Bank & insurans Malaysia perlukan asas AI dan data di peringkat enterprise, bukan lagi projek silo. Ketahui cara bina platform, gunakan GenAI dan buktikan ROI.
AI & Data di Peringkat Enterprise: Soalan Bajet Paling Penting 2026
Dalam beberapa bank besar di Malaysia, peratusan bajet teknologi yang pergi kepada AI dan data sudah melepasi 25%. Namun dalam banyak mesyuarat pelan 2026, soalan yang sama berulang:
“Kita nak buat projek AI ikut unit bisnes saja, atau kita berani labur di peringkat enterprise?”
Ini bukan perbezaan istilah. Cara anda menjawab soalan ini akan tentukan sama ada AI jadi projek demo yang cantik di slaid PowerPoint, atau benar‑benar mengubah cara bank, insurans dan fintech beroperasi – daripada fraud detection, credit scoring automatik, sehinggalah ke risk modelling dan pematuhan.
Tulisan ini mengangkat idea yang dikongsi di SBS Summit 2025 oleh Julian Defosse (AWS) tentang menginvest dalam asas data dan AI di peringkat enterprise, dan mengaitkannya terus dengan konteks Malaysia: bank tempatan, syarikat insurans, dan pemain fintech yang sedang berlumba ke arah 2026.
Kenapa AI Peringkat Unit Bisnes Selalu Gagal Skala
Jawapan ringkas: AI yang dibina secara terpencil akan terkunci dalam silo. Ia menang kecil di satu sudut, tetapi rugi besar di peringkat organisasi.
Simptom klasik “AI projek kecil”
Kalau anda nampak tanda‑tanda berikut, besar kemungkinan organisasi anda berada di fasa ini:
- Setiap unit (contoh: kad kredit, SME, insurans hayat) bangunkan model AI sendiri dari sifar.
- Data pelanggan berpecah – data transaksi di satu sistem, data pinjaman di sistem lain, data insurans di tempat lain.
- Tiada data catalog atau standard data yang sama; setiap projek kena buat kerja pembersihan data semula.
- Kos cloud naik, tetapi manfaat perniagaan sukar dibuktikan.
Di peringkat awal, pendekatan ini nampak selamat: cepat, fokus, senang “jual” kepada pengurusan. Tapi selepas 18–24 bulan, isu mula timbul:
- Model fraud detection di kad kredit tak boleh kongsi isyarat risiko dengan unit pinjaman peribadi.
- Skor kredit SME tak guna maklumat tunai masuk dari payment gateway syarikat yang sama.
- Projek GenAI untuk relationship manager hanya kenal data subset pelanggan, bukan gambaran 360°.
Realitinya, kebanyakan institusi kewangan Malaysia yang saya lihat lambat bergerak ke peringkat enterprise bukan sebab kurang bajet, tetapi kerana mula dengan strategi “AI ikut silo”.
Apa Maksud Pelaburan AI & Data di Peringkat Enterprise
Pelaburan AI di peringkat enterprise bermaksud membina asas yang dikongsi oleh seluruh organisasi – bukan lagi projek terpencil.
Secara praktikal, ada beberapa blok utama:
1. Platform data bersama
Institusi perlu satu platform yang:
- Menyatu data transaksi, pinjaman, insurans, saluran digital dan data luaran.
- Menyokong data streaming masa nyata untuk guna AI secara near real‑time (contoh: fraud detection dalam saat yang sama transaksi berlaku).
- Ada data governance jelas: siapa pemilik data, siapa boleh akses, dan log audit lengkap.
2. Model dan komponen AI yang boleh diguna semula
Daripada 10 pasukan bina 10 model skor risiko berbeza, organisasi boleh:
- Bangunkan risk engine asas di peringkat enterprise.
- Benarkan unit bisnes tambah lapisan logik masing‑masing, tapi kekal guna asas data dan model yang sama.
- Bina fraud feature store yang dikongsi – ciri pembolehubah (features) berkaitan tingkah laku pelanggan boleh digunakan oleh pelbagai model.
