Banyak bank dan fintech di Malaysia sudah guna AI, tapi masih terperangkap di silo. Artikel ini menjelaskan kenapa asas AI & data peringkat enterprise kini jadi keperluan.
AI Enterprise: Strategi Wajib Untuk Bank & Fintech di Malaysia
Pada 2025, beberapa bank besar di Malaysia melaporkan peruntukan teknologi yang mencecah sehingga 20–25% daripada perbelanjaan operasi, dan sebahagian besar daripadanya kini ditarik ke arah AI dan data. Dalam tempoh yang sama, fintech dan pemain insurans digital pula agresif menguji GenAI untuk operasi harian dan pengalaman pelanggan.
Realitinya, kebanyakan institusi kewangan tempatan sudah buat projek AI – chatbot, skor kredit automatik, pemantauan fraud. Tapi banyak yang masih terperangkap di peringkat proof of concept (POC) yang terpisah dan tak pernah benar‑benar memberi ROI di peringkat kumpulan. Di sinilah persoalan kritikal muncul:
Adakah masa untuk berhenti buat projek kecil‑kecilan dan mula melabur pada AI & data di peringkat enterprise?
Artikel ini mengambil inspirasi daripada pandangan Julian Defosse (AWS) tentang keperluan pelaburan asas data dan AI pada skala enterprise, dan menterjemahkannya ke konteks Malaysia – bank, insurans dan fintech. Fokusnya mudah: bila patut anda naik taraf ke strategi AI enterprise, apa risiko kalau tak buat, dan bagaimana nak mula tanpa membakar bajet IT?
1. Kenapa AI Peringkat Unit Perniagaan Dah Tak Cukup
Jawapannya ringkas: AI yang diurus mengikut silo unit perniagaan tak mampu menyokong skala dan kelajuan perubahan dalam sektor kewangan Malaysia sekarang.
Masalah besar dengan pendekatan POC & projek kecil
Kebanyakan organisasi bermula dengan cara ini:
- Satu pasukan buat chatbot untuk khidmat pelanggan
- Satu pasukan lain buat model risiko kredit
- Unit fraud buat sistem pengesanan transaksi mencurigakan sendiri
Nampak aktif, tapi sebenarnya:
- Data terpisah di banyak sistem – sukar bina pandangan 360° pelanggan.
- Kos berganda – setiap projek beli infra sendiri, pasukan data sendiri, integrasi sendiri.
- Governans data lemah – standard privasi dan keselamatan berbeza antara aplikasi.
- Sukar skala – model berfungsi di satu unit, tapi mustahil dikongsi merentas seluruh bank.
Dalam pasaran Malaysia yang sangat kompetitif – dengan bank digital baru, fintech, dan tekanan margin – pendekatan ini buat organisasi lambat dan mahal.
Mengapa enterprise‑level AI beri kelebihan kompetitif
Pelaburan di peringkat enterprise bermaksud:
- Satu platform data terpusat (atau data mesh yang diselaras) untuk seluruh organisasi
- Tooling AI dan GenAI standard yang boleh diguna pelbagai unit perniagaan
- Polisi keselamatan, pematuhan dan privasi yang sama dan konsisten
- Akses data yang demokratik tapi terkawal – orang yang betul, data yang betul, masa yang betul
Hasilnya:
- Masa bina produk baru lebih pantas (minggu, bukan bulan)
- Kos infrastruktur terkawal dan boleh diagih
- Model risiko, fraud, pemasaran dan servis pelanggan berkongsi "otak" dan data yang sama
Ini yang membezakan institusi kewangan yang menggunakan AI, dengan yang benar‑benar diperkuat oleh AI.
2. Data Sebagai Asas: Tanpa Data Enterprise, AI Hanya Gimik
AI yang baik memerlukan data yang konsisten, bersih dan boleh dicapai. Tanpa itu, GenAI dan model pembelajaran mesin hanya akan menghasilkan output yang cantik di demo, tapi bahaya bila digunakan untuk keputusan sebenar.
Apa maksud "demokrasi data" dalam perbankan
Julian Defosse menekankan konsep "democratising access to valuable data". Dalam konteks Malaysia, ini bukan bermaksud semua orang boleh melihat semua maklumat pelanggan. Ia bermaksud:
- Pengurus cawangan boleh akses laporan pelanggan yang menyatukan info akaun, tingkah laku transaksi dan risiko – dalam beberapa saat, bukan beberapa hari.
- Pegawai risiko boleh memanggil set data lintas-produk (kad, pinjaman, pelaburan) tanpa perlu buka tiket IT setiap kali.
