Bagaimana AI Cukai Mengubah Dunia Pematuhan Kewangan

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

IRIS AI tax tool tunjuk bagaimana AI pengesanan anomali boleh ubah cara bank, insurans dan fintech urus pematuhan, fraud dan pelaporan regulatori.

AI dalam kewanganpematuhan regulatoribank insurans fintechpengesanan penipuanautomasi cukaidigital transformationrisiko dan pematuhan
Share:

Bagaimana AI Cukai Mengubah Dunia Pematuhan Kewangan

Lebih 2 juta borang cukai individu difailkan setahun hanya melalui pelanggan IRIS di UK. Dengan pelancaran alat AI cukai baharu mereka, dianggarkan 6 juta jam kerja manusia akan dijimatkan. Itu hanyalah satu contoh dalam satu negara.

Untuk bank, syarikat insurans dan fintech di Malaysia yang berdepan beban pematuhan Bank Negara, LHDN, dan pelbagai rangka kerja anti-kewangan haram, angka ini patut buat kita berfikir semula tentang cara kerja sekarang.

Artikel ini gunakan pelancaran alat AI cukai IRIS Software Group sebagai kajian kes. Bukan sebab kita nak jadi firma cukai UK, tapi kerana logik di sebaliknya sangat serupa dengan cabaran pematuhan dalam sektor kewangan: volume data tinggi, peraturan kompleks, risiko denda dan reputasi, serta tekanan untuk kekal efisien.

Saya akan kupas bagaimana pendekatan AI dalam cukai ini boleh diterjemah kepada:

  • pemantauan transaksi bank secara masa nyata,
  • pengesanan penipuan insurans,
  • kawal selia fintech dan e-wallet,
  • dan cara praktikal untuk pasukan risiko & pematuhan memulakan projek AI di Malaysia.

Apa Sebenarnya IRIS AI Tax Tool Dan Kenapa Ia Penting Untuk Kewangan

Alat cukai IRIS ialah platform AI pengesanan anomali yang disepadukan dalam sistem perakaunan mereka. Ia dibina atas model bahasa besar (GPT-4.1) dan infrastruktur AI Microsoft.

Secara ringkas, apa yang ia buat:

  • bandingkan data cukai tahun semasa dengan tahun-tahun lepas,
  • kesan pola luar biasa (pendapatan melonjak turun naik, dividen hilang, pendapatan faedah tertinggal, ralat masukan manual),
  • beri amaran kepada akauntan sebelum borang dihantar kepada pihak berkuasa cukai,
  • dan dalam fasa akan datang, akan buat validasi automatik ikut peraturan HMRC, ekstrak dokumen seperti slip gaji, dan jana laporan untuk klien.

IRIS sasarkan:

  • pengurangan masa penyediaan cukai sehingga 62.5%, dan
  • pengurangan ralat sehingga 95%.

Sekarang kaitkan dengan dunia kewangan:

Kalau AI boleh kurangkan hampir semua ralat manusia dalam penyediaan cukai, tiada sebab ia tak boleh buat perkara sama untuk pematuhan AML, pemantauan transaksi, kredit scoring dan pelaporan kawal selia.

Inilah sebab pemain kewangan patut ambil serius model IRIS ini – ia menunjukkan bentuk "kilang pematuhan AI" yang praktikal, bukan hanya slogan transformasi digital.

Dari Ralat Cukai Ke Penipuan: Logik Sama, Risiko Berbeza

Pengesanan anomali ialah teras kebanyakan kes penggunaan AI dalam kewangan. Apa yang IRIS lakukan untuk cukai sebenarnya boleh dipetakan terus ke beberapa senario utama di Malaysia.

1. Pengesanan penipuan dan AML di bank

Dalam cukai:

  • AI IRIS bandingkan data tahun-ke-tahun,
  • kesan perubahan pelik,
  • tagkan rekod untuk semakan manusia.

Dalam bank dan fintech, logik sama boleh diguna untuk:

  • pola transaksi luar kebiasaan pelanggan (frekuensi, lokasi, amaun),
  • akaun yang tiba-tiba aktif dengan volume besar,
  • hubungan kompleks antara akaun yang sukar dikesan secara manual,
  • percanggahan antara profil KYC dan tingkah laku sebenar.

Perbezaan utama: dalam cukai, ralat mungkin bermaksud denda. Dalam AML, ralat boleh bermaksud keterlibatan dalam pengubahan wang haram atau pembiayaan keganasan. Risiko reputasi dan kawal selia jauh lebih tinggi – tapi teknik AI sama boleh dipakai.

