AI & Strategi Rentas Sempadan Bank Malaysia 2026

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

Bank Malaysia sedang ditekan untuk memodenkan pembayaran rentas sempadan. Artikel ini tunjuk bagaimana AI boleh mengoptimumkan GTM, pematuhan dan kecairan menjelang 2026.

AI dalam perbankanpembayaran rentas sempadanstrategi go-to-marketpengurusan kecairanpematuhan dan risikofintech Malaysia
Share:

AI & Strategi Rentas Sempadan Bank Malaysia 2026

Satu perkara yang jelas sepanjang 2025: pelanggan korporat dan PKS di Malaysia dah tak sabar dengan bayaran rentas sempadan yang lambat, mahal dan susah dijangka. Mereka bandingkan pengalaman dengan super-app, fintech dan pemain global yang beri status real-time, kadar telus, dan sokongan 24/7.

Dalam masa yang sama, bank berdepan tekanan baharu – ISO 20022, kewajipan pematuhan yang makin kompleks, kebangkitan stablecoin, dan rantaian correspondent banking yang tak lagi efisien. Itulah latar belakang perbualan di Sibos 2025 yang disebut dalam kandungan Finextra: bank dipaksa menilai semula strategi go-to-market (GTM) rentas sempadan mereka, dengan tiga objektif utama – kos ke pasaran paling rendah, pengurusan kecairan yang lebih bijak, dan kelajuan serta automasi maksimum.

Untuk bank dan fintech Malaysia yang serius tentang pengembangan ASEAN dan global pada 2026, jawapannya bukan sekadar tambah saluran atau tukar sistem core. Jawapan yang makin jelas: gunakan AI sebagai enjin strategi rentas sempadan – dari pematuhan, pemodelan risiko, hinggalah analitik pasaran serantau.

Artikel ini menghuraikan bagaimana AI boleh membantu bank dan fintech Malaysia merombak strategi GTM rentas sempadan, selari dengan arah aliran global yang dibincang di Sibos – tapi dengan contoh, realiti dan peluang khusus rantau kita.

Kenapa Strategi GTM Rentas Sempadan Bank Terpaksa Berubah

Strategi rentas sempadan bank tradisional berasaskan rangkaian correspondent, proses manual, dan toleransi pelanggan terhadap SLA T+2 atau lebih. Corak ini dah tak relevan pada 2026.

Tiga pemacu utama perubahan:

  1. Obses terhadap kelajuan
    Seperti yang ditekankan oleh Arun Kini (Finastra), hampir semua inisiatif – regulasi baharu, kerjasama, outsourcing, stablecoin – berpusing pada satu objektif: laju. Pelanggan nak:

    • status bayaran real-time;
    • masa penyelesaian dalam minit, bukan hari;
    • kadar FX yang boleh dikunci serta-merta.

  2. Regulasi dan pematuhan yang tidak seragam
    Bank Malaysia yang hantar bayaran ke Eropah, Timur Tengah atau Afrika perlu:

    • patuhi keperluan data ISO 20022;
    • hadapi peraturan AML/CFT yang berbeza-beza;
    • selari dengan garis panduan BNM, MAS, dan pihak berkuasa lain.
      Tanpa automasi pintar, kos pematuhan naik, masa pemprosesan melambat – dan margin makin terhakis.

  3. Tekanan model perniagaan dan persaingan fintech
    Fintech rentas sempadan biasanya:

    • lebih pantas ke pasaran (time-to-market) dengan produk baharu;
    • guna AI dan cloud dari hari pertama;
    • fokus pada segmen niche (contoh: remitans pekerja, SME e-dagang).
      Kalau bank kekal dengan model lama, mereka jadi “infrastruktur belakang tabir” sambil nilai sebenar diraih pemain lain.

Di sinilah AI beri kelebihan: bukan sahaja sebagai alat teknologi, tapi sebagai asas cara bank membuat keputusan pasaran, mengurus risiko, dan merangka produk rentas sempadan.

