Bagaimana AI Mengubah Penarafan Kredit & Risiko Bank

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

AI sedang menukar penarafan kredit daripada laporan tahunan kepada isyarat harian. Inilah apa yang bank, insurans dan fintech Malaysia perlu buat sekarang.

AI kewanganrisk modellingpenarafan kreditfintech Malaysiaperbankan digitalprivate creditkecerdasan buatan
Share:

AI sedang menulis semula dunia penarafan kredit

Private credit global sudah melepasi AS$2 trilion. Dalam masa yang sama, sebuah startup bernama AIR baru sahaja mengumpul AS$6.1 juta untuk membina sistem penarafan kredit berasaskan AI yang menilai kesihatan kewangan syarikat setiap hari, bukan setahun sekali.

Realitinya, kebanyakan bank, syarikat insurans dan fintech — termasuk di Malaysia — masih bergantung pada model kredit yang lahir dalam era borang kertas dan spreadsheet. Model itu berjasa, tapi ia:

  • statik dan lambat dikemas kini,
  • terlalu bergantung pada data sejarah,
  • sukar menilai syarikat private, PKS dan segmen underbanked.

Artikel ini gunakan kisah AIR sebagai kajian kes bagaimana AI dalam perkhidmatan kewangan sedang mengubah cara kita menilai kredit, dan apa maknanya untuk bank, insurans dan fintech di Malaysia pada akhir 2025.

Dari model statik ke penarafan “real-time”

Inti perubahan ini mudah: model risiko tradisional melihat ke belakang; AI membenarkan anda melihat ke hadapan.

AIR dibina oleh veteran Moody’s, DataRobot, Goldman Sachs dan Morgan Stanley dengan satu misi: menggantikan penarafan kredit legasi berusia lebih 100 tahun dengan sistem autonomi berasaskan AI yang:

  • menelan data kewangan dan alternatif bertahun-tahun,
  • memantau ribuan syarikat — public dan private — setiap hari,
  • memberi amaran awal sebelum risiko meletup di muka surat hadapan.

Apa beza pendekatan lama dan baharu?

Pendekatan tradisional:

  • Penarafan dikemas kini secara berkala (contoh: setahun sekali atau bila ada kejadian besar).
  • Banyak bergantung pada laporan kewangan audit dan penilaian manual.
  • Cenderung “backward-looking” — menilai apa yang sudah berlaku.

Pendekatan AI seperti AIR:

  • Menggunakan model pembelajaran mesin yang dilatih pada dekad data kewangan & alternatif.
  • Mengimbas isyarat baharu (contoh: trend jualan, data invois, transaksi, berita negatif) dan re-rate syarikat secara berterusan.
  • Memberi pandangan risiko yang lebih granular, adaptif dan tepat masa.

Untuk pelabur institusi yang mengurus lebih AS$4 trilion aset, ini bukan sekadar kecanggihan teknologi. Ini beza antara:

  • mengenal pasti masalah 6 bulan awal, atau
  • menanggung kerugian ratusan juta kerana lambat bertindak.

Kenapa ia penting untuk bank, insurans & fintech di Malaysia

Malaysia berada dalam fasa di mana AI dalam risk modelling sudah menjadi agenda lembaga pengarah, bukan lagi projek R&D kecil.

Ada beberapa trend tempatan yang menjadikan model seperti AIR sangat relevan:

  1. Pertumbuhan kredit PKS dan pembiayaan rantaian bekalan
    Bank dan fintech ingin menyalurkan lebih banyak kredit kepada PKS, tetapi kekal berhati-hati kerana data kewangan syarikat kecil selalunya tidak lengkap atau tidak dikemas kini.

  2. Tekanan untuk inklusi kewangan & digital onboarding
    Regulator menggalakkan penggunaan data alternatif dan analitik lanjutan untuk menilai pelanggan yang kurang data kredit tradisional.

  3. Kadar faedah yang lebih volatil dan tekanan margin
    Dalam persekitaran yang tidak menentu, bank perlu memantau portfolio kredit hampir secara masa nyata untuk elakkan kejutan NPL (non-performing loan).

Di sinilah AI boleh bawa perubahan besar:

  • Bank:
    Model risiko berasaskan AI boleh menggabung data transaksi, tunai masuk/keluar, tingkah laku bayaran dan faktor makroekonomi untuk mengemas kini “PD/LGD” pelanggan lebih kerap berbanding model tradisional.

