AI Praktikal untuk Kurangkan Ralat Pembayaran

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

Bagaimana bank dan fintech di Malaysia guna AI secara praktikal untuk kurangkan ralat pembayaran, percepat siasatan, dan kekal patuh tanpa mengorbankan pelanggan.

AI pembayaranpayment exception handlingdigital transformation bankingfintech Malaysiaoperasi bankAI generatif
Share:

AI Praktikal untuk Kurangkan Ralat Pembayaran

Pada 2024, aliran pembayaran global dianggarkan mencecah sekitar US$195 trilion, dan dijangka melonjak ke US$320 trilion menjelang 2032. Di sebalik angka besar ini, ada satu hakikat yang ramai pelanggan korporat tak sabar nak hadap: bila 1% transaksi tersangkut, keseluruhan operasi tunai mereka boleh terganggu berminggu-minggu.

Inilah dunia sebenar exception handling pembayaran – semua kes reject, return, investigation, “duit dah tolak tapi belum masuk”, dan segala jenis transaksi yang tak berjalan seperti sepatutnya. Di Malaysia, dengan pertumbuhan pembayaran masa nyata, DuitNow, ISO 20022, serta tekanan pelanggan korporat dan fintech, isu ini semakin kritikal.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech), ramai orang fokus pada AI untuk chatbot, penipuan, dan kredit skor. Satu bahagian yang jauh lebih senyap tetapi sangat memberi impak ialah AI di belakang tabir: bagaimana AI membantu bank dan fintech mengurus ralat dan pengecualian pembayaran dengan lebih pantas, selamat dan patuh.

Artikel ini mengupas pendekatan AI yang praktikal – bukan hype – untuk exception handling, dan bagaimana bank serta fintech di Malaysia boleh mula bergerak hari ini, bukan tunggu 2026.

Kenapa Exception Handling Pembayaran Jadi “Sakit Kepala” Besar

Masalah utama dalam exception handling ialah kombinasi volume tinggi + sensitif + heavily regulated.

Apa yang berlaku bila transaksi gagal atau ‘ganjil’?

  • Dana pelanggan mungkin “tergantung” di tengah
  • Pasukan operasi perlu semak pelbagai sistem (core banking, channel, SWIFT, host-to-host, e-mel pelanggan)
  • Ada keperluan dokumentasi untuk audit dan pematuhan
  • Pelanggan korporat tekanan bank melalui Relationship Manager (“Kenapa payment supplier saya lambat?”)

Bila jumlah transaksi pula meningkat – terutamanya dengan:

  • Pembayaran masa nyata (DuitNow, FPX, instant transfers)
  • ISO 20022 yang membawa data lebih kaya tetapi juga peraturan pemetaan yang kompleks
  • Cross-border B2B yang banyak bergantung kepada rantaian bank koresponden

…kadar exception yang kecil pun boleh membawa kepada ratusan atau ribuan kes setiap hari untuk bank besar.

Di sinilah ramai institusi tersilap. Mereka cuba “suntik AI” secara rawak, contohnya terus guna model generatif untuk buat keputusan pematuhan atau melepaskan pembayaran yang mencurigakan. Itu jalan yang berisiko.

Realitinya, organisasi yang matang guna pendekatan dua lapis:

  1. Design-time intelligence – bina proses yang pintar untuk elak ralat sebelum ia berlaku
  2. Runtime AI – guna AI secara terkawal hanya di titik yang benar-benar perlukan interpretasi manusia atau sokongan keputusan

Design-Time Intelligence: Selesaikan 90% Masalah Sebelum Ia Berlaku

Design-time intelligence bermaksud merancang, mensimulasikan dan mengkonfigurasi aliran pembayaran dan peraturan dengan cukup baik sehingga kebanyakan exception tak sempat wujud.

Dalam banyak bank global, pendekatan ini boleh menyelesaikan sehingga 90% exception melalui proses yang deterministik (berperaturan jelas, boleh diramal).

Apa rupa design-time intelligence dalam konteks pembayaran?

  1. Peraturan validasi yang lebih kaya dan pintar

    • Semak format akaun, BIC, kod bank, rujukan invois secara automatik
    • Pemetaan struktur data ISO 20022 ke sistem lama dengan rule engine yang jelas
    • Konfigurasi “if-then” yang telus (bukan black box AI) untuk kes struktur

  2. Simulasi senario sebelum go-live

    • Uji aliran pembayaran baharu (contoh: DuitNow Business, CBDC pilot) dengan data sintetik
    • Kenal pasti pola exception paling kerap sebelum terkena pelanggan sebenar

  3. Workflow automasi untuk kes yang berulang

    • Contoh: pembayaran ditolak kerana ralat nama penerima vs nombor akaun
      → Sistem terus cipta tiket, auto-hantar notifikasi kepada pelanggan dengan template standard, rujuk mereka ke RM jika perlu.

