AI boleh jadikan pengurusan disput pembayaran lebih pantas tanpa mengorbankan empati. Begini cara bank, insurans dan fintech Malaysia patut merancangnya.
AI, Empati & Disput Pembayaran: Strategi Baharu Bank
Pada 2024, beberapa bank Asia melaporkan pertumbuhan transaksi real-time payments melebihi 40%. Kadar pertumbuhan ini datang dengan satu kesan sampingan yang jelas: lonjakan kes penipuan dan disput transaksi kad serta eāwallet. Di Malaysia, bank, insurans dan fintech kini bukan sahaja dinilai pada kadar kelulusan dan kadar penolakan fraud, tetapi juga pada cara mereka melayan pelanggan bila sesuatu transaksi ātak kenaā.
Inilah titik kritikal di mana webinar Finextra bersama Pega tentang āThe āEā Word: Balancing Efficiency and Empathy in Retail Payments Disputes with AIā menjadi sangat relevan. Isunya bukan sekadar ābagaimana nak automasi disputā, tetapi bagaimana nak pastikan sistem AI pantas, patuh regulasi, dan masih berempati ā sesuatu yang pelanggan Malaysia semakin peka.
Artikel ini mengupas idea utama daripada webinar tersebut dan mengaitkannya dengan realiti sektor kewangan Malaysia: dari bank besar dan takaful sampai fintech BNPL. Fokusnya mudah: bagaimana AI boleh bantu anda seimbangkan kecekapan dan empati dalam pengurusan disput pembayaran dan fraud.
1. Kenapa disput pembayaran perlukan AI dan empati
Disput pembayaran hari ini terlalu kompleks dan terlalu pantas untuk ditangani secara manual, tetapi terlalu sensitif untuk diserahkan 100% kepada mesin.
Dalam konteks Malaysia, beberapa trend menjadikan kombinasi AI + empati ini kritikal:
- Peningkatan penggunaan DuitNow, FPX, kad dan eāwallet
- Scam yang semakin halus (pelaburan palsu, love scam, invoice fraud untuk SME)
- Kesedaran pelanggan tentang hak mereka dan tekanan media sosial bila kes tak diurus dengan baik
Bagi pelanggan, disput bukan isu teknikal ā ia isu emosi:
- Duit gaji hilang dalam scam, keluarga tertekan
- Peniaga kecil kehilangan bayaran kerana caj balik (chargeback)
- Pelanggan rasa dipersalahkan bila bank terlalu defensif
Bank yang hanya fokus pada kecekapan ā masa respon, kos per kes, SLA ā tetapi mengabaikan pengalaman emosi pelanggan, akan nampak ādinginā dan tak peduli. Sebaliknya, bank yang terlalu āberlembutā tanpa automasi akan bergelut dengan kos operasi, risiko moral hazard dan isu backlog disput.
Realitinya: AI sesuai urus skala dan kelajuan, manusia pula perlu urus empati dan penghakiman halus. Reka bentuk proses disput moden mesti gabungkan kedua-duanya.
2. Pelajaran global yang relevan untuk Malaysia: UK, US, Kanada
Webinar Finextra menekankan perbezaan ketara rangka kerja regulatori antara UK, US dan Kanada. Walaupun Malaysia ada ekosistem sendiri (BNM, PIDM, Suruhanjaya Sekuriti), arah pergerakan global memberi beberapa isyarat penting.
Apa yang berlaku di luar negara?
- UK ā FCA menekan kuat aspek perlindungan pengguna melalui Consumer Duty dan peraturan safeguarding yang lebih ketat. Bank perlu tunjuk mereka bukan sekadar patuh dari segi teknikal, tetapi betulābetul mengutamakan kepentingan pelanggan.
- US ā terdapat peningkatan litigasi dan tekanan politik untuk alihkan lebih banyak liabiliti fraud kepada institusi kewangan, walaupun peranan CFPB naik turun mengikut suasana politik.
- Kanada ā lebih konservatif tetapi semakin mengikut trend global, terutama bila transaksi rentas sempadan dan realātime payment semakin luas.
Apa kaitan dengan Malaysia?
Malaysia sudah pun berada pada landasan yang sama dari beberapa sudut:
- Penekanan BNM pada responsible finance dan fair treatment
- Garis panduan jelas tentang tanggungjawab bank dalam kes penipuan dan transaksi tidak sah
- Tekanan reputasi apabila kes viral di media sosial, walaupun dari sudut undangāundang bank mungkin ābetulā
Implikasi untuk bank dan fintech Malaysia:
- Reka proses disput yang fleksibel mengikut zon regulasi ā contohnya, bank yang beroperasi di Malaysia, Singapura dan UK perlukan sistem yang boleh menyesuaikan tatacara disput mengikut negara dan jenis produk.
