AI & Empati: Masa Depan Penyelesaian Pertikaian Bayaran

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

Banks dan fintech perlu seimbangkan AI untuk kelajuan dengan empati manusia dalam pertikaian pembayaran. Begini cara bina sistem yang laju, adil dan mesra pelanggan.

AI kewanganpertikaian pembayaranfraud detectionpengalaman pelangganperbankan digital Malaysiaagentic AI
Share:

AI & Empati: Masa Depan Penyelesaian Pertikaian Bayaran

Pada 2024, beberapa bank besar di Asia melaporkan pertumbuhan transaksi pembayaran masa nyata melebihi 40% tahun ke tahun. Lagi laju pembayaran, lagi sempit ruang untuk mengesan penipuan dan menyelesaikan pertikaian sebelum pelanggan hilang kepercayaan.

Inilah paradoks yang banyak bank, insurans dan fintech di Malaysia sedang hadapi hujung tahun 2025: teknologi menjadikan pembayaran sangat pantas, tetapi emosi pelanggan ketika berdepan penipuan, scam atau transaksi pelik tetap sama – cemas, marah, panik. AI boleh bantu dari segi kelajuan dan ketepatan, tetapi kalau pengalaman rasa “robotik”, reputasi jenama akan terjejas.

Artikel ini mengupas bagaimana AI digunakan dalam penyelesaian pertikaian pembayaran runcit – terinspirasi daripada perbincangan webinar Finextra-Pega – dan apa maksud seimbang antara “efficiency” dan “empathy” untuk pasukan risiko, operasi dan pengalaman pelanggan di Malaysia.

Mengapa pertikaian pembayaran perlukan AI dan empati

Jawapannya mudah: volum tinggi + risiko tinggi + emosi tinggi. Ketiga-tiga ini tak boleh diurus dengan manual semata-mata.

Pertikaian pembayaran hari ini dipacu oleh beberapa faktor:

  • Peningkatan pembayaran masa nyata (FPX, DuitNow, GIRO segera) menjadikan wang “hilang” dalam beberapa saat.
  • Scam dan penipuan lebih sofistikated – social engineering, mule account, rompak identiti – sukar dikesan hanya dengan peraturan statik.
  • Pelanggan Malaysia semakin vokal – mereka biasa dengan pengalaman e-dagang yang pantas, dan mengharap standard sama daripada bank dan insurans.

Tanpa automasi dan AI, pasukan pertikaian akan:

  • Dibebankan dengan semakan manual kes yang berulang;
  • Lambat beri keputusan (hari, bukan minit);
  • Berisiko buat keputusan tak konsisten antara pegawai.

Tetapi bila terlalu bergantung pada AI tanpa empati:

  • Pelanggan rasa tak didengari, hanya dapat skrip standard;
  • Keputusan “betul secara teknikal” tapi salah dari sudut rasa keadilan;
  • Aduan naik ke media sosial, Bank Negara Malaysia (BNM), dan pihak berkuasa lain.

Inilah realiti: AI bagus untuk memproses fakta, manusia bagus untuk memproses emosi. Sistem pertikaian yang matang perlu kawin kedua-duanya.

Pelajaran dari UK, AS & Kanada – dan apa yang relevan untuk Malaysia

Soalan besar untuk mana-mana institusi kewangan: bagaimana peraturan membentuk strategi AI dalam pertikaian?

Dalam webinar Finextra, tiga pasaran utama dibincangkan:

  • UK: Penguatkuasaan lebih ketat oleh FCA, termasuk Consumer Duty yang menekankan perlindungan pengguna, ketelusan dan “outcome” yang adil. Liabiliti fraud semakin banyak dipindahkan kepada institusi berbanding pelanggan.
  • US: Litigasi meningkat, tekanan politik dan awam mendorong cadangan supaya liabiliti fraud lebih dipikul bank, walaupun agensi seperti CFPB kadang-kadang berdepan halangan jangka pendek.
  • Kanada: Sedikit lebih konservatif tetapi perlahan-lahan bergerak ke arah standard global yang menuntut respons pantas dan adil.

Di mana Malaysia dalam spektrum ini?

