Kenapa Projek AI Anda Gagal: Pengajaran Dari Agentic AI

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

Kebanyakan projek AI gagal bukan kerana model lemah, tetapi konteks dan workflow yang tak direka dengan betul. Ini pengajaran untuk bank, insurans & runcit.

AI dalam perkhidmatan kewanganagentic AIperbankan digitalinsurans pintarfintek MalaysiaAI runcitgovernance AI
Share:

Featured image for Kenapa Projek AI Anda Gagal: Pengajaran Dari Agentic AI

Sembilan daripada sepuluh projek AI di peringkat enterprise tidak capai impak yang dijanjikan. Dalam sektor kewangan Malaysia, saya nampak pola sama: bank dan insurans melabur berjuta untuk AI pengesanan penipuan, pemarkahan kredit, personalisasi dan chatbot – tetapi ROI sukar dibuktikan.

Masalah utamanya hampir tak pernah datang daripada model semata-mata. Bukan sebab “AI tak cukup hebat”. Puncanya ialah reka bentuk sistem dan konteks di sekeliling AI itu sendiri – cara data diurus, proses kerja diatur dan keputusan dipantau.

Artikel asal tentang agentic AI untuk coding di peringkat enterprise sebenarnya cermin apa yang sedang berlaku dalam bank, insurans, fintek, malah rantaian runcit dan e-dagang besar. Kalau AI coding agent gagal tanpa konteks dan workflow yang betul, AI untuk pengesanan penipuan, pengurusan inventori atau penentuan harga dinamik pun akan tergelincir dengan cara yang sama.

Dalam siri AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek) ini, kita tengok bagaimana pengajaran dari dunia agentic coding boleh digunakan terus ke dunia kewangan dan runcit.

1. Masalah sebenar projek AI: konteks, bukan model

Dalam dunia pembangunan perisian, agentic AI coding dah bergerak jauh daripada sekadar autolengkap kod. Model sudah cukup kuat. Yang buat kebanyakan pilot gagal ialah konteks – struktur, sejarah dan niat di sebalik kod.

Situasi yang sama berlaku dalam perkhidmatan kewangan dan runcit:

  • Model pengesanan penipuan kuat, tapi data transaksi berpecah antara sistem kad, perbankan internet dan e-dompet.
  • Model pemarkahan kredit canggih, tapi polisi kredit bank tak diterjemah dengan jelas ke dalam ciri data dan peraturan biznes.
  • Sistem AI personalisasi untuk e-dagang gah di atas kertas, tapi katalog produk tak konsisten dan segmentasi pelanggan kabur.

Intipatinya:

AI bukan gagal kerana ia tak “pandai”, ia gagal kerana kita tak bagi gambaran dunia sebenar yang cukup jelas dan terstruktur.

Dalam agentic coding, konteks bermaksud:

  • modul dan komponen yang berkaitan,
  • graf kebergantungan,
  • sejarah perubahan,
  • test harness dan konvensyen seni bina.

Dalam kewangan dan runcit, konteks bermaksud:

  • struktur produk (akaun, pinjaman, polisi, pakej pelaburan, SKU runcit),
  • sejarah pelanggan dan interaksi multi-saluran,
  • polisi risiko dan pematuhan,
  • kalendar perniagaan (tarikh gaji, musim raya, jualan 11.11/12.12).

Kalau AI tak memahami konteks ini secara eksplisit, ia akan buat cadangan yang nampak “betul” tapi sebenarnya berbahaya – contohnya meluluskan pinjaman yang bercanggah dengan polisi risiko, atau menaikkan harga ketika banjir bila pelanggan paling terdesak.

2. Dari bantuan ke autonomi: agentic AI dalam kewangan & runcit

Agentic AI bermaksud AI bukan sekadar menjawab satu soalan, tapi merancang, melaksana dan mengulangi beberapa langkah kerja untuk capai hasil yang diingini.

Dalam kejuruteraan perisian, agentic coding:

  • memetakan perubahan yang perlu,
  • mengubah beberapa fail kod,
  • menjalankan ujian,
  • menyemak semula bila ujian gagal.

Dalam perkhidmatan kewangan dan runcit, pola yang sama mula muncul:

  • Agentic AI untuk operasi bank
    Contoh: ejen AI membaca laporan risiko bulanan, mengesan anomali, mencadangkan semakan had kredit dan menyediakan draf laporan kepada ALCO. Ini bukan lagi satu model, tapi rantaian tugasan.

  • Agentic AI untuk e-dagang
    Ejen AI memantau stok, permintaan masa nyata, dan margin; mencadangkan pesanan semula (replenishment), menyesuaikan harga promosi dan menguji A/B cadangan produk – semuanya dalam loop berterusan.

