Kenapa Projek AI Kod & Kewangan Selalu Gagal

Kenapa Banyak Projek AI Korporat Gagal Sebelum Menuai Hasil

Dalam beberapa bulan terakhir, saya dengar pola yang sama berulang di bank, insurans dan fintek di Malaysia: bajet AI berjuta, PoC sudah jalan, model nampak hebat dalam demo — tapi impak bisnes hampir sifar.

Dalam kejuruteraan perisian, fenomena yang sama sedang berlaku dengan agentic coding (AI yang boleh merancang, menulis dan menguji kod sendiri). Model dah cukup bagus. Namun majoriti projek percubaan korporat tetap underperform.

Inilah kaitan penting untuk sektor kewangan: masalah sebenar jarang sekali terletak pada model AI. Masalahnya pada konteks dan reka bentuk sistem. Sama ada anda guna AI untuk tulis kod, mengesan penipuan, pemarkahan kredit atau personalisasi produk bancatakaful — isu terbesarnya tetap sama: AI anda beroperasi dalam persekitaran yang tak direka untuknya.

Artikel ini kupas apa yang sedang berlaku dalam dunia agentic coding, dan bagaimana pelajaran yang sama patut diguna pakai oleh bank, insurans dan fintek yang serius tentang AI.

---

Dari Bantuan ke Agensi: Apa Sebenarnya Sedang Berubah

Dalam kejuruteraan perisian, AI sedang bergerak daripada sekadar “autocomplete kod” kepada ejen yang boleh merancang dan melaksanakan kerja kompleks secara berperingkat.

Dalam bahasa mudah:

• Dulu: AI bantu cadangkan beberapa baris kod.
• Sekarang: AI boleh baca modul, rancang perubahan, edit banyak fail, jalankan ujian, kemudian baiki sendiri bila ada ralat.

Konsep ini dipanggil agentic coding. Ejen AI tak lagi sekadar menjawab soalan; ia bertindak seperti “developer junior yang laju”, sentiasa ulang kitaran: rancang → laksana → uji → baiki.

Apa kaitan dengan perkhidmatan kewangan?

Sektor kewangan sedang menuju arah yang sama:

• Ejen AI untuk pengesanan penipuan yang bukan hanya flag transaksi pelik, tapi mencadangkan tindakan susulan dan mengemas kini peraturan.
• Ejen AI untuk pemarkahan kredit yang boleh uji pelbagai model risiko, pantau prestasi dan sarankan pelarasan polisi.
• Ejen AI operasi contact centre yang bukan hanya jawab soalan, tapi boleh buka tiket, log kes dan kemas kini sistem core banking.

Realitinya, bila organisasi hanya “campak” AI ke dalam proses lama tanpa ubah cara kerja, prestasi merudum:

• Masa staf habis pada pemeriksaan manual dan rework.
• Kekeliruan siapa bertanggungjawab ke atas keputusan AI.
• Kelewatan pematuhan sebab output AI tak ikut struktur sedia ada.

Dalam dunia kod, kita dah nampak data jelas: bila ejen AI dimasukkan ke workflow lama tanpa perubahan, developer jadi lebih perlahan kerana terlalu banyak masa dihabiskan untuk verifikasi dan pembetulan. Hal yang sama sedang berlaku pada penganalisis risiko, pegawai pematuhan dan lagi.

---

Masalah Utama Bukan Model — Ia Adalah Konteks

Konteks ialah bahan bakar sebenar untuk AI perusahaan, bukan sekadar parameter model.

Dalam agentic coding, projek yang gagal biasanya berkongsi simptom sama:

• Ejen AI tak faham struktur kod (modul mana kritikal, siapa pemilik, mana yang legasi).
• Ia dibanjiri maklumat (terlalu banyak fail, dokumentasi bercampur-campur, sejarah perubahan tidak jelas).
• Atau terlalu sedikit maklumat (tiada spesifikasi, tiada dokumentasi, tiada ujian automatik).

Keputusan: kod kelihatan betul di permukaan, tetapi salah konteks — rujuk API yang sudah depreciated, langgar standard keselamatan, atau duplikasi logik sedia ada.

Terjemah ke dunia bank dan insurans

Dalam perkhidmatan kewangan, “kod” anda ialah:

• Polisi risiko dan kredit
• Peraturan pematuhan (BNM, SC, MIFID, FATF, dsb.)
• Model risiko, skor kredit, dan proses operasi dalaman
• Sejarah kes penipuan, audit, dan litigasi

Bila anda pasang model AI tanpa kejuruteraan konteks, anda dapat:

• Model anti-penipuan yang flag ribuan transaksi, tapi tak tahu prioriti kes mana kritikal untuk siasatan manusia.
• Sistem pemarkahan kredit yang gunakan data tak sepatutnya (isu fairness dan diskriminasi), kerana tak diikat kepada garis panduan dalaman.
• Chatbot yang beri jawapan betul secara teknikal, tapi lari daripada ton suara dan polisi layanan pelanggan bank.