Tiga Soalan Baharu Dalam GTM Rentas Sempadan – Dan Peranan AI

Dalam wawancara Finextra, bank yang ingin menaik taraf operasi rentas sempadan kini fokus pada tiga soalan utama. Untuk konteks Malaysia, ketiga-tiganya sangat kritikal – dan ketiga-tiganya boleh dijawab jauh lebih baik dengan AI.

1. Bagaimana ke pasaran dengan cara paling murah?

Jawapan ringkas: gunakan AI untuk mensimulasikan dan mengoptimumkan rangkaian rentas sempadan sebelum anda melabur.

Daripada:

  • menambah correspondent secara rawak;
  • menandatangani kerjasama tanpa data;
  • atau membina sendiri semua rails,

bank boleh guna model AI untuk:

  • Analitik kos hujung-ke-hujung – kira kos sebenar setiap laluan pembayaran (pembekal, FX, yuran rangkaian, kegagalan transaksi, reconciliation manual) berdasarkan data sejarah dan real-time.
  • Simulasi senario GTM – bandingkan:
    • laluan SWIFT tradisional vs laluan serantau (contoh DuitNow–PromptPay, projek masa depan ASEAN);
    • pakai stablecoin untuk segmen tertentu vs kekal fiat;
    • outsourcing ke payment hub global vs bangunkan hub sendiri.
  • Pengoptimuman harga produk – AI boleh cadang struktur harga dinamik (tiered pricing, bundled services, diskaun volum) mengikut profil dan corak transaksi pelanggan.

Untuk bank Malaysia yang mahu berkembang ke Indonesia, Vietnam dan Timur Tengah, AI boleh menjawab soalan praktikal seperti:

“Laluan mana paling murah untuk pembayaran runcit bawah RM10,000 ke Jakarta, dengan SLA < 1 jam dan kadar rejection < 0.5%?”

Itu bukan soalan yang boleh dijawab secara manual dengan tepat.

2. Bagaimana mengurus kecairan dengan lebih bijak?

Pengurusan kecairan rentas sempadan ialah permainan data dan ramalan – dan ini memang wilayah AI.

Cabaran biasa bank Malaysia:

  • perlu kekalkan baki nostro yang besar di beberapa mata wang;
  • corak aliran tunai masuk/keluar pelanggan sangat bermusim (contoh musim haji, kemuncak e-dagang, percutian hujung tahun);
  • peraturan kecairan berbeza mengikut negara.

Di sini, AI boleh:

  • Ramalan aliran tunai granular – model time series dan machine learning boleh meramal keperluan kecairan mengikut mata wang, negara, hari dan malah jam, berdasarkan sejarah transaksi dan pembolehubah makro.
  • Pengoptimuman baki nostro – algoritma boleh mencadangkan baki sasaran setiap akaun untuk kurangkan dana beku tapi kekal patuh keperluan kawal selia.
  • Pengesanan anomali kecairan – jika tiba-tiba keluar masuk aliran luar biasa (potensi fraud, sanctions evasion atau tekanan pasaran), sistem memberi amaran sebelum masalah menjadi insiden.

Dalam konteks stablecoin seperti yang disebut Arun Kini, AI juga boleh bantu menentukan bila patut guna stablecoin untuk pengurusan intraday liquidity bagi segmen tertentu, dan bila lebih sesuai guna saluran fiat konvensional – semuanya berdasarkan data risiko dan kos sebenar.

3. Bagaimana membina sistem pembayaran yang automatik dan pantas?

Sasaran sebenar bank: STP (straight-through processing) setinggi mungkin, dengan intervensi manusia minimum. AI ialah enjin di tengah-tengah.

Penggunaan AI dalam rantaian pemprosesan rentas sempadan termasuk:

  • Pembersihan dan pemetaan data (ISO 20022) – model NLP boleh:
    • membetulkan ralat input;
    • memetakan format lama ke ISO 20022;
    • mengisi medan yang hilang berdasarkan corak sejarah.
  • Screening AML/CTF pintar – bukannya guna rules statik sahaja, model AI boleh:
    • kurangkan false positive;
    • kesan corak structuring atau layering yang kompleks;
    • sesuaikan tahap risiko mengikut negara, rakan niaga dan jenis transaksi.
  • Pengesanan routing optimum secara automatik – pilih laluan terbaik untuk setiap transaksi (kos + masa + risiko) secara real-time.

