AI, Efisiensi & Empati dalam Pertikaian Pembayaran

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

Bank Malaysia guna AI untuk percepat pertikaian pembayaran dan kes fraud tanpa hilang empati. Begini cara gabungkan efisiensi, pematuhan dan pengalaman pelanggan.

AI kewanganpertikaian pembayaranfraud detectionpengalaman pelangganperbankan digital Malaysiaagentic AI
Share:

AI, Efisiensi & Empati dalam Pertikaian Pembayaran Runcit

Pada 2024, lebih 60% transaksi runcit di Malaysia sudah melalui saluran digital dan masa respons pelanggan diukur dalam minit, bukan hari. Dalam dunia pembayaran masa nyata, satu pertikaian kecil – contohnya transaksi yang pelanggan dakwa tidak sah – boleh terus meletup jadi isu reputasi di media sosial jika bank lambat bertindak atau kelihatan tidak peduli.

Di sinilah institusi kewangan biasanya tersilap: fokus terlalu keras pada efisiensi operasi, hingga terlupa satu lagi "E" yang sama penting – empati. Sistem automasi dan AI dipasang untuk memproses secepat mungkin, tetapi suara pelanggan yang cemas, panik atau marah hilang di tengah-tengah skrip dan bot.

Artikel ini mengupas bagaimana bank, insurans dan fintech di Malaysia boleh menggunakan AI bukan saja untuk menyelesaikan pertikaian pembayaran dan kes fraud dengan pantas, tetapi dalam masa yang sama mengekalkan – malah menguatkan – rasa keadilan dan kepercayaan pelanggan. Ini selari dengan tema siri AI in Financial Services (Banks, Insurance, Fintech): menggunakan AI secara bertanggungjawab, beretika dan mesra pelanggan.

Kenapa Pertikaian Pembayaran Perlukan AI dan Empati

Isu teras dalam pertikaian pembayaran runcit hari ini mudah: volume tinggi, emosi tinggi, masa sangat singkat.

Cabaran utama institusi kewangan

Beberapa realiti yang bank dan fintech Malaysia hadapi:

  • Pertumbuhan transaksi DuitNow, FPX, kad dan e-dompet menjadikan jumlah pertikaian naik tahun demi tahun.
  • Penipuan (scam) semakin sofistikated – spoofing, mule account, social engineering – menyebabkan lebih ramai pelanggan terasa tertipu walaupun kawalan teknikal sudah ketat.
  • Pelanggan biasa mengharapkan status kes dikemas kini secara masa nyata, sama seperti mereka menjejak pesanan makanan atau parcel.

Dalam situasi begini, proses manual memang tak mampu bertahan:

  • Borang kertas dan Excel menyebabkan kelewatan hari ke minggu.
  • CS team terpaksa berulang kali bertanya soalan yang sama kerana data tersebar dalam banyak sistem.
  • Pelanggan terpaksa ulang cerita setiap kali bercakap dengan pegawai berbeza – ini sangat melelahkan, terutama bila mereka baru sahaja menjadi mangsa scam.

Realitinya, AI sangat sesuai untuk menangani aspek yang berulang, berstruktur dan ber-volume tinggi dalam pertikaian pembayaran. Namun, tanpa reka bentuk yang berfokus kepada manusia, AI boleh menjadikan pengalaman pelanggan terasa dingin, kaku dan "robotik".

AI yang baik dalam pertikaian pembayaran bukan sekadar menutup tiket lebih pantas, tetapi membuat pelanggan rasa didengar, difahami dan diperlakukan dengan adil.

Bagaimana AI Mengubah Cara Bank Menyelesaikan Pertikaian

AI dalam pertikaian pembayaran runcit bukan hanya tentang chatbot. Ekosistem sebenar jauh lebih luas dan saling berhubung.

1. Pengesanan fraud masa nyata

Untuk pembayaran masa nyata, tingkap masa bagi mengesan fraud sangat sempit. Model machine learning dan risk scoring digunakan untuk:

  • mengesan corak transaksi luar biasa (jumlah, lokasi, device, masa);
  • memberi amaran sebelum transaksi disahkan;
  • memacu tindakan automatik seperti tanda amaran, secondary authentication, atau step-up verification.

