Bagaimana AI-First Sedang Mengubah Perbankan Malaysia

Malaysia Sedang Menunjuk Jalan Dalam Perbankan AI-First

Lebih 95% projek genAI di peringkat global gagal melepasi fasa pilot. Namun di Malaysia, beberapa bank sudah mula menunjukkan metrik nyata: log masuk harian meningkat, penipuan dikesan lebih awal, dan pinjaman kecil boleh diluluskan tanpa menambah staf ratusan orang.

Ini bukan cerita ‘laboratorium inovasi’ semata-mata. Dalam satu sesi Malaysia Banking CxO Roundtable baru-baru ini, pemimpin tertinggi daripada bank digital dan bank tradisional berkongsi secara terbuka apa yang berfungsi, apa yang tersangkut, dan ke mana hala tuju sebenar perbankan AI-first di Malaysia dalam 12 bulan akan datang.

Artikel ini menghimpunkan pandangan mereka – dan menukarkannya kepada pelan praktikal untuk bank, syarikat insurans dan fintech yang serius mahu jadikan AI dalam perkhidmatan kewangan sebagai kelebihan kompetitif, bukan sekadar slogan pemasaran.

---

Apa Sebenarnya Maksud “AI-First” Bagi Bank

AI-first dalam konteks perbankan Malaysia bukan bermaksud menutup cawangan dan menggantikan semua staf dengan bot. Fokus sebenar ialah: cara bank mereka bentuk produk, membuat keputusan risiko, dan berinteraksi dengan pelanggan – dengan AI di tengah, bukan di tepi.

Tiga corak ketara muncul daripada perbualan para CxO:

1. Mulakan dengan masalah yang sangat spesifik
   Nic Ngoo, CTO Ryt Bank, mengaku salah satu kesilapan awal mereka ialah "fikir terlalu besar". Bila skop terlalu luas, projek AI cepat jadi kabur dan sukar diukur.

   Pendekatan yang lebih berkesan: pilih 1–2 masalah bernilai tinggi, contohnya:

   • Masa kelulusan pinjaman terlalu lama
   • Kos call centre melambung
   • Tingkah laku penipuan semakin sukar dikesan

2. Natural language sebagai antara muka baru
   Ryt Bank memilih jalan yang lebih berani: melangkau UI tradisional dan menjadikan bahasa biasa sebagai cara utama pelanggan menggunakan aplikasi.

   "Untuk pertama kali dalam sejarah manusia, kita boleh beritahu komputer apa yang kita mahu dalam bahasa harian, bukan bahasa pengaturcaraan." – Chee Mun Foong, CPO Ryt Bank

   Ini selari dengan trend global LLM dan genAI, tetapi mereka sengaja menggated pelepasan fungsi supaya perubahan tingkah laku pelanggan boleh diurus, bukan dipaksa sekali gus.

3. AI-first ≠ full-digital
   Hong Leong Bank, melalui CITOnya William Streitberg, mengambil pendekatan "phygital" – gabungan fizikal dan digital. AI digunakan untuk mempercepat belakang tabir: pemprosesan, pemarkahan risiko, dan alat untuk staf, bukan semestinya membuang sentuhan manusia.

   Bagi bank tradisional di Malaysia, inilah realiti paling munasabah: AI-first bermaksud AI memperkasa manusia, bukan menggantikannya sepenuhnya.

---

Empat Kesilapan Utama Bank Bila Melaksanakan AI

Kebanyakan bank di rantau ini ingin menggunakan AI untuk perbankan runcit, insurans dan fintech, tetapi banyak tersekat di fasa proof-of-concept. Berdasarkan pengalaman para CxO, ada sekurang-kurangnya empat perangkap utama:

1. Skop terlalu besar, tiada definisi “kejayaan”

Bila projek dikonsep sebagai "transformasi AI menyeluruh", pasukan sukar menjawab dua soalan mudah:

• Metrik apa yang mesti berubah dalam masa 3–6 bulan?
• Apa satu fungsi nyata yang pelanggan atau staf akan rasa lebih baik?

Ryt Bank dan AEON Bank membuktikan pendekatan use case tunggal, fokus tinggi jauh lebih berkesan. Mereka bermula dengan:

• personal financial management (PFM) dan financial insights (AEON Bank)
• antara muka bahasa semula jadi (Ryt Bank)

2. Terlalu obses dengan “front-end cantik”, lupa back-end

Kaushik Chowdhury (CEO GXBank) teruja dengan masa depan multimodal – gabungan teks, suara, imej dan mungkin video dalam aplikasi pengguna. Namun William Streitberg menjadi penyeimbang:

"Antara muka itu penting, tapi masa tindak balas jauh lebih penting untuk pelanggan."