Hasilnya: kadar STP meningkat, SLA semakin ketat boleh dipenuhi, dan kos operasi menurun. Itulah rasional kenapa pelaburan dalam payment hub moden – seperti yang dihujahkan oleh Finastra – semakin mudah dijustifikasikan bila digabung dengan AI.

Dari Frankfurt ke Kuala Lumpur: Apa Makna Semua Ini Untuk Bank Malaysia?

Realiti bank di Frankfurt atau London tak sama 100% dengan Malaysia. Tetapi tekanan asasnya sama: pelanggan makin mendesak, margin makin nipis, dan AI semakin matang.

Dalam konteks Malaysia dan ASEAN, ada beberapa dimensi tambahan:

1. Rantau yang sangat berpecah – peluang besar untuk AI

ASEAN mempunyai:

  • 10 negara dengan rejim peraturan berbeza;
  • tahap kematangan sistem pembayaran yang tidak sama rata;
  • pelbagai bahasa dan budaya perniagaan.

Di sinilah analitik pasaran serantau berasaskan AI jadi senjata GTM:

  • Mengenal pasti negara mana yang paling sesuai untuk pelancaran produk rentas sempadan pertama (contoh: SME e-dagang ke Thailand vs Vietnam) berdasarkan data volum, kos, risiko dan keperluan pelanggan.
  • Menentukan partnership configuration optimum – direct connection ke skim domestik, guna aggregator, atau kerjasama dengan fintech tempatan.
  • Meramal tindak balas harga dan tahap sensitiviti pelanggan di setiap pasaran.

2. Agenda pematuhan dan pengawasan yang semakin ketat

BNM, MAS dan pengawal selia lain di rantau ini semakin menekankan:

  • pemantauan AML/CFT berterusan;
  • tadbir urus model (termasuk model AI);
  • ketelusan dalam bayaran rentas sempadan.

Bank yang menggunakan AI dengan betul sebenarnya boleh berada di hadapan peraturan, contohnya:

  • AI-driven transaction monitoring yang menghasilkan laporan risiko merentas negara secara konsisten;
  • model yang boleh explainable kepada pengawal selia (XAI – explainable AI), bukan "black box" semata-mata;
  • stress test senario risiko geopolitik atau sekatan (sanctions) melalui simulasi data.

3. Persaingan: bank besar vs fintech vs Big Tech

Di Malaysia, bank-bank besar ada kelebihan: asas pelanggan, kepercayaan, modal. Tapi fintech dan Big Tech ada kelajuan dan budaya eksperimen.

Strategi yang saya lihat paling berkesan ialah:

  • gunakan AI untuk menghubungkan kekuatan lama dan peluang baru:
    • data transaksi yang kaya + model AI moden = insight mendalam segmen pelanggan;
    • jenama dipercayai + AI-powered UX = pengalaman digital yang pelanggan sanggup bayar.
  • pilih partnership bukannya buat semua sendiri – terutamanya dalam komponen teknikal seperti payment hub, screening engine dan platform data.

Rangka Praktikal: 6 Langkah Bank & Fintech Malaysia Boleh Ambil Sekarang

Untuk menjadikan AI sebagai tulang belakang strategi GTM rentas sempadan, bank tak perlu menunggu projek mega multi-tahun. Mulakan dengan langkah praktikal dan berfasa.

1. Tentukan segmen & use case utama

Fokus pada 1–2 segmen bernilai tinggi dulu, contohnya:

  • pembayaran pembekal untuk SME eksport-import;
  • remitans pekerja asing;
  • bayaran pendidikan dan perubatan ke luar negara.

Kemudian pilih use case AI awal, seperti:

  • ramalan aliran tunai untuk segmen itu;
  • routing optimisation bagi negara sasaran utama;
  • pemantauan AML risiko tinggi untuk laluan tertentu.

