AI, ISO 20022 & Exception Handling: Strategi Baharu Bank

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

AI + ISO 20022 mengubah exception handling daripada proses manual mahal kepada aliran kerja pintar yang pantas, patuh dan mesra pelanggan.

AI perbankanISO 20022exception handlingpembayaran masa nyataautomasi kewanganfraud & riskdigital transformation
Share:

AI, ISO 20022 & Exception Handling: Senyap Tapi Kritikal

Dalam transaksi masa nyata, duit boleh ‘tersekat’ dalam sistem hanya kerana satu aksara nama syarikat atau ralat kod negara. Bagi pelanggan, itu nampak seperti “bank lambat”. Bagi bank dan fintech, itu exception handling – dan kosnya bukan kecil.

Inilah ruang di mana AI, automasi dan ISO 20022 mula membezakan bank biasa dengan institusi yang benar‑benar moden. Dalam siri AI in Financial Services ini, fokus sering diberi kepada penipuan, scoring kredit atau chatbot. Satu komponen yang jarang disebut tetapi besar impaknya ialah bagaimana kita mengurus ralat dan pengecualian (exceptions) dalam sistem pembayaran.

Artikel ini membina semula idea utama yang dibawa di Sibos 2025 oleh Kelly Wilson dari Pega, dan menghubungkannya dengan realiti bank, insurans dan fintech di Malaysia. Kita tengok kenapa exception handling perlu dinaik taraf dengan AI, automasi dan ISO 20022 – dan bagaimana ia terus menyokong agenda pematuhan, kecekapan dan pengalaman pelanggan.

Apa Sebenarnya Exception Handling Dalam Pembayaran Moden?

Exception handling dalam kewangan ialah proses mengesan, menyiasat dan menyelesaikan transaksi yang tidak berjalan seperti sepatutnya. Contohnya:

  • Bayaran rentas sempadan ditolak kerana data penerima tak lengkap
  • Transaksi kad disyaki fraud dan ditahan untuk semakan
  • Duit keluar dari akaun pelanggan tetapi status di pihak penerima “pending” atau “unknown”

Dalam perbankan tradisional, semua ini diselesaikan melalui:

  • E‑mel antara beberapa jabatan
  • Panggilan telefon ke bank koresponden
  • “Ticketing” manual dalam sistem legasi
  • Excel dan nota tangan staf operasi

Masalahnya, dunia sekarang bergerak ke arah pembayaran masa nyata – DuitNow, FPX, GIRO masa nyata, dan rentas sempadan yang semakin pantas. Pelanggan tak lagi boleh terima tempoh “3–5 hari bekerja” untuk siasatan ralat.

Realitinya, kelajuan transaksi hanya setanding dengan kelajuan anda menyelesaikan pengecualian.

Di sinilah AI, automasi dan piawaian data seperti ISO 20022 jadi kritikal.

Kenapa Exception Handling Tak Boleh Lagi Manual

Jawapan ringkas: kos tinggi, risiko tinggi, dan pelanggan makin tak sabar.

1. Kos operasi yang membengkak

Setiap exception biasanya:

  • ambil masa 15–60 minit staf operasi,
  • libatkan sekurang‑kurangnya 2–3 orang,
  • boleh berlarutan berjam‑jam atau berhari.

Kalau bank memproses jutaan transaksi sebulan, walaupun 0.2% jadi exception, jumlah kerja manual dan OPEX akan naik mendadak. Banyak bank besar global melaporkan sehingga 60–70% kos operasi pembayaran datang daripada pengurusan exceptions dan pertanyaan status.

2. Risiko pematuhan dan penalti

Dalam konteks AML, sanction screening dan FATF, banyak exception timbul kerana:

  • “name hit” yang mungkin positif palsu,
  • maklumat alamat tak lengkap,
  • kod negara sensitif.

Jika disemak secara tergesa‑gesa, bank berisiko melepaskan transaksi haram. Jika terlalu ketat dan perlahan, bank melanggar SLA, mengundang kompaun, audit finding dan teguran regulator.

