Bagaimana Tiga Bank Gergasi Menguasai AI Perbankan

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

Tiga bank AS menguasai 75% paten AI perbankan. Apa maknanya untuk bank, insurans dan fintech di Malaysia – dan di mana anda patut bermula dengan AI menjelang 2026?

AI perbankanpaten AIGenAIagentic AIdigital transformationregtechfintech Malaysia
Share:

Mengapa hanya tiga bank menguasai 75% paten AI perbankan

Sejak Januari 2023, sebanyak 1,516 paten AI perbankan didaftarkan oleh 21 bank besar di Amerika Syarikat, Kanada, Eropah dan APAC. Namun, realitinya tak seimbang: Capital One, Bank of America dan JPMorgan Chase sahaja menyumbang kira-kira 75% paten AI bank di seluruh dunia.

Ini bukan sekadar berita korporat. Untuk pemain kewangan di Malaysia – bank, takaful, fintech – angka ini adalah amaran awal: siapa yang menguasai AI hari ini, menguasai landskap kewangan 5–10 tahun akan datang.

Dalam siri "AI in Financial Services (Banks, Insurance, Fintech)", artikel ini meneliti apa sebenarnya yang sedang dibina oleh gergasi perbankan ini, mengapa mereka agresif dalam harta intelek (IP) AI, dan apa pengajaran praktikal untuk pasaran Malaysia menjelang 2026.

1. Data utama: di mana bank-bank besar sedang fokuskan AI

Evident Banking AI Patent Tracker menunjukkan pola yang sangat jelas: AI dalam perbankan bukan lagi eksperimen, tetapi perlumbaan strategik.

Beberapa poin penting:

  • 1,516 paten AI perbankan sejak 01/2023
  • 75% dikawal tiga bank: Capital One, Bank of America, JPMorgan Chase
  • Lebih 85% paten AI perbankan datang dari bank AS
  • Paten GenAI (generative AI) naik daripada 6% kepada 17% pada 2023
  • Paten Agentic AI (AI ejen autonomi) masih kecil tetapi sedang berkembang
  • Fokus utama: khidmat pelanggan, keselamatan siber, automasi operasi, dan pematuhan

Hakikatnya, tiga bank ini bukan sahaja guna AI untuk chatbot, tetapi membina teknologi yang boleh dipertahankan secara undang-undang – satu kelebihan besar bila AI menjadi teras model perniagaan.

Kenapa Amerika Syarikat begitu dominan?

Tiga faktor utama:

  1. Peraturan paten lebih mesra – banyak inovasi perisian dan AI boleh dipatenkan.
  2. Budaya IP yang sangat litigious – paten adalah senjata kompetitif.
  3. Struktur inovasi dalaman yang matang – ada unit R&D, bajet khusus AI, dan proses jelas dari eksperimen ke paten.

Untuk Malaysia, ia bukan bermaksud kita perlu meniru bulat-bulat, tetapi siapa yang mengabaikan IP AI hari ini akan bergantung kepada teknologi pihak ketiga selamanya, terutamanya dari pemain AS.

2. Apa sebenarnya yang dipatenkan? (Dan kenapa ia penting untuk Malaysia)

Paten AI mendedahkan di mana bank meletakkan wang dan fokus sebenar. Beberapa contoh dari laporan Evident:

  • Capital One
    • Adversarial AI untuk menguatkan jawapan chatbot
    • Multi-factor authentication menggunakan data kenderaan
  • Bank of America
    • Synthetic personas untuk menguji chatbot
    • Alat CAPTCHA berasaskan GenAI
  • JPMorgan Chase
    • Agen berasaskan awan yang membaiki isu perisian secara autonomi
  • TD Bank
    • Sistem orkestrasi untuk agen LLM (large language model)
  • HSBC
    • Pengesanan anomali AI dalam keselamatan siber
  • Wells Fargo
    • Analitik sentimen pelanggan berdasarkan komunikasi pelanggan

Daripada senarai ini, kita boleh nampak beberapa tema besar yang sangat relevan dengan bank dan fintech di Malaysia:

a) AI untuk khidmat pelanggan yang benar-benar peribadi

Patennya jelas: customer service ialah medan utama GenAI dalam perbankan.

