Bagaimana Institusi Kewangan Menjadikan AI Satu Keuntungan

Bagaimana Institusi Kewangan Menjadikan AI Satu Keuntungan

Pada 2025, lebih 70% bank besar di rantau Asia Pasifik melaporkan pelaburan aktif dalam inisiatif kecerdasan buatan (AI). Namun, hanya sebahagian kecil benar‑benar melihat pulangan pelaburan yang konsisten. Kebanyakannya terperangkap di peringkat proof of concept yang tak habis-habis.

Inilah jurang yang cuba dijawab oleh laporan tinjauan terbaru Finextra dan Cloudera: bagaimana institusi kewangan di seluruh dunia mengubah potensi AI menjadi kelebihan kompetitif yang nyata, dan yang penting, bagaimana untuk menskalakan AI dengan selamat dan patuh peraturan.

Untuk Malaysia, masa ini sangat kritikal. Bank-bank tempatan, syarikat insurans dan fintech sedang berlumba mempercepat transformasi digital, selari dengan agenda negara seperti pelan Malaysia Madani, Rangka Tindakan Sektor Kewangan dan inisiatif AI nasional. Soalannya bukan lagi “perlu guna AI atau tidak”, tetapi “bagaimana nak guna dan skala AI dengan cara yang menjana nilai sebenar, tanpa menjejaskan pematuhan dan keselamatan”.

Dalam artikel ini, saya akan merangkumkan inti pati laporan Finextra–Cloudera tersebut dan menterjemahkannya kepada konteks Malaysia: apakah tahap kematangan AI global, apa halangan utama, strategi infrastruktur yang berkesan, dan apa yang patut bank, insurans dan fintech lakukan dalam 12–24 bulan akan datang.

---

1. Realiti AI dalam kewangan: dari pilot ke skala

Institusi kewangan yang berjaya dengan AI mempunyai satu persamaan: mereka berpindah cepat daripada projek terpencil kepada platform AI peringkat perusahaan.

Laporan Finextra, berdasarkan tinjauan 155 pemimpin industri global pada Ogos 2025, menunjukkan pola yang jelas:

• Hampir semua responden percaya AI akan memberi impak besar kepada model perniagaan mereka.
• Namun, tahap kematangan berbeza – daripada percubaan kecil hingga pengeluaran berskala besar yang disepadukan dengan proses teras.

Di mana Malaysia dalam spektrum ini?

Daripada pemerhatian di pasaran tempatan:

• Bank besar di Malaysia sudah mengguna AI untuk:
  • Pengesanan penipuan transaksi masa nyata
  • Pemarkahan kredit automatik bagi pinjaman peribadi dan SME
  • Chatbot untuk khidmat pelanggan 24/7
  • Analitik kekayaan untuk segmen berpendapatan tinggi
• Insurans menggunakan AI untuk:
  • Penilaian risiko dan underwriting yang lebih pantas
  • Pengesanan tuntutan palsu
• Fintech pula lebih agresif:
  • Mengguna AI untuk pemarkahan kredit alternatif (data transaksi, e-dagang, telco)
  • Personalisasi tawaran produk dalam aplikasi

Isunya: banyak projek ini masih terpisah mengikut unit (silo), bergantung kepada vendor berbeza tanpa pelan platform AI jangka panjang. Ini menjadikan kos tinggi, sukar diselia oleh governance, dan susah untuk menskalakan.

AI yang berjaya dalam sektor kewangan bukan lagi soal satu model yang “hebat”, tetapi keupayaan membina ekosistem AI yang konsisten, boleh diaudit dan boleh disukat impaknya.

---

2. Halangan utama: data, regulasi dan talent – bukan teknologi semata‑mata

Tiga halangan terbesar kejayaan AI dalam kewangan ialah kualiti data, pematuhan & keselamatan, dan kekurangan bakat – bukan kekurangan algoritma.

Daripada dapatan laporan dan pengalaman di Malaysia, pola halangan ini sangat selari.

