Bagaimana Bank Bijak Menjadikan AI Sebagai Kelebihan

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

AI dalam kewangan sudah beralih daripada eksperimen kepada kelebihan strategik. Ketahui bagaimana bank, insurans dan fintech menskala AI dengan selamat dan menguntungkan.

AI dalam kewanganbank MalaysiainsuransfintechAI enterprisetransformasi digitalrisk dan pematuhan
Share:

Bagaimana Bank Bijak Menjadikan AI Sebagai Kelebihan

Pada 2025, satu tinjauan global oleh Finextra bersama Cloudera melibatkan 155 pemimpin kewangan mendapati satu perkara jelas: AI bukan lagi eksperimen, tetapi enjin utama kelebihan kompetitif. Bank, syarikat insurans dan fintech yang serius tentang masa depan sudah berhenti bertanya “patut guna AI atau tidak?” dan mula fokus kepada soalan jauh lebih sukar: bagaimana nak skala AI dengan selamat, patuh dan menguntungkan?

Untuk Malaysia, soalan ini sangat dekat dengan realiti. Pelaburan besar dalam transformasi digital, keperluan kawal selia yang ketat, peningkatan penipuan dalam talian, dan pelanggan yang semakin “mobile-first” menjadikan strategi AI bukan lagi “nice to have”. Ia sudah menjadi keperluan strategi perniagaan.

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, artikel ini membedah dapatan utama laporan Finextra tersebut dan menterjemahkannya ke dalam konteks rantau Asia Tenggara dan Malaysia:

  • apa sebenarnya yang dilakukan oleh peneraju industri,
  • kenapa banyak projek AI gagal skala,
  • dan pendekatan praktikal untuk pemimpin kewangan yang mahu bergerak dari potensi kepada hasil sebenar (ROI).

1. Dari “Proof-of-Concept” ke Skala: Perangai Lama Yang Mahal

Realitinya, kebanyakan institusi kewangan sudah pun “mencuba AI”. Ada chatbot, ada model skor kredit, ada sedikit automasi pematuhan. Masalahnya: banyak yang berhenti di peringkat proof-of-concept (PoC).

Apa yang membezakan peneraju dalam laporan Finextra ini?

Mereka melayan AI sebagai keupayaan perusahaan (enterprise capability), bukan projek terpencil dalam satu jabatan.

Ciri-ciri organisasi yang betul-betul skala AI

Berdasarkan corak dalam laporan dan pengalaman di lapangan, organisasi yang berjaya skala AI biasanya:

  1. Ada visi jelas di peringkat lembaga dan C-suite
    AI dikaitkan terus dengan metrik perniagaan – contohnya pengurangan NPL, peningkatan cross-sell, pengurangan kos operasi, atau skor kepuasan pelanggan.

  2. Mempusatkan data dan AI dalam platform perusahaan
    Bukan 10 sistem berasingan dengan 10 pasukan data yang tak bercakap sesama sendiri. Ada satu enterprise AI platform atau data lake yang menjadi asas bersama.

  3. Mempunyai pemilik jelas untuk setiap use case
    Bukan projek “IT punya”. Setiap kes penggunaan AI ada business owner yang bertanggungjawab terhadap KPI.

  4. Mampu bawa model dari lab ke produksi dengan cepat
    Pasukan data sains dan IT mempunyai proses MLOps yang matang – pipeline, pemantauan, pengurusan versi model, dan tadbir urus yang jelas.

Bagi bank dan insurans di Malaysia, ini bermaksud berhenti melihat AI sebagai “projek inovasi 6 bulan”, dan mula membinanya sebagai kapasiti asas, sama penting dengan core banking system.

2. Tiga Halangan Terbesar Dalam Skala AI Kewangan

Laporan Finextra menegaskan bahawa halangan utama bukan kreativiti atau teknologi semata-mata. Tiga perkara paling menyakitkan ialah regulasi, keselamatan dan tadbir urus data.

