AI Perbankan 2026: Fokus, Media Sosial & Data Pelanggan

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

Menjelang 2026, AI dalam bank, insurans dan fintech Malaysia bergantung pada spesialisasi, media sosial dan seni bina cloud-native. Inilah peta jalannya.

AI perbankantransformasi digital bankfintech Malaysiainsurans dan AIcloud-native bankingmedia sosial kewangan
Share:

AI 2026: Bank Yang Menang Bukan Yang Paling Besar, Tapi Paling Fokus

Menjelang hujung 2025, beberapa bank utama di Malaysia lapor bahawa lebih 30–40% bajet teknologi mereka kini pergi kepada projek berkaitan AI dan data. Namun bila masuk 2026, bank yang sekadar "buat projek AI" akan mula ketinggalan berbanding bank yang spesialis, faham pelanggan, dan pandai guna media sosial sebagai data emas.

Ini sangat relevan untuk bank, insurans dan fintech di Malaysia yang tengah agresif transformasi digital. AI dah ada di mana-mana: daripada pengesanan penipuan, scoring kredit, underwriting insurans, sehingga robo-advisor dan chatbot. Soalannya bukan lagi perlu guna AI atau tidak, tapi AI jenis apa, untuk siapa, dan atas platform apa.

Berlandaskan pandangan Andrew Smith (Sporta) dalam siri Predict 2026, dan digabungkan dengan konteks pasaran Malaysia, artikel ini menghuraikan tiga perkara utama yang bakal bentuk landskap perkhidmatan kewangan pada 2026:

  • Keperluan spesialisasi AI, bukan lagi pendekatan generik
  • Peranan media sosial sebagai cermin tingkah laku kewangan
  • Tekanan untuk pindah daripada mainframe ke seni bina cloud-native supaya AI benar-benar memberi pulangan

Dan yang paling penting: apa langkah praktikal yang bank, insurans dan fintech Malaysia boleh ambil mulai sekarang.

1. Spesialisasi AI: Dari "One-Size-Fits-All" ke Hyper-Niche

Bank dan pemain kewangan Malaysia yang ingin mendahului menjelang 2026 perlu terima hakikat ini: AI generik hanya beri hasil generik. Pertarungan sebenar ialah siapa yang lebih fokus dan spesifik.

Dari AI umum ke AI yang faham konteks Malaysia

AI untuk perbankan di Malaysia perlu faham:

  • Corak gaji bulanan dan bonus hujung tahun
  • Musim perbelanjaan seperti Ramadan, Aidilfitri, Tahun Baru Cina, Deepavali
  • Tingkah laku pembayaran PTPTN, pinjaman kereta, rumah PR1MA, skim pembiayaan patuh Syariah
  • Bahasa campur (BM + Inggeris + sedikit loghat tempatan) dalam chat, emel, dan komen media sosial

Model AI yang dilatih atas data global semata-mata tak cukup tajam untuk ini. Menjelang 2026, bank dan fintech yang menang ialah mereka yang:

  1. Bangunkan model khusus use case:

    • Model khas untuk fraud detection kad debit & e-dompet
    • Model khas credit scoring untuk gig worker (rider, freelancer, creator)
    • Model khas churn prediction untuk pelanggan kad kredit high-value

  2. Bentuk pasukan AI mengikut domain, bukan sekadar pasukan data umum:

    • Squad AI untuk runcit (retail banking)
    • Squad AI untuk SME & korporat
    • Squad AI untuk insurans hayat vs am

  3. Wujudkan produk AI sebagai servis dalaman:

    • Contoh: Risk-API dalaman untuk semua unit bisnes panggil bila nak luluskan kredit, buat pricing, atau semak risiko transaksi.

"AI yang fokus pada satu masalah kecil tetapi kritikal sering memberi ROI lebih tinggi daripada 10 projek AI generik yang kabur," — ini pola yang saya nampak berulang di banyak organisasi.

Contoh praktikal dalam konteks Malaysia

Bayangkan dua bank:

  • Bank A guna model generic credit score untuk semua pelanggan
  • Bank B bina model khas untuk:
    • Penjawat awam
    • Pekerja swasta bergaji tetap
    • Pekerja gig dan usahawan mikro

Pada 2026, Bank B hampir pasti:

  • Ada approval rate lebih tinggi untuk segmen gig tanpa naikkan non-performing loan
  • Boleh buat produk mikro-pembiayaan yang lebih tepat harga
  • Lebih pantas bertindak bila risiko meningkat (contoh, musim hujan / banjir di kawasan tertentu yang jejaskan pendapatan pelanggan)

Spesialisasi AI bukan kosmetik. Ia terus sentuh P&L, risk appetite, dan pertumbuhan portfolio.

