AI kewangan bukan lagi eksperimen. Lihat bagaimana bank, insurans dan fintech menskalakan AI secara hibrid untuk fraud, skor kredit dan analitik pelanggan.
AI dalam kewangan: siapa yang benar‑benar memanfaatkan peluang?
Pada 2025, hampir semua bank besar, syarikat insurans dan fintech kata mereka “guna AI”. Tapi bila tanya apa hasil sebenar — penurunan kos? kenaikan ROI? pengurangan fraud? — jawapannya selalunya kabur.
Dalam satu tinjauan global Finextra bersama Cloudera pada Ogos 2025, 155 pemimpin institusi kewangan mendedahkan perkara yang sama: AI bukan lagi projek ujikaji, tapi enjin utama transformasi. Isunya bukan lagi perlu guna AI atau tidak, tetapi bagaimana nak skala AI supaya beri impak kewangan yang jelas.
Di Malaysia, landskapnya sama. Bank-bank Tier 1, syarikat insurans hayat dan takaful, serta pemain fintech sedang melabur besar dalam analitik data, model risiko dan chatbot berasaskan AI. Persaingannya mudah: siapa yang guna AI dengan lebih bijak, lebih pantas, akan menang bahagian pasaran.
Artikel ini mengupas:
- bagaimana institusi kewangan global sedang menskalakan AI,
- apa halangan sebenar (regulasi, data, bakat),
- bagaimana konteks Malaysia berbeza,
- dan langkah praktikal untuk bank, insurans dan fintech di rantau ini.
1. Realiti AI dalam perkhidmatan kewangan pada 2025–2026
Institusi kewangan yang serius dengan AI mempunyai satu persamaan: mereka nampak AI sebagai aset strategik, bukan projek IT.
Berdasarkan laporan Finextra tersebut, beberapa corak jelas muncul:
- AI dan machine learning sudah digunakan merentas fungsi utama: risiko, fraud, pematuhan, pemasaran, pengurusan kekayaan dan operasi.
- Fokus bukan lagi “POC comel” tetapi penggunaan pada skala perusahaan (enterprise scale) — platform AI bersama, katalog data terpusat, standard model dan MLOps.
- Organisasi mula membezakan antara AI generatif (GenAI) dan AI tradisional (ML, analitik lanjutan) dan menggunakan kedua‑dua mengikut kes guna yang tepat.
Bagi Malaysia, ini sangat selari dengan apa yang kita nampak:
- Bank-bank besar meningkatkan bajet analitik dan AI sebagai sebahagian pelan transformasi digital 3–5 tahun.
- Tekanan daripada pesaing digital‑only dan e-wallet memaksa bank tradisional mempercepat automasi, pemperibadian tawaran, dan straight-through processing.
- Regulator seperti BNM dan Suruhanjaya Sekuriti memberi lebih banyak garis panduan berkaitan data governance dan penggunaan model, membuatkan isu pematuhan tak boleh diabaikan.
Ringkasnya: AI bukan lagi “opsyen tambahan”. Ia jadi asas daya saing.
2. Tahap kematangan AI: di mana anda berbanding rakan industri?
Tinjauan Finextra mengukur tahap kematangan AI dan ML di kalangan 155 institusi kewangan global. Walaupun angka spesifik berbeza mengikut rantau, pola umum ini sangat relevan untuk Malaysia:
-
Peringkat permulaan (ad‑hoc)
- AI digunakan secara terpencil di unit tertentu (contoh: satu projek fraud, satu projek pemasaran).
- Tiada platform AI berpusat, tiada standard model lifecycle yang jelas.
-
Peringkat berkembang (repeatable)
- Beberapa jabatan mula kongsi tooling dan data.
- Terdapat kumpulan data scientist dan MLOps kecil, tapi tadbir urus masih asas.
-
Peringkat maju (managed)
- AI diurus sebagai produk: ada backlog, roadmap, dan metrik ROI.
- Model digunakan merentas pelbagai saluran (branch, app, call centre) dengan pemantauan berterusan.
