IRIS di UK gunakan AI untuk kesan ralat cukai sehingga kurangkan masa 62.5% dan ralat 95%. Pendekatan sama boleh digunakan bank, insurans dan fintech Malaysia.
Bagaimana AI Ubah Pematuhan Cukai & Kewangan
Pada musim cukai lepas di UK, satu kumpulan perisian akaun melaporkan potensi penjimatan kira-kira 6 juta jam kerja setahun hanya dengan satu alat AI yang fokus pada semakan cukai peribadi. Bukan chatbot, bukan dashboard baharu – cuma AI yang senyap-senyap mencari ralat sebelum borang dihantar kepada pihak berkuasa cukai.
Ini sangat rapat dengan apa yang sedang berlaku di Malaysia sekarang. Bank, syarikat insurans dan fintech semakin serius tentang AI untuk pematuhan, pengurangan risiko dan kecekapan operasi. Apa yang IRIS Software buat di UK melalui alat AI cukai mereka ialah gambaran jelas bagaimana AI praktikal boleh mengubah cara industri kewangan bekerja, termasuk di Malaysia.
Dalam artikel ini, saya guna pelancaran AI tax anomaly detection oleh IRIS sebagai kajian kes: apa yang mereka buat, kenapa ia berkesan, dan bagaimana pendekatan sama boleh – dan patut – digunakan oleh bank, insurans dan fintech di Malaysia.
Kajian Kes: IRIS AI Tax Tool & Apa Yang Ia Sebenarnya Buat
Alat AI IRIS bukan sekadar “feature AI” yang cantik di slaid pembentangan. Ia dibina untuk satu masalah yang sangat spesifik: ralat dalam penyata cukai yang membawa kepada:
- denda daripada pihak berkuasa cukai,
- risiko audit,
- dan kerosakan reputasi kepada firma akaun.
Cara alat ini berfungsi
Ringkasnya, IRIS menggabungkan AI ke dalam dua produk utama mereka – IRIS Elements dan IRIS Accountancy Suite – dan beri kepada lebih 13,000 firma akaun di UK tanpa caj tambahan. Di belakang tabir:
- Ia dibina atas model
GPT-4.1dan berintegrasi dengan Microsoft Foundry. - AI membandingkan data cukai tahun semasa vs sejarah pelanggan.
- Ia mengesan anomali seperti:
- perubahan mendadak dalam pendapatan,
- dividen atau pendapatan faedah yang hilang,
- ralat input manual.
Fasa pertama sudah live sejak pertengahan November, disasarkan sebelum “busy season” bila berjuta-juta borang cukai perlu dihantar.
IRIS mensasarkan pengurangan masa sedia borang cukai sehingga 62.5% dan pengurangan ralat sehingga 95% apabila semua fasa siap.
Untuk firma bersaiz sederhana (9–75 staf), IRIS jangka penjimatan sehingga £44,930 setahun dan kira-kira 1,250 jam kerja. Firma kecil pula dijangka jimat minimum 250 jam setahun.
Ini bukan cerita teori. Ini operasi sebenar yang diubah oleh AI.
Dari Ralat Cukai ke Fraud Detection: Corak AI Yang Sama
Apa yang IRIS buat dalam cukai sebenarnya guna corak AI yang sama dengan apa yang bank dan insurans sedang buat untuk pematuhan dan pengurusan risiko.
1. AI sebagai lapisan semakan kedua yang konsisten
Dalam kes IRIS, AI menyemak semula penyata cukai sebelum dihantar kepada HMRC. Dalam industri kewangan, prinsipnya sama:
- Bank guna AI untuk semak transaksi pelanggan, cari corak yang pelik yang mungkin tanda pengubahan wang haram atau fraud kad.
- Insurans guna AI untuk semak tuntutan yang luar biasa – contohnya kekerapan tuntutan yang tak sepadan dengan profil pelanggan.
- Fintech guna AI untuk pantau permohonan pinjaman, mengesan maklumat yang bercanggah atau risiko kredit tersembunyi.
Strukturnya sama: sistem tradisional buat kerja asas, AI duduk di atas sebagai “otak semakan risiko”.
2. Model berasaskan sejarah pelanggan
AI IRIS berfungsi kerana ia faham corak sejarah pembayar cukai individu. Sama juga dalam:
- Skor kredit pintar: bank bina model AI yang melihat ratusan ciri – bukan sekadar gaji dan CCRIS.
- Pemodelan risiko insurans: sejarah tuntutan, tingkah laku pelanggan dan data luaran digabungkan untuk profil risiko yang lebih tepat.
