AI Praktikal Untuk Kurangkan Ralat Pembayaran

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

AI pembayaran yang praktikal bermula dengan reka bentuk proses pintar, kemudian guna AI untuk 10% ralat paling sukar. Inilah cara bank & fintech Malaysia boleh menang.

AI pembayaranperbankan Malaysiafintechoperasi bankISO 20022generative AIdigital transformation
Share:

AI Praktikal Untuk Kurangkan Ralat Pembayaran, Bukan Sekadar Hype

Dalam dunia pembayaran korporat, 1% ralat boleh memusnahkan pengalaman untuk 100% pelanggan. JP Morgan menganggarkan aliran pembayaran global mencecah sekitar USD195 trilion pada 2024 dan dijangka naik kepada USD320 trilion menjelang 2032, majoritinya daripada klien B2B yang sangat menuntut. Di Malaysia, bank besar, bank Islam dan fintech semua sedang berlumba menawarkan pembayaran masa nyata, cross-border yang lebih lancar dan selamat.

Masalahnya: lebih laju dan lebih banyak transaksi bermakna lebih banyak ralat pembayaran (payment exceptions) – transaksi sangkut, maklumat tidak lengkap, kegagalan pemadanan, isu pematuhan, dan sebagainya. Kalau penyelesaian ambil masa berhari-hari, pelanggan korporat tak teragak-agak untuk pindah bank.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, fokus kita selalunya pada penipuan, scoring kredit, dan chatbot. Tapi ada satu kawasan yang sangat besar impaknya, namun kurang glamor: penyiasatan & pengendalian ralat pembayaran (payment exception handling). Di sinilah AI praktikal boleh menjimatkan kos, mengurangkan risiko, dan menutup lubang besar dalam pengalaman pelanggan.

Artikel ini membongkar bagaimana institusi kewangan di peringkat global – dan apa yang pemain Malaysia boleh buat sekarang – menggunakan AI secara praktikal, bukan sekadar slogan pemasaran, untuk menjadikan operasi pembayaran lebih pintar.

Apa Sebenarnya "Payment Exception" dan Kenapa Ia Menyakitkan

Payment exception ialah sebarang transaksi yang tak boleh diproses secara automatik dan memerlukan campur tangan manusia. Dalam konteks bank dan fintech Malaysia, antara situasi biasa:

  • Maklumat benefisiari tak lengkap atau salah
  • Kod SWIFT atau nombor akaun cross-border tak padan
  • Patuhi saringan AML/CFT tetapi terperangkap sebagai false positive
  • Masalah pemadanan (reconciliation) antara sistem dalaman dan bank koresponden
  • Had transaksi dilangkaui atau peraturan pematuhan dalaman mencetuskan hold

Setiap exception bermaksud:

  • Pegawai operasi terpaksa menyiasat secara manual
  • Panggilan dan email daripada pelanggan yang menunggu dana masuk
  • Risiko working capital pelanggan terjejas (contoh: gaji lewat, bayaran pembekal tertangguh)
  • Kos operasi yang tinggi dan SLA yang mudah tercalar

Dalam persekitaran ISO 20022, DuitNow, pembayaran segera, dan cross-border 24/7, pelanggan dah terbiasa dengan kelajuan beberapa saat. Jadi bila 1% transaksi tersangkut beberapa hari, persepsi terhadap bank atau fintech itu jatuh dengan cepat.

Strategi Teras: 90% Selesai Dengan Reka Bentuk Pintar, 10% Dengan AI

Institusi kewangan terkemuka kini mengambil pendekatan dua lapis:

  1. Design-time intelligence – kurangkan exception sebelum ia berlaku
  2. Runtime AI & automasi – percepat penyiasatan bila exception tetap berlaku

Pendekatan ini jauh lebih bijak berbanding cuba "sapukan AI" pada semua masalah sekaligus.

1. Design-time intelligence: Menyelesaikan 90% exception

Design-time intelligence bermaksud menggunakan data, peraturan (rules) dan alat simulasi semasa mereka bentuk aliran pembayaran dan produk. Contoh praktikal yang bank di Malaysia boleh guna:

  • Validasi data yang lebih ketat tetapi mesra pengguna
    Menggunakan templat penerima (beneficiary templates), senarai negara berisiko, format akaun mengikut negara, dan pembantu borang pintar untuk mengurangkan ralat input dari pengguna korporat.

  • Peraturan routing pintar
    Transaksi tertentu (contoh: jumlah tinggi, negara sensitif, sektor khusus) dirancang lebih awal dengan laluan yang berbeza, supaya kurang berpotensi ditolak oleh rakan koresponden.

  • Simulasi perniagaan & data sejarah
    Menguji produk pembayaran baharu terhadap data sejarah untuk melihat di mana exception banyak berlaku, kemudian ubah suai peraturan sebelum pelancaran.

