AI, Efisiensi & Empati dalam Pertikaian Pembayaran

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

AI dalam pertikaian pembayaran boleh tingkatkan efisiensi dan empati serentak. Inilah cara bank, insurans dan fintech di Malaysia boleh guna AI tanpa hilang kepercayaan.

AI perbankanpertikaian pembayaranfraud & scampengalaman pelangganagentic AIfintech Malaysia
Share:

AI, Efisiensi & Empati: Dilema Baharu Pertikaian Pembayaran Runcit

Pada tahun 2024, beberapa bank utama di Asia melaporkan pertumbuhan transaksi real-time payments melebihi 30%. Di Malaysia, DuitNow, FPX dan kad tanpa sentuh sudah jadi kebiasaan – semua benda mahu segera.

Masalahnya, bila pembayaran makin pantas, pertikaian transaksi dan kes penipuan juga naik dengan laju. Pelanggan marah bila duit “hilang”, bank pula tertekan dengan kos operasi dan tekanan pematuhan. Di sinilah AI mula masuk – bukan sekadar untuk mengesan fraud, tetapi untuk mengurus pertikaian pembayaran dari hujung ke hujung.

Artikel ini ambil inspirasi daripada webinar Finextra bersama Pega tentang “The ‘E’ Word: Balancing Efficiency and Empathy in Retail Payments Disputes with AI”, dan menterjemahkannya ke dalam konteks Malaysia: bagaimana bank, syarikat insurans dan fintech boleh guna AI untuk urus pertikaian dengan lebih efisien, tanpa mengorbankan empati dan kepercayaan pelanggan.

Kenapa Pertikaian Pembayaran Jadi Isu Strategik di Malaysia

Pertikaian pembayaran bukan sekadar isu operasi ‘belakang rumah’. Ia sudah jadi isu strategik yang terus mempengaruhi reputasi jenama, skor NPS, dan kadar churn pelanggan.

Di Malaysia, ada beberapa faktor yang menjadikan perkara ini makin kritikal:

  • Lonjakan pembayaran segera & digital – DuitNow, e-wallet, FPX, QR Pay: transaksi berlaku dalam saat, bukan hari.
  • Penipuan & scam makin kompleks – scam panggilan telefon, mesej palsu, spoofing laman web bank, semua tambah tekanan kepada pasukan fraud dan contact centre.
  • Jangkaan pelanggan yang tinggi – pelanggan sudah biasa dengan pengalaman segera di platform e-dagang; mereka jangka status pertikaian pun boleh diikuti sama mudah.
  • Tegasan kawal selia & perlindungan pengguna – walaupun rangka kerja Malaysia berbeza dengan UK, US atau Kanada, trend global jelas: tanggungjawab kepada pengguna makin berat, bukan makin longgar.

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)”, pertikaian pembayaran ini ialah salah satu use case paling praktikal untuk AI: volum tinggi, proses berulang, banyak dokumen, banyak interaksi manusia – tetapi perlu kekal telus dan berperikemanusiaan.

"Efisiensi vs Empati" – Salah Soalan Untuk Ditanya

Kebanyakan institusi kewangan buat silap awal di sini. Mereka anggap perlu memilih sama ada:

  • fokus kepada efisiensi: automasi maksimum, kos minimum, SLA pantas; ataupun
  • fokus kepada empati: masa lebih lama dengan pelanggan, interaksi manusia, budi bicara.

Realitinya, kedua-dua ini bukan musuh. AI yang direka dengan betul sebenarnya boleh:

  1. Urutkan & selesaikan kes mudah secara automatik,
  2. Bebaskan masa staf manusia untuk fokus kepada kes kompleks dan emosi tinggi,
  3. Dan pada masa yang sama, berikan pelanggan kawalan dan kejelasan sepanjang proses.

AI yang matang dalam pertikaian pembayaran bukan hanya “melajukan” proses, tapi mencipta pengalaman yang lebih manusiawi walaupun di belakang tabir ialah mesin.

Jadi soalan yang betul untuk bank dan fintech di Malaysia bukan “efisiensi atau empati?”, tetapi:

“Bagaimana kita reka AI yang efisien dan empatik pada masa yang sama?”