3. Pengalaman pelanggan yang terjejas

Pelanggan tak nampak sistem di belakang. Yang mereka nampak:

  • duit lambat sampai,
  • tiada notifikasi status,
  • jawapan support yang umum seperti “kami sedang menyiasat”.

Dalam pasaran Malaysia yang sangat kompetitif – dengan bank digital, e‑wallet dan fintech – pengalaman ketika berlaku masalah sering jadi penentu sama ada pelanggan kekal atau berpindah.

Bagaimana ISO 20022 Menjadi Asas Data Yang AI Perlukan

AI hanya berguna kalau data yang masuk konsisten, kaya dan berstruktur. Di sinilah ISO 20022 memainkan peranan besar.

Apa bezanya ISO 20022 berbanding format lama?

Tanpa masuk terlalu teknikal, ISO 20022:

  • membenarkan lebih banyak medan data (contoh: tujuan bayaran, ID peminjam, ID invois),
  • gunakan struktur mesej yang seragam rentas negara dan bank,
  • kurangkan keperluan penjelasan manual melalui e‑mel kerana maklumat sudah ada dalam mesej.

Untuk AI:

  • lebih banyak konteks = model boleh membaca corak exception dengan lebih tepat,
  • medan yang jelas = kurang ambigu bila mengklasifikasi punca masalah,
  • format seragam = mudah untuk dilatih dan dijadikan pipeline automasi.

Contoh praktikal dalam konteks Malaysia

Bayangkan bayaran rentas sempadan dari Shah Alam ke Frankfurt:

  • Format lama: nama penerima mungkin dipotong, alamat bercampur, rujukan pendek.
  • ISO 20022: nama penuh, alamat berasingan, IBAN, tujuan bayaran, nombor invois.

Bila timbul exception, AI boleh:

  • lihat tujuan bayaran,
  • padankan nombor invois dengan sistem trade finance atau ERP,
  • cadangkan status dan tindakan susulan tanpa perlu staf semak satu per satu.

ISO 20022 bukan sekadar “projek compliance SWIFT”. Ia sebenarnya membina infrastruktur data untuk AI bekerja dengan lebih pintar.

Di Mana AI & Automasi Masuk Dalam Exception Handling

AI yang betul bukan sekadar chatbot yang menjawab “status bayaran anda sedang disemak”. Dalam exception handling, AI dan automasi boleh ambil alih 70–80% kerja rutin jika direka dengan baik.

1. Pengesanan & pengelasan exception secara automatik

AI boleh dilatih menggunakan data sejarah untuk:

  • mengesan corak mesej yang hampir pasti akan gagal (contoh: nama syarikat terlalu panjang untuk bank penerima tertentu),
  • mengklasifikasikan exception kepada kategori: data quality, sanction hit, insufficient funds, routing error, technical failure.

Hasilnya, bukannya satu queue besar yang bercampur, staf akan dapat senarai exception yang sudah diprioritikan.

2. Predictive analytics untuk resolusi pantas

Dengan data ISO 20022 dan rekod operasi lalu, AI boleh jawab soalan seperti:

  • “Jenis exception ini biasanya selesai dalam berapa jam?”
  • “Siapa pegawai paling cekap untuk kes sebegini?”
  • “Adakah kes seperti ini biasanya selesai dengan pembetulan data atau perlu refund?”

Bank boleh guna ramalan ini untuk:

  • tetapkan jangka masa realistik kepada pelanggan,
  • susun SLA dalaman mengikut tahap risiko,
  • kenal pasti bottleneck proses dan baiki.

3. Automasi aliran kerja (intelligent workflows)

Di sini automasi dan agentic AI mula menyerlah. Contoh aliran:

  1. Sistem mengesan exception bayaran rentas sempadan.
  2. AI semak data – kenal pasti hanya kod pos yang salah.
  3. AI semak profil pelanggan, nampak corak sama pernah berlaku dan diselesaikan dengan pembetulan kecil.
  4. AI:
    • hantar notifikasi kepada pelanggan melalui app atau e‑mel,
    • cadangkan kod pos yang betul (berdasarkan alamat tersimpan),
    • bila pelanggan sahkan, sistem hantar semula bayaran secara automatik.