Realitinya: AI yang cantik di depan tidak berguna jika:

• Kelulusan pinjaman masih ambil 5 hari
• Pembetulan transaksi masih perlu borang manual
• Chatbot asyik jawab, "Sila tunggu pegawai kami menghubungi anda"

Bank yang menang biasanya:

• Guna AI/ML di back-end untuk kelulusan segera, pemarkahan kredit, dan pengesanan penipuan
• Hanya kemudian memperkemas UI untuk pengalaman yang lebih licin

3. Terlalu takut risiko sehingga tiada apa yang dilancarkan

Isu compliance, BNM, dan perlindungan data memang kritikal. Tapi jika setiap projek AI perlu "sempurna" sebelum live, organisasi akan terkunci dalam mod kajian tanpa henti.

Pendekatan yang lebih waras yang kita nampak di Malaysia:

• Release bertahap (gated) kepada segmen pelanggan terpilih
• Hadkan skop fungsi AI genAI pada peringkat awal (contoh: hanya mesej nasihat, bukan arahan transaksi)
• Audit log dan human-in-the-loop untuk kes berisiko tinggi

4. Melihat AI sebagai projek IT, bukan projek perniagaan

Bila CMO Boost bercakap tentang chatbot yang menyelesaikan 70% tiket khidmat pelanggan dan ejen suara AI yang mengesahkan permohonan pinjaman, jelas AI di Boost bukan projek "IT" semata-mata. Ia adalah:

• Projek kos operasi (OPEX) – mengurangkan beban call centre
• Projek pertumbuhan – menghantar lead yang lebih berkualiti kepada pasukan jualan

Bank dan insurans yang berjaya dengan AI biasanya:

• Ada sponsor bisnes (CPO, CMO, Head of Retail/SME)
• Menetapkan KPI bisnes yang jelas: NPL, masa pemprosesan, kadar penukaran, engagement harian

---

Contoh Nyata: Bila AI Benar‑Benar Mengubah Tingkah Laku Pelanggan

Contoh AEON Bank mungkin antara yang paling mudah dicerna oleh mana-mana CxO yang skeptikal.

Langkah 1: Model ML untuk PFM

Mereka bermula dengan sesuatu yang nampak "biasa": alat bajet dipacu model pembelajaran mesin yang mengklasifikasi dan menganalisis corak perbelanjaan mingguan dan bulanan.

Langkah 2: GenAI untuk Financial Insights

Di atas model yang sama, AEON Bank menambah komponen genAI bagi menjana mesej peribadi:

• Nudge tentang tabiat berbelanja
• Insight tentang kategori yang kerap terlebih peruntukan
• Saranan kecil yang relevan, bukan mesej generik

Hasil: Daripada log masuk mingguan kepada hampir harian

Sebelum fungsi Financial Insights dilancar:

• 60% pelanggan aktif buka app 1–2 kali seminggu

Selepas dilancar:

• Kumpulan sama mula log masuk 6–7 kali seminggu
• Bagi pelanggan yang benar‑benar membaca dan bertindak atas insight, kekerapan penggunaan berganda

Bagi sesiapa yang mengurus produk digital: ini angka yang serius. Anda jarang sekali dapat peningkatan engagement seperti ini tanpa berbelanja besar pada ganjaran tunai atau kempen besar-besaran.

Pengajaran untuk bank dan fintech lain:

• AI yang berjaya bukan sekadar "wow" teknikal
  Ia mesti masuk terus ke rutin harian pelanggan dan menjawab persoalan, "Kenapa saya perlu buka app bank hari ini?"

---

AI Sebagai Senjata Utama Menangani Krisis Penipuan

Isu penipuan digital di Malaysia bukan lagi ancaman teori. Panggilan palsu, laman phishing, dan mule account sudah jadi berita harian.

Matthew Chen dari OneConnect berkongsi bahawa di rantau ini, lebih 65% "threat actors" dikesan berasal dari China. Mereka:

• Menggunakan AI mereka sendiri untuk serangan yang lebih tersasar
• Sentiasa menguji taktik baru merentas bank dan negara

Jawapan industri yang berkesan ada beberapa ciri:

1. Kerjasama rentas pemain
   OneConnect bekerjasama rapat dengan:

   • Agensi keselamatan awam
   • Agensi kerajaan
   • Syarikat telekomunikasi

   Dalam dunia penipuan moden, tiada satu bank boleh berdiri sendiri. Corak serangan bergerak merentas rangkaian dan platform.

2. Model AI yang sentiasa hidup, bukan statik
   Model pengesanan penipuan perlu:

   • Dilatih semula secara berkala dengan data terkini
   • Menilai bukan sahaja transaksi, tetapi juga tingkah laku peranti, lokasi, dan kelakuan log masuk

3. Imbangan antara keselamatan dan pengalaman
   Kalau setiap transaksi kecil perlu OTP tambahan, pelanggan akan lari. AI yang baik sepatutnya:

   • "Mengganggu" hanya bila perlu
   • Menapis serangan di belakang tabir tanpa menambah geseran berlebihan

Untuk syarikat insurans dan fintech, pelajaran yang sama terpakai. AI untuk fraud detection bukan lagi pilihan tambahan – ia jadi syarat asas untuk kekal percaya dan patuh.