2. Penipuan insurans dan tuntutan palsu

Alat IRIS flagkan pendapatan atau tuntutan yang tak masuk akal berbanding sejarah pelanggan.

Untuk insurans:

  • tuntutan berulang yang luar biasa dari pemegang polisi sama,
  • rangkaian bengkel, klinik dan ejen yang kerap muncul bersama,
  • tuntutan yang bercanggah dengan rekod lain (contoh: status pekerjaan, lokasi, sejarah perubatan),
  • teks dalam laporan tuntutan yang kelihatan dihasilkan atau diubah secara mencurigakan.

Generasi akauntan muda di UK yang memacu penggunaan AI – menurut IRIS, akauntan 18–24 tahun guna AI 29% lebih tinggi berbanding generasi lebih senior – ialah gambaran apa yang sedang berlaku dalam syarikat insurans dan fintech di sini. Tenaga kerja baharu memang menjangkakan sistem yang pintar.

3. Skor kredit, wealth analytics dan pematuhan pelbagai peraturan

IRIS gunakan AI untuk:

  • menyemak konsistensi angka,
  • memetakan data kepada peraturan cukai,
  • mengurangkan ralat manual.

Dalam bank dan fintech, corak yang sama boleh diadaptasi untuk:

  • skor kredit yang menggabungkan data transaksi masa nyata dengan sejarah pelanggan,
  • portfolio pelaburan yang dipantau terhadap had kawal selia dan polisi risiko dalaman,
  • penghasilan laporan kawal selia automatik (contoh: pelaporan kepada BNM, LHDN, SC),
  • pemeriksaan pre-trade dan post-trade terhadap peraturan dalaman dan luaran.

Ringkasnya, AI cukai seperti IRIS hanyalah satu variasi daripada keluarga besar sistem pengesanan anomali dan pematuhan automatik yang sangat relevan untuk sektor kewangan.

Apa Yang IRIS Lakukan Betul: Model “AI-First, AI-Everywhere”

Ramai organisasi kata mereka mahu jadi "AI-first", tapi tak ramai yang betul-betul struktur pelaburan dan produk mengikut prinsip itu. IRIS bagi satu pelan yang agak jelas.

1. Integrasi dalam aliran kerja, bukan alat sampingan

Alat AI mereka tersedia terus dalam IRIS Elements dan IRIS Accountancy Suite, tanpa caj tambahan. Maksudnya:

  • tiada tab baru yang orang malas buka,
  • tiada proses eksport-import data,
  • akauntan nampak cadangan AI dalam aliran kerja yang sama.

Dalam bank atau insurans, ini bermakna AI patut:

  • berada terus dalam sistem core banking, LMS pinjaman, sistem tuntutan, atau portal pematuhan,
  • bukan sekadar dashboard terpisah yang hanya pasukan data pakai.

2. Pelaksanaan berfasa, tapi dengan sasaran jelas

IRIS rancang tiga fasa dalam 12 bulan:

  1. Pengesanan anomali (sudah dilancar).
  2. Validasi pintar ikut peraturan dan ekstrak dokumen automatik (P60, slip gaji dan lain-lain).
  3. Automasi penuh selepas hantar borang, termasuk pemantauan dan laporan klien dijana AI.

Untuk institusi kewangan, pendekatan serupa boleh jadi:

  • Fasa 1: AI sebagai sistem amaran awal (flag transaksi atau fail yang berisiko).
  • Fasa 2: AI sebagai co-pilot pematuhan (beri cadangan klausa, isi borang pelaporan, semak peraturan rentas negara).
  • Fasa 3: AI sebagai automasi operasi (hantar laporan, dokumentasi audit, dashboard risiko untuk pengurusan).

Yang penting, setiap fasa ada output perniagaan yang boleh diukur – jam dijimatkan, ralat dikurangkan, kos elak denda.

3. Fokus pada ROI yang nyata

IRIS secara terbuka sebut angka jimat:

  • firma saiz sederhana dijangka jimat sehingga £44,930 setahun selepas semua fasa siap,
  • firma sederhana: purata 1,250 jam setahun dijimatkan,
  • firma kecil: sekurang-kurangnya 250 jam setahun.

Dalam kewangan, pengiraan sebegini penting untuk meyakinkan CFO, CRO dan regulator dalaman:

  • berapa jam semakan manual AML boleh dikurangkan,
  • berapa banyak audit finding berkaitan data quality boleh dikurangkan,
  • berapa hari boleh dipendekkan untuk siap laporan regulatori suku tahunan.

Kalau projek AI anda tak ada matriks macam ini, itu petanda ada yang longgar di peringkat perancangan.

