Myntra, Regulasi & AI: Pengajaran Untuk Gergasi E-Dagang

Pada 2024, penguat kuasa kewangan India memfailkan aduan kira-kira USD200 juta (lebih RM930 juta) terhadap Myntra, anak syarikat fesyen di bawah kumpulan Walmart–Flipkart. Isunya: didakwa melanggar peraturan pelaburan asing dengan menyalurkan lebih USD191 juta melalui skim pihak berkaitan.

Kedengaran jauh dari Malaysia? Sebenarnya tidak. Untuk bank, insurans, fintech dan juga rangkaian runcit besar di rantau ini, ini adalah amaran jelas: regulator kini menilai aliran wang dan struktur pemilikan dengan kanta pembesar digital. Negara bergerak pantas. Data pula jauh lebih teliti daripada lima tahun lepas.

Dalam siri “AI dalam Perkhidmatan Kewangan” ini, kisah Myntra adalah contoh segar mengapa pematuhan (compliance) dan ketelusan operasi bukan lagi kerja manual pasukan legal sahaja. Ia sudah jadi isu data, algoritma dan keupayaan AI untuk menjejak, meramal dan memberi amaran awal.

Artikel ini melihat kes Myntra sebagai kes ringkas, kemudian mengaitkannya dengan:

• bagaimana regulator e-dagang dan kewangan semakin agresif,
• peranan AI dalam pematuhan pelaburan asing dan pengurusan risiko,
• apa yang pemain e-dagang Malaysia, bank dan fintech boleh buat sekarang, bukan selepas disiasat.

---

Apa Yang Berlaku Dengan Myntra & Mengapa Ia Penting

Kes Myntra menunjukkan satu perkara utama: struktur transaksi yang kreatif memang boleh dikesan bila regulator ada akses data dan kuasa analitik yang betul.

Ringkasnya:

• Myntra disokong oleh Walmart melalui ekosistem Flipkart.
• Penguat kuasa jenayah kewangan India (Enforcement Directorate) mendakwa Myntra melanggar peraturan pelaburan asing.
• Tuduhan: lebih USD191 juta disalurkan melalui related-party scheme yang didakwa memintas semangat regulasi.

Ini bukan hanya isu India. Banyak negara – termasuk Malaysia – semakin ketat dalam:

• peraturan pelaburan asing,
• pemilikan sebenar (beneficial ownership),
• transaksi pihak berkaitan,
• aliran dana merentas sempadan.

Kenapa pemain e-dagang dan kewangan di Malaysia perlu ambil serius?

1. Corak regulasi global sama – bila satu negara ambil tindakan besar, negara lain mula menilai semula rangka kerja sendiri.
2. Rantaian bekalan kini serantau – marketplace Malaysia mungkin ada vendor India, China, Singapura; isu pematuhan bukan lagi domestik.
3. Bank & fintech menanggung risiko sekunder – bila platform e-dagang tersangkut kes AML atau pelaburan asing, bank yang memproses pembayaran juga boleh disoal.

Dalam konteks ini, AI bukan sekadar alat pemasaran atau chatbot. AI patut duduk di tengah – antara data transaksi dan polisi pematuhan.

---

Realiti Baharu: Regulator Makin Pintar, Data Makin Dalam

Realiti hari ini: regulator juga menggunakan analitik lanjutan dan AI. Mereka bukan lagi hanya bergantung pada audit berkala dan laporan PDF.

Trend utama yang pemain besar tak boleh abaikan

1. Pemantauan berterusan (continuous monitoring)
   Pengawal selia semakin cenderung kepada model “selalu hidup” – memantau corak transaksi, aliran dana dan pendedahan risiko hampir masa nyata.

2. Kerjasama rentas agensi & negara
   Data kastam, perbankan, cukai dan syarikat kini lebih mudah dipadankan. Struktur pihak berkaitan yang dulu dianggap rumit kini lebih mudah digarap dengan graf data dan analitik rangkaian.

3. Fokus kepada pihak berkaitan & beneficial ownership
   Kebanyakan skim pelanggaran peraturan pelaburan asing bergantung kepada entiti yang kelihatan berasingan di atas kertas tetapi sebenarnya dikawal oleh pihak sama.

Bagi bank, syarikat insurans dan fintech, ini memberi isyarat jelas:

"Jika regulator sudah guna analitik pintar, pematuhan dalaman yang masih bergantung pada Excel dan semakan manual memang ketinggalan."