2. Kukuhkan asas data dan ISO 20022

Tak ada AI yang berguna tanpa data yang konsisten.

  • Pastikan migrasi ISO 20022 bukan sekadar compliance exercise, tapi peluang memperkayakan data pembayaran (structured remittance info, data pihak lawan, dsb.).
  • Bentuk data model seragam antara retail, wholesale dan saluran digital supaya model AI dapat pandangan hujung-ke-hujung.

3. Bina lapisan analitik risiko & pasaran serantau

Gunakan AI untuk:

  • memetakan corak aliran rentas sempadan semasa (negara asal/tujuan, segmen industri, saiz tiket, masa puncak);
  • mengukur risiko setiap laluan (AML, politik, operasi);
  • menjana pemeringkatan keutamaan pasaran untuk fasa GTM seterusnya.

4. Modernkan payment hub dengan komponen AI-native

Seperti yang ditegaskan oleh Finastra, pelaburan dalam payment hub adalah asas. Bezanya, untuk 2026 ke hadapan, hub itu perlu AI-native:

  • ada decision engine yang boleh di-train semula bila peraturan atau laluan baru muncul;
  • menyokong integrasi ke cloud dan API terbuka untuk kerjasama fintech;
  • mampu menjalankan model AI berhampiran real-time (contoh: untuk screening, routing, dan fraud detection).

5. Wujudkan tadbir urus AI & pematuhan sejak awal

Jangan tunggu pengawal selia bertanya.

  • Tubuhkan AI risk committee yang gabungkan fungsi risiko, pematuhan, IT dan perniagaan.
  • Rekod model lineage: siapa bangunkan, data apa digunakan, bila dikemas kini.
  • Pastikan keputusan kritikal (contoh penolakan transaksi risiko tinggi) ada override dan semakan manusia bila perlu.

6. Gunakan pendekatan eksperimen pantas

Bina sandbox dalaman:

  • pilih satu laluan rentas sempadan (contoh: Malaysia–Singapore);
  • gunakan AI untuk optimakan routing, pricing dan pengurusan kecairan;
  • ukur kesan dalam 3–6 bulan (masa penyelesaian, kos, kadar rejection);
  • baru diperluas ke laluan dan produk lain.

Bank yang menunggu semua faktor “sempurna” jarang menang. Bank yang test & learn – dengan pengurusan risiko yang baik – biasanya lebih pantas menguasai segmen sasaran.

2026: Tahun AI Menjadi Teras Strategi Rentas Sempadan

Kalau kita gabungkan mesej dari Sibos 2025 dengan realiti Malaysia sekarang, gambaran besarnya jelas:

  • Kelajuan bukan lagi kelebihan kompetitif – ia jadi keperluan asas.
  • Pematuhan bukan lagi kos semata-mata – dengan AI, ia boleh jadi sumber kelebihan (kurang false positive, pandangan risiko yang lebih tajam).
  • Pengembangan pasaran rentas sempadan bukan lagi “projek peringkat bandaraya” – dengan analitik AI yang tepat, ia boleh dirancang dan diuji secara modular.

Bagi bank dan fintech Malaysia yang serius dengan agenda "AI in Financial Services", strategi rentas sempadan ialah salah satu tempat terbaik untuk melihat impak terus ke P&L:

  • kos pemprosesan turun;
  • hasil fee & FX naik;
  • risiko dapat dikawal dengan lebih halus;
  • pengalaman pelanggan naik beberapa tahap.

Persoalan sebenar menjelang 2026 bukan lagi "perlu atau tidak gunakan AI dalam bayaran rentas sempadan", tetapi:

"Di bahagian mana dalam GTM rentas sempadan kita mahu AI beri kelebihan paling besar – hari ini, dalam 6 bulan, dan dalam 2 tahun akan datang?"

Bank dan fintech yang berani menjawab soalan itu dengan jujur, dan bergerak mengikut pelan yang jelas, akan jadi rujukan baharu dalam pasaran rentas sempadan ASEAN.