- Pasukan produk digital boleh menguji hipotesis berdasarkan data sebenar, bukan intuisi semata-mata.
Untuk capai ini, institusi kewangan perlu:
- Menyusun data lake atau data warehouse enterprise yang diurus dengan rapi
- Menggunakan katalog data supaya orang tahu data apa yang wujud dan cara menggunakannya
- Mempunyai lapisan kawalan akses yang halus (role-based, attribute-based)
Contoh praktikal: Laporan klien sebelum mesyuarat
Bayangkan relationship manager (RM) korporat di Kuala Lumpur akan bertemu pelanggan utama jam 3.00 petang. Dengan asas data enterprise + GenAI:
- RM menaip di portal dalaman:
Sediakan ringkasan komprehensif untuk Syarikat ABC 12 bulan lepas. - Dalam beberapa saat, GenAI menjana ringkasan:
- Trend aliran tunai
- Penggunaan produk (trade finance, FX, kemudahan kredit)
- Isyarat risiko (tunggakan, perubahan corak transaksi)
- Cadangan produk seterusnya berdasarkan syarikat seumpama
Tanpa asas data enterprise, maklumat ini berselerak di:
- Sistem pinjaman
- Core banking
- Sistem trade
- Spreadsheet pasukan berbeza
Perbezaan kualiti perbincangan dengan klien adalah sangat besar – dan ia terus memberi kesan kepada pendapatan fee, pengekalan pelanggan, dan share of wallet.
3. Mengapa Pelaburan AI Perlu Diangkat ke Peringkat Enterprise
Organisasi yang serius mahu skala AI ke seluruh institusi perlu fikir di luar bajet unit perniagaan.
Kelemahan pelaburan peringkat unit perniagaan
Apabila setiap unit membina "mini platform" sendiri:
- Kos operasi bulanan infrastruktur menggelembung
- Pasukan teknologi bertambah penat menyokong terlalu banyak stack
- Audit dan pematuhan jadi rumit kerana terlalu banyak variasi
Lebih kritikal lagi, tiada view risiko yang menyeluruh. Contohnya:
- Unit kad kredit ada model fraud sendiri
- Unit perbankan internet ada model lain
- Unit trade finance guna peraturan manual
Penipu tidak peduli sempadan organisasi. Mereka akan cari ruang di antara silo. Itulah sebabnya strategi fraud dan risiko yang mantap memerlukan platform data dan AI merentas enterprise.
Faedah pelaburan enterprise untuk bank, insurans dan fintech
Beberapa manfaat utama:
-
ROI lebih jelas & boleh diukur
Pelaburan disatukan, jadi pemantauan pulangan lebih telus (contoh: penurunan kos fraud 30%, peningkatan produktiviti middle office 40%). -
Masa ke pasaran lebih pantas
Model risiko dibina sekali, diadaptasi untuk pinjaman peribadi, SME, dan kad kredit. -
Pematuhan & keselamatan lebih kukuh
Satu set polisi dan kawalan untuk seluruh penggunaan AI, lebih mudah memenuhi keperluan BNM dan piawaian dalaman. -
Budaya data yang lebih matang
Semua orang – dari front office ke back office – faham bahawa data ialah aset strategik, bukan hanya hasil sampingan sistem.
4. Di Mana AI Enterprise Memberi Kesan Paling Besar
Tidak semua bank atau insurans perlu bermula di tempat yang sama. Tetapi ada beberapa kawasan yang hampir pasti memberi pulangan tinggi jika dibina di atas asas data & AI enterprise.
a) Pengalaman pelanggan & perbankan runcit
- Rekomendasi produk peribadi: Satu enjin cadangan yang guna data transaksi, tingkah laku digital dan profil risiko untuk semua saluran – aplikasi mudah alih, cawangan, pusat panggilan.
- GenAI untuk ejen & pegawai cawangan: "Co-pilot" dalaman yang bantu menjawab soalan produk kompleks, menjana skrip panggilan, dan menyediakan ringkasan interaksi pelanggan.
b) Fraud dan keselamatan
- Model AI yang memerhati corak transaksi merentas kad, pemindahan dana, perbankan internet dan e-dompet.
- Penggunaan multi-AI system untuk mengurangkan false positive dan meningkatkan pengesanan serangan kompleks.
c) Pengurusan risiko & pematuhan
- Skor kredit automatik yang boleh dijelaskan (explainable AI) untuk memenuhi garis panduan pengurusan risiko kredit.
- Pemantauan AML (anti-money laundering) yang menggabung data dalaman dan luaran.
d) Middle & back office
Julian Defosse menegaskan betapa pentingnya mengoptimumkan operasi middle dan back office. Di sinilah banyak bank Malaysia masih sarat dengan proses manual.