---

Di Mana AI Bantu: Dari Pelaburan Asing Hingga AML

AI boleh – dan sepatutnya – duduk dalam jantung sistem pematuhan, bukan hanya di pinggiran sebagai projek ‘inovasi’.

1. Pemetaan pihak berkaitan dan struktur pemilikan

Masalah:
Dalam kes seperti Myntra, isu utama ialah “related-party scheme”. Banyak kumpulan syarikat besar ada:

• ratusan entiti anak syarikat,
• struktur pemilikan silang merentas negara,
• JV dan SPV yang sukar dijejaki secara manual.

Peranan AI:

• Menggunakan graph analytics untuk memetakan hubungan antara entiti, pemegang saham, pengarah dan juruaudit.
• Mengesan “corak luar biasa” contohnya:
  • pemilikan berlapis yang kembali kepada pihak sama,
  • entiti yang sering muncul dalam pelbagai transaksi rentas sempadan bernilai besar.
• Menjana skor risiko untuk struktur tertentu – contohnya menandakan entiti di negara berisiko tinggi atau tanpa aktiviti operasi jelas.

Bagi bank dan fintech yang menyokong ekosistem e-dagang, modul ini boleh diguna untuk penilaian pelanggan korporat (KYC korporat) yang lebih mendalam.

2. Pemantauan aliran wang & pematuhan pelaburan asing

Masalah:
Peraturan pelaburan asing selalunya sangat teknikal: had pegangan, kategori aktiviti, syarat insentif dan sebagainya. Bila dana bergerak melalui beberapa entiti, risiko salah klasifikasi meningkat.

Peranan AI:

• Menggabungkan data transaksi, kontrak pelaburan dan peraturan FDI ke dalam satu enjin peraturan berasaskan AI.
• Menjana amaran bila:
  • aliran dana mendekati had regulasi tertentu,
  • terdapat perubahan pemilikan yang mengubah status FDI,
  • “commercial substance” nampak tak sepadan dengan aliran kewangan.
• Menyediakan simulation – contoh: “Jika syarikat X tambah pelaburan RM50 juta melalui entiti Y di negara Z, status pematuhan bagaimana?”

Inilah jenis fungsi yang, jika wujud di ekosistem Myntra/Walmart, boleh mencetuskan bendera merah dalaman jauh sebelum regulator masuk campur.

3. Anti Money Laundering (AML) yang benar-benar pintar

Ramai bank sudah guna model AML, tetapi masih terlalu ramai yang:

• menghasilkan false positive tinggi,
• tertumpu pada peraturan statik (threshold, senarai negara),
• susah adapt kepada corak baharu.

Model machine learning moden boleh:

• mempelajari corak sebenar pelanggan (contoh: corak transaksi pedagang e-dagang berbanding pelanggan runcit),
• mengesan variasi halus yang menandakan potensi penyalahgunaan,
• menghubungkan isyarat AML dengan isyarat FDI / pihak berkaitan.

Gabungan ini kritikal bila retail + fintech + e-dagang mula bercantum. Contohnya, BNPL, dompet elektronik, dan platform marketplace yang semua berhubung ke akaun bank yang sama.

---

Dari E-Dagang Ke Bank: Kenapa Siri Ini Tumpu AI Dalam Kewangan

Ada satu corak jelas yang saya nampak bila bercakap dengan pasukan risk & compliance di bank dan fintech besar di KL dan Singapura:

"Masalah pelanggan kami sebenarnya adalah masalah data rantaian nilai penuh – termasuk e-dagang dan runcit."

Maksudnya, bila:

• marketplace besar disiasat,
• operator pembayaran disoal,
• struktur FDI rangkaian runcit diragui,

bank, insurans dan fintech tak boleh lagi kata itu risiko pihak lain.

Persilangan e-dagang dan perkhidmatan kewangan

1. Pembiayaan peniaga (merchant financing)
   Bank menilai data jualan dari platform e-dagang untuk beri kredit. Jika data itu datang dari struktur transaksi yang tidak patuh, risiko undang-undang bertukar menjadi risiko kredit.

2. Insurans transit & pelindungan pembeli
   Syarikat insurans bergantung pada integriti rantaian bekalan dan pengesahan pihak berkaitan. Jika ada entiti bayangan, pendedahan sebenar berbeza dari apa yang didokumenkan.

3. Fintech sebagai lapisan pembayaran
   Dompet elektronik, pembiayaan mikro, BNPL – semuanya mengalir di atas transaksi e-dagang. Bila regulator periksa satu, tiga lagi terpalit.