2.1 Data: banyak, tapi tak boleh guna

Institusi kewangan duduk di atas timbunan data, tetapi:

• Data berpecah antara sistem legacy dan platform baru
• Standard data tak seragam antara entiti (contoh: cawangan, negara)
• Ada isu data lineage: tak jelas dari mana data datang dan bagaimana ia diubah

Akibatnya:

• Model AI sukar dilatih dengan data konsisten
• Time-to-market untuk projek AI menjadi panjang
• Risiko keputusan model yang berat sebelah meningkat

Apa yang dibuat oleh organisasi yang lebih matang?

Mereka melabur dalam:

• Data governance peringkat perusahaan (data owner yang jelas, data catalog, polisi akses)
• Platform data bersepadu (contoh: data lakehouse merentasi on‑prem dan cloud)
• Proses kualiti data yang berterusan, bukan sekali clean-up sahaja

2.2 Regulasi & keselamatan: kerisauan yang sah

Dalam kewangan, kesilapan AI bukan sekadar isu reputasi – ia boleh menjadi isu undang‑undang dan pengawalseliaan. Antara kebimbangan utama pemimpin kewangan dalam laporan Finextra:

• Bagaimana memastikan pemarkahan kredit AI tidak mendiskriminasi?
• Bagaimana memastikan model boleh dijelaskan (explainable AI) kepada pengawal selia?
• Bagaimana mengurus data sensitif pelanggan dalam persekitaran cloud?

Di Malaysia, garis panduan seperti keperluan data residency, keselamatan siber dan penilaian model risiko menambah lapisan kerumitan.

Institusi yang berjaya bukan yang mengelak risiko AI, tetapi yang membina rangka kerja tadbir urus AI yang matang.

Elemen penting:

• Model risk management khusus untuk AI/ML
• Proses model validation silang antara risiko, pematuhan dan teknologi
• Keupayaan audit lengkap: siapa ubah model, bila, menggunakan data apa

2.3 Bakat: jurang antara sains data dan bisnes

Banyak bank sudah mengupah data scientist, tetapi projek masih gagal kerana:

• Tiada product owner bisnes yang jelas
• Pasukan risiko dan pematuhan tidak terlibat dari awal
• Jurang komunikasi: model “hebat” dari sudut teknikal tetapi tak relevan dari sudut bisnes

Organisasi yang lebih matang biasanya:

• Membina pasukan rentas fungsi (bisnes + IT + risiko + pematuhan)
• Melatih pengurus produk dan business analyst supaya celik data dan AI
• Mengamalkan agile delivery untuk projek AI: kitaran pendek, feedback loop jelas

---

3. Strategi infrastruktur: kenapa model hibrid makin dominan

Institusi yang serius mahu menskalakan AI cenderung memilih model hibrid – gabungan on‑premise dan cloud – bukannya hanya satu pendekatan.

Laporan Finextra menekankan peningkatan penggunaan model hibrid untuk menyokong AI dan ML, dan ini sangat relevan dengan realiti regulasi di Malaysia.

3.1 Kenapa hibrid masuk akal untuk bank & insurans

Bagi institusi kewangan, beberapa jenis data dan beban kerja:

• Wajar kekal di pusat data sendiri (on‑prem) atas sebab regulasi, risiko atau kepekaan
• Manakala beban kerja lain (contoh: pembangunan model, analitik volum tinggi) sesuai di cloud

Model hibrid membenarkan:

• Kebebasan memilih lokasi data mengikut sensitiviti
• Skala pengiraan anjal di cloud untuk latihan model intensif
• Pengurusan kos lebih baik, kerana sumber komput digunakan bila perlu sahaja

3.2 Apa yang dipertimbangkan oleh pemimpin global

Mengikut laporan, bila menilai platform AI perusahaan, institusi meneliti:

• Keupayaan menyokong multi‑cloud dan on‑prem serentak
• Konsistensi keselamatan dan governance merentasi persekitaran
• Kemudahan integrasi dengan sistem perbankan teras dan sistem risiko
• Keupayaan MLOps: pemantauan model, versioning, roll-back cepat

Bagi bank dan insurans di Malaysia, ini bermakna RFP atau penilaian vendor AI tak boleh hanya menilai kehebatan algoritma. Yang lebih penting:

Platform mana yang membenarkan anda membina satu rangka kerja AI merentasi semua unit perniagaan dengan pematuhan, keselamatan dan observability yang konsisten?