Bunyi mengujakan, tapi kajian ke atas agentic coding tunjuk sesuatu yang pedih: bila agentic tool dimasukkan ke workflow sedia ada tanpa perubahan proses, produktiviti boleh jadi lebih perlahan, bukan lebih laju. Developer habis masa semak dan membetulkan kerja AI.

Realitinya sama untuk bank dan peruncit:

  • Pegawai kredit perlu semak semula skor dan cadangan AI satu per satu.
  • Pegawai risiko sibuk menjejak keputusan AI dalam seribu dashboard berbeza.
  • Pasukan pricing e-dagang tak percaya sistem penetapan harga automatik, lalu override secara manual hampir setiap hari.

Autonomi tanpa orkestrasi hanya tambah bunyi bising.

3. Context engineering: asas sebenar AI yang berkesan

Context engineering ialah disiplin merancang apa yang AI patut nampak, bila, dan dalam bentuk apa. Ini yang membezakan organisasi yang betul-betul dapat nilai dari AI berbanding yang cuma tukar teknologi tanpa ubah cara kerja.

Apa maksud context engineering dalam kewangan & runcit?

  1. Ontologi perniagaan yang jelas
    Bank dan insurans perlu “bahasa data” yang konsisten:

    • apa definisi akaun aktif, pelanggan bernilai tinggi, kejadian penipuan,
    • bagaimana setiap istilah disambungkan dalam model data.

    Untuk runcit dan e-dagang:

    • struktur SKU, kategori, jenama,
    • taksonomi promosi, kupon, kempen bermusim.

  2. Memori kerja AI yang distrukturkan
    Dalam agentic coding, pasukan terbaik membina tooling untuk:

    • snapshot konteks,
    • memadat dan memversi memori AI,
    • memutuskan apa diringkaskan, apa di-link, bukan di-inline.

    Dalam bank, konsep sama boleh digunakan untuk:

    • menyimpan konteks pelanggan sepanjang journey (onboarding → penggunaan → koleksi),
    • menyimpan justifikasi keputusan kredit/penipuan sebagai “jejak niat” yang boleh diaudit.

  3. Spesifikasi sebagai artifak rasmi
    Dalam agentic coding, spesifikasi keperluan jadi “source of truth” baharu, bukan sekadar chat history.

    Dalam kewangan dan runcit:

    • polisi kredit,
    • peraturan pematuhan,
    • strategi harga dan diskaun,
    • garis panduan AML / CFT,

    perlu diterjemahkan menjadi spesifikasi yang mesra mesin, bukan hanya PDF panjang dalam folder compliance.

Bila context engineering dibuat dengan betul, AI tak perlu lagi “meneka” niat perniagaan daripada corak data semata-mata. Ia diberi bingkai yang jelas: apa matlamat, apa batasan, indikator kejayaan mana yang penting.

4. Workflow kena berubah sekali, bukan hanya tambah AI

Kebanyakan bank, insurans dan rantaian runcit besar buat kesilapan sama: tambah AI ke proses lama, tapi biar proses itu kekal seperti sedia kala. Hasilnya:

  • Masa semakan semakin panjang.
  • Peranan manusia jadi tak jelas (siapa sebenarnya buat keputusan akhir?).
  • Audit trail bercelaru antara manual dan automatik.

Pengalaman agentic coding menunjukkan satu perkara penting: produkvititi hanya meningkat bila workflow direka semula dengan AI sebagai sebahagian “first-class citizen” dalam proses.

Bagaimana rupa workflow baharu yang sihat?

  1. AI sebagai “pembantu yang berproses”, bukan “kotak hitam”
    Contoh di bank:

    • AI menyediakan draf penilaian kredit berdasarkan data dan polisi.
    • Sistem memaksa AI menyatakan sebab utama (top features, polisi mana yang dirujuk).
    • Pegawai kredit menyemak, bukan mengisi dari kosong – dan hanya fokus pada kes sempadan.

  2. Integrasi rapat ke dalam pipeline operasi
    Dalam agentic coding, ejen AI dilayan seperti contributor yang perlu lalui:

    • static analysis,
    • CI/CD,
    • semakan kod.

    Dalam kewangan dan runcit:

    • semua cadangan harga, had kredit, atau flags penipuan oleh AI lalu melalui “gate” kawal selia yang sama seperti keputusan manusia (approval layer, limit, four-eyes principle).

  3. Peranan manusia yang jelas dalam loop
    Bukan semua perlu “human in the loop”. Ada tiga corak berguna:

    • Human in the loop – manusia meluluskan (contoh: keputusan kredit bernilai besar, penyesuaian harga sensitif semasa krisis).
    • Human on the loop – manusia memantau dashboard dan hanya masuk bila ada anomali (contoh: sistem pricing harian untuk runcit).
    • Human out of the loop – proses automatik penuh dengan kawalan ketat (contoh: pre-screening transaksi kecil berisiko rendah).