Apa Yang Dunia Luar Sedang Buat – dan Pengajaran untuk Malaysia

Dalam webinar Finextra–Pega, tiga pasaran utama sering dibandingkan: UK, US dan Kanada. Walaupun regulasi Malaysia berbeza, arah pergerakannya serupa.

1. UK: Fokus kuat pada perlindungan pengguna

  • Penguatkuasaan oleh FCA (Financial Conduct Authority) menekankan Consumer Duty – bank perlu buktikan pelanggan dilayan dengan adil dan telus.
  • Peraturan lebih ketat tentang liabiliti fraud dan safeguarding wang pelanggan.

Pengajaran untuk Malaysia:

  • Rekodkan rasional keputusan AI dalam pertikaian. Jika pelanggan merayu atau pengawal selia bertanya, bank boleh jelaskan logik di sebalik keputusan.
  • Reka journey yang jelas: bagaimana pelanggan lapor pertikaian, apa langkah seterusnya, bila mereka dapat keputusan. Ketelusan mengurangkan tekanan dan aduan.

2. US: Litigasi & tekanan undang-undang

  • Peningkatan saman dan desakan rangka kerja persekutuan untuk memindahkan lebih banyak liabiliti fraud kepada institusi kewangan.
  • Penggubal dasar mempersoal sejauh mana pengguna patut menanggung kerugian akibat penipuan digital.

Pengajaran untuk Malaysia:

  • Bersedia dengan data & bukti: sistem pertikaian berasaskan AI mesti menyimpan jejak audit (audit trail) yang lengkap – interaksi, bukti transaksi, penilaian risiko.
  • AI boleh bantu standardkan keputusan supaya kurang variasi antara pegawai, mengurangkan risiko pertikaian undang-undang.

3. Kanada: Pendekatan lebih konservatif tapi berubah

  • Perubahan bertahap, tetapi dipacu tren global dan tekanan pelanggan.
  • Institusi bergerak ke arah platform pertikaian bersepadu, bukan sistem bertampal-tampal.

Pengajaran untuk Malaysia:

  • Jangan tunggu sehingga regulasi memaksa. Bank yang awal melabur dalam platform pertikaian bersepadu dipacu AI akan ada kelebihan daya saing dari segi kos dan pengalaman pelanggan.

Di Mana AI (Termasuk Agentic AI) Paling Masuk Akal Dalam Pertikaian

AI dalam pertikaian pembayaran bukan sekadar chatbot. Ekosistemnya luas, dari frontline hingga back office.

1. Saringan & triage kes secara automatik

Di sinilah bank boleh nampak ROI paling pantas.

  • AI menilai aduan masuk (melalui app, web atau call centre) dan mengklasifikasikan jenis kes: fraud, ‘friendly fraud’, pertikaian merchant, caj berganda, dan lain-lain.
  • Sistem menetapkan prioriti & routing: kes berisiko tinggi atau melibatkan warga emas, misalnya, boleh dihantar kepada pegawai yang lebih berpengalaman.

Hasilnya: masa respon awal dipendekkan daripada beberapa hari kepada beberapa minit, walaupun pegawai manusia masih yang membuat keputusan akhir dalam kes kritikal.

2. Pengumpulan bukti & dokumen

Daripada pelanggan diminta isi borang panjang yang kompleks, agentic AI boleh:

  • Bertanya soalan secara tersusun dalam aplikasi mudah alih,
  • Membantu pelanggan memuat naik resit, tangkap layar, atau laporan polis,
  • Menukar maklumat tak terstruktur (teks, gambar) kepada medan data terstruktur untuk dianalisis.

Bahagian ini selalunya menyumbang kepada kelewatan paling besar. Automasi bijak boleh memendekkan proses daripada hari kepada jam.

3. Analitik corak & pengesanan fraud mesra (friendly fraud)

Friendly fraud berlaku bila pelanggan buat pertikaian terhadap transaksi yang sebenarnya sah (contoh: ahli keluarga guna kad tanpa pengetahuan pemilik, atau pelanggan lupa mereka melanggan perkhidmatan berkala).