  4. Papan pemuka operasi masa nyata

    • Team operasi nampak “bottle-neck” exception mengikut produk, negara, sistem
    • Pembaikan peraturan boleh dibuat cepat, bukan tunggu pasukan IT 6 bulan

Untuk bank dan fintech Malaysia, design-time intelligence boleh diintegrasi dengan:

  • Sistem pembayaran automasi sedia ada
  • Rules engine untuk AML, fraud, dan screening
  • Platform BPM / workflow korporat

Kuncinya: guna AI untuk bantu reka peraturan, bukan terus gantikan peraturan.

Sebagai contoh, model pembelajaran mesin boleh analisa 6 bulan data exception lalu dan cadangkan:

  • Peraturan baru untuk mencegah ralat yang kerap berulang
  • Parameter ambang (threshold) yang terlalu ketat atau terlalu longgar

Tetapi keputusan akhir konfigurasi tetap di tangan pasukan risiko dan pematuhan. Ini sejajar dengan kehendak Bank Negara Malaysia dan expectation regulator lain – AI membantu, manusia memutuskan.

Runtime Automation & AI: Fokus Pada 10% Kes yang Paling Kompleks

Selepas design-time intelligence mengurangkan bulk exception, barulah masuk peranan runtime AI. Di sinilah generative AI dan agentic AI boleh membantu, jika digunakan secara terkawal.

Di mana proses deterministik masih terbaik

Untuk kes yang sangat berstruktur, rule-based dan workflow tradisional masih jauh lebih:

  • Telus (boleh jelaskan kepada pengauditan dan regulator)
  • Konsisten
  • Senang diuji dan disahkan (validation & testing)

Contohnya:

  • Pembayaran ditolak kerana IBAN atau nombor akaun tak sah
  • Ralat tarikh nilai (value date tak ikut kalendar cuti bank)
  • Kod negara atau mata wang tak dibenarkan untuk produk tertentu

Semua ini boleh diurus oleh rule engine deterministik, bukan AI generatif.

Di mana AI generatif & agentic mula memberi nilai

AI generatif dan agentic lebih berguna bila:

  • Data tidak seragam (mesej e-mel pelanggan, nota pegawai, lampiran invois)
  • Perlu interpretasi konteks (contoh, alasan chargeback, dispute, atau claim insurans berkait pembayaran)
  • Tugas berulang tetapi tak kritikal kepada keputusan risiko yang besar

Beberapa kes guna praktikal untuk bank & fintech Malaysia:

  1. Menyusun & meringkaskan kes investigation
    AI generatif boleh:

    • Baca thread e-mel antara pelanggan dan bank
    • Ekstrak isu utama (“pembayaran supplier X tak terima, rujukan Y, amaun Z”)
    • Hasilkan ringkasan untuk pegawai operasi

    Pegawai tak perlu baca 20 e-mel – mereka terus fokus kepada tindakan.

  2. Cadangan respon kepada pelanggan

    • AI jana draf e-mel balasan atau skrip panggilan, berdasarkan polisi bank dan log sistem
    • Pegawai semak, ubah jika perlu, kemudian hantar
      → Menjimatkan masa tanpa menggadai kawalan manusia.

  3. Agentic AI sebagai pembantu operasi
    Agentic AI boleh bertindak seperti “virtual analyst” yang:

    • Menarik data dari beberapa sistem (payment hub, AML, core banking)
    • Susun dalam format yang konsisten untuk audit
    • Mengesyorkan status seterusnya (contoh: escalate ke compliance, atau hantar balik ke pelanggan)

Dalam semua contoh ini, AI tidak diberi kuasa penuh untuk melepaskan pembayaran berisiko. Ia bertindak sebagai “pembantu pakar” yang mempercepat kerja manusia, bukan menggantikan mereka.

Menyeimbangkan Inovasi & Regulasi: Pelajaran Untuk Bank Malaysia

Bank tak boleh main cuba dan jaya bila menyentuh modal kerja pelanggan dan pematuhan. Tapi itu tak bermakna AI tak boleh digunakan langsung.

Institusi yang mendahului biasanya ikut beberapa prinsip berikut.