---

Dari Chatbot ke Ejen Jualan AI: Pengalaman Boost

Boost memberikan pandangan yang sangat praktikal tentang AI dalam fintech yang boleh terus dikomersialkan.

Chatbot yang menyelesaikan 70% tiket

Deployment AI pertama mereka ialah chatbot khidmat pelanggan yang:

• Menjawab soalan lazim
• Menyelesaikan 70% tiket tanpa perlu agen manusia
• Membenarkan pasukan Customer Excellence fokus pada kes kompleks

Kesan langsung:

• Kos operasi turun
• Masa tindak balas untuk pelanggan meningkat

Ejen suara AI untuk pinjaman

Langkah seterusnya, Boost melancarkan pembantu jualan suara AI:

• Bila pelanggan mohon pinjaman, ejen AI akan menelefon
• Mengelaskan keperluan, mengesahkan butiran, dan "pre-qualify" pelanggan
• Hanya lead berkualiti tinggi dihantar ke pasukan jualan

Diana Boo merumuskannya dengan mudah:

Pemasaran bawa masuk lead, jualan menutup transaksi, dan AI mengoptimumkan kualiti pelanggan di tengah-tengah.

Ini sebenarnya satu pelan yang boleh diguna semula oleh:

• Bank yang memproses ribuan permohonan kad kredit
• Insurans yang menerima banyak pertanyaan polisi melalui telefon
• Fintech pinjaman mikro yang mahu skala tanpa menggandakan jumlah staf

---

Apa Langkah 12 Bulan Akan Datang Untuk Bank di Malaysia

Walaupun setiap institusi ada strategi sendiri, hala tuju 2026 ke depan nampak semakin selari:

• Ryt Bank
  Fokus membina hubungan baru antara pelanggan dan "AI agent" dalam tahun pertama operasi – bukan sekadar chatbot, tapi agen yang benar‑benar memahami konteks kewangan pelanggan.

• AEON Bank
  Mahu menggandakan momentum, meneruskan pembinaan produk berorientasikan pelanggan berasaskan AI di atas kejayaan Financial Insights.

• CIMB
  Menyusun fasa seterusnya di sekitar AI beragen (agentic AI) dalam automasi aliran kerja, dan program kenaikan kemahiran besar-besaran seperti "promathon" di mana ratusan staf membina chatbot dalaman.

• Bank tradisional lain
  Semakin cenderung ke model "phygital" – cawangan fizikal yang dibekalkan alat AI untuk penasihat, pegawai pinjaman dan pasukan operasi.

Bagi bank, insurans dan fintech yang sedang merancang pelaburan AI 2026, ada tiga soalan asas yang wajar dijawab sekarang:

1. Use case apa yang akan beri kesan dalam masa 6–9 bulan, bukan 3 tahun?
   Contoh: PFM, chatbot, ejen suara, fraud scoring, koleksi automatik.

2. Siapa pemilik bisnes untuk setiap use case AI?
   Kalau semua "tanggungjawab IT", projek hampir pasti perlahan.

3. Bagaimana anda akan ukur kejayaan?

   • % tiket diselesaikan oleh AI
   • Masa pemprosesan pinjaman
   • Kekerapan log masuk app
   • Penurunan kerugian penipuan

---

Penutup: Malaysia Ada Peluang Menjadi Rujukan Serantau

Dalam siri "AI in Financial Services (Banks, Insurance, Fintech)", Malaysia menonjol kerana satu perkara: kesediaan CxO berkongsi secara terus terang apa yang berfungsi dan apa yang gagal.

Daripada Ryt Bank yang berani membina antara muka bahasa semula jadi, AEON Bank yang membuktikan AI boleh mengubah tabiat kewangan harian, Hong Leong Bank dan CIMB yang fokus pada transformasi dalaman, hingga Boost dan OneConnect yang menguji had AI dalam kredit dan anti-penipuan – arah pergerakan jelas.

Jika anda sedang memimpin bank, syarikat insurans atau fintech di Malaysia, ini masa sesuai untuk bergerak daripada pilot kepada pelaksanaan sebenar. Pilih satu masalah kritikal, bentuk pasukan rentas fungsi, dan beri mandat jelas kepada AI: kurangkan geseran, tingkatkan kepercayaan, dan cipta nilai yang pelanggan boleh rasa setiap hari.

Persoalan sebenar sekarang bukan lagi "patut atau tidak guna AI dalam perkhidmatan kewangan", tetapi seberapa pantas organisasi anda mahu menyertai kelompok 5% projek AI yang benar‑benar memberi pulangan.