Workflow perlu direka semula dengan sengaja, bukan dibiarkan berkembang secara organik.

5. Pengajaran praktikal untuk pemimpin bank, insurans, fintek & runcit

Untuk pembuat keputusan yang tengah merancang atau menilai projek AI, beberapa langkah konkrit ini jauh lebih berguna daripada sekadar mengejar model paling baharu.

5.1 Mulakan dengan domain yang sempit tapi kritikal

Dalam agentic coding, pilot yang berjaya biasanya fokus pada:

  • penjanaan ujian,
  • pemodenan sistem legasi,
  • refactor modul terasing.

Dalam kewangan dan runcit, pendekatan sama boleh digunakan:

  • Perbankan & insurans

    • penjanaan laporan pematuhan automatik,
    • pemarkahan semula portfolio pinjaman sedia ada untuk stress test,
    • pengesanan penipuan untuk segmen produk tertentu dahulu.

  • Runcit & e-dagang

    • ramalan permintaan untuk kategori “fast movers” dahulu,
    • cadangan produk untuk pelanggan setia (loyalty tier tinggi) dengan data yang lengkap,
    • automasi pricing untuk outlet atau sub-kategori terpilih.

Definisikan metrik jelas: masa kitaran permohonan (PR cycle time), kadar ralat, kadar false positive penipuan, margin kategori, atau kadar konversi kempen.

5.2 Anggap agentic AI sebagai lapisan data baharu

Dalam agentic coding, setiap rancangan, log tindakan dan iterasi ujian membentuk memori konteks yang boleh dicari – sejenis knowledge graph tentang bagaimana sistem dibangunkan.

Dalam kewangan dan runcit, log AI anda juga sebenarnya:

  • jejak niat keputusan kredit,
  • corak bagaimana harga diubah mengikut musim,
  • sejarah strategi mitigasi penipuan.

Jika disimpan dan diindeks dengan betul, ini menjadi kelebihan kompetitif jangka panjang: anda bukan sahaja tahu apa yang diputuskan, tapi bagaimana dan mengapa.

5.3 Bina governance seperti anda mengurus “pembangun” baharu

Agentic AI patut dilayan seperti staf baharu yang sangat laju, bukan “kotak ajaib” yang kebal audit.

  • Tetapkan scope kerja yang jelas: apa yang AI boleh dan tak boleh buat.
  • Wajibkan log penuh untuk semua cadangan dan keputusan AI.
  • Gunakan pemeriksaan keselamatan automatik: check senarai sekatan, had risiko, konflik polisi.
  • Latih pasukan risiko dan pematuhan untuk membaca dan mempersoalkan output AI seperti mereka menyemak laporan manusia.

Organisasi yang buat ini lebih awal akan jauh di hadapan bila pengawal selia mula bertanya: “Bagaimana anda jelaskan keputusan AI kepada pelanggan dan regulator?”

6. Kenapa ini penting untuk 12–24 bulan akan datang

Dalam dua tahun akan datang, beza antara bank, insurans, fintek dan peruncit yang berjaya dengan AI dan yang ketinggalan tak akan ditentukan oleh siapa ada model paling “canggih”.

Beza sebenar akan datang daripada:

  • sejauh mana konteks perniagaan diterjemah dengan jelas ke dalam sistem AI;
  • sejauh mana workflow diubah untuk memanfaatkan AI dengan selamat;
  • sejauh mana organisasi melihat log AI dan memori konteks sebagai aset data strategik.

Bagi organisasi kewangan dan runcit di Malaysia yang sedang merancang bajet 2026, ini masa yang tepat untuk audit jujur:

  • Adakah data dan ontologi perniagaan anda cukup matang untuk agentic AI?
  • Adakah workflow semasa direka dengan andaian “manusia buat semua”, atau sudah bersedia untuk manusia dan AI berkongsi kerja?
  • Adakah governance AI anda setara dengan governance untuk pembangun, trader atau underwriter manusia?

Saya cenderung percaya: dalam sektor kewangan dan runcit yang kompetitif, mereka yang mengurus konteks + ejen AI sebagai satu sistem berdisiplin akan menggandakan kelebihan mereka. Yang fokus kepada “model mana paling hebat” tanpa memikirkan sistem di sekelilingnya akan berakhir dengan barisan semakan yang lebih panjang dan pelanggan yang semakin skeptikal.

Persoalan sebenarnya bukan lagi “patutkah kita guna AI?”, tetapi “adakah kita sudah sedia reka persekitaran yang betul untuk AI bekerja bersama manusia?”.