Dengan reka bentuk yang betul, bank global melaporkan sehingga 90% exception boleh diselesaikan melalui proses deterministik dan workflow standard, tanpa perlu AI kompleks pun.

2. Runtime AI: Fokus pada 10% paling sukar

Baki 10% inilah yang memakan masa, mahal, dan berisiko tinggi jika tersilap. Di sinilah penggunaan AI lebih masuk akal:

  • Mengutamakan kes mengikut risiko dan nilai
  • Menjana cadangan penyelesaian untuk pegawai operasi
  • Mencari pola ralat yang tersorok yang manusia susah nampak

Pendekatan ini jauh lebih selamat dari perspektif pematuhan, kerana AI membantu membuat keputusan, bukan menggantikan kontrol utama.

Di Mana AI Tradisional, Generatif & Agen Sesuai Dalam Pembayaran

Satu kesilapan biasa dalam projek AI kewangan ialah mencampuradukkan semua teknologi dan menjangka satu model boleh buat semuanya. Realitinya, setiap jenis AI ada tempat masing-masing.

AI deterministik & berasaskan peraturan (rules-based + analytics)

Ini kekal sebagai tulang belakang pengendalian ralat pembayaran:

  • Rule engines untuk validasi data dan pematuhan
  • Workflow automasi (BPM) untuk escalations dan pemantauan SLA
  • Analitik deskriptif untuk pantau volum, punca exception, masa pemulihan

Teknologi ini stabil, mudah diaudit, dan disukai regulator. Untuk kebanyakan bank, inilah lapisan pertama yang wajib kukuh.

Machine learning tradisional

Machine learning sesuai untuk tugas seperti:

  • Peramalan risiko exception berdasarkan corak transaksi pelanggan
  • Pengelasan jenis exception secara automatik (data missing, AML, limit, teknikal)
  • Cadangan tindakan seterusnya berdasarkan kes-kes terdahulu yang berjaya diselesaikan

Contohnya, model boleh belajar bahawa transaksi ke negara X melibatkan sektor Y selalunya memerlukan dokumen tambahan. Sistem boleh automatik minta dokumen itu dari pelanggan sebelum isu timbul.

Generative AI (GenAI)

Generative AI patut dihadkan kepada kawasan yang tidak membuat keputusan kawal selia, tetapi menyokong manusia, contohnya:

  • Ringkasan kes exception yang kompleks merentas berbilang sistem
    (core banking, SWIFT, AML, CRM) supaya pegawai lihat gambaran menyeluruh dalam satu paparan.

  • Draf komunikasi pelanggan
    Menyediakan draf email/pro-mesej dalam bahasa pelanggan untuk jelaskan status pembayaran dan maklumat tambahan yang diperlukan.

  • Pusat bantuan dalaman untuk pasukan operasi
    Agen AI yang dilatih dengan SOP, garis panduan regulator, dan manual sistem untuk menjawab soalan seperti “bagaimana nak proses kes seperti ini?”

Di sinilah bank Malaysia perlu berhati-hati: generative AI tak patut diberi kuasa meluluskan atau menolak transaksi. Ia membantu pemahaman dan dokumentasi, bukan membuat keputusan kawal selia.

Agen AI (agentic AI)

Agen AI ialah sistem yang bukan saja menjana teks, tapi juga berinteraksi dengan sistem lain mengikut peraturan yang ditetapkan. Dalam operasi pembayaran:

  • Agen AI boleh membuka tiket, kemaskini status di beberapa sistem, dan mengumpul maklumat latar-belakang untuk pegawai.
  • Ia boleh jalankan semakan awal terhadap data pelanggan (KYC), sejarah exception, dan rekod komunikasi sebelum kes sampai ke manusia.

Sekali lagi, kawalan perlu jelas: agen AI boleh mengurus kerja pentadbiran dan pengumpulan maklumat, tetapi titik keputusan utama kekal di tangan pegawai yang diberi kuasa.

Mengimbangi Inovasi AI Dengan Pematuhan & Risiko

Bank dan fintech di Malaysia berdepan lapisan pematuhan: BNM, garis panduan IT & risiko operasi, AML/CFT, perlindungan pengguna, selain keperluan syarikat tersenarai atau pemegang saham. Jadi bagaimana nak gunakan AI tanpa menambah risiko yang tak perlu?

Berikut pendekatan yang terbukti lebih selamat:

1. AI sebagai lapisan cadangan, bukan lapisan keputusan

Untuk pengendalian ralat pembayaran, AI sepatutnya:

  • Mengemukakan cadangan tindakan beserta justifikasi ringkas
  • Menjana prioriti senarai kes mengikut risiko dan nilai
  • Menyediakan ringkasan yang memudahkan manusia membuat keputusan

Keputusan muktamad (contoh: lepaskan transaksi, tahan, lapor STR) kekal bergantung pada polisi dan manusia. Ini memudahkan audit dan model risk management.

