AI, Automasi & ISO 20022: Masa Depan Exception Handling

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

AI, automasi dan ISO 20022 kini penentu utama dalam exception handling pembayaran. Kurangkan kos, risiko dan transaksi sangkut sambil kekalkan pematuhan.

AI kewanganexception handlingISO 20022pembayaran masa nyatapematuhan kewanganautomasi bank
Share:

AI, Automasi & ISO 20022: Kenapa Exception Handling Jadi Isu Besar

Dalam persekitaran pembayaran masa nyata, satu transaksi yang sangkut 5 minit boleh cetuskan panic di bilik operasi bank. Lebih teruk kalau ia transaksi korporat rentas sempadan bernilai jutaan ringgit – salah satu kod, nama penerima, atau maklumat akaun tak sepadan, sistem berhenti, dan manusia terpaksa masuk campur.

Kebanyakan bank di Malaysia sudah labur besar dalam AI untuk pengesanan penipuan, chatbot dan credit scoring. Tapi bila masuk bab exception handling – transaksi yang “reject”, “repair”, “return” atau disekat untuk compliance – ramai institusi masih bergantung pada kerja manual, e-mel dan spreadsheet.

Ini pelik, sebab exception handling lah yang paling banyak makan kos operasi, masa staf, dan mencetuskan risiko pematuhan. Di Sibos 2025, Kelly Wilson dari Pega tekankan perkara yang sama: kalau bank serius tentang pembayaran masa nyata dan rentas sempadan, AI, automasi dan ISO 20022 bukan pilihan sampingan – ia jadi tulang belakang operasi.

Artikel ini huraikan kenapa:

  • AI sangat kritikal dalam exception handling untuk bank, insurans dan fintech
  • Automasi proses dan agentic AI ubah cara pasukan operasi bekerja
  • ISO 20022 jadi asas data yang membolehkan semua ini berlaku
  • Apa langkah praktikal untuk institusi kewangan di Malaysia pada 2025/2026

Apa Sebenarnya Yang Rosak Dalam Exception Handling Tradisional

Masalah utama exception handling hari ini ialah ia terlalu manual, terlalu lambat dan terlalu bergantung kepada individu “hero” dalam operasi.

Tiga punca sakit kepala utama

  1. Data tak seragam & tak cukup kaya
    Format mesej lama (seperti MT) sering tak cukup ruang untuk letak semua maklumat pelanggan, tujuan transaksi, butiran pematuhan dan rujukan. Akhirnya staf perlu:

    • Buka beberapa sistem dan skrin untuk cari maklumat tambahan
    • E-mel atau telefon cawangan/pelanggan untuk clarification
    • Tebak sendiri apa tindakan terbaik berdasarkan pengalaman lepas

  2. Proses berasingan dan silo
    Fraud, AML, sanctions screening, operasi pembayaran dan customer service selalunya pakai sistem berbeza. Setiap “reject” atau “alert” dijaga oleh pasukan berlainan. Keputusan jadi lambat sebab:

    • Tiada pandangan hujung-ke-hujung (end-to-end view) transaksi
    • Setiap pasukan ada KPI sendiri – bukan KPI pelanggan
    • Log keputusan sukar dijejaki bila audit datang

  3. Bergantung pada manusia untuk keputusan berulang
    Banyak pengecualian sebenarnya berulang: nama syarikat sentiasa dieja tak seragam, kod BIC tersilap satu huruf, rujukan invois diletak di medan yang salah. Semua ini boleh dipelajari dan dijangka oleh AI, tapi dalam model tradisional:

    • Setiap kes dinilai seolah-olah baru pertama kali berlaku
    • Staf pakai “tribal knowledge” yang tak pernah dibukukan
    • Risiko human error dan inconsistent decision jadi tinggi

Bila Malaysia beralih kuat ke pembayaran segera (DuitNow, FPX masa nyata, QR rentas sempadan ASEAN) dan cross-border payments, kelemahan ini makin ketara. Pelanggan korporat tak akan terima alasan “maaf, sistem sangkut” bila gaji atau bayaran pembekal mereka lewat kerana exception yang boleh dijangka.

Di Mana AI Betul-Betul Mengubah Exception Handling

AI dalam exception handling bukan sekadar “bot baca e-mel”. Ia tentang predictive analytics dan intelligent workflows yang mengurangkan sentuhan manusia hanya kepada kes bernilai tinggi dan berisiko tinggi.