Malaysia tak dibincang secara spesifik dalam webinar, tetapi trendnya jelas:

  • BNM dan industri telah melaksanakan langkah seperti had transaksi, pengesahan tambahan dan talian hotline scam.
  • Tumpuan semakin kuat kepada perlindungan pengguna, terutamanya mangsa scam dan pemindahan tanpa kebenaran.

Bagi bank, insurans dan fintech lokal, ada beberapa implikasi penting:

  1. Rancang AI dengan mindset “pelindung pelanggan”

    • Anggap diri anda bukan sekadar pemproses transaksi, tetapi penjaga keselamatan kewangan pelanggan.
    • Model AI untuk pertikaian dan fraud detection perlu di-tune supaya tidak hanya mengurangkan kerugian institusi, tetapi juga meminimumkan kemudaratan kepada mangsa.

  2. Pastikan ketelusan dan jejak audit

    • Bila AI mencadangkan keputusan ke atas satu pertikaian, pihak audit dan regulator mesti boleh jejak logik di sebalik keputusan itu.
    • Ini bermaksud dokumentasi model, data yang digunakan, dan rasional peraturan (policy) perlu jelas.

  3. Fleksibiliti untuk kes rentas sempadan

    • Semakin ramai rakyat Malaysia menggunakan fintech global, e-dagang antarabangsa dan dompet digital merentas negara.
    • AI dan workflow pertikaian perlu boleh dikonfigurasi mengikut peraturan berbeza (contoh standard kad antarabangsa vs garis panduan tempatan).

Di mana AI paling masuk akal dalam penyelesaian pertikaian

AI paling berkesan bila digunakan pada bahagian proses yang berulang, memerlukan analitik pantas, tetapi masih dalam rangka peraturan yang jelas.

1. Pengesanan fraud & “friendly fraud”

Banyak bank Malaysia sudah guna AI/machine learning untuk pemarkahan risiko transaksi. Langkah seterusnya:

  • Kesan pola “friendly fraud” – bila pelanggan buat pembelian sebenar tetapi kemudian menafikannya (sengaja atau tak sengaja).
  • Guna model yang bandingkan tingkah laku pembelian sejarah, peranti, lokasi, dan konteks lain.

Kesan untuk pertikaian:

  • Kes berisiko rendah boleh diselesaikan automatik, contohnya refund segera dengan had tertentu.
  • Kes berisiko tinggi dibawa ke pegawai lebih berpengalaman, dengan cadangan AI terperinci.

2. Automasi kutipan dokumen & maklumat

Proses manual yang selalu menyakitkan pelanggan:

  • Diminta hantar borang pdf,
  • Perlu pergi cawangan,
  • Perlu email resit satu persatu.

AI dan agentic AI boleh:

  • Hantar senarai dokumen yang diperlukan secara dinamik (berbeza bagi setiap jenis kes);
  • Baca dan ekstrak data dari slip, invois atau screenshot secara automatik;
  • Tanda jika maklumat tak lengkap dan minta terus daripada pelanggan melalui chatbot.

Hasilnya: masa pemprosesan turun dari hari ke jam, kadang-kadang ke minit.

3. Pengurusan kes hujung-ke-hujung

Sistem pertikaian moden boleh menggunakan AI untuk:

  • Triage kes – siapa patut urus (unit fraud, kad kredit, perbankan Islam, insurans)?
  • Skor keutamaan – kes warga emas, jumlah besar, atau ada elemen scam kritikal diberi keutamaan tinggi.
  • Cadang tindakan seterusnya – contohnya, bekukan akaun tertentu, hubungi bank penerima, atau maklumkan pihak berkuasa.

AI di sini bukan pengganti pegawai, tapi seperti “Waze” untuk lalu lintas pertikaian: tunjuk laluan terpantas, tetapi manusia masih pegang stereng.

Risiko bila terlalu bergantung pada AI – dan bagaimana mitigasinya

AI dalam pertikaian pembayaran bukan tanpa sisi gelap. Beberapa risiko utama:

  1. Bias dan ketidakadilan

    • Model yang dilatih atas data sejarah boleh mengulangi bias lama: contoh, pelanggan dari kawasan tertentu lebih kerap ditandai sebagai berisiko tinggi.
    • Ini boleh bercanggah dengan prinsip keadilan dan keperluan kesaksamaan yang regulator Malaysia tekankan.