2. Dari MySpace ke TikTok: Apa Bank Boleh Belajar Daripada Media Sosial

Andrew Smith mengingatkan satu perkara menarik: bila fikir masa depan bank, tengok evolusi media sosial — dari MySpace, ke Facebook, ke Instagram, ke TikTok, dan kini platform yang bercantum-cantum.

Realitinya, pelanggan Malaysia hari ini:

  • Tahu lebih banyak tentang produk kewangan melalui TikTok, Instagram Reels dan Twitter/X daripada brosur atau poster cawangan
  • Membentuk persepsi kepercayaan berdasarkan review, komen, dan “story” rakan-rakan, bukan semata iklan rasmi
  • Sanggup tukar bank/e-wallet hanya kerana pengalaman aplikasi yang lambat atau layanan pelanggan yang dirakam dan tular

Media sosial sebagai "early warning system" dan data tingkah laku

Menjelang 2026, bank dan insurans yang bijak akan guna media sosial sebagai:

  1. Radar reputasi masa nyata

    • Model AI pemprosesan bahasa (NLP) mengimbas sebutan jenama bank + kata kunci: "scam", "lambat", "tak masuk", "kena block".
    • Alert terus ke pasukan operasi bila ada gelombang negatif sebelum ia meletup jadi krisis PR.

  2. Input tingkah laku kewangan

    • Pola gaya hidup yang konsisten (travel, F&B premium, gaya hidup minimalis) boleh bantu refine segmen pelanggan dengan syarat diproses secara agregat dan patuh PDPA.
    • Perbualan umum tentang isu ekonomi (kos sara hidup, kerja gig, kenaikan kadar OPR) bantu model risiko memahami sentimen pasaran.

  3. Channel servis & jualan yang betul-betul responsif

    • Chatbot AI yang disesuaikan untuk DM Instagram, WhatsApp Business, Facebook Messenger.
    • Bukan sekadar jawab FAQ, tapi boleh buat tindakan: semak status transaksi, block kad, jadualkan panggilan semula.

Cabaran privasi dan pematuhan (yang tak boleh diabaikan)

Guna data media sosial bukan lesen untuk memantau individu sesuka hati. Untuk pasaran Malaysia:

  • Data perlu diagregat dan dianonimkan bila guna sebagai input model risiko atau pemasaran
  • Penggunaan data peribadi mesti selari dengan PDPA dan garis panduan BNM / regulator lain
  • Pelanggan mesti faham apa yang dikumpul, untuk apa, dan ada pilihan opt-out yang jelas

Bank yang main kasar dalam bab privasi akan hilang kepercayaan lebih cepat daripada apa yang AI boleh bantu pulihkan.

3. AI Perlukan Cloud-Native: Mainframe Sahaja Tak Cukup Lagi

Andrew Smith pernah menyebut hampir 10 tahun lepas: untuk realisasikan potensi AI, kita perlukan seni bina cloud-native yang jauh lebih meluas. 2026 adalah tempoh di mana ramalan itu menjadi realiti bagi perbankan.

Kenapa sistem legasi jadi brek utama AI

Banyak bank Malaysia masih bergantung pada:

  • Core banking di mainframe atau sistem on-prem lama
  • Batch processing harian, bukan data masa nyata
  • Integrasi point-to-point yang rapuh

Kesan kepada projek AI:

  • Model fraud detection tak dapat skor transaksi sebelum transaksi diluluskan kerana latency data
  • Chatbot tak ada akses unified ke data pelanggan; jawapan jadi umum dan mengecewakan
  • Eksperimen AI ambil masa berbulan sebab nak akses data dan deploy model sangat sukar

Apa maksud "cloud-native" dalam bahasa operasi bank

Cloud-native bukan sekadar pindah server ke awan. Ia cara baru reka dan jalankan sistem:

  • Microservices: sistem dipecah jadi servis kecil yang mudah dikemas kini
  • API-first: semua fungsi penting (check baki, block kad, create loan) ada API piawai
  • Data platform moden: data lakehouse, streaming, feature store untuk model AI
  • MLOps: proses standard untuk bina, uji, deploy dan pantau model AI

Menjelang 2026, tekanan akan datang dari dua arah:

  1. Operasi – keperluan automasi, efisiensi kos, dan pemantauan risiko masa nyata
  2. AI & Bisnes – permintaan untuk personalisasi, pengesanan penipuan masa nyata, dan produk baru pantas

Bank yang lambat transformasi cloud-native akan rasa jurang makin besar: sistem makin mahal untuk diselenggara, tapi masih tak mampu menyokong AI tahap yang pelanggan sudah anggap normal.

