Gas Musim Sejuk Ukraine & Peranan AI di Malaysia

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

Naftogaz berhutang berbilion untuk gas musim sejuk. Apa pengajarannya untuk bank, insurans dan fintech Malaysia yang guna AI membiayai sektor tenaga?

AI perkhidmatan kewanganpembiayaan tenagaNaftogazPetronasrisiko kreditfintech tenagapredictive analytics
Share:

Gas Musim Sejuk Ukraine & Peranan AI Dalam Rantaian Tenaga Malaysia

Kumpulan Naftogaz di Ukraine baru sahaja memeterai pinjaman baharu UAH 5 bilion (sekitar USD 118.8 juta) dengan PrivatBank untuk beli gas bagi menghadapi musim sejuk. Itu hanya sebahagian daripada pakej pembiayaan berbilion euro yang melibatkan EIB, EBRD dan beberapa bank tempatan – semuanya demi satu perkara: bekalan tenaga tak boleh terganggu walaupun negara sedang berperang.

Di Malaysia, kita tak berdepan bom dan peluru merosakkan rangkaian paip, tetapi tekanan lain sedang meningkat – peralihan tenaga, ketidaktentuan harga global, ESG, dan jangkaan pelanggan yang makin tinggi. Realitinya sama: kegagalan merancang kewangan dan operasi tenaga akan cepat jadi masalah sistemik. Bezanya, Malaysia ada kelebihan besar – penggunaan AI dalam perkhidmatan kewangan dan sektor tenaga yang jauh lebih matang berbanding banyak negara lain.

Artikel ini kupas tiga perkara utama:

  • Apa sebenarnya Naftogaz sedang lakukan dari sudut pembiayaan dan pengurusan risiko tenaga.
  • Bagaimana bank & institusi kewangan Malaysia boleh gunakan AI untuk menyokong syarikat tenaga seperti Petronas dengan jauh lebih strategik.
  • Langkah praktikal untuk pemimpin kewangan dan teknologi di bank, insurans dan fintech yang serius nak jadikan AI sebagai enjin pertumbuhan – bukan sekadar “projek POC”.

1. Kisah Naftogaz: Pembiayaan Tenaga Ketika Krisis Bukan Cerita Teori

Naftogaz memerlukan lebih kurang 4.4 bilion meter padu gas untuk melalui musim sejuk, dengan kos dianggarkan sekitar EUR 1.9 bilion (lebih kurang USD 2.22 bilion). Untuk capai sasaran ini, mereka:

  • Mengambil pinjaman UAH 5 bilion daripada PrivatBank pada Disember 2025.
  • Sebelum itu, telah mengunci pinjaman tempatan UAH 9.4 bilion (PrivatBank & Ukrgasbank, masing‑masing UAH 4.7 bilion) untuk pembelian gas bagi musim pemanasan.
  • Mendapat pinjaman EIB EUR 300 juta + geran EUR 127 juta di bawah rangka kerja Ukraine Investment Framework.
  • Mendapat pinjaman EBRD EUR 270 juta disertai geran EUR 139 juta daripada kerajaan Norway.
  • Memanfaatkan sokongan jaminan daripada beberapa negara (AS, Norway, Jerman, Perancis, Kanada, Belanda) untuk pinjaman EBRD bernilai EUR 500 juta sebelum ini.

Semua ini berlaku dalam konteks:

  • Pengeluaran domestik gas merosot akibat kerosakan perang.
  • Tahap simpanan gas bawah tanah sekitar 27.14% penuh, dengan kadar pengeluaran harian 175.7 GWh.

Intinya:

Naftogaz bukan sekadar meminjam duit; mereka sedang mengurus risiko bekalan tenaga nasional melalui strategi pembiayaan pelbagai lapis, gabungan pinjaman komersial, institusi pembangunan dan geran antarabangsa.