2.1 Regulasi & Pematuhan: Bukan Alasan Untuk Berhenti, Tetapi Cara Untuk Reka

Industri kewangan hidup dalam dunia kawal selia:

  • keperluan Bank Negara,
  • keperluan perlindungan data,
  • garis panduan model risiko,
  • keperluan audit dan dokumentasi.

Ramai pemimpin berhenti di sini dan berkata “AI terlalu berisiko”. Peneraju industri ambil pendekatan berbeza:

  • Model explainable untuk kes risiko tinggi (kredit, penentuan harga) supaya pegawai risiko dan pengawal selia boleh memahami logik keputusan.
  • Dokumentasi model yang standard – versi model, data latihan, metrik prestasi, had penggunaan.
  • Kawalan ‘human-in-the-loop’ dalam keputusan kritikal – contohnya model memberi cadangan, pegawai meluluskan.

Cara berfikir yang lebih sihat:

Regulasi bukan penghalang AI. Regulasi ialah spesifikasi reka bentuk untuk AI yang boleh bertahan audit.

2.2 Keselamatan & Privasi Data: Bila IT, Data & Risk Jarang Duduk Semeja

AI yang berkesan memerlukan akses kepada data pelanggan yang kaya. Di sinilah kebimbangan paling besar muncul: kebocoran data, akses tidak sah, dan serangan siber.

Institusi yang berjaya biasanya:

  • Menggunakan penyulitan menyeluruh (encryption at rest & in transit) untuk set data AI.
  • Mengamalkan prinsip least privilege untuk akses data – bukan semua data scientist boleh lihat semua data.
  • Mengguna teknik pseudonymisation atau synthetic data untuk pembangunan awal.
  • Mewujudkan ‘red line’ data yang tidak boleh meninggalkan persekitaran on-premise.

Dalam konteks Malaysia, di mana kepercayaan pelanggan sangat penting dan “isu bocor data” cepat viral, pelaburan dalam keselamatan data AI bukan sekadar kos IT – ia pelaburan reputasi.

2.3 Tadbir Urus Data: AI Sebagus Data Yang Diberi Makan

Laporan Finextra menekankan masalah klasik: data bersilo, kualiti data meragukan, dan definisi metrik yang tidak konsisten antara jabatan.

Untuk skala AI, organisasi perlu:

  • Data catalog dan data lineage – jelas dari mana data datang, siapa pemiliknya, dan bagaimana ia digunakan.
  • Standard data quality – peraturan untuk data hilang, anomali, dan konsistensi.
  • Data governance council yang melibatkan IT, Risiko, Perniagaan, dan Pematuhan.

Banyak bank Malaysia telah memulakan perjalanan ini melalui program Enterprise Data Management. Langkah seterusnya ialah menyelaraskan inisiatif tersebut dengan keperluan AI dan ML, bukan berjalan berasingan.

3. Di Mana AI Sebenarnya Menjana ROI Hari Ini

Dalam tinjauan Finextra, beberapa corak jelas muncul: use case AI yang paling matang dan memberi pulangan hari ini tertumpu kepada risiko, penipuan, operasi dan pengalaman pelanggan.

3.1 Pengesanan Penipuan & Anti-Financial Crime

AI/ML digunakan untuk menganalisis corak transaksi secara masa nyata:

  • mengesan transaksi luar kebiasaan (anomaly detection),
  • menilai risiko pelanggan berdasarkan tingkah laku,
  • mengurangkan false positives dalam AML dan pemantauan transaksi.

Untuk bank dan e-wallet di Malaysia, AI jenis ini boleh:

  • mengurangkan kerugian penipuan kad dan pemindahan atas talian,
  • mempercepatkan siasatan kes yang sebenar,
  • mengurangkan beban kerja manual pasukan AML.