Dalam semua kes ini, isu bukan kecerdasan model. Isu ialah apa yang anda tunjukkan kepada model, bila, dan dalam bentuk apa.

---

Konteks sebagai “Permukaan Kejuruteraan” Baharu

Pasukan kejuruteraan AI yang berjaya sekarang anggap konteks sebagai aset kejuruteraan penuh, bukan sampingan.

Dalam agentic coding, mereka:

• Bina alat untuk snapshot dan version “memori kerja” ejen.
• Tentukan apa yang patut disimpan, disingkatkan, atau dikaitkan sebagai rujukan (bukan disumbat semua ke prompt).
• Jadikan specification sebagai artifak utama yang boleh disemak dan diuji, bukan sekadar sejarah chat.

Dalam erti kata lain, “spec jadi sumber kebenaran baharu”, bukan lagi hanya kod atau dokumen PDF yang berdebu.

Bagaimana ini terpakai pada perkhidmatan kewangan

Kalau anda mahu AI yang benar-benar membantu dalam bank/insurans/fintek, perlu ada reka bentuk konteks macam ini:

1. Lapisan spesifikasi yang boleh dibaca mesin

   • Polisi kredit diterjemah kepada peraturan berstruktur (bukan hanya dokumen Word).
   • Had risiko, kriteria pengecualian, segmentasi pelanggan — semua dalam format yang boleh diindeks dan diaudit.

2. Memori operasi yang boleh dikesan semula

   • Setiap keputusan AI (contoh: mengapa transaksi X ditanda sebagai penipuan) disimpan sebagai log berstruktur.
   • Log ini jadi knowledge graph tentang niat, rasional dan bukti yang digunakan.

3. Ringkasan pintar, bukan spam data

   • AI tak perlu baca semua data pelanggan 7 tahun lepas; ia perlu ringkasan risiko yang relevan untuk kes tertentu.
   • Sama seperti ejen kod hanya perlu subset repositori, ejen risiko hanya perlu subset data yang dirancang dengan baik.

Bila konteks direka begini, setiap ejen AI — sama ada untuk kod, penipuan atau pematuhan — beroperasi dalam landskap maklumat yang dikawal, boleh diaudit dan mudah diulang kaji.

---

Workflow Mesti Berubah, Bukan Sekadar Tambah AI

Meletakkan ejen AI ke dalam proses lama tanpa ubah cara kerja biasanya menjadikan pasukan lebih perlahan, bukan lebih pantas.

Dalam dunia kod, pasukan yang hanya “pasang” ejen AI ke dalam aliran PR lama mendapati:

• Developer menghabiskan lebih masa menyemak kod AI berbanding menulis sendiri.
• Tugas dan pemilikan jadi kabur: siapa sebenarnya bertanggungjawab atas PR?

Pasukan yang matang lakukan sebaliknya:

• Mereka reka langkah musyawarah (deliberation steps) yang jelas antara manusia dan ejen.
• Ejen dilayan sebagai “contributor” yang outputnya wajib lalui pipeline yang sama: static analysis, ujian, semakan keselamatan, semakan rakan sekerja.

Versi kewangan: AI sebagai “pegawai junior yang sangat laju”

Dalam bank dan insurans, saya rasa mentaliti yang sihat adalah:

“AI bukan pengganti pegawai risiko atau pematuhan. AI ialah staf junior super-laju yang mesti ikut proses yang sama ketat.”

Apa maksudnya dari sudut reka bentuk workflow?

1. Ejen AI dimasukkan ke dalam pipeline kawal selia, bukan di tepi

   • Setiap analisis risiko yang dihasilkan AI direkod dengan metadata: model mana, versi mana, data apa digunakan.
   • Output AI mesti melalui semakan manusia untuk segmen berisiko tinggi (contoh: kredit korporat besar, kes penipuan bernilai tinggi).

2. Peranan & pemilikan yang jelas

   • “Siapa tandatangan akhir?” soalan wajib. Model tak pernah jadi pemilik keputusan; manusia masih akauntabel.
   • Definisi RACI (Responsible, Accountable, Consulted, Informed) yang jelas untuk aliran kerja berasaskan AI.