---

4. Kes guna AI yang paling memberi ROI kepada kewangan

AI hanya berbaloi jika ia menambah hasil, mengurangkan kos atau menurunkan risiko – idealnya ketiga‑tiga sekali. Laporan Finextra mengetengahkan beberapa kes guna (use case) yang pada masa ini paling banyak memacu ROI dalam kewangan.

Mari kita lihat beberapa kes guna yang paling relevan untuk Malaysia.

4.1 Pengesanan penipuan dan AML masa nyata

Ini biasanya pintu masuk pertama AI dalam bank:

• Model ML memantau transaksi masa nyata dan mengesan corak luar biasa
• False positive boleh dikurangkan berbanding peraturan statik tradisional
• Pasukan pematuhan AML lebih fokus kepada kes berisiko tinggi yang sah

Kesan praktikal:

• Kurang gangguan kepada pelanggan sah (transaksi tak blok tanpa sebab)
• Kos operasi penyiasatan manual menurun
• Pematuhan AML/KYC bertambah kukuh

4.2 Pemarkahan kredit pintar untuk segmen tidak banked / underbanked

Di Malaysia, ramai individu dan SME yang mempunyai sejarah kredit terhad, tetapi banyak data transaksi digital:

• Transaksi e-dompet
• Sejarah bil utiliti
• Data jualan e-dagang

Model AI boleh menggabungkan sumber data alternatif ini untuk:

• Menganggarkan kebarangkalian gagal bayar dengan lebih tepat
• Meluaskan akses kredit kepada segmen yang sebelum ini ditolak
• Membezakan pelanggan berisiko rendah dan tinggi dalam segmen yang sama

Hasilnya:

• Pertumbuhan pinjaman yang lebih inklusif
• Risiko portfolio lebih terkawal

4.3 Personalisasi tawaran produk & pengalaman pelanggan

Di bank dan fintech, AI digunakan untuk:

• Mengesyorkan produk berdasarkan tingkah laku transaksi
• Menentukan masa terbaik untuk menawarkan kad kredit atau top up pembiayaan
• Menyusun kandungan khas dalam aplikasi mengikut segmen mikro

Insurans pula boleh:

• Menyesuaikan harga premium berdasarkan profil risiko yang lebih terperinci
• Menghantar peringatan pencegahan kesihatan atau keselamatan kereta yang disasar

Contoh mudah: pelanggan yang menunjukkan corak pendapatan stabil dan tabungan konsisten mungkin menerima tawaran pembiayaan perumahan dengan kadar lebih baik, pada masa mereka sedang mencari rumah (dikesan melalui transaksi dan corak spending).

4.4 Automasi pematuhan dan pelaporan regulatori

Ini jarang dianggap “seksi”, tetapi ROI‑nya besar:

• AI mengekstrak data daripada pelbagai sistem untuk laporan regulatori
• Natural Language Processing (NLP) membantu menjejak perubahan garis panduan regulasi
• Model risiko boleh dijalankan dengan senario pelbagai lebih pantas

Dalam konteks Malaysia, di mana keperluan pelaporan kerap berubah, automasi ini bukan sahaja menjimatkan masa, malah mengurangkan risiko kesilapan manusia.

---

5. Dari teori ke tindakan: rangka pelan 12–24 bulan untuk institusi Malaysia

Ada pola yang jelas dari institusi global yang reaktif kepada yang benar‑benar proaktif dengan AI. Berikut rangka pelan praktikal yang boleh diadaptasi oleh bank, insurans dan fintech di Malaysia.