3. Pendemokrasian data & GenAI
Ini poin besar yang Julian Defosse tekankan: data yang bernilai mesti mudah diakses secara selamat.
Contoh kegunaan di bank Malaysia:
- Relationship Manager (RM) buka satu portal GenAI, taip:
- “Sediakan ringkasan 2 muka surat tentang semua produk yang pelanggan X guna, trend transaksi 12 bulan, dan risiko utama sebelum meeting pukul 3 petang nanti.”
- Pegawai risiko minta:
- “Bandingkan exposure pinjaman sektor pembinaan kita berbanding purata industri, dan senaraikan 10 pelanggan paling sensitif kepada kenaikan kadar OPR.”
Semua ini hanya boleh berlaku jika:
- Data disatukan di peringkat enterprise.
- GenAI dihubungkan ke data lake / data warehouse yang dikawal, bukan hanya internet.
Di Mana Nilai Sebenar: Fraud, Credit Scoring & Risk Modelling
Untuk organisasi kewangan Malaysia, tiga bidang ini biasanya memberi ROI paling jelas bila AI dibuat di peringkat enterprise.
1. Fraud detection yang tarik data seluruh organisasi
Fraud detection yang efektif perlu melihat pola rentas produk dan saluran, bukan hanya satu akaun.
Dengan asas enterprise:
- Setiap transaksi kad, FPX, DuitNow, e‑wallet, dan ATM boleh dinilai oleh satu risk engine.
- Isyarat pelik pada satu saluran boleh trigger semakan di saluran lain.
- Model GenAI boleh bantu pasukan fraud menulis justifikasi kes dan menjana laporan audit dengan cepat.
Kesan praktikal:
- Kurang false positive (transaksi sah yang disekat).
- Customer experience lebih baik – kurang panggilan marah kerana kad “tiba‑tiba block”.
- Bukti kepada Bank Negara dan juruaudit lebih mudah dibekalkan.
2. Credit scoring automatik yang konsisten
Bila skor kredit dibangunkan secara enterprise:
- Satu profil risiko pelanggan digunakan di runcit, SME dan bahkan insurans (untuk produk tertentu).
- Data alternatif (seperti corak bayaran bil, data transaksi e‑wallet, data payroll) boleh dimasukkan sekali.
- GenAI boleh terjemah skor kredit kompleks kepada penjelasan yang boleh difahami pelanggan dan pegawai cawangan.
Hasilnya:
- Masa lulus pinjaman turun dari hari kepada minit atau saat.
- Risiko NPL lebih terkawal kerana model dibina atas data lebih kaya dan terkini.
3. Risk modelling & stress testing masa nyata
Untuk pasukan risiko dan ALM, asas enterprise membolehkan:
- Stress test senario OPR naik/turun merentasi semua portfolio dalam beberapa jam, bukan beberapa minggu.
- Menggunakan multi‑AI system: satu model untuk senario makro, satu lagi untuk portfolio tertentu, dan satu untuk kesan kepada pendapatan.
- Menjana laporan internal dan regulator dengan bantuan GenAI, mengurangkan masa manual.
Dalam konteks Basel, IFRS 9 dan keperluan BNM yang makin ketat, pelaburan ini bukan lagi “nice to have” – ia jadi insurans terhadap risiko pematuhan dan reputasi.
Mengapa Middle & Back Office Tak Boleh Diabaikan
Ramai pengurusan tertarik kepada AI di front office: chatbot, personalisasi, super‑app. Itu bagus, tetapi nilai besar selalunya tersembunyi di middle dan back office.
Contoh praktikal di Malaysia
-
Proses pinjaman perumahan
- AI bantu baca dokumen (slip gaji, penyata bank), ekstrak data, dan buat semakan awal.
- Masa pemprosesan turun 30–50%, staf boleh fokus pada kes kompleks.
-
Klaim insurans motor
- Model AI nilai gambar kemalangan, cadang anggaran kos baik pulih.
- Fraud engine periksa sama ada plat, lokasi, dan sejarah klaim masuk akal.
-
Rekonsiliasi & exception handling pembayaran
- AI dan automasi cari padanan transaksi yang tersangkut, rujuk kod dagangan, dan beri cadangan tindakan.