Bank-bank ini membina:

  • Chatbot yang bukan sekadar jawab soalan FAQ, tetapi faham konteks, emosi dan sejarah pelanggan
  • Sistem pengujian chatbot menggunakan synthetic personas, contohnya:
    • Pelanggan muda digital-savvy
    • Usahawan mikro yang kurang fasih bahasa Inggeris
    • Pesara yang lebih berhati-hati dengan scam

Bagi bank di Malaysia, ini membuka peluang:

  • Chatbot dwibahasa (BM & Inggeris) yang faham istilah tempatan – ASB, KWSP, PTPTN, zakat
  • Pengalaman pelanggan yang konsisten antara aplikasi mudah alih, WhatsApp, dan cawangan fizikal

b) AI untuk keselamatan, fraud dan pematuhan

Contoh-capaiannya cukup jelas:

  • Pengesanan anomali untuk keselamatan siber
  • Pengesahan identiti pelbagai faktor yang menggunakan data tambahan (contohnya data kenderaan)
  • Sistem AI yang boleh memantau dan memperbetul isu perisian secara automatik

Dalam konteks Malaysia di mana penipuan dalam talian, scam dan mule account terus meningkat, pendekatan sebegini sangat kritikal:

  • Model AI boleh mengesan corak transaksi pelik dalam masa nyata
  • Sistem pemantauan boleh mengurangkan beban pasukan IT dan operasi risiko

c) Agentic AI: dari chatbot ke “anggota staf” maya

Agentic AI merujuk kepada sistem AI yang mampu merancang, membuat keputusan kecil dan melaksanakan tugasan tanpa arahan langkah demi langkah.

Hari ini, hanya lapan bank global yang betul-betul memfailkan paten agentic AI (Bank of America, Capital One, JPMorgan, TD, Wells Fargo, Citigroup, BNY Mellon, Barclays). Tetapi ini adalah petunjuk masa depan:

  • Ejen AI yang memantau sistem IT dan terus membaiki bug
  • Ejen yang mengurus proses dalaman seperti penyelarasan dokumen pinjaman kompleks
  • Ejen pematuhan yang menyemak transaksi, dokumen dan peraturan secara berterusan

Bagi bank di Malaysia, agentic AI boleh mula di kawasan yang kurang sensitif dahulu:

  • Automasi kerja belakang tabir (back office) untuk pinjaman SME
  • Prapenyemakan fail tuntutan insurans/takaful
  • Penyediaan draf laporan risiko untuk semakan manusia

3. Apa pengajaran untuk bank, insurans dan fintech di Malaysia?

Tiga bank gergasi tadi memberi gambaran tentang hala tuju, bukan standard minimum. Kalau kita tunggu sehingga semua matang, kita akan jadi pengguna, bukan pencipta.

Berikut beberapa pengajaran praktikal:

3.1. Jangan hanya "guna AI" – bina strategi IP AI

Banyak institusi kewangan di Malaysia sudah guna AI untuk:

  • Fraud detection kad kredit
  • Credit scoring automatik untuk pinjaman peribadi dan BNPL
  • Chatbot asas untuk khidmat pelanggan

Masalahnya, kebanyakan solusi ini:

  • Dibeli sebagai produk vendor
  • Tanpa pelan jelas untuk harta intelek dalaman

Langkah praktikal:

  1. Audit penggunaan AI semasa – mana yang 100% vendor-driven, mana yang ada potensi IP dalaman
  2. Kenal pasti “niche” lokal untuk inovasi AI:
    • Skor kredit untuk pekerja gig Grab/Foodpanda
    • Model risiko khas untuk pembiayaan SME halal atau pertanian
    • Model fraud bersandarkan corak transaksi FPX atau DuitNow tempatan
  3. Bina garis panduan IP bersama pasukan undang-undang dan teknologi:
    • Bila perlu cuba failkan paten, bila cukup dengan rahsia perdagangan
    • Bagaimana hak IP dikongsi jika bekerjasama dengan fintech atau vendor

3.2. Fokus kepada GenAI untuk khidmat pelanggan dan pematuhan

Data Evident menunjukkan GenAI semakin meningkat, dari 6% ke 17% paten AI perbankan pada 2023, dan trend itu berterusan hingga 2025.

Di Malaysia, dua bidang paling sesuai untuk fokus GenAI dalam masa 12–24 bulan:

  1. Khidmat pelanggan omnichannel

    • Chatbot BM–Inggeris yang konsisten antara web, aplikasi dan media sosial
    • Knowledge assistant dalaman untuk staf cawangan dan contact centre
    • Respons pantas untuk soalan produk yang kompleks (contoh: struktur kadar faedah, syarat pembiayaan Islamik)

  2. RegTech & pematuhan

    • AI yang mengekstrak, meringkaskan dan membandingkan pekeliling BNM, garis panduan pengawalselia dan polisi dalaman
    • Alat penjana draf laporan pematuhan, yang kemudiannya disemak manusia

Saya cenderung berpendapat bank yang awal melatih model GenAI di atas dokumen dalaman dan polisi pematuhan sendiri akan mendapat kelebihan produktiviti yang sukar ditiru pesaing.

3.3. Mulakan dengan "use case" yang jelas impak dan boleh sukat

Kebanyakan projek AI gagal bukan kerana teknologi lemah, tetapi kerana use case kabur.