Implikasi Praktikal Untuk Bank, Insurans & Fintech Di Malaysia

Jadi, apa yang pasukan risiko, pematuhan dan teknologi boleh buat dengan pelajaran daripada IRIS ini?

1. Mulakan dengan satu proses pematuhan yang paling menyakitkan

IRIS pilih penyediaan cukai individu – proses yang:

  • berulang setiap tahun,
  • padat peraturan,
  • terdedah kepada ralat manual,
  • dan penting dari sudut kawal selia.

Dalam organisasi anda, calon yang tipikal:

  • semakan manual AML (name screening, transaction review),
  • proses on-boarding pelanggan tinggi risiko,
  • tuntutan insurans motor atau perubatan yang volume tinggi,
  • pelaporan berkala kepada BNM atau LHDN yang ambil masa berhari-hari.

Pilih satu, kemudian bina MVP AI di sekelilingnya – bukan cuba selesaikan semua masalah sekaligus.

2. Gunakan model "AI sebagai rakan kongsi pematuhan"

IRIS mengubah naratif daripada sekadar penyedia perisian pematuhan kepada rakan penyediaan cukai berkuasa AI. Itu shift minda yang penting.

Untuk kewangan, AI patut diposisikan sebagai:

  • rakan semak risiko untuk pegawai pematuhan,
  • penasihat pantas untuk pegawai kredit,
  • pembantu dokumentasi untuk pasukan undang-undang.

Bukan pengganti manusia, tapi:

  • kurangkan kerja penghasilan laporan,
  • standardkan semakan,
  • dan jadi "second pair of eyes" yang konsisten.

3. Sandarkan AI pada infrastruktur yang selamat dan terkawal

IRIS bina atas infrastruktur AI Microsoft yang "enterprise-grade". Dalam konteks Malaysia, isu utama yang selalu timbul:

  • lokasi data (on-prem vs cloud, dalam negara vs luar negara),
  • kawalan akses dan audit trail,
  • kebolehan jelaskan keputusan AI kepada regulator.

Sebelum fikir model paling hebat, pastikan:

  • data lineage jelas,
  • siapa boleh akses apa didokumenkan,
  • dan ada mekanisme untuk log semua keputusan AI bagi tujuan audit.

4. Rancang garis masa 6–12 bulan, bukan projek tanpa hujung

IRIS tetapkan tempoh 12 bulan untuk tiga fasa. Ini cukup lama untuk bina sesuatu yang kukuh, tapi cukup pendek untuk kekal momentum.

Untuk projek AI pematuhan di bank atau insurans, sasaran realistik:

  • 3 bulan pertama: identifikasi kes guna, pembersihan data, reka bentuk MVP.
  • 3–6 bulan: pelancaran terhad (pilot) di satu unit perniagaan.
  • 6–12 bulan: perluasan, tambah automasi, integrasi penuh dalam sistem teras.

Kalau projek AI pematuhan anda masih "dalam kajian" selepas dua tahun tanpa pilot jelas, itu lebih kepada kajian akademik berbanding inisiatif perniagaan.

Apa Langkah Seterusnya Untuk Organisasi Anda?

IRIS menunjukkan bahawa AI untuk pematuhan bukan lagi konsep abstrak. Ia sudah wujud, beroperasi pada skala besar, dan mampu menjimatkan berjuta jam kerja manusia.

Bagi pemain kewangan di Malaysia yang sudah pun melabur dalam:

  • penipuan berasaskan AI,
  • kredit scoring automatik,
  • chatbot khidmat pelanggan,
  • dan analitik kekayaan,

satu bahagian yang sering tertinggal ialah pematuhan dan pelaporan regulatori yang benar-benar automatik.

Kalau anda di bahagian risiko, pematuhan, audit dalaman, teknologi atau data, soalan yang patut anda tanya minggu ini bukan "Perlu atau tidak AI?", tetapi:

  • proses pematuhan mana yang paling wajar dijadikan MVP AI 12 bulan pertama,
  • siapa pemilik perniagaan yang berani jadi penaja projek,
  • dan bagaimana anda akan mengukur jam, kos dan ralat yang boleh dikurangkan.

Realitinya lebih ringkas daripada yang kita sangka: AI yang bagus dalam pematuhan ialah AI yang bantu anda tidur lena kerana tahu angka dan laporan anda konsisten, dapat diaudit dan kurang silap.

Musim laporan tahunan dan persediaan bajet 2026 sedang rancak. Ini masa yang sesuai untuk jadikan projek AI pematuhan sebagai salah satu inisiatif strategik – bukan projek sampingan.