Tanpa data sejarah, AI hanya jadi gimmick. Dengan data sejarah, ia jadi alat pematuhan dan risiko yang sangat kuat.
3. Fokus kepada ralat kecil yang beri impak besar
Ralat dalam penyata cukai selalunya kecil – satu nombor salah, satu dividen tak dimasukkan – tetapi implikasi undang-undang dan reputasi sangat besar.
Dalam kewangan:
- Transaksi “kecil dan kerap” sering kali tanda awal fraud.
- “Perbezaan kecil” dalam dokumen pendapatan boleh petunjuk penipuan pinjaman.
- “Delay kecil” dalam pelaporan boleh menjadi isu besar dengan pengawal selia.
AI bagus untuk jenis kerja halus begini: kerap, berulang, teknikal, dan sensitif terhadap ralat.
Apa Yang Malaysia Boleh Belajar: Reka Bentuk AI Yang Praktikal
Saya suka pendekatan IRIS kerana ia pragmatik dan fokus nilai, bukan hype. Beberapa prinsip yang jelas sesuai dengan konteks Malaysia:
1. AI perlu diintegrasi dalam aliran kerja sedia ada
IRIS tak suruh firma tukar sistem. Mereka:
- masukkan AI terus ke dalam platform yang firma sudah guna,
- tak caj tambahan untuk ciri AI dalam fasa awal,
- bentangkan AI sebagai “pembantu kerja” bukan sistem baru.
Untuk bank dan insurans di Malaysia, pengajaran utama:
- AI yang berjaya selalunya datang sebagai modul tambahan dalam sistem core banking, sistem kad, atau platform insurans – bukan menggantikannya sekaligus.
- Kalau staf kena lompat 3–4 sistem semata-mata guna AI, adoption akan rendah.
2. Pelaksanaan berfasa, bukan big bang
IRIS rancang tiga fasa dalam masa 12 bulan:
- Fasa 1 – pengesanan anomali awal.
- Fasa 2 – validasi pintar ikut peraturan HMRC + auto-ekstrak dokumen (P60, payslip dan lain-lain).
- Fasa 3 – automasi penuh termasuk pemantauan lepas penghantaran dan laporan klien yang dijana AI.
Model yang sama boleh digunakan untuk projek AI di institusi kewangan:
- Fasa 1: AI bantu semak – bukan buat keputusan akhir (contoh: flag transaksi mencurigakan).
- Fasa 2: AI disambung terus kepada rulebook BNM / PIDM / LHDN / garis panduan dalaman.
- Fasa 3: Automasi sebahagian proses, dengan pengawasan manusia.
Resipi ini jauh lebih realistik berbanding projek “AI akan ganti semua sistem lama dalam 18 bulan” yang hampir selalu gagal.
3. Fokus kepada satu KPI yang boleh diukur
IRIS sangat jelas:
- sasaran masa: kurangkan masa penyediaan sehingga 62.5%,
- sasaran kualiti: kurangkan ralat 95%.
Dalam projek AI kewangan, KPI selalunya kabur: “nak jadi lebih digital”, “nak tingkatkan pengalaman pelanggan”. Itu susah diukur.
Contoh KPI yang lebih tajam untuk bank/insurans/fintech Malaysia:
- Kurangkan false positive AML sebanyak 30% dalam 12 bulan.
- Pendekkan masa pemprosesan pinjaman peribadi dari 3 hari ke 24 jam.
- Kurangkan kos pematuhan manual 20% tanpa turunkan tahap pematuhan.
Kalau KPI jelas, pelaburan AI lebih senang dipertahankan di peringkat pengurusan dan pengawal selia.
Generasi Akauntan Muda & Parallelnya Dengan Tenaga Kerja Kewangan Malaysia
Kajian yang dirujuk oleh IRIS menunjukkan:
- 91% akauntan sudah guna AI untuk cari maklumat cukai dan draf dokumen.
- Akauntan umur 18–24 tahun mempunyai kadar penggunaan AI 29% lebih tinggi.
Ini bukti jelas: generasi baharu profesional kewangan memang sudah selesa dengan AI.
Dalam konteks Malaysia:
- Graduan kewangan, akaun dan IT yang masuk bank/fintech sekarang sudah biasa guna AI dalam kehidupan harian.
- Mereka tak ragu guna AI untuk cari rujukan regulatori, draf emel kepada pelanggan, atau semak logik Excel yang kompleks.
Hal sebenar yang menahan ialah proses dalaman dan polisi, bukan minat atau kemahiran.