- GenAI tulis notifikasi kepada pelanggan dalam bahasa yang jelas.
Semua contoh ini hanya betul‑betul jimat masa dan kos bila ada:
- Akses data enterprise.
- Standard data yang sama antara sistem.
- Model AI yang boleh diguna semula merentas proses.
Langkah Praktikal: Dari Projek Terpencil ke Enterprise AI
Soalannya sekarang: bagaimana bank atau insurans di Malaysia boleh beralih?
1. Tetapkan visi enterprise, hentikan “POC tanpa hala tuju”
Lembaga dan pengurusan atasan perlu jelas:
- Dalam 2–3 tahun, apa 3–5 keputusan perniagaan utama yang mesti ditambah baik dengan AI?
(contoh: kadar fraud, NPL, cost‑to‑income, kepantasan approval loan, kepuasan pelanggan) - POC baru mesti selari dengan visi ini dan guna platform data yang sama, bukan bina silo baru.
2. Bina asas: data, cloud, dan governance
Beberapa kerja “asas” yang sering diabaikan tetapi sangat kritikal:
- Penyeragaman definisi data – apa maksud “pelanggan aktif”, “akaun risiko tinggi”, dan sebagainya.
- Pelaksanaan data catalog dan sistem hak akses berasaskan peranan.
- Pelan migrasi data utama ke platform yang boleh menyokong analitik dan GenAI.
Tanpa ini, setiap projek AI akan ulang kerja pembersihan dan pemetaan data – mahal dan lambat.
3. Program pendidikan dalaman: levelkan padang permainan
Julian Defosse menekankan kepentingan pendidikan. Saya bersetuju 100%.
Apa yang biasanya berkesan:
- Kelas asas AI untuk pengurus bisnes: fokus pada konsep seperti model, bias, data quality, bukannya kod.
- Latihan GenAI praktikal: bagaimana RM, pegawai risiko, compliance officer boleh guna GenAI dengan selamat.
- “AI champions” dalam setiap unit – orang yang faham bahasa bisnes dan bahasa data.
Bila semua bercakap dalam bahasa yang lebih kurang sama, perbincangan bajet dan risiko jadi jauh lebih rasional.
4. Governance dan etika: bina kepercayaan sejak awal
Untuk sektor kewangan Malaysia, isu seperti bias dalam credit scoring, privasi data, dan transparency model bukan sekadar teori.
Struktur governance yang baik sepatutnya merangkumi:
- Jawatankuasa AI yang merangkumi risiko, pematuhan, teknologi dan bisnes.
- Proses kelulusan model, termasuk ujian fairness dan kestabilan model.
- Polisi jelas tentang penggunaan GenAI dengan data pelanggan.
Ini bukan hanya untuk menyenangkan regulator, tetapi juga untuk mengekalkan kepercayaan pelanggan.
Bila Masa Yang Tepat Untuk Labur di Peringkat Enterprise?
Untuk kebanyakan bank, insurans dan fintech besar di Malaysia, jawapannya: semalam. Tetapi jika perlu penanda yang lebih nyata, lihat beberapa petunjuk ini:
- Bilangan projek AI / analitik sudah melebihi 5–10, tetapi data dan platform berbeza‑beza.
- Kos cloud & data meningkat, tetapi sukar kaitkan terus dengan penurunan kos atau peningkatan hasil.
- Regulator mula bertanya soalan yang lebih mendalam tentang bagaimana model dibangunkan dan dipantau.
Jika tiga perkara ini sudah berlaku, terus menambah “projek kecil AI” hanya akan melambatkan transformasi.
Ada cara yang lebih baik: jadikan 2026 tahun di mana organisasi anda beralih daripada bermain kecil di silo, kepada strategi AI & data di peringkat enterprise yang betul‑betul menyentuh P&L.
Untuk siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, fokus seterusnya ialah bagaimana memilih use case pertama yang tepat di atas asas enterprise ini – supaya setiap ringgit bajet AI anda membawa kesan berlapis, bukan sekadar satu projek yang cantik di slaid.