3.2 Skor Kredit & Pemodelan Risiko

Model ML moden mampu menggunakan lebih banyak pembolehubah dan corak kompleks berbanding model statistik tradisional. Hasilnya:

  • penilaian pelanggan baharu yang lebih tepat,
  • potensi pengembangan pinjaman kepada segmen underserved dengan kawalan risiko lebih baik,
  • penentuan harga risiko yang lebih halus (risk-based pricing).

Fintech kredit mikro di Asia sudah membuktikan bahawa penggunaan data alternatif (contoh: corak pembayaran bil, tingkah laku aplikasi) dengan model ML boleh membuka pasaran baru – selagi tadbir urus, keadilan (fairness) dan privasi dijaga.

3.3 Automasi Pematuhan & Laporan Regulasi

Di kawasan ini, AI membantu:

  • mengekstrak maklumat daripada dokumen panjang (NLP),
  • mengisi laporan regulasi rutin,
  • mengesan potensi pelanggaran dasar dalaman.

Kelebihan praktikal:

  • kurang kesilapan manual,
  • masa staf pematuhan digunakan untuk analisis bernilai tinggi, bukan kerja ‘cut & paste’,
  • audit trail automatik.

3.4 Pengalaman Pelanggan: Chatbot, Saranan & Analitik Kekayaan

Dalam laporan Finextra, satu tema yang kuat ialah AI digunakan untuk memperibadikan pengalaman:

  • chatbot dan pembantu maya untuk soalan asas,
  • enjin saranan produk berdasarkan tingkah laku dan profil risiko,
  • analitik kekayaan untuk pelanggan affluent yang mahukan pandangan segera tentang portfolio.

Untuk bank runcit dan insurans di Malaysia, ini bermaksud:

  • call centre boleh fokus kepada kes rumit,
  • pelanggan boleh urus keperluan asas 24/7,
  • kempen pemasaran lebih tepat kepada minat dan keperluan.

4. Kenapa Model Hybrid Menjadi Pilihan: On-Prem, Cloud & Data Sensitif

Satu dapatan penting laporan Finextra ialah ramai pemain kewangan beralih ke model hibrid – gabungan on-premise dan cloud – untuk AI.

Jawapannya mudah: keperluan patuh, data sensitif dan keperluan inovasi tidak selalu selari.

4.1 Apa Maksud Hybrid Dalam AI Kewangan

Secara praktikal, banyak institusi:

  • menyimpan data paling sensitif (contoh: data transaksi penuh, NRIC, maklumat kesihatan) di persekitaran on-premise yang dikawal ketat,
  • menggunakan cloud untuk:
    • latihan model berskala besar,
    • ujikaji pantas,
    • perkhidmatan AI tertentu (contoh: NLP, vision API),
  • menggunakan platform yang membolehkan pergerakan beban kerja (workload mobility) antara on-prem dan cloud tanpa menulis semula semua kod.

4.2 Kenapa Ia Penting Untuk Bank & Insurans Malaysia

  • Keperluan Lembaga & audit dalaman tentang lokasi data.
  • Keinginan untuk memanfaatkan inovasi AI global (model generatif, API terbaharu) tanpa melanggar garis panduan data.
  • Keperluan mengawal kos infrastruktur sambil kekal tangkas.

Strategi yang bijak bukan “semua ke cloud” atau “semua on-prem”, tetapi arsitektur yang fleksibel dan patuh – inilah yang banyak organisasi dalam laporan Finextra sedang lakukan.

5. Memilih Platform & Rakan Strategik AI: Apa Yang Pemimpin Tanya

Laporan Finextra juga menyentuh cara institusi menilai platform AI perusahaan dan vendor mereka. Satu pola jelas: pemimpin tidak lagi hanya lihat ciri teknikal, mereka menilai kesediaan vendor sebagai rakan jangka panjang.