Beberapa use case yang realistik untuk pasaran Malaysia:

  • Bank runcit

    • Pengurangan masa pemprosesan pinjaman peribadi daripada 3 hari kepada kurang 3 jam menggunakan skor kredit AI + eKYC
    • Chatbot yang menyelesaikan 40–60% pertanyaan asas tanpa eskalasi kepada agen manusia

  • Bank perusahaan & SME

    • Model penilaian risiko untuk pembiayaan SME yang gunakan data alternatif (POS, data invois, transaksi e-dompet)

  • Insurans / Takaful

    • AI untuk mengklasifikasikan dan memeriksa tuntutan asas secara automatik
    • Chatbot yang menerangkan perlindungan polisi dengan cara mudah difahami

  • Fintech

    • Model anti-fraud untuk BNPL dan dompet elektronik yang menggabungkan data peranti, lokasi dan corak perbelanjaan

Setiap projek mesti ada metrik jelas: masa pemprosesan, kadar fraud, NPS pelanggan, kos per panggilan, dan sebagainya.

4. Risiko, tadbir urus dan peranan pengawal selia

Apabila AI menjadi lebih kuat dan lebih autonomi, tadbir urus bukan aksesori – ia asas kelangsungan perniagaan.

Beberapa isu yang sering saya nampak terabai:

a) Risiko model dan bias

  • Skor kredit AI boleh cenderung terhadap kumpulan tertentu jika data sejarah berat sebelah
  • Model fraud mungkin menyekat transaksi sah jika tak diuji dengan baik pada konteks lokal

Bank di Malaysia perlu:

  • Laksana model risk management framework yang jelas
  • Adakan proses model validation bebas, bukan 100% dikawal pasukan pembangunan

b) Privasi data dan keselamatan

Bila GenAI mula gunakan data pelanggan:

  • Adakah data dikenalpasti semula (re-identified)?
  • Di mana model dan data dilatih – on-premise, cloud dalam negara, atau luar negara?

Ini beri kesan kepada kepercayaan pelanggan dan pematuhan peraturan data.

c) Kerjasama dengan pengawal selia

Di Malaysia, BNM dan pengawal selia lain semakin aktif mengeluarkan garis panduan berkaitan:

  • Penggunaan teknologi digital dalam kewangan
  • Pengurusan risiko operasi dan siber

Pemain kewangan yang bijak akan melibatkan pengawal selia awal dalam projek AI berimpak tinggi, bukan hanya menghantar laporan selepas sistem dilancar.

5. Langkah seterusnya: daripada "tunggu dan lihat" kepada "rancang dan bina"

Tiga fakta utama daripada laporan Evident patut jadi pemangkin untuk kita di Malaysia pada Disember 2025 ini:

  1. AI perbankan sudah berada di fasa IP dan skala, bukan lagi POC kecil-kecilan.
  2. Tiga bank AS menguasai 75% paten AI bank global, dan lebih 85% datang dari AS.
  3. GenAI dan agentic AI bergerak pantas ke arah produksi, bukan lagi sekadar demo.

Bagi bank, insurans dan fintech di Malaysia, masa 12–24 bulan akan datang perlu digunakan untuk:

  • Menetapkan strategi AI & data peringkat lembaga pengarah
  • Mengenal pasti 3–5 use case utama dengan ROI jelas
  • Membina pasukan AI dalaman yang mampu bekerjasama dengan vendor, bukan sekadar bergantung kepada mereka
  • Menyusun kerangka tadbir urus, risiko dan IP yang jelas

Ada dua jenis institusi kewangan menjelang 2030:

  1. Yang mengawal teknologi AI teras mereka sendiri dan menggunakan vendor secara strategik
  2. Yang bergantung sepenuhnya kepada vendor dan pesaing global untuk inovasi

Soalan utamanya: anda mahu berada di kumpulan yang mana?

Soalan untuk organisasi anda

Sebagai penutup, beberapa soalan yang wajar dibawa ke mesyuarat seterusnya:

  • Di mana AI paling banyak digunakan dalam organisasi kita hari ini – dan adakah ia benar-benar kritikal kepada model perniagaan?
  • Apakah 1–2 bidang di mana kita boleh membina IP AI tersendiri yang berasaskan konteks Malaysia?
  • Adakah kita mempunyai rangka kerja tadbir urus dan risiko AI yang jelas, atau setakat polisi teknologi umum?
  • Bagaimana kita mahu menggunakan GenAI dalam 12 bulan akan datang – khususnya untuk khidmat pelanggan dan pematuhan?

Jawapan jujur kepada soalan-soalan ini akan menentukan sama ada kita mengejar gergasi AI perbankan… atau sekadar mengikut dari jauh.