-
Peringkat peneraju (optimised)
- AI tertanam dalam proses teras: kredit, harga, pengesanan risiko, pengalaman pelanggan.
- Data, infrastruktur dan bakat diatur sebagai kelebihan kompetitif yang jelas.
Di Malaysia, banyak bank dan insurans berada di antara peringkat 2 dan 3. Fintech yang lebih kecil kadang‑kadang lompat terus ke 3 dalam satu atau dua use case kerana infrastruktur mereka lebih ringan — tapi mereka kurang kedalaman dari segi governance.
Soalan yang patut ditanya oleh mana‑mana pengurusan:
Adakah AI di organisasi anda satu siri projek terasing, atau satu keupayaan perusahaan yang boleh dikitar semula dan diskala?
Jika jawapannya masih projek terasing, anda sedang ketinggalan.
3. Halangan terbesar: bukan teknologi, tetapi tadbir urus dan data
Hasil tinjauan Finextra sangat sejajar dengan apa yang ramai pengamal AI di Malaysia rasa: isu utama bukan model, tetapi data, regulasi dan vendor.
3.1. Regulasi dan pematuhan
Institusi kewangan berurusan dengan:
- keperluan explainability (kenapa model meluluskan atau menolak pinjaman),
- keadilan model (mengelak diskriminasi tersembunyi),
- keperluan audit dan model risk management.
Di Malaysia, ini berkaitan terus dengan parameter BNM mengenai pengurusan risiko teknologi, perlindungan data pelanggan, dan garis panduan kredit. Kalau model AI tak boleh dijelaskan, sukar untuk diluluskan oleh Model Risk Committee atau regulator.
3.2. Kualiti dan pengurusan data
AI hanya sebaik data di belakangnya. Tinjauan tersebut menekankan:
- Data sering terperangkap dalam silo sistem legasi (core banking, sistem kad, sistem insurans, CRM).
- Definisi data tak konsisten antara unit (contoh: apa maksud "pelanggan aktif"?).
- Data lineage dan hak akses tidak jelas, menyukarkan pematuhan.
Institusi yang berjaya biasanya membina platform data perusahaan dengan governance kukuh: katalog data, kawalan akses berperanan, data quality rules, serta audit trail jelas.
3.3. Kekurangan bakat dan strategi vendor
Ramai pemain kewangan:
- bergantung sepenuhnya kepada vendor tunggal dan berakhir dengan vendor lock‑in, atau
- menabur projek dengan terlalu banyak vendor kecil tanpa pelan integrasi jangka panjang.
Institusi yang lebih matang memilih pendekatan platform AI perusahaan dan melengkapkan dengan vendor khusus untuk kes guna tertentu (contoh: fraud, KYC, chat). Mereka juga melabur dalam upskilling staf sedia ada, bukan hanya mengupah data scientist baharu.
4. Trend utama: model hibrid dan platform AI perusahaan
Satu dapatan penting laporan Finextra–Cloudera ialah adopsi model hibrid untuk AI dan data: gabungan on‑premise, private cloud dan public cloud.
4.1. Kenapa ramai beralih kepada hibrid
Institusi kewangan suka model hibrid kerana ia:
- Memenuhi keperluan regulasi – data sangat sensitif (contoh: data identiti, data transaksi penuh) disimpan di pusat data sendiri, manakala beban pengiraan berat atau data teragregat boleh dijalankan di awan.
- Mengawal kos – burst compute dan eksperimen cepat di awan, pengeluaran jangka panjang di infrastruktur yang lebih murah dan stabil.
- Mengurangkan risiko vendor – tak terlalu terikat pada satu penyedia awan.
Di Malaysia, pendekatan sebegini semakin biasa, terutama bagi bank yang:
- mahu patuh garis panduan penempatan data,
- tetapi pada masa sama tak mahu ketinggalan dalam penggunaan cloud-native AI services.
4.2. Platform AI perusahaan vs penyelesaian titik (point solutions)
Laporan ini juga menekankan kepentingan platform AI perusahaan.