Ini mengurangkan jumlah kes yang akhirnya menjadi pertikaian – pencegahan sentiasa lebih murah daripada remedi.

2. Automasi aliran kerja pertikaian

Di peringkat selepas transaksi, sistem pertikaian berasaskan AI boleh:

  • klasifikasikan jenis kes (transaksi tidak dikenali, barang tak diterima, friendly fraud, double charge, scam);
  • mencadang tindakan awal berdasarkan polisi, peraturan dan risiko (contoh: beri kredit sementara, terus siasatan, atau rujuk ke pasukan fraud khas);
  • menjana dokumen dan permintaan bukti (resit, screenshot, laporan polis) secara automatik.

Untuk Malaysia yang beroperasi di bawah kombinasi garis panduan Bank Negara, undang-undang pengguna dan piawaian rangkaian kad global, automasi ini mengurangkan ralat pematuhan dan menjadikan garis masa penyelesaian lebih konsisten.

3. Penyokong ejen manusia: agentic AI

Konsep yang semakin penting dalam webinar Finextra–Pega ialah agentic AI: sistem AI yang bukan sekadar memberi jawapan, tetapi mampu mengambil siri tindakan bagi pihak ejen, di bawah kawal selia manusia.

Dalam konteks contact centre:

  • AI mendengar perbualan (melalui transkripsi masa nyata);
  • memahami niat dan emosi pelanggan (contoh: panik, marah, keliru);
  • mencadangkan skrip empati, langkah seterusnya dan polisi yang berkaitan kepada ejen;
  • mengisi dan mengemas kini sistem back-end tanpa ejen perlu klik terlalu banyak.

Hasilnya:

  • masa panggilan lebih pendek, tetapi
  • kualiti komunikasi lebih tinggi, kerana ejen boleh fokus pada nada suara dan sokongan emosi, bukan kerja menaip.

4. Chatbot & asisten digital yang benar‑benar membantu

Malaysia sudah biasa dengan chatbot bank di WhatsApp, laman web dan aplikasi mudah alih. Bezanya sekarang, chatbot boleh dihubungkan dengan sistem pertikaian bersepadu:

  • Pelanggan boleh membuka kes pertikaian 24/7.
  • AI mengumpul maklumat lengkap kali pertama supaya pelanggan tak perlu ulang cerita.
  • Status kes boleh disemak pada bila-bila masa, dengan garis masa jelas (contoh: "kes anda kini di peringkat siasatan pedagang, jangkaan 3–5 hari bekerja").

Chatbot yang direka dengan nada bahasa yang sopan, empati dan konsisten dengan budaya tempatan akan terasa lebih "manusia" walaupun ia 100% automatik.

Empati Digital: Dari Nada Suara ke Reka Bentuk Proses

Empati bukan sekadar skrip "kami memahami keadaan anda". Dalam konteks AI kewangan, empati perlu diterjemah dalam reka bentuk sistem, dasar, dan cara keputusan dijelaskan.

Apa maksud empati dalam pertikaian pembayaran?

Beberapa prinsip konkrit:

  1. Pelanggan tidak dipersalahkan secara automatik
    Mangsa scam sering berasa malu dan bersalah. Proses pertikaian yang baik bermula dengan andaian niat baik, bukan kecurigaan.

  2. Jelas pada jangkaan masa dan langkah seterusnya
    Ketidakpastian lebih menyakitkan daripada menunggu. Notifikasi automatik yang menjelaskan apa yang berlaku seterusnya mengurangkan stres.

  3. Penjelasan keputusan yang mudah difahami
    Jika tuntutan ditolak, pelanggan perlu faham "kenapa", bukan sekadar "tidak layak". Di sini, AI boleh menjana penerangan dalam bahasa mudah, selari polisi dan peraturan.

  4. Pilihan saluran yang fleksibel
    Ada pelanggan selesa dengan chatbot, ada yang perlu bercakap dengan manusia. AI patut memudahkan handover ke ejen manusia, bukan menghalang.

