Pasaran kredit bergerak harian, tapi ramai bank masih guna model risiko 100 tahun dulu. Lihat bagaimana AI mengubah penarafan kredit dan apa langkah praktikal di Malaysia.
AI Mengubah Cara Bank Menilai Risiko Kredit
Pasaran private credit global kini melebihi AS$2 trilion, tetapi sebahagian besar proses penarafan kredit yang menyokong pasaran ini masih berasaskan metodologi berusia lebih 100 tahun. Model statik, kemas kini suku tahunan, dan laporan PDF yang datang “terlalu lewat” masih jadi amalan biasa.
Dalam masa yang sama, bank dan fintech di Malaysia sedang mempercepatkan pelaburan dalam AI untuk pemalsuan, pematuhan, dan digital lending. Bezanya, ramai sudah melabur dalam analitik, tetapi belum benar‑benar menyusun semula cara risiko kredit dinilai hari ke hari.
Kisah AIR, sebuah platform kecerdasan kredit berkuasa AI yang baru sahaja mengumpul dana US$6.1 juta (sekitar RM29 juta) pada 10/12/2025, ialah petunjuk jelas arah masa depan: penarafan kredit yang autonomi, dinamik dan berasaskan data masa nyata. Artikel ini menggunakan AIR sebagai kajian kes – dan lebih penting, membincangkan bagaimana bank, syarikat insurans dan fintech di Malaysia boleh mengambil pendekatan yang sama untuk memodenkan pemarkahan kredit dan digital lending mereka sendiri.
Dari Model Statik ke Penarafan Kredit Masa Nyata
Inti perubahan sekarang ialah peralihan daripada penarafan kredit statik kepada penilaian risiko yang sentiasa hidup dan dikemas kini setiap hari.
Selama berdekad, proses penarafan kredit tradisional mempunyai beberapa ciri utama:
- Bergantung pada laporan kewangan tahunan atau suku tahunan
- Analisis manual oleh penganalisis, dengan andaian dan pertimbangan subjektif
- Model statistik yang jarang dikemas kini
- Penarafan yang lambat bertindak balas terhadap kejutan pasaran atau perubahan tingkah laku peminjam
AIR, yang diasaskan oleh veteran industri dari Moody’s, Goldman Sachs, Morgan Stanley dan DataRobot, cuba memecahkan warisan ini dengan:
- Menggunakan AI terlatih ke atas data kewangan dan data alternatif bertahun‑tahun
- Menilai kesihatan kewangan syarikat – sama ada tersenarai atau syarikat swasta – setiap hari
- Menghasilkan isyarat awal (early warning) apabila risiko meningkat
- Menyusun semula penarafan secara automatik, bukan menunggu mesyuarat jawatankuasa suku tahunan
Glenn Carvajal, CEO AIR, menggambarkan platform ini sebagai “sut Iron Man” untuk penganalisis – sentiasa aktif, adaptif, dan sentiasa belajar daripada setiap isyarat baharu.
Apa maksudnya untuk bank di Malaysia?
Jika diadaptasi ke konteks tempatan, pendekatan ini membolehkan:
- Pemantauan portfolio pinjaman PKS secara harian, bukan bulanan
- Tindakan pantas bila terdapat tanda awal tekanan aliran tunai pelanggan korporat
- Penetapan harga risiko yang lebih halus, contohnya kadar faedah yang disesuaikan dengan profil risiko masa nyata
Realitinya, ramai pemain di Malaysia sudah mengumpul data yang betul (transaksi, geolokasi, tingkah laku digital), tetapi belum mengubahnya menjadi sistem penarafan kredit yang benar‑benar dinamik.
Kenapa Penarafan Kredit Tradisional Tidak Lagi Mencukupi
Model risiko lama gagal kerana ia terlalu perlahan, terlalu kasar, dan terlalu bergantung kepada penilaian manusia yang terhad.
Tiga kelemahan utama pendekatan tradisional:
-
Pandangan ke belakang (backward‑looking)
Model banyak bergantung kepada data sejarah seperti nisbah kewangan tahun sebelumnya. Dalam situasi seperti pandemik, krisis komoditi, atau perubahan mendadak dalam rantaian bekalan, data lama hampir tidak berguna. -
Kitaran kemas kini yang jarang
Penarafan korporat biasanya dikaji semula secara berkala (cth. sekali setahun). Risiko sebenar dalam pasaran PKS dan private credit bergerak jauh lebih laju daripada kitaran ini. -
Subjektif & tidak konsisten
Dua penganalisis berbeza boleh melihat syarikat yang sama tetapi memberi skor risiko berbeza, bergantung kepada pengalaman dan bias mereka.