1. AI sebagai “otak” untuk mengenal pasti pola pengecualian

Model AI boleh dilatih atas berjuta-juta transaksi lampau untuk:

  • Mengesan pola kenapa transaksi biasa gagal atau ditahan
  • Meramalkan kategori exception (data salah, AML, sanction hit, had limit, isu rangkaian dan lain-lain)
  • Menganggarkan kebarangkalian untuk berjaya kalau tindakan tertentu diambil (contoh: betulkan kod negara, rujuk nombor akaun sekunder, hantar semula melalui koridor lain)

Kesan praktikal:

  • Bank boleh menyelesaikan sebahagian besar pengecualian tanpa menyentuh pelanggan.
  • Hanya kes yang benar-benar pelik atau berisiko tinggi dihantar kepada human analyst.

2. Agentic AI dan intelligent workflows

Dalam sesi di Sibos, fokus besar diberikan kepada agentic AI – AI yang bukan saja buat analisis, tetapi juga mencetus dan mengurus workflow.

Contoh apa yang boleh dibuat:

  • Secara automatik cipta tiket dalam sistem case management bila transaksi gagal
  • Tarik semua data berkaitan (KYC, sejarah transaksi, skor risiko, dokumen kontrak) dari pelbagai sistem
  • Sarankan tindakan terbaik kepada pegawai dan auto-populate surat atau mesej kepada pelanggan
  • Eskalasi kes kepada compliance bila memenuhi pola berisiko tertentu

Di Malaysia, banyak bank dan fintech sudah ada sistem case management dan RPA. Gabungkan ini dengan agentic AI, anda dapat:

“Operasi pembayaran yang bukan saja berfungsi 24/7, tapi juga sentiasa belajar dan menambah baik cara menyelesaikan pengecualian.”

3. AI selaraskan risiko, pematuhan dan pengalaman pelanggan

Satu kekeliruan biasa: AI dianggap hanya untuk fraud detection atau pemasaran. Hakikatnya, exception handling ialah “titik pertemuan” antara risiko, pematuhan dan pengalaman pelanggan.

Dengan AI yang direka betul, bank dan insurans boleh:

  • Kurangkan false positives AML dan sanctions screening tanpa longgarkan kawalan
  • Tetapkan polisi risiko berasaskan data sebenar, bukan semata-mata intuisi
  • Pastikan turnaround time untuk kes pematuhan masih dalam minit, bukan jam atau hari

Untuk pengawal selia, ini berita baik: jejak audit, rasional keputusan dan metrik prestasi boleh diukur dan dilaporkan dengan lebih telus.

ISO 20022: Bukan Sekadar “Compliance Project”, Tapi Enabler AI

ISO 20022 ialah bahasa data moden untuk pembayaran, dan ia kunci kepada AI yang betul-betul berkesan dalam exception handling.

Tanpa data yang kaya dan berstruktur baik, model AI akan sentiasa “membaca melalui kabus”. ISO 20022 memperkayakan data transaksi dengan:

  • Maklumat pengirim dan penerima yang lebih terperinci
  • Ruang khusus untuk tujuan transaksi (remittance information)
  • Kod struktur untuk caj, rujukan, jenis transaksi dan lain-lain

Kenapa ini penting untuk AI & automasi

  1. Lebih banyak konteks untuk model risiko dan pematuhan
    Sebagai contoh, model AI boleh membezakan:

    • Bayaran gaji, bayaran pembekal, bayaran dividen, derma
    • Transaksi sekali-sekala vs pola recurring yang stabil

    Ini kurangkan false alarm dan beri pandangan risiko yang lebih tepat.

  2. Penyelesian pengecualian lebih tepat dan automatik
    Bila exception berlaku, sistem AI boleh gunakan medan ISO 20022 yang kaya untuk:

    • Mengesan medan mana yang salah atau tak lengkap
    • Menyaran pembetulan automatik berdasarkan sejarah kes serupa
    • Menjalankan workflow berbeza untuk kategori pembayaran berbeza

  3. Pematuhan rentas sempadan jadi lebih mudah
    ISO 20022 ialah piawaian global. Bagi bank dan fintech Malaysia yang aktif dalam koridor ASEAN, Timur Tengah atau Eropah, ini memudahkan penyelarasan dengan bank luar negara dan penyedia infrastruktur pembayaran antarabangsa.

Banyak bank besar global sudah bergerak, didorong oleh keperluan SWIFT dan skim-skim utama. Kelly Wilson menyebut perkara sama: bank besar memacu perubahan, tetapi bank lebih kecil mula menyertai dengan model kerjasama dan perkongsian teknologi.

Strategi Praktikal Untuk Bank, Insurans & Fintech di Malaysia

Modernisasi exception handling tak perlu projek gergasi sekali gus. Lebih bijak jika dipecah kepada beberapa gelombang yang jelas ROI-nya.