AI boleh:

  • Menganalisis sejarah transaksi dan tingkah laku pelanggan,
  • Kenalpasti corak biasa berbanding corak mencurigakan,
  • Beri cadangan awal: kemungkinan fraud sebenar vs salah faham.

Bank boleh gunakan cadangan ini sebagai input untuk staf membuat keputusan, bukan sebagai hakim mutlak.

4. Agentic AI sebagai “pembantu” pegawai pertikaian

Agentic AI merujuk kepada sistem yang bukan sahaja menjawab, tetapi bertindak dalam batasan tertentu.

Contohnya:

  • Menjana draf surat keputusan kepada pelanggan yang disemak manusia sebelum dihantar,
  • Mencadangkan langkah seterusnya: kredit sementara, permintaan maklumat tambahan, atau eskalasi kepada unit undang-undang,
  • Mengemaskini sistem teras dan CRM tanpa pegawai perlu klik terlalu banyak skrin.

Bila direka dengan kawal selia dan guardrails, agentic AI boleh mengurangkan kerja manual berulang sehingga 30–50%, sambil meningkatkan ketepatan dokumentasi.

Risiko Bila Terlalu Bergantung Kepada AI – dan Cara Mengawalnya

Saya tak setuju dengan pandangan bahawa “AI akan selesaikan semua masalah pertikaian pembayaran.” Ada tiga risiko utama jika institusi kewangan terlalu bergantung kepada automasi tanpa kawalan:

1. Bias sistemik dan ketidakadilan

Jika model dibina atas data sejarah yang sudah berat sebelah, AI mungkin:

  • Lebih cenderung menolak tuntutan daripada segmen tertentu,
  • Mengaitkan corak lokasi atau jenis pembelian dengan “risiko tinggi” secara tidak tepat.

Apa yang patut dibuat:

  • Lakukan ujian bias berkala,
  • Bina fungsi explainability – jelaskan faktor utama yang mempengaruhi keputusan,
  • Benarkan pegawai menyanggah (override) keputusan AI dengan alasan yang dirakam.

2. Kurang ketelusan kepada pelanggan

Jika pelanggan hanya terima mesej “tuntutan anda ditolak” tanpa penjelasan:

  • Kepercayaan rosak,
  • Pelanggan beralih ke media sosial atau Bank Negara untuk mengadu,
  • Kos reputasi meningkat jauh lebih besar daripada wang yang “diselamatkan”.

Apa yang patut dibuat:

  • Reka komunikasi yang jelas tentang kenapa sesuatu keputusan dibuat,
  • Tawarkan pilihan: cth. “Jika anda tak setuju, anda boleh buat rayuan dengan menambah maklumat berikut…”.

3. Hilang sentuhan manusia dalam situasi trauma

Kes scam yang melibatkan simpanan seumur hidup, atau pesara yang tertipu, bukan sekadar isu kewangan. Ia isu emosi.

AI boleh bantu di belakang tabir, tetapi manusia mesti kekal di hadapan dalam situasi begini.

Prinsip praktikal:

  • Tetapkan peraturan: mana-mana kes melebihi jumlah tertentu, atau melibatkan kategori berisiko (contoh: warga emas, akaun gaji), mesti menerima panggilan manusia, bukan hanya notifikasi automatik.
  • Latih pegawai dengan skrip empatik, sambil mereka disokong oleh cadangan AI di skrin.

Dari Sistem Silo ke Platform Pertikaian Bersepadu

Hampir setiap bank besar di Malaysia ada masalah sama: sistem berbilang generasi, data pelanggan berpecah antara kad kredit, perbankan runcit, perbankan digital, dan unit fraud.

Untuk pertikaian pembayaran, ini bencana kecil:

  • Maklumat lambat dikumpul,
  • Pelanggan perlu ulang cerita banyak kali,
  • Tiada satu paparan tunggal (single view) status kes.

Finextra dan Pega menekankan keperluan pendekatan bersepadu & interoperable. Dalam konteks Malaysia, ini boleh diterjemah kepada beberapa langkah praktikal:

1. Satukan data asas pertikaian di atas awan (cloud-native)

  • Bukan bermaksud menggantikan semua sistem teras sekaligus, tapi bina lapisan data pertikaian bersepadu yang menarik data daripada sistem sedia ada.
  • Data ini jadi “sumber tunggal kebenaran” untuk status kes, dokumen, kronologi, dan interaksi pelanggan.

