AI Patuh Regulasi: Pengajaran Dari Kes Myntra & Walmart

Pada 2024, pengawal jenayah kewangan India memfailkan kes kira-kira USD200 juta terhadap Myntra, lengan fesyen e-dagang milik Walmart. Isunya nampak teknikal: dakwaan skim pihak berkaitan yang melanggar peraturan pelaburan asing. Tapi inilah jenis isu yang menggegarkan keseluruhan ekosistem – dari marketplace, bank, hinggalah fintech yang memproses bayaran di belakang tabir.

Kisah Myntra bukan sekadar cerita tentang India atau Walmart. Ia cermin kepada satu realiti: e-dagang merentas sempadan bergerak jauh lebih laju daripada fungsi pematuhan (compliance) tradisional. Dan di sinilah AI patuh regulasi – dalam runcit, e-dagang dan juga perkhidmatan kewangan – jadi faktor hidup mati.

Dalam siri AI in Financial Services ini, kita selalu sentuh tentang AI untuk pengesanan penipuan, credit scoring, dan risk modelling. Kali ini, kita tarik fokus: apakah yang pemain besar runcit dan e-dagang boleh belajar daripada bank – dan bagaimana AI pematuhan boleh mengelak kes seberat Myntra, sebelum regulator yang “mengajar”.

---

Apa Sebenarnya Berlaku Dalam Kes Myntra–Walmart?

Intinya: regulator India menuduh Myntra menyalurkan lebih USD191 juta melalui struktur pihak berkaitan yang bercanggah dengan peraturan pelaburan asing.

Di India, seperti juga di Malaysia, pelaburan asing dalam runcit dan e-dagang dikawal ketat. Ada had pemilikan, ada syarat bagaimana marketplace boleh berurusan dengan vendor, ada garis panduan tentang related-party transaction. Bila syarikat besar cuba mengoptimumkan struktur kewangan dan operasi, garis antara “cekap” dan “melanggar” boleh jadi sangat nipis.

Dalam kes ini:

• Myntra dikaitkan dengan skim pihak berkaitan (related-party scheme)
• Jumlah transaksi yang dipersoalkan melebihi USD191 juta
• Pengawal jenayah kewangan India menggunakan tindakan ini sebagai sebahagian daripada “crackdown” lebih besar ke atas pemain e-dagang antarabangsa

Apa yang menarik: banyak proses ini boleh dipantau secara automatik – jika syarikat guna AI pematuhan dan analitik transaksi yang betul. Sebaliknya, bila pemantauan bergantung pada spreadsheet terasing, laporan manual dan silot data, risiko “tak perasan” pelanggaran meningkat secara mendadak.

---

Mengapa Kes Ini Penting Untuk Runcit, E-Dagang & Kewangan?

Kes Myntra menunjukkan bagaimana isu pematuhan boleh menjejaskan keseluruhan rantaian nilai digital – dari marketplace hinggalah bank yang membiayai mereka.

Kesan langsung kepada pemain e-dagang

Bila regulator masuk campur pada skala ratusan juta dolar:

• Operasi boleh terganggu (sekatan akaun, audit mendadak, pembekuan transaksi tertentu)
• Kos guaman dan kerja semula struktur meningkat
• Kepercayaan vendor, pelanggan dan pelabur boleh susut

Untuk syarikat tersenarai atau unicorn, headline risk sahaja sudah cukup untuk menjejaskan valuation.

Kesan tidak langsung kepada bank, insurans dan fintech

Di Malaysia, bank dan fintech makin agresif membiayai peniaga e-dagang, memberi kredit kepada seller, dan menawarkan pembiayaan inventory. Kes seperti Myntra menimbulkan beberapa persoalan kritikal:

• Bagaimana bank menilai risiko regulasi pelanggan korporat mereka?
• Adakah sistem AML/CFT (anti-money laundering / counter-terrorism financing) cukup pintar untuk kes kompleks seperti related-party scheme merentas negara?
• Adakah data transaksi e-dagang disepadukan dengan model risiko kredit?

Saya sendiri lihat ramai pemain kewangan di Malaysia yang sudah melabur besar dalam AI untuk fraud detection, tetapi pematuhan regulasi korporat pelanggan masih banyak bergantung pada semakan manual dan dokumen statik.