  • Insurans:
    Insurer yang memberi pembiayaan premium atau produk hybrid (contoh, takaful dengan komponen pembiayaan) boleh guna pendekatan serupa untuk menilai risiko pembayaran jangka panjang.

  • Fintech:
    Pemain BNPL, aggregator dan platform pinjaman digital boleh gunakan AI untuk menilai pelanggan baru dengan cepat, sambil kekal patuh garis panduan risiko dan AML.

Saya sendiri lihat banyak institusi di Malaysia yang sudah peruntukkan bajet AI tujuh hingga lapan angka setahun, tetapi nilai sebenarnya hanya datang bila projek AI risk modelling masuk ke “production”, bukan sekadar POC di makmal data.

Apa yang membezakan platform seperti AIR?

AIR menggambarkan generasi baharu platform kecerdasan kredit yang lebih mirip “exoskeleton” untuk penganalisis, bukan pengganti manusia.

CEO AIR, Glenn Carvajal, menerangkan konsepnya seperti “sut Iron Man” untuk penganalisis kredit — sentiasa hidup, adaptif, sentiasa belajar.

Ciri-ciri utama yang patut dicari oleh institusi kewangan

Jika anda bank, insurer atau fintech yang sedang menilai pelaburan dalam AI risiko kredit, ada beberapa ciri yang wajar dijadikan penanda aras:

  1. Pemantauan berterusan, bukan snapshot
    Sistem perlu mampu memantau pelanggan dan counterparties setiap hari, atau sekurang-kurangnya mingguan, dengan:

    • pengesan “early warning” seperti kemerosotan tunai, pertumbuhan hutang luarbilan, pola bayaran pelik;
    • kemas kini skor risiko secara dinamik tanpa menunggu “review date” tahunan.

  2. Data alternatif di samping laporan kewangan
    Di Malaysia, anda boleh bayangkan integrasi:

    • data transaksi runcit dan SME,
    • data invois dan e-invois,
    • tingkah laku platform e-dagang,
    • trend akaun semasa dan simpanan.

  3. Transparensi & kebolehjelasan (explainability)
    Model AI untuk risiko kredit mesti boleh dijelaskan kepada regulator dan jawatankuasa risiko. Ini bermakna:

    • setiap perubahan skor datang dengan faktor pendorong yang jelas,
    • senario “what-if” boleh diuji dan diterangkan,
    • kawalan governance dan audit trail yang lengkap.

  1. Kurang bias, bukan tambah bias
    Satu kelebihan besar AI, jika dibina dengan betul, ialah kemampuan mengurangkan bias manusia dalam keputusan kredit. Model boleh di-

    • uji terhadap bias gender, etnik, umur,
    • di-tune supaya mematuhi polisi fair lending dan prinsip syariah (untuk bank Islam dan takaful).

  2. Integrasi dengan proses sedia ada
    Tiada guna model AI yang hebat jika ia tidak masuk ke dalam:

    • workflow kelulusan kredit,
    • pemarkahan dalaman,
    • sistem pemantauan portfolio.

Kisah AIR tunjuk satu perkara penting: pasaran modal global bersedia membiayai solusi AI kredit yang nyata. Jika pemain tempatan lambat bertindak, jurang keupayaan dengan rakan antarabangsa akan melebar.

Bagaimana institusi kewangan Malaysia boleh bermula

Projek AI kredit yang berjaya jarang bermula dengan platform penuh seperti AIR. Selalunya ia bermula dengan satu use case yang jelas, kecil tetapi bernilai tinggi.

Berikut struktur praktikal yang saya nampak berkesan di bank dan fintech serantau:

1. Pilih portfolio ujian yang terhad tapi penting

Contoh:

  • portfolio PKS dalam sektor tertentu (misalnya pembinaan atau logistik),
  • pinjaman peribadi digital dengan kadar NPL yang sedang meningkat,
  • pembiayaan rantaian bekalan (supply chain financing) untuk beberapa anchor client besar.

Fokus pada kumpulan di mana:

  • data sudah agak kaya,
  • risiko sedang meningkat atau margin mengecil,
  • ada sokongan pemilik produk untuk eksperimen.

2. Bina “AI early warning system” dahulu, bukan ganti scoring penuh

Ramai cuba ganti model PD/scorecard sepenuhnya pada peringkat awal. Ini sukar dari segi regulator dan governance.