2. Data, privasi dan jejak audit (audit trail)

Setiap cadangan AI perlu:

  • Direkod dengan jejak audit yang jelas: apa input, model apa, versi mana, dan apa outputnya
  • Tertakluk kepada kawalan akses data yang sama ketat dengan sistem utama bank
  • Disemak secara berkala untuk bias, ralat atau corak yang tak diingini

Tanpa disiplin ini, projek AI mudah tersekat di fasa ujian kerana kebimbangan pematuhan.

3. Kerangka tadbir urus AI peringkat kumpulan

Untuk bank besar dan syarikat insurans, saya selalunya cadangkan:

  • Komiti risiko model/AI yang meluluskan penggunaan GenAI dan ML di kawasan kritikal
  • Senarai kegunaan yang dibenarkan dan dilarang (contoh: AI boleh draf email pelanggan, tapi tak boleh luluskan kredit atau menurunkan skor AML tanpa semakan manusia)
  • Latihan untuk pasukan operasi supaya mereka faham apa AI buat dan bila patut mencabarnya

Bila kerangka ini jelas, jalan untuk projek AI pembayaran biasanya jauh lebih lancar.

Rangka Tindakan 6–12 Bulan Untuk Bank & Fintech Malaysia

Bagi organisasi yang serius nak guna AI untuk pengendalian ralat pembayaran pada 2025–2026, inilah pelan praktikal yang boleh dijadikan asas:

1. Audit exception semasa (bulan 1–2)

  • Kenal pasti 10 jenis exception paling kerap & paling mahal
  • Ukur masa purata penyelesaian (TAT) dan kos anggaran per kes
  • Senaraikan sistem terlibat: core banking, sistem pembayaran, AML, CRM, dan lain-lain

2. Kuatkan design-time intelligence (bulan 2–5)

  • Tambah baik validasi data di channel utama (portal korporat, API, mobile)
  • Ubah suai workflow dalaman untuk kurangkan “ping-pong” antara pasukan
  • Guna analitik untuk lihat di mana peraturan sekarang menyebabkan terlalu banyak false positive

Matlamat: kurangkan volum exception 20–40% sebelum AI canggih pun masuk.

3. Projek perintis AI fokus (bulan 4–9)

Pilih 1–2 kegunaan dengan manfaat jelas, contohnya:

  • Pengelasan jenis exception automatik + keutamaan kes
  • Ringkasan kes & draf komunikasi pelanggan menggunakan generative AI

Mulakan kecil, meliputi:

  • Satu produk (contoh: pembayaran korporat tempatan)
  • Satu segment pelanggan (contoh: SME eksport/import)

4. Integrasi dengan pematuhan & audit (bulan 6–12)

  • Bentuk garis panduan penggunaan AI yang selari dengan keperluan BNM
  • Pastikan semua output AI boleh dijejak dan disemak
  • Wujudkan feedback loop: pegawai boleh menanda cadangan AI sebagai “berguna/tidak berguna”, untuk memperbaiki model

Organisasi yang konsisten biasanya nampak pengurangan masa penyelesaian exception 30–50% dalam 12 bulan pertama, dan peningkatan kepuasan pelanggan korporat yang ketara.

Kenapa Ini Penting Untuk Masa Depan Pembayaran Malaysia

Sementara ISO 20022, CBDC, aset digital dan blockchain semakin dekat ke arus perdana, asasnya tetap sama: pembayaran yang selamat, cepat dan boleh dipercayai. AI dalam pengendalian ralat pembayaran bukan sekadar projek IT; ia menyentuh:

  • Keupayaan bank dan fintech mengekalkan pelanggan korporat besar
  • Kecekapan modal kerja (working capital) dalam ekonomi
  • Tahap kepercayaan terhadap sistem kewangan negara

Saya amat yakin: pemain yang mengurus exception dengan paling bijak akan memenangi persaingan pembayaran B2B di rantau ini. Bukan semata-mata siapa paling banyak ciri, tetapi siapa paling kurang “sangkut”.

Untuk pasukan di bank, insurans yang ada fungsi pembayaran, dan fintech di Malaysia, ini masa yang sesuai – sebelum 2026 – untuk menyusun semula strategi:

  • Kukuhkan design-time intelligence
  • Gunakan AI secara fokus pada 10% kes yang paling susah
  • Bina kerangka tadbir urus yang meyakinkan regulator dan pelanggan

Soalannya sekarang: adakah organisasi anda masih melihat AI sebagai eksperimen pemasaran, atau sudah bersedia menggunakannya untuk menyelesaikan masalah paling menyakitkan dalam operasi pembayaran harian?