2. Guna API terbuka antara unit fraud, compliance & khidmat pelanggan

  • Sistem fraud mungkin mengesan transaksi mencurigakan sebelum pelanggan sedar.
  • Apabila pelanggan hubungi bank, pegawai sudah nampak bendera risiko dan cadangan tindakan daripada modul fraud.

Ini bukan soal teknologi semata-mata; ia soal penjajaran matlamat antara unit dalaman yang sebelum ini bekerja secara silo.

3. Reka semula proses, bukan hanya “tampal AI” atas proses lama

Banyak projek AI gagal bukan kerana model lemah, tapi kerana proses asas tidak direka semula.

Pendekatan yang lebih berkesan:

  1. Peta semula journey pertikaian dari sudut pelanggan.
  2. Kenal pasti langkah yang paling menyakitkan (pain points).
  3. Tentukan: mana perlu AI, mana mesti kekal manusia, dan mana yang boleh dihapuskan terus.

Strategi Praktikal untuk Bank, Insurans & Fintech di Malaysia (6–12 Bulan)

Untuk institusi yang serius mahu bergerak sekarang, ini kerangka ringkas yang saya cadangkan:

  1. Pilih satu atau dua use case fokus

    • Contoh: pertikaian kad kredit runcit & pertikaian transaksi DuitNow.
    • Ukur volum, masa penyelesaian (TAT), dan NPS semasa.

  2. Bangunkan modul triage AI + pengumpulan dokumen

    • Chat/in-app assistant yang khusus untuk pertikaian, bukan chatbot generik.
    • Integrasi dengan sistem pengurusan dokumen dan CRM.

  3. Wujudkan “Control Tower Pertikaian”

    • Dashboard masa nyata yang menunjukkan status semua kes, SLA, dan bottleneck.
    • Data dari sini boleh meyakinkan pengurusan tertinggi tentang impak projek AI.

  4. Rancang rangka kerja tadbir urus AI (AI governance)

    • Polisi jelas tentang:
      • bila AI boleh buat keputusan automatik,
      • bila keputusan mesti disemak manusia,
      • bagaimana rayuan pelanggan dikendalikan.

  5. Latih pegawai barisan hadapan untuk bekerjasama dengan AI

    • Fokus kepada kemahiran empati, pengendalian pelanggan trauma, dan cara menggunakan cadangan AI tanpa menjadi “robot” kedua.

  6. Libatkan pengawal selia secara proaktif

    • Tunjuk bahawa projek AI pertikaian ini meningkatkan perlindungan pelanggan, bukan hanya menjimatkan kos.

Menjadikan AI Sebagai Asas Kepercayaan, Bukan Ancaman Kepercayaan

Untuk sektor kewangan Malaysia, AI dalam pertikaian pembayaran dan penipuan bukan lagi eksperimentasi; ia sudah jadi keperluan strategi. Institusi yang lambat berubah akan dilihat “ketinggalan dan tidak prihatin”, terutamanya bila kes scam makin banyak disebarkan di media sosial.

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)”, pertikaian pembayaran ialah tempat yang sangat jelas untuk membuktikan sesuatu:

AI boleh digunakan bukan hanya untuk mengurangkan kos, tetapi untuk membina semula kepercayaan dalam ekosistem pembayaran digital.

Bank, insurans dan fintech yang menang beberapa tahun akan datang ialah yang:

  • Berani automasi proses berulang,
  • Tegas mengekalkan empati dalam kes berisiko tinggi,
  • Dan bijak membina platform pertikaian bersepadu yang telus dan boleh diaudit.

Jika organisasi anda sedang merancang pelaburan AI untuk 2025/2026, jadikan pertikaian pembayaran runcit sebagai salah satu projek utama. Soalnya bukan lagi “patut atau tidak”, tetapi:

“Bagaimana kita mahu AI bertindak bagi pihak kita – sebagai mesin yang dingin, atau sebagai sambungan kepada nilai empati yang kita janji kepada pelanggan?”