4. Bagaimana Bank, Insurans & Fintech Malaysia Boleh Bersedia untuk 2026

Untuk pemain kewangan di Malaysia, 2026 bukan lagi masa "eksperimen kecil". Ia fasa operasionalisasi AI. Berikut pendekatan langkah demi langkah yang saya nampak praktikal:

4.1 Pilih 3–5 use case AI yang betul-betul penting

Fokus pada use case yang:

  • Sentuh terus pendapatan atau kerugian
  • Boleh diukur jelas (contoh: fraud loss, waktu layan pelanggan, NPL)
  • Boleh dijayakan dalam 6–9 bulan pertama

Contoh use case yang relevan untuk Malaysia:

  1. AI Fraud Detection omni-channel untuk perbankan dan e-wallet
  2. Credit scoring alternatif untuk gig economy dan usahawan mikro
  3. AI chatbot + co-pilot ejen untuk pusat panggilan insurans
  4. Next-best-offer untuk pelanggan runcit berdasarkan tingkah laku transaksi

4.2 Bentuk pasukan lintas fungsi, bukan silo teknologi

AI yang berkesan lahir bila:

  • Business owner (contoh: Head of Retail, Head of Cards) duduk sekali dengan
  • Data scientist, data engineer, IT, compliance, risk

Struktur yang kerap berkesan:

  • AI squad mengikut domain (Retail, SME, Insurans, Wealth)
  • Setiap squad ada KPI yang jelas (contoh: kurangkan fraud 20%, tambah approval kredit 15% tanpa naikkan NPL)

4.3 Jadikan data dan cloud-native sebagai pelaburan asas, bukan afterthought

Menjelang 2026, organisasi yang hanya tumpu pada "projek AI" tanpa mengukuhkan asas data dan cloud-native akan sentiasa tersekat.

Beberapa langkah praktikal:

  • Susun semula data architecture: dari berpuluh data mart silo kepada satu platform data terpusat
  • Bina data governance yang praktikal, bukan birokratik
  • Pilih partner cloud dan teknologi dengan jelas, elak vendor lock-in keterlaluan

4.4 Gunakan media sosial secara bertanggungjawab sebagai input strategi

Apa yang boleh dibuat hari ini:

  • Setup social listening hub dengan model NLP BM + Inggeris
  • Klasifikasikan sebutan kepada: servis, produk, scam, pengalaman cawangan, isu aplikasi
  • Laporkan insight ini terus ke produk, risiko dan customer experience setiap minggu

Bukan semua perlu automasi penuh. Kombinasi AI + manusia yang tahu konteks tempatan selalunya paling berkesan.

5. 2026: Dari "Proof of Concept" ke Keunggulan Daya Saing

Satu pola besar yang jelas: AI dalam perkhidmatan kewangan Malaysia sedang bergerak dari POC ke enjin strategi.

Pada 2026, pelanggan tak lagi teruja hanya kerana ada chatbot atau aplikasi nampak moden. Mereka akan mula banding:

  • Bank mana yang lebih pantas luluskan kredit tanpa dokumen berfail tebal
  • Insurans mana yang lebih adil dan cepat ketika tuntutan
  • Fintech mana yang betul-betul faham realiti hidup sebagai pekerja gig atau peniaga kecil

AI, jika disokong oleh spesialisasi, data yang kukuh, dan seni bina cloud-native, adalah pembeza utama di sini.

Bagi organisasi yang serius dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, soalan yang patut ditanya pada 14/12/2025 bukan lagi "perlu AI atau tidak?", tapi:

  • Use case mana yang akan beri impak terbesar pada 12–18 bulan akan datang?
  • Di mana kita perlu lebih spesifik – pada segmen pelanggan, jenis produk, atau jenis risiko?
  • Bahagian mana dalam sistem legasi yang mesti mula ditukar kepada cloud-native supaya AI boleh benar-benar berfungsi?

Pemain yang boleh jawab soalan-soalan ini dengan jujur, dan bergerak cepat sepanjang 2026, berpeluang muncul sebagai rujukan utama AI kewangan di Malaysia – bukan hanya di mata pelanggan, tetapi juga regulator dan rakan kongsi ekosistem.

Soalan Untuk Anda Fikirkan

Jika anda berada di bank, syarikat insurans atau fintech di Malaysia:

Jika hanya satu projek AI anda boleh berjaya besar pada 2026, projek apa yang paling mengubah cara pelanggan berurusan dengan anda?

Jawapan kepada soalan itu selalunya petunjuk paling jelas di mana anda patut mula.