Gelombang 1: Asas data & pemetaan proses

  • Peta hujung-ke-hujung bagaimana pengecualian ditangani hari ini, dari isyarat pertama (reject, alert AML, chargeback insurans) hingga penutupan kes.
  • Kenal pasti di mana data hilang, berulang, atau masih manual.
  • Mulakan pengayaan data ISO 20022 sebanyak mungkin, walaupun sistem teras belum 100% migrasi.

Output utama fasa ini sepatutnya:

  • Senarai use case exception paling kerap dan paling mahal
  • “Process map” yang bersih untuk jadi asas automasi

Gelombang 2: Automasi pintar di kawasan sasaran

Pilih 2–3 use case bernilai tinggi, contohnya:

  • Returned payments kerana maklumat akaun tak tepat
  • Sanction/AML alerts bernisiko rendah tapi jumlah tinggi
  • Chargeback kad atau pertikaian pembayaran e-dagang bernilai rendah

Laksanakan:

  • Case management bersepadu yang tangkap semua exception dalam satu paparan
  • RPA untuk tugas data berulang (contoh: copy-paste rujukan, tarik dokumen sokongan)
  • Peraturan automatik (business rules) berasaskan polisi sedia ada

Ini biasanya sudah cukup untuk nampak penurunan 20–40% beban kerja manual dalam 6–12 bulan jika dilaksana dengan fokus.

Gelombang 3: AI prediktif & agentic AI

Apabila data dan proses sudah berdisiplin, barulah AI memberi nilai maksimum.

  • Latih model AI atas sejarah exception 12–24 bulan
  • Guna AI untuk skor keutamaan kes (mana perlu diselesaikan dulu, mana boleh tunggu)
  • Guna agentic AI untuk mencetus dan memacu workflow berdasarkan cadangan model

Contoh kes praktikal di konteks Malaysia:

  • Meneka dan membetulkan secara automatik kesalahan biasa rujukan pembayaran gaji korporat
  • Mengasingkan awal transaksi yang hampir pasti ditolak oleh skim antarabangsa atau bank koresponden
  • Menyalurkan kes AML bernilai tinggi ke senior analyst, dan kes bernilai rendah ke pasukan first line dengan panduan AI

Gelombang 4: Continuous modernisation & awan

Kelly Wilson meramalkan masa depan di mana modernisasi jadi proses berterusan dan legacy system “hilang ke belakang tabir”. Untuk Malaysia, ini bermaksud:

  • Migrasi berperingkat ke cloud (awam, hibrid atau private cloud) untuk skala pemprosesan AI dan real-time analytics
  • Mengguna pakai platform AI & otomasi yang boleh diulang pakai di beberapa unit – bukan sahaja pembayaran, tetapi juga tuntutan insurans, pinjaman, dan operasi perbendaharaan
  • Mengukur KPI utama seperti:
    • Peratus transaksi yang selesai tanpa sentuhan manusia
    • Masa purata penyelesaian pengecualian
    • Impak kepada NPS/CSAT pelanggan korporat dan runcit

Bagaimana Ini Selari Dengan Wawasan AI Kewangan Malaysia

Siri “AI in Financial Services (Banks, Insurance, Fintech)” selalu kembali pada satu tema: AI hanya benar-benar berbaloi bila ia menyelesaikan masalah asas – risiko, pematuhan, dan kecekapan operasi. Exception handling terletak betul-betul di persimpangan tiga perkara ini.

Beberapa perkara yang saya rasa jelas untuk 2026 dan ke depan:

  • Bank dan insurans yang serius tentang pembayaran masa nyata dan rentas sempadan tak boleh lagi bergantung pada proses manual untuk exception.
  • ISO 20022 akan jadi kelebihan bersaing bagi institusi yang gunakan data kaya itu untuk model risiko, pematuhan dan layanan pelanggan – bukan hanya sebagai projek wajib patuh.
  • AI dan automasi yang dipandu dengan baik akan membebaskan bakat manusia daripada kerja berulang kepada analisis dan pengurusan risiko bernilai tinggi.

Jika anda sedang merancang pelan AI atau transformasi digital 2026 untuk bank, insurans atau fintech di Malaysia, tanya dua soalan mudah:

  1. Berapa banyak masa dan kos yang “bocor” setiap bulan kerana exception handling manual?
  2. Apa yang berlaku kepada reputasi jenama bila pembayaran pelanggan sangkut tanpa jawapan yang jelas?

Jawapan jujur pada dua soalan ini selalunya cukup untuk memulakan kes perniagaan yang kukuh bagi AI, automasi dan ISO 20022 sebagai agenda strategik – bukan sekadar projek IT.

🇲🇾 AI, Automasi & ISO 20022: Masa Depan Exception Handling - Malaysia | 3L3C