  2. “Black box” yang sukar diterangkan

    • Bila pelanggan tanya, “Kenapa bank tolak tuntutan saya?”, jawapan tak boleh sekadar “sebab sistem kata begitu”.
    • Tanpa kebolehjelasan (explainability), pegawai sukar jelaskan keputusan dan pelanggan rasa dipinggirkan.
  1. Rasa “dilayan robot”
    • Chatbot kasar, skrip generik, atau balasan yang tak kena konteks membuat pelanggan yang sudah trauma scam rasa lebih terhina.

Cara praktikal mengurangkan risiko

Beberapa prinsip yang saya nampak berkesan dalam pelaksanaan AI di institusi kewangan:

  • Human-in-the-loop untuk keputusan besar

    • Contoh: sebarang penolakan tuntutan fraud di atas jumlah tertentu mesti diluluskan manusia, walaupun AI mengesyorkan penolakan.

  • Polisi AI yang jelas dan dilatih kepada staf barisan hadapan

    • Pegawai perlu faham apa AI buat, apa ia tak buat, dan bila mereka perlu override cadangan sistem.

  • Pemantauan model secara berterusan

    • Pantau metrik seperti kadar “reversal” (berapa banyak keputusan AI yang dibatalkan bila dinaik taraf), aduan pelanggan, dan corak aduan kepada regulator.

  • Gunakan AI generatif dengan pagar keselamatan (guardrails)

    • Untuk chatbot dan agentic AI, hadkan akses kepada data yang perlu sahaja, tetapkan nada bahasa, dan audit sampel perbualan secara berkala.

Rahsia sebenar: satukan data dan proses, jangan tambah silo baru

Ramai pemimpin bank fikir masalah mereka ialah “kurang AI”. Sebenarnya, masalah lebih besar ialah silo.

Dalam banyak organisasi kewangan:

  • Data fraud, data pertikaian kad, data contact centre dan data e-banking terpisah;
  • Setiap unit guna sistem dan vendor berbeza;
  • Pelanggan terpaksa ulang cerita sama kepada 3-4 pegawai berbeza.

Dalam webinar Finextra, panel menekankan keperluan pendekatan bersatu dan interoperable untuk pengurusan pertikaian. Untuk konteks Malaysia, saya akan terjemahkan kepada beberapa langkah konkrit:

1. Platform data berpusat untuk pertikaian & fraud

  • Satukan data transaksi, log keselamatan, interaksi pelanggan dan status kes dalam satu lapisan data yang standard.
  • Ini tak semestinya satu sistem tunggal, tetapi sekurang-kurangnya ada view konsolidasi yang dilihat oleh semua unit berkaitan.

2. Gunakan API terbuka sebagai bahasa bersama

  • Pastikan sistem fraud, CRM, core banking, insurans, dan aplikasi mudah alih boleh “bercakap” antara satu sama lain.
  • AI dan agentic AI kemudian boleh bertindak sebagai “otak” yang duduk di atas rangkaian API ini, bukan sebagai silo baru.

3. Selaraskan KPI merentas unit

Kalau unit fraud fokus hanya pada pengurangan kerugian, manakala unit pengalaman pelanggan fokus hanya pada skor NPS, AI akan keliru kerana matlamat konflik.

  • Tetapkan indikator bersama seperti: masa purata penyelesaian, kadar keputusan yang diterima pelanggan tanpa rayuan, dan kos operasi per kes.
  • AI kemudian boleh dioptimumkan untuk keseimbangan kos, risiko dan pengalaman, bukan satu metrik semata-mata.

Bagaimana membina pengalaman pelanggan yang empati dengan AI

Empati bukan sekadar nada suara lembut. Dalam konteks pertikaian pembayaran, empati bermaksud tindak balas yang mengambil kira emosi, konteks hidup dan tekanan pelanggan.

Berikut beberapa ciri pengalaman pelanggan yang empati, dibantu AI:

  1. Pilihan saluran (channel of choice)

    • Bagi pelanggan pilihan: aplikasi mudah alih, web, call centre, cawangan.
    • AI boleh mengekalkan konteks merentas saluran, supaya pelanggan tak perlu ulang cerita.