3. Standard dokumentasi baru untuk keputusan AI

   • Setiap keputusan kritikal disertakan penjelasan yang boleh dijelaskan kepada auditor dan pengawal selia.
   • Penjelasan ini bukan ditulis manual setiap kali; ia dibina automatik sebagai sebahagian daripada sistem.

Tanpa reka bentuk workflow begini, AI hanya menambah kebisingan, bukan nilai.

---

Di Mana Pemimpin Kewangan Patut Bermula Sekarang

Pendekatan yang betul untuk AI perusahaan bukan bermula dengan “model apa?”, tapi “sistem apa yang kita sedang bina dan sejauh mana organisasi kita sudah bersedia?”.

Berikut rangka kerja praktikal yang boleh digunakan oleh bank, insurans dan fintek:

1. Pilih domain yang sempit tapi bernilai tinggi

Dalam agentic coding, projek yang berjaya biasanya bermula dengan:

• Penjanaan ujian automatik
• Pemodenan kod legasi tertentu
• Refaktor modul yang terasing dan banyak ujian

Untuk kewangan, analoginya:

• Pengesanan penipuan untuk segmen khusus (contoh: e-dagang bernilai sederhana) dengan data ground truth yang kukuh.
• Pemarkahan kredit mikro dengan kriteria jelas dan risiko terkawal.
• Automasi pelaporan pematuhan untuk subset peraturan yang struktur datanya sudah baik.

Jangan cuba “AI-kan” seluruh bank sekaligus. Fokus pada satu masalah dengan garis kejayaan yang jelas.

2. Definisikan metrik kejayaan yang boleh diuji

Pasukan kejuruteraan yang matang ukur keberkesanan ejen AI dengan metrik keras seperti:

• Defect escape rate
• Masa kitaran PR
• Change failure rate

Untuk sektor kewangan, metrik yang masuk akal termasuk:

• Pengurangan false positive dalam pengesanan penipuan
• Masa pemprosesan kes kredit dari permohonan ke kelulusan
• Bilangan finding pematuhan yang ditutup per suku
• Purata masa respon untuk pertanyaan pelanggan dalam contact centre hibrid AI+manusia

Jika anda tak ada baseline dan sasaran numerik, sukar untuk membezakan antara hype dan hasil sebenar.

3. Layan ejen AI sebagai lapisan data baharu

Dalam agentic coding, setiap rancangan, log tindakan, snapshot konteks dan larian ujian dilihat sebagai data berstruktur yang boleh diindeks dan digunakan semula.

Untuk perkhidmatan kewangan, pendekatan yang sama membuka banyak peluang:

• Setiap keputusan kredit AI disimpan bersama justifikasi dan data yang digunakan.
• Over masa, anda bina graf pengetahuan niat dan rasional risiko yang boleh dikuatkan lagi.
• Auditor dan pengawal selia boleh menjejak semula mengapa sesuatu kelas pelanggan menerima layanan tertentu.

Organisasi yang memandang log ejen AI sebagai “harta intelek” akan jauh mendahului pesaing yang hanya nampak AI sebagai “model pandai ramal”.

---

Apa Ertinya untuk Masa Depan AI dalam Kewangan Malaysia

Siri “AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek)” sering menyentuh topik seperti pengesanan penipuan, pemarkahan kredit automatik dan pemodelan risiko. Satu benang merah yang mula jelas: kejayaan sebenar bukan pada siapa guna model paling hebat, tetapi siapa yang paling serius terhadap kejuruteraan konteks dan reka bentuk sistem.

Bagi saya, ada tiga mesej besar untuk 12–24 bulan akan datang:

1. Model akan terus bertambah baik, tetapi jurang prestasi sebenar datang daripada reka bentuk konteks dan workflow.
2. Bank dan insurans yang treat AI sebagai “pegawai junior super-laju dalam sistem yang sangat berdisiplin” akan menang berbanding mereka yang cuba gantikan manusia tanpa reka bentuk semula proses.
3. Memori konteks — log, spesifikasi, rasional keputusan — akan jadi aset strategik sama penting dengan data transaksi dan data pelanggan hari ini.

Jika anda sedang merancang inisiatif AI seterusnya untuk 2026, soalan paling berguna mungkin bukan “model mana patut kita guna?”, tetapi:

“Apakah konteks minimum yang ejen AI kita perlu faham untuk membuat keputusan yang boleh kita pertahankan kepada pelanggan, pengurusan risiko dan pengawal selia — dan bagaimana kita mahu kejuruteraannya?”

Jawapan jujur kepada soalan itu sering menjadi pemisah antara PoC yang hanya cantik dalam slaid, dan sistem AI perusahaan yang betul-betul mengubah cara organisasi kewangan bekerja.