Contoh kegunaan:
- GenAI untuk menjana draf dokumentasi pinjaman dan surat rasmi
- AI untuk pengesanan exception dalam pemprosesan pembayaran (selari dengan inisiatif ISO 20022 global)
- Automasi pengimbasan dokumen dan ekstrak data untuk operasi tuntutan insurans
Bila semua ini berkongsi platform data dan AI enterprise, manfaatnya saling menguatkan – bukan terhad kepada satu jabatan.
5. Bagaimana Pemimpin Kewangan Boleh Mula Dengan Betul
Peralihan ke AI enterprise bukan projek setahun siap. Tetapi ia juga bukan sesuatu yang terlalu rumit kalau dipecahkan kepada beberapa langkah praktikal.
Langkah 1: Tetapkan visi AI enterprise di peringkat lembaga
- Kenal pasti 3–5 tujuan perniagaan utama: contoh pengurangan fraud, peningkatan produktiviti staf, cross‑sell, kecekapan modal.
- Bentuk jawatankuasa data & AI peringkat enterprise dengan mandat jelas – bukan sekadar forum teknikal.
Langkah 2: Audit data dan projek AI sedia ada
- Senaraikan semua projek AI / analitik yang berjalan di setiap unit.
- Nilai:
- Data sumber apa digunakan?
- Di mana ia disimpan?
- Siapa pemiliknya?
- Apa manfaat dan kos semasa?
Ini membantu mengelak pengulangan dan mengenal pasti "quick wins" yang boleh disatukan ke platform enterprise.
Langkah 3: Bina asas platform data & AI
Biasanya melibatkan:
- Data lake / warehouse enterprise
- Tooling untuk pembinaan dan pengurusan model (MLOps)
- Integrasi keselamatan, IAM, dan pemantauan
Di sinilah kerjasama dengan penyedia infrastruktur seperti AWS sering dipertimbangkan – tetapi yang penting, arkitekannya mesti berpaksikan objektif perniagaan, bukan sekadar teknologi.
Langkah 4: Fokus pada 2–3 kes guna bernilai tinggi
Untuk permulaan, pilih:
- 1 kes guna depan pelanggan (contoh: cadangan produk, GenAI untuk contact centre)
- 1 kes guna risiko/fraud
- 1 kes guna kecekapan dalaman (contoh: automasi dokumentasi)
Pastikan semua dibina di atas platform dan data enterprise yang sama. Dari sini, organisasi boleh skala lebih mudah ke unit perniagaan lain.
Langkah 5: Pelaburan pendidikan & budaya
Julian menekankan kepentingan pendidikan untuk level the playing field. Di Malaysia, saya nampak organisasi yang berjaya biasanya:
- Melatih pengurus perniagaan tentang apa AI boleh dan tak boleh buat
- Membina komuniti data & AI dalaman (guild, centre of excellence)
- Menggalakkan eksperimen terkawal dengan panduan jelas mengenai risiko dan pematuhan
Tanpa komponen ini, platform hebat sekalipun akan tinggal sebagai projek IT, bukan pemangkin transformasi perniagaan.
6. Adakah Institusi Anda Sedia Untuk AI Enterprise?
Jika bank, insurans atau fintech anda sudah:
- Ada beberapa projek AI berasingan
- Melabur besar dalam data tetapi masih bergelut untuk dapat gambaran pelanggan menyeluruh
- Melihat pesaing mula menggunakan GenAI dalam operasi harian
…itu tanda jelas anda sudah berada di fasa di mana pelaburan AI & data di peringkat enterprise bukan lagi pilihan, tetapi strategi survival.
AI di sektor kewangan Malaysia akan terus bergerak daripada chatbot dan skor kredit asas kepada:
- Sistem multi-AI untuk pengurusan risiko dan kemampanan
- Co-pilot dalaman untuk semua pekerja barisan hadapan dan tengah
- Pengalaman pelanggan hiper-peribadi yang sukar ditandingi pemain tradisional yang lambat berubah
Organisasi yang ada keberanian untuk menyusun semula asas data dan AI mereka di peringkat enterprise dalam 12–24 bulan akan datang berkemungkinan besar muncul sebagai pemenang menjelang 2026 dan seterusnya.
Jika anda sedang memimpin bank, insurans atau fintech, soalan sebenar bukan lagi "perlukah kita labur dalam AI?" tetapi:
Bila dan bagaimana kita mahu menyusun semula strategi untuk AI enterprise – sebelum atau selepas pesaing mendahului?