Untuk bank dan fintech yang agresif dalam digital lending kepada PKS dan segmen tidak formal, kelemahan ini membawa kepada:
- Non‑performing loans (NPL) yang lebih tinggi kerana amaran awal terlepas
- Pricing yang tidak tepat – risiko tinggi diberi kadar terlalu murah, risiko rendah dikenakan kadar terlalu tinggi
- Modal yang “terkunci” kerana model risiko tidak cukup meyakinkan pengawal selia untuk memberi kelegaan modal
AIR menunjukkan satu alternatif: model yang sentiasa belajar, disuap dengan data baharu, dan dikalibrasi secara berterusan.
Bagaimana AI Boleh Memodenkan Skor Kredit di Malaysia
AI dalam pemarkahan kredit bukan sekadar “skor lebih pintar”; ia adalah kerangka baharu untuk memahami risiko pelanggan dan syarikat secara holistik.
Untuk konteks bank dan fintech Malaysia, pendekatan berasaskan AI boleh merangkumi beberapa lapisan:
1. Pengayaan Data (Data Enrichment)
Selain penyata kewangan, sistem boleh menggabungkan:
- Data transaksi akaun semasa dan perniagaan
- Corak penggunaan POS dan e‑dompet
- Data invois dan pembayaran pembekal (contoh melalui sistem supply chain finance)
- Data sektor (contohnya harga komoditi sawit, logistik, pelancongan)
- Data alternatif: tingkah laku digital, jarak penghantaran, peringkat inventori
Lebih “kaya” profil data, lebih stabil skor kredit yang dihasilkan.
2. Model AI Pelbagai Lapisan
Model moden biasanya menggabungkan beberapa teknik:
- Gradient boosting dan random forest untuk ramalan lalai kredit
- Time series modelling untuk menangkap trend aliran tunai
- Anomaly detection untuk isyarat luar biasa (contoh: kejatuhan mendadak jualan dalam 2 minggu)
- Explainable AI (XAI) untuk menjelaskan kenapa skor naik atau turun
Pendekatan ini serupa dengan apa yang digunakan oleh platform seperti AIR, cuma perlu disesuaikan dengan data dan konteks peraturan tempatan.
3. Penarafan dan Tindakan Secara Masa Nyata
Kekuatan sebenar AI bukan hanya memberi skor yang tepat, tetapi memacu tindakan automatik:
- Limit management yang dinamik: had kredit dinaikkan atau dikurangkan berdasarkan risiko masa nyata
- Pencetus untuk relationship manager menghubungi pelanggan bila skor merosot
- Larasan harga, covenant atau syarat pembiayaan bila profil risiko berubah
Dalam pasaran yang kompetitif, keupayaan bertindak dalam hari yang sama memberi kelebihan besar berbanding bank yang hanya menyemak risiko setiap tiga atau enam bulan.
Pelajaran Dari AIR: Apa Yang Boleh Ditiru Oleh Bank & Fintech Malaysia
Pendekatan AIR boleh diterjemah kepada beberapa langkah praktikal untuk institusi kewangan tempatan.
1. Fikir “platform risiko”, bukan sekadar “model risiko”
AIR bukan hanya set model, tetapi platform penarafan kredit autonomi yang:
- Menyepadukan pelbagai sumber data
- Mengautomasikan pengiraan dan pengemaskinian skor
- Menyediakan antaramuka jelas untuk penganalisis, pengurus risiko dan business owner
Bank di Malaysia patut beralih daripada projek model terasing kepada platform risiko perusahaan (enterprise risk platform) yang boleh digunakan oleh pelbagai unit perniagaan: runcit, PKS, korporat, malah insurans.
2. Gandingkan AI dengan penganalisis, bukan ganti mereka
Analogi “sut Iron Man” yang digunakan CEO AIR sangat tepat. Dalam konteks Malaysia:
- Penganalisis kredit masih membuat keputusan akhir
- AI menapis ribuan isyarat, mengenal pasti pelanggan mana yang memerlukan perhatian segera
- Model memberi cadangan, tetapi manusia menilai konteks – misalnya isu politik, projek kerajaan, atau perubahan polisi yang belum tercermin dalam data
Institusi yang berjaya bukan yang cuba 100% automasi, tetapi yang menggunakan AI untuk mengangkat kapasiti pasukan risiko sedia ada.