Hakikatnya, AI patuh regulasi hari ini bukan pilihan mewah – ia “insurance policy” terhadap risiko berjuta-juta ringgit.

---

Di Mana AI Boleh Mengelak Kes Seperti Myntra?

AI pematuhan yang direka dengan etika dan ketelusan boleh mengesan pola transaksi berisiko tinggi jauh lebih awal berbanding audit manual.

Mari pecahkan kepada beberapa komponen praktikal.

1. Pengenalpastian pihak berkaitan secara automatik

Related-party scheme jarang terang-terangan. Kadang-kadang:

• Nama syarikat berbeza, tetapi pemilik benefisial sama
• Pengarah bertindih di beberapa entiti
• Hubungan hanya kelihatan bila gabungkan data pelbagai negara

Di sinilah graph analytics + AI berguna:

• AI membina graph entiti: syarikat, pengarah, pemegang saham, akaun bank
• Model mengenal pasti “cluster hubungan” yang mencurigakan – contohnya, beberapa vendor dalam marketplace yang rupanya dikawal kumpulan pemilik sama
• Setiap transaksi dengan pihak dalam cluster ini diberi risk score yang lebih tinggi secara automatik

Untuk marketplace besar, bank, dan insurans korporat, ini jauh lebih praktikal berbanding cuba memetakan semuanya secara manual.

2. Pengawasan transaksi rentas sempadan masa nyata

Dalam kes Myntra, jumlah yang dipersoalkan mencecah lebih USD191 juta. Jumlah sebesar ini selalunya tidak berlaku sekali gus; ia terkumpul sepanjang masa melalui:

• Pembayaran ke pembekal atau entiti logistik berkaitan
• Royalti, yuran perkhidmatan, lisensi teknologi
• Pinjaman intra-kumpulan dan transfer pricing yang kompleks

Model AI transaksi masa nyata boleh:

• Menjejak aliran wang merentas negara dan entiti berkaitan
• Mengesan pola luar biasa (contoh: margin yuran tinggi luar biasa berbanding pasaran)
• Menghasilkan “early warning” sebelum jumlah terkumpul mencapai tahap yang mengundang minat regulator

Bank di Malaysia sudah guna model serupa untuk pengesanan penggubahan wang haram individu. Cabaran dan peluang seterusnya: meluaskan ke tahap korporat dan rantaian bekalan e-dagang.

3. Pemetaan peraturan (regulatory mapping) automatik

Masalah besar bagi pemain global: setiap negara ada set peraturan FDI, e-dagang, dan cukai yang berbeza.

AI boleh membantu dengan:

• Membaca dan menstrukturkan dokumen regulasi (akta, garis panduan, pekeliling) menggunakan NLP
• Memetakan peraturan tersebut kepada jenis transaksi sebenar dalam sistem kewangan syarikat
• Memberi amaran proaktif bila struktur transaksi melintasi garis tertentu, contohnya:
  • Had pemilikan asing
  • Syarat vendor bebas (tidak boleh dikawal oleh marketplace)
  • Had exposure kepada entiti berisiko tinggi

Dalam bahasa mudah: AI sebagai “GPS regulasi” – tunjuk laluan yang patuh sebelum syarikat tersasar.

4. Dokumentasi & jejak audit yang telus

Etika AI bukan hanya tentang mengelak diskriminasi atau bias algoritma. Dalam konteks Myntra–Walmart, ia juga tentang ketelusan dan kebolehkesanan (auditability).

AI patuh regulasi yang baik akan:

• Menyimpan jejak audit jelas: siapa luluskan apa, berdasarkan peraturan mana
• Menjelaskan logik di sebalik setiap alert (explainable AI), bukan sekadar “model kata tinggi risiko”
• Menghasilkan laporan yang mudah difahami regulator bila audit berlaku

Bagi bank dan insurans, kemampuan ini sangat dekat dengan apa yang BNM dan SC harapkan bila bercakap tentang model risk management.

---

Apa Yang Pemain Malaysia Boleh Belajar & Buat Sekarang

Pemain runcit besar, marketplace, bank dan fintech di Malaysia boleh gunakan kes Myntra sebagai “ujian tekanan mental” terhadap proses pematuhan masing-masing.

Berikut beberapa langkah praktikal yang realistik untuk 6–18 bulan akan datang.