  2. Penjelasan yang mudah difahami

    • Gunakan AI generatif untuk menukar bahasa teknikal kepada penerangan yang ringkas, dalam Bahasa Melayu atau Inggeris yang jelas.
    • Contoh: “Kami tolak tuntutan ini kerana transaksi dilakukan dengan OTP yang dimasukkan dari telefon bimbit yang anda daftarkan, pada lokasi biasa anda membeli dalam talian. Jika anda yakin ini bukan anda, berikut langkah seterusnya…”.

  3. Updating status secara proaktif

    • Chatbot atau notifikasi aplikasi memaklumkan tahap terkini kes (diterima, dalam semakan, perlu dokumen tambahan, selesai) tanpa pelanggan perlu telefon.

  4. Rangka kerja khusus untuk mangsa scam

    • AI boleh kenal pasti kata kunci atau pola perbualan yang menunjukkan pelanggan adalah mangsa social engineering.
    • Kes sebegini boleh diarahkan kepada pegawai khas yang terlatih dari sudut komunikasi trauma dan proses eskalasi pantas.

Bila semuanya digabungkan, pelanggan rasa, “Ya, sistem cepat, tapi manusia di sebalik sistem juga faham situasi saya.” Itulah keseimbangan efficiency + empathy yang kita cari.

Dari teori ke tindakan: langkah praktikal untuk bank, insurans & fintech Malaysia

Supaya artikel ini bukan teori kosong, berikut rangka kerja ringkas yang boleh anda guna sebagai pelan 6–12 bulan:

  1. Peta semula proses pertikaian hujung-ke-hujung

    • Kenal pasti titik sakit (pain points) pelanggan dan staf.
    • Ukur: masa purata penyelesaian, jumlah sentuhan (touchpoints), kadar aduan.

  2. Pilih 2–3 kes guna AI berisiko rendah, impak tinggi

    • Contoh: automasi kutipan dokumen, pengesanan friendly fraud, pengkelasan awal (triage) kes.
    • Pastikan ada metrik kejayaan dan rancangan “pilot” yang jelas.

  3. Bina pasukan silang fungsi

    • Libatkan risiko, IT, operasi, frontliners, compliance dan legal.
    • Ini penting supaya AI disusun selaras dengan keperluan peraturan dan realiti barisan hadapan.

  4. Pelan komunikasi pelanggan

    • Terangkan kepada pelanggan bagaimana kes mereka diurus, apa peranan sistem, dan bila manusia akan campur tangan.
    • Komunikasi yang telus meningkatkan kepercayaan walaupun keputusan tidak memihak kepada pelanggan.

  5. Sediakan asas untuk pengembangan

    • Fikir jangka panjang: platform data, API, dan governance yang boleh menyokong lebih banyak kes guna AI (bukan hanya pertikaian, tapi juga kredit, tuntutan insurans, dsb.).

Penutup: Masa untuk AI yang lebih manusiawi dalam kewangan

Dalam siri AI in Financial Services ini, satu pola jelas: projek AI yang berjaya bukan sekadar tentang model paling pintar, tetapi tentang bagaimana ia diikat kepada keperluan manusia dan peraturan.

Dalam pertikaian pembayaran runcit, AI boleh mempercepat resolusi, mengurangkan kerugian dan menjadikan operasi lebih ramping. Tapi kalau ia tidak digandingkan dengan empati, ketelusan dan pendekatan berpusatkan pelanggan, ia hanya menukar kertas kerja perlahan kepada mesin yang dingin.

Ada cara yang lebih baik. Mulakan dengan masalah sebenar pelanggan, satukan data dan proses, kemudian gunakan AI – termasuk agentic AI dan chatbot pintar – sebagai pemangkin, bukannya pengganti manusia.

Bagi organisasi kewangan di Malaysia yang serius mahu membina kepercayaan jangka panjang, soalan yang patut ditanya sekarang bukan lagi, “Perlu ke kita guna AI untuk pertikaian?”, tetapi “Bagaimana kita boleh guna AI dengan cara yang paling adil, telus dan empati?”