5.1 Tetapkan hala tuju dan kes guna utama

Dalam 3–6 bulan pertama:

1. Bentuk jawatankuasa tadbir urus AI merentasi fungsi (bisnes, risiko, IT, pematuhan).
2. Kenal pasti 3–5 kes guna AI yang:
   • Jelas potensi ROI-nya (contoh: penipuan, kredit, pematuhan)
   • Boleh dibangunkan dan diukur dalam 6–9 bulan
3. Tetapkan metrik kejayaan yang konkrit:
   • Penurunan fraud loss sebanyak X%
   • Pengurangan masa pemprosesan permohonan kredit daripada Y hari ke Z jam

5.2 Betulkan asas data & governance

Dalam 6–12 bulan:

• Katalogkan sumber data kritikal dan lantik data owner yang jelas
• Mulakan projek konsolidasi data ke dalam platform bersepadu (boleh bermula dengan satu domain, contohnya runcit)
• Bangunkan polisi akses data berasaskan peranan, dengan pengauditan penuh

Ini mungkin nampak “kerja belakang tabir”, tapi inilah faktor pembeza antara organisasi yang boleh memperkenalkan model baru setiap beberapa minggu, berbanding yang mengambil masa bertahun.

5.3 Pilih model infrastruktur dan vendor dengan bijak

Berdasarkan trend global dan keperluan regulasi Malaysia, model hibrid sangat logik:

• Simpan data paling sensitif pada on‑prem atau private cloud
• Gunakan public cloud untuk pembangunan dan latihan model berat
• Pilih platform AI perusahaan yang menyokong:
  • Multi‑cloud dan on‑prem
  • MLOps peringkat perusahaan
  • Integrasi dengan sistem teras perbankan/insurans

Bila menilai vendor, tanya soalan yang betul:

• Bagaimana model AI boleh diaudit oleh pengawal selia?
• Bagaimana data lineage ditjejak dari sumber ke keputusan model?
• Apa proses yang disokong untuk model validation dan model retraining berjadual?

5.4 Bangunkan budaya & bakat AI

Dalam 12–24 bulan:

• Laksanakan program latihan asas AI untuk pengurus bisnes, risiko dan pematuhan
• Gelombangkan beberapa AI champions dalam setiap unit perniagaan
• Wujudkan playbook AI dalaman: rangka proses dari idea ke pengeluaran

Fokusnya mudah: AI bukan projek IT, ia keupayaan organisasi. Semua lapisan utama kena faham cara bercakap tentang risiko, faedah dan batasan AI.

---

6. Mengapa laporan Finextra–Cloudera ini relevan untuk Malaysia sekarang

Laporan Finextra Research yang disusun bersama Cloudera bukan sekadar tinjauan umum; ia memberikan gambaran jelas bagaimana pemimpin global menstruktur infrastruktur, tadbir urus dan kerjasama vendor untuk menskalakan AI.

Untuk bank, insurans dan fintech di Malaysia, laporan sebegini berguna kerana beberapa sebab:

• Ia menunjukkan di mana tahap kematangan AI anda berbanding rakan sebaya global.
• Ia menghuraikan halangan sebenar (bukan sekadar teknikal) dan strategi praktikal untuk mengatasinya.
• Ia memberi panduan bagaimana model hibrid, platform data perusahaan dan pemilihan vendor akan membezakan pemenang dan yang ketinggalan menjelang 2026.

Saya secara peribadi berpendapat: institusi yang hanya melihat AI sebagai tambahan “nice to have” kepada aplikasi sedia ada akan tewas. Yang akan menang ialah mereka yang berani menganggap AI dan data sebagai aset strategik, membina platform, governance dan bakat yang sepadan.

Jika organisasi anda sedang:

• Merancang roadmap AI 2025–2027
• Menilai semula platform data dan AI perusahaan
• Atau mahu menyelaraskan inisiatif AI dengan keperluan pengawalseliaan yang semakin ketat

…maka inilah masa paling sesuai untuk menyemak pandangan global daripada laporan seperti Finextra–Cloudera dan menyesuaikannya dengan realiti Malaysia.

Akhirnya, soalan yang perlu dijawab oleh setiap pengurus kanan kewangan di Malaysia bukan lagi “Adakah kita gunakan AI?”, tetapi “Adakah kita menggunakan AI dengan cukup matang dan berskala untuk benar‑benar memberi kelebihan berbanding pesaing?”