Dalam konteks ini, AI dalam sektor kewangan bukan silo. Ia mesti memandang ke luar – kepada data rakan kongsi runcit dan e-dagang.

---

Bagaimana Pemain Besar Boleh Mula: Rangka Praktikal

Ramai organisasi besar tahu mereka “perlu AI untuk compliance”, tapi terperangkap pada fasa pelan strategik yang panjang. Berdasarkan apa yang berkesan di pasaran, pendekatan praktikal lebih kurang begini.

1. Peta risiko rentas ekosistem, bukan hanya dalam bank

Langkah pertama:

• senaraikan ekosistem utama: marketplace, rangkaian runcit, rakan BNPL, agregator pembayaran,
• nilai jenis data yang anda terima daripada mereka,
• kenal pasti di mana isu seperti kes Myntra boleh “masuk” ke dalam sistem anda.

Kemudian, guna AI untuk:

• memprofilkan risiko setiap rakan kongsi berdasarkan volum transaksi, negara, jenis produk dan sejarah isu pematuhan,
• mengutamakan mana yang perlu pemantauan pintar terlebih dahulu.

2. Bangunkan “compliance data layer” yang mesra AI

AI hanya sebaik kualiti data.

Organisasi kewangan dan e-dagang perlu satu lapisan data pematuhan yang:

• menyatukan KYC, KYB, struktur pemilikan, transaksi, kontrak dan polisi dalaman,
• standardkan format (contoh: kod negara, kategori industri),
• tag transaksi yang berkaitan FDI, pihak berkaitan dan insentif cukai.

Dengan lapisan ini, model AI boleh menjawab soalan ringkas tapi penting seperti:

• “Berapa banyak aliran dana melibatkan entiti pihak berkaitan dalam 6 bulan terakhir?”
• “Negara mana yang paling kerap muncul bila transaksi dipecahkan kepada beberapa entiti?”

3. Gunakan AI untuk “early warning” bukannya hanya after-the-fact

Ramai projek compliance analytics fokus kepada laporan retrospektif. Itu baik, tapi tak cukup.

Cuba sasarkan ciri seperti:

• amaran masa hampir nyata bila struktur baru diwujudkan yang mengubah profil FDI,
• simulasi senario sebelum meluluskan transaksi besar rentas sempadan,
• skor risiko projek atau entiti yang automatik dikemas kini bila ada berita atau perubahan peraturan.

Dalam konteks kes Myntra, sistem seperti ini mungkin akan:

• memaparkan skor risiko meningkat bila volum dana melalui pihak berkaitan melepasi paras tertentu,
• memaksa semakan tambahan dari pasukan legal dan risk sebelum transaksi diteruskan.

4. Latih pasukan compliance bercakap bahasa data & AI

Teknologi sahaja memang tak cukup. Banyak kegagalan projek datang kerana:

• pasukan compliance tidak selesa dengan model dan dashboard,
• pasukan data tak faham keperluan nyata regulator.

Pelaburan dalam literasi data dan AI untuk pegawai pematuhan, legal dan audit dalaman sama penting dengan membeli platform AI.

---

Dari Kisah Myntra Ke Agenda 2026 Untuk Malaysia

Kes Myntra memberi satu mesej jelas kepada gergasi e-dagang dan institusi kewangan di rantau ini: pematuhan bukan lagi tentang “ada polisi atau tidak”, tetapi tentang “berapa cepat anda kesan dan betulkan sebelum regulator datang”.

Dalam konteks Malaysia menjelang 2026 – dengan bank-bank besar mempercepat transformasi AI, fintech semakin matang, dan pemain runcit mengukuhkan kedudukan omnichannel – beberapa perkara patut jadi agenda utama:

• bina keupayaan AI untuk pemetaan pihak berkaitan dan pelaburan asing,
• wujudkan lapisan data pematuhan yang kukuh merentas bank, fintech dan rakan e-dagang,
• jadikan amaran awal berasaskan AI sebahagian daripada proses kelulusan transaksi besar.

Siri “AI dalam Perkhidmatan Kewangan” ini berterusan dengan fokus sama: bagaimana AI boleh mengurangkan risiko sebenar – dari fraud, AML, FDI hingga risiko reputasi – sambil membuka ruang pertumbuhan yang lebih yakin.

Persoalannya sekarang: bila regulator anda seterusnya mengkaji semula aliran dana dan struktur pelaburan, adakah sistem AI anda sudah bersedia menjawab sebelum mereka bertanya?