- Gunakan AI untuk membaca konteks peraturan ā model peraturan berasaskan peraturan (rules engine) digabung dengan AI boleh bantu tentukan senario di mana pelanggan patut diberi bayaran balik automatik, dan senario yang perlukan siasatan mendalam.
- Dokumentasi dan audit trail yang telus ā bila AI terlibat, keupayaan menjelaskan ākenapa keputusan ini dibuatā menjadi kritikal kepada pengawal selia.
3. Di mana AI paling berkesan dalam disput pembayaran
AI paling berbaloi digunakan pada bahagian aliran kerja (workflow) yang berulang, berdata tinggi, dan berskala besar ā bukan pada keputusan emosi yang kompleks.
Webinar tersebut menyentuh tentang automasi dan agentic AI yang boleh membuat tindakan bagi pihak pengguna. Untuk konteks Malaysia, beberapa aplikasi praktikal termasuk:
3.1 Pra-saringan disput & fraud
AI boleh menilai setiap tuntutan disput berdasarkan:
- Corak transaksi sebelumnya
- Sejarah hubungan pelanggan dengan institusi
- Jenis pedagang atau penerima
- Lokasi dan peranti digunakan
Daripada data ini, sistem boleh:
- Mengesan āfriendly fraudā (pelanggan sebenarnya guna sendiri, kemudian buat tuntutan balik)
- Membezakan antara scam, kecurian data kad, atau salah faham biasa
- Mengutamakan kes berisiko tinggi (contohnya melibatkan jumlah besar atau kumpulan rentan)
3.2 Automasi pengumpulan bukti
Dalam banyak kes, kelewatan datang daripada proses manual mengumpul maklumat. AI boleh:
- Menghantar permintaan dokumen secara automatik melalui aplikasi atau eāmel
- Menggunakan pemprosesan dokumen (OCR + NLP) untuk mengekstrak maklumat dari laporan polis, resit, atau invois
- Menyusun bukti mengikut struktur yang mudah disemak pegawai penyiasat
Hasilnya, pegawai disput tak lagi habiskan masa mengejar dokumen, tetapi menilai bukti dan bercakap dengan pelanggan.
3.3 Agentic AI sebagai pembantu pegawai dan chatbot
Agentic AI bukan sekadar chatbot biasa; ia boleh memulakan tindakan:
- Menyediakan cadangan keputusan kepada pegawai (contoh: ācadangan: bayaran balik separa 70%, berdasarkan pola kes serupaā)
- Menjana surat notifikasi keputusan secara automatik dengan bahasa yang lebih empati
- Menghubungkan pelanggan kepada saluran bantuan lain: talian kaunseling kewangan, pusat maklumat scam, atau pegawai khas bila kes serius
Dalam konteks Malaysia, banyak bank sudah ada chatbot untuk semak baki dan produk. Langkah seterusnya ialah chatbot dan pembantu AI yang memahami konteks disput dan boleh berbual dengan lebih empatik, bukan hanya menjawab skrip tetap.
4. Risiko bila terlalu bergantung kepada AI (dan cara kawal)
AI yang salah guna dalam disput boleh merosakkan kepercayaan pelanggan lebih pantas daripada satu sistem manual yang perlahan.
Pihak panel webinar menekankan beberapa risiko utama:
- Bias sistemik ā jika data latihan berat sebelah (contohnya lebih kerap menolak tuntutan dari segmen tertentu), AI akan mengekalkan ketidakadilan itu.
- Kurang ketelusan ā pelanggan dan pengawal selia perlu faham secara asas bagaimana keputusan dibuat.
- āAutomation biasā dalaman ā staf mungkin terlalu percaya cadangan AI dan jarang mencabar keputusan walaupun ada petunjuk pelik.
Untuk pasaran Malaysia yang sangat sensitif kepada isu keadilan dan syariah (bagi institusi Islamik), kawalan berikut penting:
-
Model governance yang jelas
- Siapa meluluskan perubahan model?
- Berapa kerap model distruktur semula dan diuji bias?
- Bagaimana override manusia direkod dan dianalisis semula?
-
Reka bentuk āhumanāinātheāloopā
- Hadkan penggunaan keputusan automatik kepada kes berisiko rendah atau nilai kecil.
- Untuk kes melibatkan pelanggan warga emas, OKU, atau jumlah besar, pastikan semakan manual wajib.
-
Bahasa komunikasi yang telus & empatik
- Gunakan AI untuk bantu menyusun penjelasan yang mudah dan adil, contohnya: āKami menilai lokasi, masa dan corak transaksi anda, dan ia sepadan dengan sejarah penggunaan anda. Sebab itu, pada peringkat ini, kami tidak dapat...ā
- Elakkan jawapan generik dan āroboticā yang buat pelanggan rasa seolahāolah tak didengar.
Ringkasnya, AI patut jadi sistem sokongan keputusan, bukan hakim mutlak.