Kita di Malaysia mungkin rasa jauh daripada senario seperti Ukraine, tetapi bank, insurans dan fintech tempatan sebenarnya berdepan cabaran asas yang sama: bagaimana nak menilai, membiayai, dan memantau risiko tenaga dalam keadaan global yang penuh ketidaktentuan.

Di sinilah AI mula mengubah cara pemain kewangan bekerja.

2. Dari Pinjaman Gas Ukraine ke AI Dalam Kewangan Tenaga Malaysia

Jawapan pendek: ya, apa yang berlaku di Ukraine sangat relevan untuk Malaysia, terutama untuk:

  • Bank yang membiayai projek LNG, loji janakuasa, dan infrastruktur grid.
  • Syarikat insurans yang underwrite risiko aset tenaga bernilai berbilion ringgit.
  • Fintech dan institusi kewangan yang terlibat dalam pembiayaan peralihan tenaga (solar, hidrogen, karbon rendah).

Perbezaannya ialah bagaimana AI digunakan untuk membuat keputusan pembiayaan yang lebih tepat, cepat dan dinamik.

2.1. AI untuk pemodelan risiko makro & harga komoditi

Dalam kes Naftogaz, keperluan gas 4.4 bilion mÂł bergantung pada:

  • Ramalan suhu musim sejuk.
  • Tahap kerosakan infrastruktur.
  • Harga gas antarabangsa & kadar tukaran.

Di Malaysia, bank yang membiayai projek LNG Petronas atau pelaburan grid TNB boleh gunakan model AI berasaskan siri masa dan data multivariat untuk:

  • Meramal harga minyak dan gas dalam pelbagai senario geopolitik.
  • Menggabungkan data cuaca, permintaan serantau dan stok global.
  • Menjana stress test automatik terhadap portfolio pinjaman tenaga jika harga jatuh 30% atau kadar faedah melonjak 200 mata asas.

Saya pernah lihat satu kes penggunaan di mana model AI dalaman bank mengurangkan ralat ramalan harga minyak jangka pendek hampir 40% berbanding model tradisional – kesannya, had kredit dan covenant pinjaman boleh disesuaikan dengan jauh lebih tepat.

2.2. Skor kredit dinamik untuk pemain tenaga

Pinjaman kepada Naftogaz dijamin di bawah rangka kerangka EU kerana risiko luar biasa tinggi. Di Malaysia, walaupun risiko perang tiada, bank tetap perlu menilai:

  • Kualiti aset medan minyak & gas.
  • Kos pengeluaran marginal.
  • Risiko peraturan (ESG, cukai karbon masa depan).

Dengan AI dalam perkhidmatan kewangan, bank boleh:

  • Membina skor kredit dinamik untuk syarikat tenaga, yang dikemas kini berdasarkan data operasi sebenar (output harian, kos pengeluaran, kadar kegagalan peralatan).
  • Menggunakan model gradient boosting atau deep neural network untuk menggabungkan data kewangan, data pasaran dan data teknikal.
  • Menetapkan struktur harga pinjaman (spread, tenor, covenant) yang lebih halus – pelanggan kukuh tak perlu subsidi pelanggan berisiko tinggi.

Hasilnya, bank boleh meningkatkan pulangan portfolio sambil mengekalkan nisbah NPL yang terkawal, bukannya sekadar bergantung pada analisis manual dan ratio statik.

3. AI Dalam Logistik & Procuremen Tenaga: Dari Simpanan Gas ke Rantaian Bekalan LNG

Naftogaz menyimpan gas dalam kemudahan bawah tanah; Malaysia pula berurusan dengan:

  • Rantaian bekalan LNG yang panjang.
  • Terminal penerimaan, kapal LNG, paip, dan grid elektrik.

Di sini, AI + data operasi masa nyata memberikan kelebihan yang bank tradisional jarang manfaatkan sepenuhnya.