Staf manusia hanya sentuh kes:

  • yang risiko AML tinggi,
  • melibatkan jumlah luar biasa besar,
  • atau timbul aduan rasmi.

4. Integrasi dengan pencegahan fraud & risk modelling

Satu kelebihan besar untuk bank dan fintech yang memandang exception handling secara menyeluruh ialah data exception kaya dengan isyarat risiko.

AI boleh:

  • kaitkan corak exception dengan percubaan fraud (contoh: banyak transaksi kecil yang sengaja “gagal”),
  • suap data ini ke dalam model enterprise risk dan behavioural scoring,
  • bantu pasukan pematuhan menala semula peraturan screening.

Akibatnya, pelaburan AI untuk exception handling bukan silo, tapi mengukuhkan sistem fraud detection dan risk modelling sedia ada.

Bank Besar, Bank Kecil & Fintech: Siapa Patut Mulakan Bagaimana?

Kelly Wilson menyebut di Sibos bahawa bank besar global biasanya memimpin kerana tekanan rentas sempadan lebih kuat. Tapi itu tak bermakna bank lebih kecil atau fintech boleh tunggu.

Bank besar & G-SIB / regional champion

Fokus utama biasanya:

  • modernisasi platform pembayaran utama,
  • migrasi penuh ke ISO 20022,
  • orkestrasi exception rentas negara dan entiti,
  • pembinaan center of excellence data & AI.

Apa yang berkesan:

  • letak exception handling sebagai use case AI keutamaan (bukan hanya chatbot),
  • jadikan setiap projek ISO 20022 sebagai projek data untuk AI, bukan hanya tick compliance,
  • mula dengan 1–2 flow rentas sempadan berimpak tinggi, kemudian skala.

Bank sederhana, koperasi, pemain serantau

Tak semua institusi ada bajet ratusan juta. Tetapi mereka masih boleh:

  • gunakan penyelesaian SaaS / cloud untuk AI exception handling,
  • wujudkan perkongsian dengan vendor teknologi atau bank koresponden yang lebih maju,
  • fokus pada use case terpilih: contohnya, pertanyaan status rentas sempadan atau DuitNow untuk segmen SME.

Ini selari dengan trend di Malaysia di mana:

  • beberapa bank lebih kecil memilih platform berasaskan cloud yang sedia integrasi dengan ISO 20022,
  • fintech bekerjasama dengan processor dan bank penaja yang sudah mempunyai keupayaan AI.

Fintech & insurtech

Bagi fintech, kelebihan utama ialah:

  • seni bina yang lebih moden,
  • kebergantungan tinggi pada API,
  • budaya product-led, di mana pengalaman pelanggan sangat kritikal.

Mereka boleh:

  • bina API status transaksi yang diperkaya AI,
  • guna exception data untuk tala UX (contohnya, elak input yang sering menyebabkan kegagalan),
  • integrasi notifikasi masa nyata yang jelas bila berlaku exception.

Cabaran Sebenar: Legacy, Cloud & Perubahan Budaya

Teknologi bukan satu‑satunya faktor. Seperti yang ditekankan di Sibos, cabaran legasi dan budaya sering lebih sukar daripada membina model AI.

1. Sistem legasi yang tak “AI‑friendly”

Banyak core banking dan sistem pembayaran lama:

  • sukar diakses secara API,
  • tiada log data yang bersih,
  • direka untuk batch, bukan masa nyata.

Pendekatan praktikal yang saya lihat berkesan:

  • gunakan lapisan integrasi (middleware) yang kumpulkan data penting untuk AI,
  • mula dengan observability – log, dashboard, metric exception – sebelum automasi agresif,
  • jalankan co‑existence (sistem lama + lapisan moden) sambil perancangan jangka panjang untuk penggantian.