1. Gariskan sempadan jelas: apa boleh AI buat, apa tak boleh

  • AI boleh: ringkaskan data, susun bukti, cadang teks, bantu reka peraturan, analisa pola
  • AI tak boleh (tanpa semakan manusia):
    • override isyarat fraud/AML
    • meluluskan pembayaran yang bertentangan dengan dasar
    • meminda rekod audit

Prinsip ini patut didokumenkan dalam AI policy dan dikaitkan terus dengan keperluan BNM berkenaan penggunaan model.

2. “Human in the loop” untuk keputusan kritikal

Gunakan AI untuk:

  • Menapis dan mengutamakan (prioritise) kes
  • Memberi “first draft” analisis

Tetapi pastikan:

  • Pegawai yang meluluskan mempunyai akses kepada log tindakan AI
  • Ada jejak audit (audit trail) yang jelas: siapa buat apa, bila dan berdasarkan apa

3. Proof-of-concept (PoC) dengan metrik yang jelas

Bagi organisasi Malaysia yang baru nak bermula:

  • Pilih satu jenis exception yang kerap, tapi risiko sederhana
    Contoh: perbezaan nama akaun vs nama syarikat, atau pembayaran vendor tertangguh
  • Jalankan PoC 3–6 bulan dengan metrik seperti:
    • pengurangan masa siasatan (contoh: -40%)
    • pengurangan tiket manual
    • peningkatan kepuasan pelanggan korporat

Bila data PoC kukuh, lebih mudah untuk:

  • Meyakinkan pengurusan atasan
  • Menyediakan dokumentasi kepada regulator atau audit dalaman

Di Mana AI Dalam Strategi Pembayaran Malaysia Menjelang 2026

Dengan ISO 20022, CBDC percubaan, mata wang digital, dan integrasi cross-border yang makin intensif, bank dan fintech Malaysia tak ada pilihan selain:

  • Memperhalusi proses exception handling, investigation, reconciliation dan triage
  • Menyusun semula proses operasi supaya lebih data-driven dan AI-aware

Bagaimana untuk mula dalam 6–12 bulan akan datang

  1. Audit aliran exception semasa

    • Kenal pasti 10 jenis exception paling kerap
    • Ukur masa purata penyelesaian (TAT), kos per kes, dan impak kepada pelanggan

  2. Bezakan kes: deterministik vs perlukan AI

    • Tanda kes yang boleh diselesaikan dengan rule engine dan workflow
    • Tanda kes yang perlukan interpretasi teks bebas, dokumen, ataupun multi-sistem

  3. Laksana design-time intelligence dahulu

    • Perkemas peraturan, tambah validasi data, automasi workflow
    • Pastikan asas data berkualiti sebelum membawa masuk AI lebih canggih

  4. Perkenal AI secara berfasa di peringkat runtime

    • Mula sebagai “copilot” untuk ringkasan, carian maklumat, dan cadangan respon
    • Pantau bias, kesilapan, dan kebolehjelasan keputusan

  5. Bangunkan kemahiran dalaman

    • Latih pasukan operasi, risiko dan IT untuk faham apa AI boleh & tak boleh buat
    • Bentuk pasukan rentas fungsi (operations + compliance + data science)

Bagi bank dan fintech yang sudah melabur besar dalam AI untuk fraud detection, kredit, dan chatbot, langkah seterusnya yang logik ialah bawa AI ke jantung operasi pembayaran. Di sinilah margin kecekapan dan perbezaan pengalaman pelanggan boleh jadi paling besar.

Penutup: AI Bukan Sihir, Tapi Senjata Strategik Jika Kena Gaya

Kebanyakan syarikat salah faham tentang AI dalam pembayaran. Mereka mahu “satu model ajaib” yang menyelesaikan semua exception. Realitinya lebih sederhana – dan lebih boleh diurus:

  • 90% masalah boleh diselesaikan dengan reka bentuk proses yang baik, data yang bersih, dan peraturan jelas
  • 10% yang tinggal ialah ruang di mana AI generatif dan agentic benar-benar berbaloi: membantu manusia berfikir dan bertindak lebih pantas

Untuk Malaysia, di mana bank dan fintech sudah agresif melabur dalam AI, langkah seterusnya bukan soal teknologi semata-mata. Ia soal disiplin reka bentuk proses, governance, dan keberanian memilih kes guna yang betul.

Jika organisasi anda sedang merancang pelan 2025–2026 untuk AI dalam perkhidmatan kewangan, masukkan payment exception handling sebagai salah satu projek teras. Kurangkan ralat, percepat siasatan, lindungi modal kerja pelanggan – dan gunakan AI secara praktikal, bukan sekadar mengikut trend.

Soalannya sekarang: adakah pasukan anda tahu di mana AI patut bermula dalam operasi pembayaran, dan proses mana yang patut dirombak dahulu sebelum model pertama pun dilatih?