3.1. Perancangan procuremen tenaga dengan AI

Naftogaz perlu merancang bila nak import gas, berapa banyak, pada harga apa, dan dari siapa. Setiap keputusan ada impak kewangan besar.

Bagi syarikat tenaga Malaysia, terutama yang terlibat dalam LNG dan penjanaan kuasa:

  • Model AI boleh mengoptimumkan jadual pembelian bahan api berdasarkan harga hadapan, ramalan permintaan dan batasan storan.
  • Bank dan fintech boleh bangunkan platform pembiayaan berasaskan AI yang:
    • Menilai risiko kontrak bekalan jangka panjang.
    • Mengira keperluan tunai (working capital) mengikut senario yang dihasilkan AI.
    • Mencadangkan struktur pembiayaan (revolving credit facility, trade finance, supply chain finance) yang paling menjimatkan kos modal.

3.2. Prediktif maintenance & impaknya terhadap risiko kewangan

Di Ukraine, kerosakan perang menurunkan pengeluaran gas tempatan. Di Malaysia, ancaman datang daripada:

  • Kegagalan peralatan kritikal.
  • Kelewatan penyelenggaraan.
  • Gangguan operasi di loji jana kuasa atau kilang pemprosesan.

AI untuk predictive maintenance boleh:

  • Meramal kebarangkalian kegagalan pam, turbin atau kompresor berdasarkan data sensor.
  • Menjadualkan penyelenggaraan sebelum downtime mahal berlaku.

Dari perspektif bank & insurans:

  • Risiko gangguan operasi yang lebih rendah bermaksud profil risiko pelanggan tenaga lebih baik.
  • Data daripada sistem predictive maintenance boleh diintegrasi ke dalam model risiko kredit dan model insurans.
  • Premium insurans dan margin pinjaman boleh dikalibrasi lebih tepat, bukan hanya berdasarkan “rule of thumb” sejarah.

Ini jenis integrasi data operasi + kewangan yang saya lihat masih belum meluas di Malaysia. Siapa yang mula dulu, akan ada kelebihan besar dalam pricing dan pemilihan pelanggan.

4. Peranan Bank, Insurans & Fintech Malaysia: Dari Penyedia Dana ke Rakan Strategik AI

Kisah Naftogaz menunjukkan satu perkara jelas: tanpa akses pantas kepada pembiayaan pintar, grid tenaga runtuh. Di Malaysia, peranan bank, insurans dan fintech semakin berganjak daripada sekadar penyedia dana kepada rakan strategik dalam transformasi tenaga dan digital.

4.1. Di mana AI perkhidmatan kewangan boleh tambah nilai terus

Beberapa ruang yang sangat relevan untuk pemain kewangan Malaysia:

  1. Model risiko bersepadu tenaga
    Gabungkan data berikut dalam satu platform AI:

    • Harga minyak & gas, kadar pertukaran, kadar faedah.
    • Data operasi pelanggan tenaga (output, downtime, penggunaan tenaga).
    • Data ESG dan peraturan.

  2. Pemantauan portfolio masa nyata
    Bukannya semak risiko pinjaman tenaga setiap suku tahun, gunakan dashboard AI masa nyata untuk:

    • Mengesan tekanan tunai pelanggan lebih awal.
    • Mengesan korelasi baru antara harga komoditi dan prestasi pinjaman.

  3. Automasi dokumentasi & compliance
    Kontrak pembiayaan tenaga biasanya kompleks. Model NLP boleh:

    • Menyaring klausa risiko dalam perjanjian pembekalan gas.
    • Membantu unit pematuhan menandakan risiko peraturan atau sekatan antarabangsa.

  4. Produk pembiayaan hijau yang lebih canggih
    AI boleh menjejak impak emisi sebenar projek tenaga dan memautkannya dengan:

    • Kadar faedah yang diselaraskan prestasi (contoh, diskaun jika intensiti karbon turun di bawah paras tertentu).
    • Insentif insurans untuk projek yang mencapai sasaran ESG.