Kalau UK boleh jadikan AI “normal” dalam kerja akauntan harian, tak ada sebab bank dan insurans Malaysia tak boleh lakukan perkara sama dalam:
- penyediaan laporan regulatori,
- pemantauan transaksi,
- penganalisisan risiko portfolio,
- dokumentasi pinjaman dan polisi.
Dari Compliance Tool ke AI-First Organisation
IRIS terang-terang kata mereka mahu jadi “AI-first, AI-everywhere company”. Mereka mulakan dengan akaun, dan akan bawa AI ke:
- payroll,
- HR,
- pendidikan.
Kita nampak pattern sama di Malaysia:
- Bank besar mula dengan fraud detection dan chatbots, kemudian bergerak ke skor kredit, pemasaran berasaskan data, dan automasi operasi.
- Insurans mulakan dengan tuntutan dan underwriting, kemudian beralih ke analitik pelanggan dan penentuan harga dinamik.
Apa yang membezakan organisasi yang berjaya dengan yang lain ialah strategi:
- Adakah AI hanya ditampal pada projek individu? atau
- Ada pelan pelaburan berbilion ringgit (kolektif sepanjang beberapa tahun) dengan roadmap yang jelas?
IRIS contohnya buat:
- pelaburan multi-juta pound khusus untuk AI,
- pengambilalihan syarikat seperti Dext yang sudah kuat dalam automasi berasaskan AI,
- kerjasama dengan Microsoft untuk infrastruktur AI selamat bertaraf enterprise.
Bank dan insurans Malaysia yang serius tentang AI perlu lakukan sesuatu yang sama bentuknya: gabungan pelaburan, M&A, dan kerjasama teknologi – bukan hanya POC kecil.
Langkah Praktikal Untuk Pemain Kewangan di Malaysia
Kalau anda berada dalam bank, insurans atau fintech dan sedang merancang strategi AI 2026–2028, ini pendekatan praktikal yang saya cadangkan dengan mengambil inspirasi daripada kes IRIS:
1. Pilih satu proses pematuhan yang paling sakit
Contoh:
- screening AML/CTF yang terlalu banyak false positive,
- penyediaan laporan berkala kepada pengawal selia,
- semakan dokumen pinjaman korporat yang memakan masa.
Fokus satu domain dulu. Pastikan ia:
- tinggi volume,
- tinggi risiko jika silap,
- banyak kerja manual.
2. Bina “AI layer” – bukan sistem baru penuh
Sama seperti IRIS, tambah AI di atas sistem sedia ada untuk:
- tandakan anomali,
- cadangkan pembetulan,
- auto-ekstrak maklumat daripada dokumen.
Pastikan manusia masih buat keputusan akhir dalam fasa awal.
3. Reka KPI yang jelas dan terikat masa
Contoh sasaran 12 bulan:
- Kurangkan masa semakan dokumen 40%.
- Turunkan ralat pemprosesan manual 80%.
- Tambah kapasiti pemprosesan 50% tanpa tambah headcount.
4. Latih pasukan, bukan hanya beli teknologi
IRIS jelas menyasarkan generasi akauntan baharu yang sedia guna AI. Di Malaysia, organisasi perlu:
- buat latihan spesifik kes penggunaan (contoh: “guna AI untuk semakan transaksi korporat”),
- bukan sekadar kursus umum “apa itu AI”.
Bila orang faham bagaimana AI tolong mereka jimat masa, adoption akan datang dengan sendiri.
Penutup: Masa Untuk Beralih Dari “AI Sebagai Projek” ke “AI Sebagai Rutin”
Kes IRIS AI tax tool tunjuk satu perkara penting: AI yang paling memberi impak bukan yang paling glamor, tetapi yang paling dekat dengan kerja harian.
Dalam siri “AI in Financial Services” ini, pola yang sama sentiasa muncul:
- AI untuk fraud detection,
- AI untuk pematuhan regulatori,
- AI untuk skor kredit dan pengurusan risiko.
Semua ini berkongsi DNA yang sama dengan apa yang IRIS buat dalam cukai – automasi kerja berulang, pengesanan anomali, dan pengurangan ralat.
Bagi institusi kewangan di Malaysia, soalan sebenar bukan lagi “patut guna AI atau tidak?”, tetapi:
Proses mana yang patut jadi **“AI-powered” terlebih dahulu dalam 12–18 bulan akan datang?
Organisasi yang jawab soalan itu dengan jelas, dan mula dengan kes penggunaan pematuhan dan risiko yang konkrit, akan bergerak jauh meninggalkan pesaing – bukan kerana AI itu ajaib, tetapi kerana mereka gunakan AI pada tempat yang betul, dengan cara yang betul.