2. Peralihan ke cloud

Cloud memudahkan:

  • skalabiliti pemprosesan AI,
  • integrasi dengan platform pihak ketiga,
  • penggunaan model agentic AI yang sentiasa dikemas kini.

Tetapi institusi kewangan perlu:

  • selaraskan dengan garis panduan BNM dan polisi dalaman,
  • bina model operasi hibrid (on‑prem + cloud),
  • pastikan data residency dan privasi dipatuhi.

3. Mindset operasi: dari manual ke exception by design

Kebanyakan pasukan operasi sudah biasa “padam api”. Untuk memaksimumkan nilai AI:

  • pengurusan perlu menukar KPI daripada “bilangan tiket diselesaikan” kepada “masa resolusi purata” dan “peratus automasi”,
  • training kakitangan beralih dari kerja rutin ke analisis dan continuous improvement,
  • budaya “kalau tak rosak jangan usik” diganti dengan modernisation as a continuous journey.

Langkah Praktikal 6–12 Bulan Untuk Institusi Di Malaysia

Jika anda berada di bank, insurans atau fintech dan ingin bermula dengan serius, pendekatan pragmatik boleh nampak seperti ini:

  1. Audit exception semasa

    • Berapa banyak exceptions sebulan?
    • Jenis apa paling dominan?
    • Kos masa staf untuk setiap kategori?

  2. Pilih 1–2 use case paling berimpak
    Contoh: pertanyaan status rentas sempadan korporat, atau exception DuitNow bernilai tinggi.

  3. Susun data dengan ISO 20022 sebagai sasaran

    • Kenal pasti medan wajib yang selalu hilang atau salah.
    • Sesuaikan sistem dan borang input supaya maklumat kritikal diisi sejak awal.

  4. Bina model AI pengelasan & keutamaan

    • Guna data 6–12 bulan lepas.
    • Fokus pada: klasifikasi punca, cadangan tindakan seterusnya, dan skor risiko.

  5. Automasi aliran kerja sekitar AI

    • Notifikasi pelanggan berasaskan ramalan SLA.
    • Auto‑routing kes kepada pegawai yang betul.
    • Straight‑through reprocessing untuk kes risiko rendah.

  6. Ukur, ulang, dan skala

    • Pantau masa resolusi, kadar automasi, dan kepuasan pelanggan.
    • Bila metrik stabil, tambah lagi jenis exception dan saluran pembayaran.

Penutup: Exception Handling Ialah “Use Case AI” Yang Paling Kurang Glamour Tapi Paling Berbaloi

Dalam perbualan tentang AI dalam perkhidmatan kewangan, fokus sering lari kepada idea yang lebih glamor: robo‑advisor, chatbot bercakap seperti manusia, atau trading automatik. Sementara itu, ratusan ribu transaksi tersekat senyap‑senyap setiap hari, menelan masa staf dan memenatkan pelanggan.

Saya berpendapat exception handling patut berada di senarai teratas peta jalan AI mana‑mana bank, insurans atau fintech di Malaysia.

  • Ia terus menyentuh pengalaman pelanggan, terutama bila sesuatu berjalan salah.
  • Ia menyokong pematuhan – AML, sanction screening, ISO 20022, garis panduan BNM.
  • Ia mengurangkan kos operasi tanpa perlu mengorbankan kawalan risiko.

Dengan gabungan ISO 20022 sebagai bahasa data, AI sebagai otak analitik, dan automasi sebagai tangan yang bertindak, institusi kewangan boleh bergerak ke arah dunia di mana exception bukan lagi krisis, tetapi hanya satu lagi aliran kerja pintar di belakang tabir.

Persoalannya sekarang: dalam rancangan AI 2026 anda, adakah exception handling hanya nota kaki – atau sudah menjadi projek strategik yang akan membezakan anda daripada pesaing?