4.2. Cabaran nyata yang perlu diurus

Saya tak percaya AI adalah “ubat ajaib”. Untuk sektor kewangan Malaysia, beberapa cabaran tipikal ialah:

  • Kualiti dan integrasi data: Data operasi tenaga selalunya terperangkap dalam sistem OT/SCADA, bukan di sistem kewangan. Tanpa integrasi, model AI hanya sekuat data kewangan biasa.
  • Kemahiran dalaman: Ramai bank ada pasukan data, tapi tak ramai yang benar‑benar faham domain minyak & gas atau tenaga. Domain knowledge ini yang membezakan model yang berguna dengan model cantik tapi tak praktikal.
  • Keperluan kawal selia: Model kredit berasaskan AI perlu telus dan boleh dijelaskan kepada pengawal selia seperti BNM.

Yang bezakan pemenang dengan yang lain selalunya bukan teknologi semata‑mata, tetapi disiplin pelaksanaan.

5. Apa Langkah Praktikal Seterusnya Untuk Pemain Kewangan Malaysia?

Jika anda di bank, insurans atau fintech yang terlibat (atau bercadang terlibat) dalam kewangan tenaga, berikut beberapa langkah praktikal yang saya syorkan:

  1. Pilih satu “anchor use case” berkaitan tenaga
    Contoh: model risiko portfolio untuk pembiayaan tenaga boleh baharu, atau model kredit dinamik untuk pelanggan minyak & gas.

  2. Bina kerjasama data dengan syarikat tenaga
    Bekerjasama dengan pemain seperti Petronas, utiliti utama atau IPP untuk:

    • Akses data operasi tahap tinggi (tanpa melanggar kerahsiaan industri).
    • Fahami faktor sebenar yang memacu risiko teknikal & operasi.

  3. Gabungkan pasukan AI dengan pakar domain tenaga
    Jangan biarkan pasukan data bekerja dalam vakum. Model hanya bermakna bila dibentuk bersama jurutera, perancang sistem dan pakar pasaran tenaga.

  4. Mula kecil, pastikan boleh diukur, kemudian skalakan
    Sasarkan KPI jelas, contoh:

    • Mengurangkan ralat ramalan harga komoditi.
    • Mempercepat kelulusan kredit projek tenaga daripada 3 bulan kepada 4 minggu.
    • Mengurangkan kerugian kredit dalam segmen tenaga tertentu 20–30% dalam 18–24 bulan.

  5. Pastikan tadbir urus model & pematuhan jelas
    Dokumentasi model, ujian bias, dan penjelasan model (explainable AI) perlu sebati dengan proses risiko dan audit, bukan idea sampingan.

Penutup: Dari Simpanan Gas Ukraine ke Keputusan AI di Lembaga Kredit KL

Naftogaz sedang bertarung memastikan rakyat Ukraine tak bergelap dan kesejukan; setiap euro pinjaman dan setiap meter padu gas yang disimpan adalah persoalan kelangsungan hidup. Dalam suasana yang jauh lebih stabil, Malaysia ada peluang besar untuk buat lebih baik dari segi perancangan tenaga dan pembiayaan pintar, dengan bantuan AI dalam perkhidmatan kewangan.

Realitinya, bank yang faham tenaga dan AI serentak akan jadi rakan strategik utama kepada Petronas, utiliti besar dan projek tenaga masa depan, bukan sekadar pemberi pinjaman yang boleh diganti.

Soalan untuk anda: pada 2026 nanti, adakah keputusan kredit tenaga di organisasi anda masih didorong lembaran Excel statik, atau sudah dipacu model AI yang memahami dunia sebenar – daripada cuaca, harga LNG, sehinggalah kepada risiko teknikal di lapangan?

🇲🇾 Gas Musim Sejuk Ukraine & Peranan AI di Malaysia - Malaysia | 3L3C