1. Audit jurang pematuhan berasaskan data

Sebelum beli apa-apa sistem AI, tanya tiga soalan asas:

1. Di mana data kritikal pematuhan disimpan hari ini?
   • Sistem kewangan, sistem vendor, sistem HR, platform e-dagang – adakah ia disepadukan?
2. Berapa banyak semakan transaksi bernilai tinggi masih manual sepenuhnya?
3. Dalam lima tahun lepas, berapa kali “isu regulasi” hanya dikesan selepas regulator bertanya?

Jawapan jujur kepada tiga soalan ini selalunya sudah cukup untuk yakinkan pengurusan bahawa automation dan AI memang perlu, bukan sekadar projek “innovation lab”.

2. Mulakan dengan satu kes guna (use case) yang jelas

Saya cadangkan dua use case yang paling cepat beri impak untuk e-dagang dan kewangan:

• Pengesanan pihak berkaitan berisiko tinggi dalam senarai vendor/seller dan pelanggan korporat
• Pemantauan transaksi rentas sempadan bernilai tinggi dengan scoring risiko automatik

Mulakan dengan satu domain (contoh: semua transaksi > RM1 juta sebulan), bangunkan model, backtest terhadap data 2–3 tahun lepas dan ukur:

• Berapa banyak “near miss” yang sepatutnya boleh dikesan awal
• Berapa banyak false positive berbanding sistem lama

3. Bentuk pasukan bersama: compliance + data + business

Ramai projek AI pematuhan gagal bukan sebab teknologi lemah, tetapi kerana:

• Compliance takut “hilang kawalan”
• Data team tak faham realiti regulasi
• Business rasa ini hanya tambah friction

Model yang berjaya biasanya meletakkan tiga pihak ini dalam satu squad dengan mandat jelas:

“Kurangkan risiko regulasi besar dan kurangkan beban manual frontline.”

Bila barisan hadapan (relationship manager, category manager, vendor manager) nampak AI sebenarnya mengurangkan borang dan Excel, mereka akan jauh lebih menyokong.

4. Rangka dasar etika AI yang ringkas tapi jelas

Etika AI bukan dokumen 80 muka surat yang orang hanya tandatangan tanpa baca.

Untuk konteks pematuhan, dasar etika yang praktikal boleh merangkumi empat prinsip mudah:

1. Ketelusan: keputusan utama pematuhan mesti boleh dijelaskan
2. Keadilan: tiada kumpulan vendor/pelanggan didiskriminasi tanpa asas regulasi yang jelas
3. Kebolehauditan: semua model dan data latihan direkod dan boleh disemak
4. Keselamatan data: data sensitif (contoh: maklumat benefisial pemilik sebenar) dilindungi setara atau lebih tinggi daripada data kewangan lain

Bila prinsip ini jelas, projek AI pematuhan lebih mudah lulus “ujian regulator” dan keyakinan dalaman.

---

Di Mana AI Kewangan & E-Dagang Berjumpa Seterusnya

Trend besar lima tahun seterusnya: sempadan antara AI dalam perkhidmatan kewangan dan AI dalam runcit/e-dagang akan terus kabur. Marketplace besar makin bertindak seperti bank mini (bagi kredit, insurans, BNPL). Bank pula makin berperanan sebagai platform (embedded finance) di aplikasi runcit.

Dalam konteks itu, kes Myntra–Walmart ialah amaran awal:

• Regulator akan lihat ekosistem, bukan silo syarikat
• Risiko pematuhan e-dagang akan “tumpah” ke atas bank, insurans dan fintech yang menyokong mereka
• Hanya organisasi yang membina stack AI pematuhan yang etikal, telus dan merentas rantaian nilai yang akan tenang bila regulator menguatkuasa

Bagi organisasi di Malaysia, akhir 2025 adalah masa yang sesuai untuk semak balik: adakah AI kita hanya fokus pada jualan dan pemasaran, atau sudah meliputi pematuhan dan tadbir urus?

Syarikat yang seimbang di kedua-dua sisi – pertumbuhan dan pematuhan – selalunya lebih tahan bila ekonomi goyah, bila peraturan diperketat, dan bila “kes Myntra seterusnya” berlaku di rantau ini.

Soalan yang tinggal: adakah anda mahu jadi contoh pengajaran… atau contoh rujukan?