5. Menghapuskan silo: kunci kepada pengurusan disput yang matang
Panel Finextra dan Pega juga menggariskan satu isu lama yang masih menghantui ramai institusi: sistem bersilo.
Dalam banyak bank dan insurans di rantau ini, kita masih nampak:
- Sistem fraud berasingan daripada sistem customer service
- Data transaksi kad berasingan daripada data eāwallet atau mobile banking
- Unit risiko, compliance dan operasi pelanggan yang jarang berkongsi KPI
Akibatnya:
- Pelanggan perlu ulang cerita yang sama berkaliākali
- Masa penyelesaian berpanjangan kerana data perlu āditarikā dari pelbagai sistem
- Gambar risiko pelanggan jadi kabur ā sukar membezakan pelanggan problematic dengan mangsa sebenar
Pendekatan yang lebih matang ialah satu platform disput yang bersatu dan interoperable. Beberapa langkah praktikal:
5.1 Penyatuan data secara cloud-native
Bukan bermaksud semua sistem lama perlu dimatikan, tetapi:
- Wujudkan lapisan data bersama (data fabric / lakehouse) yang menyatukan maklumat kritikal: transaksi, profil pelanggan, rekod fraud, interaksi khidmat pelanggan
- Gunakan identiti pelanggan yang konsisten di semua saluran
5.2 API terbuka antara fungsi dalaman
Institusi yang serius tentang AI dalam disput perlu:
- Menyediakan API antara sistem fraud, CRM, dan sistem tuntutan insurans/chargeback
- Membenarkan modul AI mengakses data yang diperlukan secara terkawal, bukannya bergantung pada file export manual
5.3 Penyelarasan matlamat antara fungsi
Kejayaan AI dalam disput bukan projek IT semataāmata. Ia memerlukan:
- Fraud & risiko: fokus pada pencegahan kerugian dan false positive yang rendah
- Khidmat pelanggan: fokus pada kepuasan pelanggan dan masa penyelesaian
- Pematuhan (compliance): fokus pada auditability dan pematuhan BNM/SC
Bila tiga kumpulan ini berkongsi visi dan data, barulah AI boleh benarābenar menyokong operasi yang cekap dan empatik.
6. Apa langkah seterusnya untuk bank, insurans & fintech di Malaysia?
Institusi kewangan Malaysia sudah jauh dalam penggunaan AI untuk pengesanan fraud, pemarkahan kredit dan chatbot asas. Fasa seterusnya ialah mengembangkan AI ke ruang yang paling sensitif: pengurusan disput dan pengalaman pelanggan.
Beberapa langkah praktikal yang saya cadangkan:
-
Pilih satu atau dua kes guna (use case) disput yang jelas
Contoh: automasi pra-saringan disput kad kredit di bawah jumlah tertentu, atau pengesanan awal pola āfriendly fraudā. -
Rancang pengalaman pelanggan terlebih dahulu, bukan teknologi dahulu
Tulis semula perjalanan pelanggan (customer journey) bila berlaku disput: dari saat pelanggan panik, hingga mereka menerima keputusan. Kenal pasti di mana sentuhan manusia wajib, dan di mana AI boleh mempercepatkan. -
Bangunkan āAI playbookā khusus untuk disput
- Garis panduan bila AI boleh membuat keputusan automatik
- Bila manusia mesti menyemak
- Bagaimana komunikasi hasil keputusan perlu disesuaikan mengikut segmen pelanggan
-
Uji bersama pengawal selia dalaman & audit awal
Untuk elak kejutan, libatkan fungsi compliance, audit dalaman dan risk committee sejak awal. Tunjukkan bagaimana model AI dipantau dan dibaiki. -
Jangan lupakan latihan barisan hadapan
AI mungkin buat 70% kerja di belakang tabir, tetapi 30% interaksi manusia inilah yang pelanggan akan ingat. Latih pegawai call centre dan pegawai cawangan untuk bekerja bersama AI, bukannya bersaing dengannya.
Webinar FinextraāPega tadi memberi mesej yang jelas: masa depan disput pembayaran bukan sama ada āmanusia atau mesinā, tetapi āmanusia dengan mesinā. Bagi institusi kewangan Malaysia yang sedang melabur besar dalam transformasi digital dan AI, ruang disput ini ialah peluang strategik untuk menunjukkan bahawa teknologi bukan sahaja menjimatkan kos ā ia juga boleh mengembalikan keyakinan pelanggan pada saat mereka paling tertekan.
Jika organisasi anda sedang membina pelan AI tiga tahun akan datang, letakkan pengurusan disput dan pengalaman pelanggan dalam senarai teratas. Tahun 2026 bukan jauh ā pelanggan sudah mula membandingkan siapa yang paling pantas, paling telus dan paling berempati bila duit mereka dipertaruhkan.