Platform sebegini biasanya merangkumi:
- Data lakehouse atau enterprise data platform,
- Feature store untuk berkongsi ciri model (features) merentas kes guna,
- MLOps pipeline untuk pembinaan, pekerluaran dan pemantauan model,
- Governance & security peringkat perusahaan.
Tanpa platform, setiap pasukan projek:
- ulang buat kerja asas (data prep, pipeline),
- mewujudkan risiko pematuhan dan keselamatan,
- memperlahankan masa ke pasaran.
Inilah sebabnya ramai peneraju seperti yang didapati dalam tinjauan Finextra, cenderung menilai vendor berdasarkan keupayaan platform dan governance, bukan hanya kepantasan model.
5. Kes guna AI yang benar‑benar menjana ROI untuk bank & fintech
Laporan Finextra mengetengahkan beberapa use case AI dan ML yang paling banyak digunakan dan terbukti menjana pulangan. Dalam konteks Malaysia, saya lihat lima kategori ini paling praktikal:
5.1. Pengesanan fraud dan pengurusan risiko transaksi
Ini biasanya kes guna pertama yang memberikan impak ketara.
Contoh aplikasi:
- Model ML yang belajar corak transaksi kad dan e-wallet pelanggan dan menandakan aktiviti luar biasa secara masa nyata.
- Enjin skor risiko untuk pembayaran rentas sempadan dan pemindahan antara bank (duit haram, mule account).
Kesan kepada organisasi:
- pengurangan kerugian fraud,
- kurang false positive berbanding peraturan statik lama,
- pengalaman pelanggan lebih lancar kerana kurang transaksi sah yang disekat.
5.2. Skor kredit automatik dan pemberian pinjaman lebih inklusif
Untuk pasaran Malaysia dan ASEAN, AI dalam penilaian kredit sangat kritikal jika bank mahu menembusi segmen PKS mikro dan gig worker.
Model boleh menggunakan:
- sejarah transaksi akaun,
- corak pembayaran bil utiliti,
- data tingkah laku (contoh: corak penggunaan aplikasi, konsistensi pendapatan),
- data alternatif yang dibenarkan dan diurus dengan betul.
Hasilnya:
- proses kelulusan lebih pantas (kadang‑kadang serta‑merta),
- risiko gagal bayar diurus melalui pemodelan yang lebih granular,
- lebih ramai pelanggan yang sebelum ini “thin file” boleh dilayan.
5.3. Analitik pelanggan dan pemperibadian tawaran
Bank dan insurans yang benar‑benar memanfaatkan AI menggunakan:
- model propensity to buy untuk kempen pemasaran,
- segmentasi dinamik berdasarkan tingkah laku, bukan demografik sahaja,
- cadangan produk peribadi di aplikasi mudah alih.
Bila dilakukan dengan betul:
- conversion rate naik,
- cross-sell jadi lebih relevan (contoh: tawaran takaful motor bila insurans hampir tamat),
- pelanggan rasa “difahami”, bukan dibanjiri promosi generik.
5.4. Chatbot pintar dan automasi operasi
AI generatif mula memberi kesan besar dalam:
- pusat panggilan (AI co‑pilot untuk agen),
- chatbot omni-saluran (WhatsApp, web, aplikasi),
- pencarian dokumen dalaman (manual produk, polisi, SOP).
Nilai nyatanya:
- masa resolusi isu pelanggan lebih singkat,
- staf barisan hadapan kurang terbeban dengan soalan berulang,
- kualiti jawapan lebih konsisten dengan polisi semasa.
5.5. Pematuhan dan pemantauan (RegTech)
Untuk bank dan broker, jumlah keperluan laporan semakin naik.
AI membantu dengan:
- pemantauan transaksi AML yang lebih tepat,
- pengesanan trading anomalies,
- penjanaan dan semakan dokumen pematuhan.
Di sinilah AI bukan sahaja menjimatkan kos, malah mengurangkan risiko denda regulatori.