Bagaimana AI boleh menyokong empati

Beberapa ciri praktikal yang saya anggap penting untuk institusi Malaysia:

  • Analitik sentimen: mengenal pasti pelanggan berisiko tinggi trauma (contoh: kehilangan simpanan persaraan) dan keutamaan untuk ejen yang lebih berpengalaman.
  • Template komunikasi berempati: AI menjana email/SMS yang bukan sahaja tepat dari segi fakta, tetapi menggunakan frasa yang lembut dan menghormati.
  • Personalisasi berdasarkan profil: pelanggan warga emas mungkin perlukan penerangan lebih ringkas, sementara pelanggan SME perlukan detail teknikal untuk audit dalaman mereka.

Empati digital ini membantu menutup jurang emosi yang wujud apabila interaksi berlaku melalui skrin, bukan di kaunter.

Regulasi: Apa Malaysia Boleh Belajar dari UK, US dan Kanada

Dalam webinar Finextra, pakar menekankan bahawa regulasi pertikaian berbeza mengikut negara, dan pendekatan AI perlu menghormati konteks tersebut.

Gambaran ringkas tiga pasaran besar

  • UK – FCA menekankan perlindungan pengguna melalui Consumer Duty dan peraturan safeguarding yang lebih ketat. Bank diberi tanggungjawab aktif untuk membuktikan mereka bertindak adil.
  • US – Peningkatan litigasi dan perdebatan tentang siapa patut menanggung liabiliti fraud, terutama untuk pembayaran masa nyata dan Zelle/ACH. Tekanan undang-undang mendorong lebih banyak automasi audit trail.
  • Kanada – Pendekatan lebih konservatif tetapi mula bergerak seiring dengan trend global, dengan tumpuan pada standard interoperabiliti dan keselamatan.

Implikasi untuk Malaysia

Malaysia berada di tengah-tengah arus global ini. Dengan inisiatif seperti pembayaran masa nyata dan pelan kerangka AI nasional, bank dan fintech perlu:

  • membina sistem pertikaian yang cukup fleksibel untuk menampung perubahan garis panduan Bank Negara dan piawaian antarabangsa;
  • memastikan AI telus dan boleh diaudit – siapa ubah status kes, bila, berdasarkan data apa;
  • mengurus data merentas sempadan dengan cermat, terutama untuk pertikaian melibatkan pedagang luar negara.

Institusi yang bermula awal dengan platform pertikaian berasaskan AI yang mematuhi prinsip ini akan lebih bersedia apabila peraturan AI kewangan menjadi lebih spesifik.

Bahaya Sistem Berpecah & Kenapa Pendekatan Bersepadu Lebih Bijak

Hampir semua bank besar bermula dengan sistem yang berpecah: satu sistem untuk kad kredit, satu untuk pemindahan dana, satu lagi untuk e-dompet, dan spreadsheet untuk kes khas. Pada awalnya, ia nampak praktikal. Lama-kelamaan, kosnya sangat tinggi.

Masalah utama sistem ber-silo

  • Data bertindih dan bercanggah – nama pelanggan, status kes, jumlah pertikaian berulang.
  • Respons tidak konsisten – dua pelanggan dengan kes serupa menerima keputusan berbeza kerana platform yang berbeza.
  • Laporan pengurusan lambat dan tidak tepat – sukar menilai punca sebenar kerugian fraud atau mengenal pasti trend scam terkini.

Dalam konteks AI, silo ini lebih teruk: model sukar dilatih dengan data menyeluruh, dan keputusan AI menjadi sempit serta bias.

Ciri-ciri pendekatan pertikaian yang bersepadu

Pendekatan yang saya lihat makin popular di bank progresif mempunyai elemen berikut:

  1. Satu platform teras pertikaian
    Semua kes – kad, pemindahan, QR, e-dompet, insurans – diurus melalui case management yang sama, dengan jenis kes dan peraturan khusus di atasnya.

  2. Penggunaan open API
    Platform pertikaian dihubungkan dengan sistem perbankan teras, sistem fraud, KYC, CRM dan alat komunikasi tanpa integrasi point‑to‑point yang rapuh.

  3. Data lake/katalog data bersama
    Model AI dilatih dengan pandangan menyeluruh pelanggan dan transaksi, bukan subset kecil.