Pendekatan yang lebih realistik:

  • kekalkan model kredit sedia ada sebagai “system of record”,
  • tambah modul AI yang memantau isyarat risiko awal dan menaikkan alert,
  • gunakannya sebagai lapisan tambahan untuk penganalisis menilai.

Jika sistem berjaya meramal default lebih awal (contoh 3–6 bulan sebelum NPL), anda ada bukti kukuh untuk memperluas penggunaan.

3. Latih pasukan risiko & kredit, bukan hanya pasukan data

AI dalam perkhidmatan kewangan gagal bila ia dilihat sebagai projek “IT / data” semata-mata.

Apa yang lebih berkesan:

  • libatkan penganalisis risiko, RM, compliance dan audit dari awal,
  • jalankan bengkel untuk menerangkan cara model berfungsi, had dan kawalannya,
  • bina “AI playbook” dalaman merangkumi governance, dokumentasi dan proses review.

Bila penganalisis sendiri rasa sistem itu seperti sut Iron Man — bukan pesaing kerjaya — adoption biasanya jauh lebih baik.

4. Reka bentuk untuk regulator sejak hari pertama

Untuk Malaysia, itu bermakna memastikan:

  • model boleh diaudit dan dijelaskan,
  • data yang digunakan mematuhi undang-undang perlindungan data dan garis panduan BNM / SC,
  • terdapat polisi yang jelas untuk mengurus bias dan fairness dalam keputusan kredit.

Pendekatan proaktif di sini akan memudahkan anda bila regulator mula bertanya soalan kritikal tentang “bagaimana AI anda membuat keputusan”.

Soalan yang patut ditanya sebelum melabur dalam AI kredit

Sebelum menandatangani apa-apa kontrak platform atau memulakan inisiatif mega, saya cadangkan beberapa soalan asas berikut diajukan di peringkat pengurusan:

  1. Masalah perniagaan apa yang kita mahu selesaikan, dengan angka?
    Contoh: mengurangkan NPL PKS daripada 4.5% ke 3.5% dalam 18 bulan, atau memendekkan masa kelulusan kredit daripada 5 hari kepada 1 hari tanpa menaikkan kerugian.

  2. Adakah data kita cukup bersih dan lengkap untuk menyokong model AI?
    Jika jawapannya tidak, mungkin fasa pertama projek patut fokus pada pembersihan dan integrasi data dahulu.

  3. Siapa pemilik risiko dan siapa pemilik model?
    AI tidak boleh dibiarkan “auto-pilot” tanpa pemilik yang jelas di bahagian risiko dan bisnes.

  4. Bagaimana kita mengukur kejayaan projek?
    Tetapkan metrik yang nyata: kadar default, kerugian kredit, masa pemprosesan, kadar approval segmen underbanked yang masih sihat.

  5. Adakah kita membina sendiri, bekerjasama, atau mengguna platform sedia ada?
    Seperti AIR, banyak penyedia global menawarkan platform siap guna. Soalannya ialah keseimbangan antara kawalan, kelajuan dan kos.

Masa depan penarafan kredit: dari laporan tahunan ke isyarat harian

AIR hanyalah salah satu contoh bagaimana AI menggantikan model kredit statik dengan sesuatu yang lebih hidup dan responsif. Trendnya jelas:

  • penarafan dan skor kredit akan jadi lebih granular dan dinamik,
  • private credit dan PKS akan dinilai dengan kualiti yang hampir menyamai syarikat tersenarai,
  • penganalisis manusia akan berganjak daripada kerja mengumpul data kepada kerja menjelaskan risiko dan membuat keputusan strategik.

Bagi bank, insurans dan fintech di Malaysia, soalnya bukan lagi sama ada AI akan mengubah risk modelling, tetapi berapa cepat dan bagaimana anda mahu berada di hadapan lengkung tersebut.

Jika organisasi anda sedang merancang pelan 2026–2028, ini masa yang sesuai untuk:

  • menyemak semula strategi AI dalam perkhidmatan kewangan,
  • mengenal pasti portfolio perintis untuk pemantauan risiko berasaskan AI,
  • membina kerangka governance yang meyakinkan pengurusan dan regulator.

Masa depan penarafan kredit bukan lagi laporan tebal setahun sekali. Ia adalah isyarat harian yang boleh ditindak, dihantar terus ke skrin penganalisis anda. Soalannya: adakah anda bersedia untuk bekerja dengan cara baharu ini — atau menunggu sehingga pesaing anda yang melakukannya terlebih dahulu?