintar, apa alasan runcit?

Marble hanya satu contoh, tapi isyaratnya jelas: AI dalam perkhidmatan kewangan – daripada cukai, audit, sehingga pematuhan bank dan insurans – sedang matang dengan pantas. Bila sektor yang sangat dikawal selia pun sudah mula bergantung kepada agen AI penaakul, runcit dan e-dagang tak lagi boleh menunggu gelombang ini berlalu.

Bagi pemain runcit besar dan marketplace di Malaysia, soalan sebenarnya bukan lagi "patut guna AI atau tidak", tetapi:

• Di mana dalam rantaian nilai anda AI boleh membawa impak seperti AI cukai kepada firma perakaunan?
• Bagaimana anda boleh menggabungkan kekuatan ekosistem kewangan – bank, insurans, fintech pembayaran – dengan data runcit anda untuk membina pengalaman pelanggan yang benar-benar berbeza?

Sektor kewangan sudah menunjukkan jalan: mula dengan kes penggunaan yang jelas, bina kepercayaan data, dan jadikan manusia lebih strategik, bukan lebih terpinggir. Persoalannya sekarang, sejauh mana pantas anda mahu runcit dan e-dagang anda mengejar langkah itu menjelang 2026.