Antara soalan yang biasanya ditanya oleh bank dan insurans yang matang:

  1. Bolehkah platform ini menyokong data dan beban kerja di pelbagai persekitaran (on-prem, private cloud, public cloud)?
  2. Bagaimana ia bantu pematuhan dan audit?
    Termasuk logging, explainability, pengurusan model, kawalan akses.
  3. Adakah ia terbuka dan serasi dengan ekosistem sedia ada?
    Contoh: sokongan untuk pelbagai bahasa pemodelan (Python, R, SQL), integrasi dengan sistem core banking, CRM, sistem risiko.
  4. Bagaimana vendor menyokong pasukan dalaman?
    Latihan, best practice, rujukan industri, dan komuniti pengguna.

Bagi organisasi yang baru serius tentang AI, saya cadangkan satu prinsip mudah:

Pilih rakan AI yang bukan sahaja pandai menjual teknologi, tetapi faham bahasa risiko, kawal selia dan operasi kewangan.

6. Langkah Praktikal 6–12 Bulan Untuk Institusi di Malaysia

Apa langkah konkrit yang boleh diambil dalam tempoh setahun akan datang? Berdasarkan nada laporan Finextra dan pengalaman pasaran serantau, pendekatan ini lebih berkesan berbanding pelan besar yang terlalu teoritikal.

6.1 Tetapkan Arah Strategik Yang Jelas

  • Kenal pasti 3–5 use case AI teras yang terus menyentuh KPI utama (contoh: penipuan, skor kredit, koleksi, pengalaman pelanggan).
  • Bentuk steering committee AI yang melibatkan CDO/CTO, CRO, pematuhan dan pemilik perniagaan.

6.2 Mulakan Dengan Data & Tadbir Urus

  • Wujudkan data inventory untuk data paling kritikal kepada AI.
  • Tetapkan polisi asas: siapa boleh akses apa, bagaimana log dipantau, bagaimana data digunakan untuk latihan model.

6.3 Pilih Satu Platform AI Perusahaan Teras

  • Jangan bina 10 silo projek kecil dengan teknologi berbeza.
  • Pilih platform yang boleh berkembang dengan masa: menyokong hybrid, MLOps, keselamatan, dan integrasi.

6.4 Bangunkan “AI Champions” Dalaman

  • Latih staf perniagaan untuk memahami potensi dan batasan AI.
  • Latih pasukan data & IT dalam amalan MLOps, keselamatan dan pematuhan.

6.5 Ukur, Tunjuk Nilai, Ulang

Untuk setiap projek:

  • tetapkan metrik jelas sebelum mula (contoh: pengurangan kadar penipuan 20%, penjimatan masa proses 40%),
  • pantau selepas pelaksanaan,
  • gunakan hasil tersebut untuk mendapatkan buy-in projek seterusnya.

Organisasi yang berjaya bukan kerana mereka ada satu projek AI hebat. Mereka menang kerana mereka ada proses konsisten untuk mengenal pasti, membina, mengukur dan menskala projek AI.

Penutup: Dari Potensi ke Kelebihan Nyata

Laporan Finextra–Cloudera menunjukkan satu mesej tegas: AI sudah menjadi pembeza utama antara pemain kewangan yang memimpin dan yang sekadar mengikut. Dalam pasaran Malaysia dan Asia Tenggara yang semakin kompetitif, beza itu akan semakin ketara dalam 2–3 tahun akan datang.

Jika institusi anda masih melihat AI sebagai projek percubaan kecil, ini masa yang sesuai – sebelum 2026 menjelang – untuk bertanya soalan yang lebih berani:

Bagaimana kita mahu membina AI sebagai keupayaan teras organisasi, dengan data yang dipandu tadbir urus, platform yang kukuh, dan use case yang jelas memacu ROI?

Bagi pemimpin bank, insurans dan fintech yang bersedia berfikir pada tahap ini, laporan penuh Finextra tentang cara institusi global menskala AI memberi pandangan mendalam tentang: tahap kematangan rakan seindustri anda, halangan sebenar, dan strategi konkrit yang digunakan oleh peneraju. Bacaan sebegini membantu memastikan keputusan anda dalam 6–12 bulan akan datang bukan sekadar ikut trend, tetapi dibina atas bukti, data dan pengalaman global.