  4. Governans AI yang jelas
    Siapa meluluskan model baharu, bagaimana ujian bias dibuat, bagaimana keputusan AI diteliti semula bila pelanggan membuat rayuan.

Dengan asas ini, bank dan fintech Malaysia bukan sahaja menyelesaikan pertikaian lebih pantas tetapi juga menaik taraf keseluruhan keupayaan risiko dan pematuhan.

Langkah Praktikal untuk Bank, Insurans & Fintech di Malaysia

Bagi organisasi yang serius mahu menggabungkan efisiensi dan empati dalam pertikaian pembayaran berasaskan AI, beberapa langkah praktikal boleh dijadikan pelan jalan.

1. Mulakan dengan kes guna berimpak tinggi tetapi risiko rendah

Contoh yang sesuai:

  • automasi pengumpulan dokumen dan bukti;
  • penjejakan status kes masa nyata dalam aplikasi pelanggan;
  • cadangan respons untuk ejen berdasarkan skrip empati.

Ini memberi manfaat cepat tanpa menyentuh keputusan liabiliti paling sensitif.

2. Libatkan pasukan frontline sejak awal

Jangan reka sistem pertikaian hanya di bilik mesyuarat IT. Ambil input daripada:

  • agen contact centre yang berhadapan pelanggan setiap hari;
  • pegawai fraud yang biasa dengan taktik scam terbaru;
  • pegawai pematuhan yang memahami kehendak regulator.

Mereka boleh memberitahu bahagian proses mana paling menyakitkan dan paling perlukan bantuan AI.

3. Ukur perkara yang betul

Jangan nilai kejayaan hanya berdasarkan masa penyelesaian. Tambah indikator seperti:

  • skor kepuasan pelanggan khas untuk kes pertikaian;
  • kadar rayuan semula (semakin rendah, semakin baik persepsi keadilan);
  • jumlah kes berulang daripada pelanggan yang sama.

Ini membantu memastikan efisiensi tidak dibeli dengan mengorbankan kepercayaan jangka panjang.

4. Rancang untuk tadbir urus dan etika AI

Tetapkan lebih awal:

  • bila manusia mesti berada "dalam gelung" (contoh: jumlah tertentu, kategori scam khusus);
  • bagaimana pelanggan boleh memohon semakan semula keputusan yang dibuat AI;
  • cara menjelaskan penggunaan AI dalam terma yang telus tetapi mudah difahami.

Pendekatan telus sebegini akan membezakan institusi yang benar‑benar serius tentang AI beretika.

Menjadikan Malaysia Peneraju AI Empati dalam Kewangan

AI sudah menjadi nadi dalam banyak fungsi kewangan Malaysia – daripada pengesanan fraud, pemarkahan kredit automatik, analitik kekayaan hinggalah pematuhan regulatori. Pertikaian pembayaran runcit sebenarnya persimpangan semua fungsi ini: risiko, pelanggan, undang-undang dan reputasi bertemu di satu tempat.

Ada dua jalan yang biasanya diambil institusi:

  1. gunakan AI semata-mata untuk potong kos dan mempercepatkan penutupan kes; atau
  2. gunakan AI sebagai peluang untuk menunjukkan kepada pelanggan bahawa teknologi boleh menjadikan bank lebih adil, lebih telus dan lebih mudah didekati.

Saya berpihak kepada pilihan kedua. Malaysia mempunyai infrastruktur digital yang kukuh, regulator yang semakin proaktif dan pelanggan yang cepat menerima teknologi. Gabungan ini ideal untuk memposisikan bank, insurans dan fintech tempatan sebagai peneraju AI yang efisien dan empati di rantau ini.

Jika organisasi anda sedang menilai pelaburan baharu dalam AI untuk pertikaian pembayaran, soalan paling penting yang patut ditanya bukan sahaja: "berapa banyak masa dan kos boleh dijimatkan?" tetapi juga:
"bagaimana sistem ini akan membuat pelanggan rasa bila mereka sedang berada di hari paling sukar dalam hidup kewangan mereka?"

Jawapan kepada soalan itu yang akan menentukan sama ada AI anda hanya sekadar automasi – atau benar‑benar menjadi kelebihan daya saing.