6. Rangka tindakan praktikal untuk institusi kewangan di Malaysia
Soalan penting untuk pengurusan bank, insurans dan fintech sekarang bukan “nak buat AI atau tidak”, tetapi bagaimana nak skala dengan selamat, pantas dan berbaloi.
Berikut rangka tindakan yang selari dengan dapatan tinjauan Finextra dan realiti pasaran Malaysia:
6.1. Tetapkan visi AI peringkat lembaga pengarah
- Nyatakan dengan jelas: AI menyokong objektif apa?
Contoh: pengurangan kos operasi 20%, pengurangan kerugian fraud 30%, peningkatan pendapatan cross-sell 15% dalam 3 tahun. - Bentuk jawatankuasa AI/pematuhan model yang melapor kepada lembaga atau EXCO risiko.
6.2. Audit kesediaan data dan infrastruktur
- Peta sistem utama dan sumber data (core banking, kad, insurans, CRM, e-channel).
- Kenal pasti jurang: data kualiti rendah, definisi tak seragam, akses terlalu ketat atau terlalu longgar.
- Rancang platform data perusahaan dan model hibrid yang patuh garis panduan regulator tempatan.
6.3. Pilih 3–5 kes guna AI dengan ROI jelas
Mulakan dengan kes guna yang:
- mempunyai data sedia ada yang kukuh,
- jelas impak kewangan dan risiko,
- boleh diskala ke beberapa segmen atau negara.
Contoh pemilihan awal:
- fraud kad dan e-wallet,
- skor kredit untuk pinjaman peribadi/PKS,
- chatbot untuk pertanyaan asas pelanggan.
6.4. Bangunkan keupayaan dalaman + ekosistem vendor
- Bentuk pasukan teras: data engineer, data scientist, MLOps, risk & compliance, IT security, business owner.
- Gunakan platform AI perusahaan (bukan hanya tool yang terpisah) supaya:
– model mudah diurus,
– standard governance dikongsi,
– dan pengetahuan tak hilang bila vendor berganti.
6.5. Utamakan governance, etika dan ketelusan model
- Wujudkan polisi dalaman untuk penggunaan AI generatif dan model kredit.
- Pastikan setiap model risiko dan kredit boleh dijelaskan secara manusia (contoh: faktor utama yang mempengaruhi keputusan, had penggunaan data).
- Rekod semua versi model, data latihan dan ujian, serta keputusan utama untuk tujuan audit.
7. Masa depan AI kewangan menjelang 2026: siapa yang akan menang?
Dapatan Finextra–Cloudera dan tren di Malaysia menunjuk ke arah yang sama: pemenang sebenar bukan yang paling bising tentang AI, tetapi yang paling konsisten menskalakan AI dengan teratur dan patuh.
Dalam siri "AI in Financial Services (Banks, Insurance, Fintech)" ini, satu corak jelas muncul:
- bank tradisional yang berani merombak platform data dan operasi mula bergerak secepat fintech,
- fintech yang matang mula menambah keupayaan risk & compliance hampir sama teliti dengan bank,
- syarikat insurans yang dulu dilihat ketinggalan kini agresif dalam analitik risiko dan automasi tuntutan.
Untuk beberapa tahun ke depan, persaingan terbesar adalah perang platform AI dan data. Siapa yang mempunyai asas data kukuh, model yang diurus dengan baik, dan bakat yang faham kewangan serta AI — itulah yang akan menguasai pelanggan Malaysia dan rantau.
Jika organisasi anda masih melihat AI sebagai inisiatif sampingan, 2026 akan jadi tahun yang sukar. Tetapi jika anda mula sekarang dengan pelan yang jelas — dari data, platform, use case berimpak tinggi, hingga governance — AI bukan lagi sekadar potensi. Ia jadi kelebihan sebenar dalam pasaran yang makin padat.
Soalannya sekarang: di mana tahap kematangan AI organisasi anda hari ini, dan apa langkah konkrit seterusnya dalam 6–12 bulan akan datang untuk benar‑benar memanfaatkan kelebihan itu?