3. Bina hubungan baik dengan pengawal selia dari awal
AIR sudah mula mendapat penerimaan daripada badan kawal selia antarabangsa. Ini penting kerana:
- Pengawal selia mahukan model yang telus dan boleh dijelaskan
- Mereka perlu yakin bahawa AI tidak membawa bias baru terhadap segmen tertentu
Untuk Malaysia, mana‑mana bank atau fintech yang mahu guna AI bagi penarafan kredit perlu:
- Melibatkan pihak pengawal selia sejak fasa reka bentuk model
- Menyediakan documentation XAI: faktor utama yang mempengaruhi skor, ujian kestabilan model, dan analisis bias
- Menunjukkan bagaimana AI sebenarnya mengurangkan subjektiviti berbanding amalan manual
4. Mulakan dengan kes guna (use case) yang fokus
Daripada cuba mengubah semua serentak, fokus pada segmen yang jelas:
- Portfolio PKS tertentu (contoh: pembekal dalam rantaian bekalan GLC)
- Digital lending runcit bernilai kecil dengan data transaksi e‑dompet dan gaji
- Penilaian semula harian untuk pinjaman korporat berisiko tinggi
AIR bermula dengan ekosistem private credit dan pelabur institusi bernilai lebih AS$4 trilion AUM. Prinsip sama boleh digunakan di Malaysia: pilih kluster portfolio yang cukup besar, tapi masih terkawal untuk perintis.
Langkah Praktikal untuk Memulakan Projek AI Skor Kredit
Projek AI risiko kredit yang berjaya biasanya ikut satu kerangka langkah demi langkah, bukan sekadar membeli solusi siap pasang.
Berikut antara rangka kerja praktikal yang saya nampak berkesan di peringkat bank dan fintech:
-
Tetapkan objektif yang terukur
Contoh objektif: turunkan NPL PKS sebanyak 15% dalam 18 bulan, atau percepatkan turnaround time kelulusan pinjaman daripada 3 hari ke 30 minit bagi produk tertentu. -
Audit data sedia ada
Kenal pasti:- Data apa yang sudah ada tetapi tidak digunakan (contoh: log transaksi, data POS)
- Jurang data penting (contoh: tiada data invois, tiada data sektor)
- Kualiti data dan keperluan pembersihan
-
Bangunkan model perintis (pilot model)
Pilih satu segmen pelanggan dan bina model AI yang:- Menggabungkan data tradisional + data alternatif
- Diuji berbanding model risiko sedia ada
- Dinilai dari segi ketepatan, ketelusan dan kestabilan
-
Integrasi dengan proses operasi
Model hanya berguna jika ia mengubah cara kerja:- Bagaimana credit committee menggunakan skor baharu?
- Adakah terdapat peraturan automasi (contoh, auto‑approve jika skor > X dan NPL historikal < Y)?
- Bagaimana RM di cawangan mengakses penjelasan skor?
-
Pengurusan perubahan (change management)
Rintangan dalaman sering lebih sukar daripada cabaran teknikal. Latih staf risiko, jelaskan peranan mereka yang baharu, dan tunjukkan kejayaan awal (quick wins). -
Skalakan secara terkawal
Setelah terbukti, baru diperluas ke segmen lain dan ke produk insurans, kad kredit, atau pembiayaan Islamik lain.
Masa Depan Penarafan Kredit di Malaysia: Dari Reactive ke Proaktif
Hakikatnya, syarikat seperti AIR hanya permulaan kepada gelombang baharu AI dalam penarafan kredit dan pemodelan risiko. Malaysia sudah berada di landasan yang betul – bajet besar untuk transformasi digital, ekosistem fintech yang rancak, dan fokus yang semakin kuat kepada pematuhan dan pengurusan risiko.
Perubahan sebenar akan berlaku bila:
- Bank dan fintech beralih daripada model risiko tahunan kepada sistem pemantauan risiko masa nyata
- AI digunakan bukan sahaja untuk meluluskan pinjaman, tetapi untuk menguruskan risiko sepanjang hayat pinjaman
- Pengawal selia, pemain industri dan penyedia teknologi bekerjasama membina piawaian baharu untuk AI dalam perkhidmatan kewangan
Untuk pasukan risiko, CIO, dan penggubal strategi di bank dan fintech Malaysia, soalan praktikalnya mudah:
Adakah model risiko anda hari ini cukup tangkas untuk menghadapi 2026, atau masih bergantung kepada pemikiran 1926?
Jika jawapannya condong ke belakang, ini masa yang sesuai – sebelum tahun kewangan baharu bermula – untuk menilai semula pelan AI anda dan mula bergerak ke arah penarafan kredit yang autonomi, telus, dan masa nyata.