Bagaimana Bank Malaysia Membina Strategi AI-First

Bank AI-First di Malaysia: Dari Slogan ke Realiti

Menjelang hujung tahun 2025, satu fakta yang susah untuk diabaikan: lebih 95% projek perintis generative AI (GenAI) di peringkat global dilaporkan gagal. Dalam masa yang sama, bank-bank Malaysia mengumumkan bajet transformasi digital ratusan juta ringgit dan bercakap tentang “AI-first bank” di setiap forum industri.

Ramai umumkan visi, jauh lebih sedikit yang benar-benar menunjukkan hasil. Di sinilah perbincangan tertutup Malaysia Banking CxO Roundtable baru-baru ini jadi menarik: pemimpin dari GXBank, AEON Bank, Ryt Bank, Hong Leong Bank, CIMB dan Boost berkongsi secara terus-terang apa yang berkesan, apa yang gagal, dan apa yang mereka akan buat dalam 12 bulan akan datang.

Tulisan ini mengolah semula pandangan mereka – dan menambah analisis praktikal – untuk satu tujuan: membantu penggiat perbankan, insurans dan fintech di Malaysia membina strategi AI dalam perkhidmatan kewangan yang betul-betul menghasilkan impak, khususnya dalam pengesanan penipuan, credit scoring dan transformasi digital.

---

1. Realiti “AI-First Bank”: Fokus Kecil, Impak Besar

AI-first bukan bermaksud semua benda dalam bank mesti diganti AI serentak. Realiti yang muncul dari meja bulat itu agak tegas: bank yang maju dengan AI memilih sasaran kecil tetapi bernilai tinggi, dan melakukannya dengan amat fokus.

Pelajaran dari Ryt Bank: Jangan mula dengan impian terlalu besar

CTO Ryt Bank, Nic Ngoo, mengaku satu kesilapan awal mereka ialah cenderung untuk “berfikir terlalu besar” apabila berdepan teknologi baharu seperti LLM dan GenAI. Mereka cepat sedar, strategi yang lebih sihat ialah:

1. Definisikan masalah dengan jelas (contoh: “kurangkan masa pelanggan untuk buat transaksi tertentu”, bukan “jadikan app kami lebih pintar”).
2. Pecahkan kepada fasa kecil dan use case yang boleh diuji.
3. Gantung ego dan sanggup gugurkan fungsi AI yang tak terbukti menambah nilai.

Ini sangat relevan untuk mana-mana bank atau syarikat insurans yang sekarang sedang merancang bajet AI 2026. Kebanyakan projek gagal bukan sebab teknologi tak hebat, tapi sebab skop terlalu kabur dan besar.

Ryt Bank dan pertaruhan besar pada bahasa semula jadi

Chee Mun Foong, CPO Ryt Bank, berkongsi sudut lebih strategik: Ryt Bank dilahirkan pada saat LLM matang, jadi mereka ambil peluang once-in-a-lifetime ini untuk reka semula antara muka manusia-komputer.

Daripada menambah butang, menu dan skrin yang semakin rumit, mereka cuba pendekatan radikal:

Gunakan bahasa harian pelanggan sebagai “UI utama”.

Maksudnya, pelanggan boleh bercakap atau menaip dalam bahasa semula jadi – bukan tekan-tekan menu teknikal. Untuk pasaran Malaysia yang pelbagai bahasa (BM, Inggeris, Cina, Tamil, campuran rojak), ini sebenarnya edge yang sangat besar jika dibuat dengan baik.

Namun, Chee Mun juga tekankan satu perkara penting yang ramai lupa: tingkah laku manusia tidak berubah sepantas teknologi. Mereka terpaksa “gate” keluaran fungsi dan memantau cara pelanggan benar-benar guna ciri bahasa semula jadi ini, bukan hanya terpesona dengan demo dalaman.

Bagi pengurus produk atau ketua transformasi digital, mesejnya jelas:

• Jangan kejar “magik AI” semata-mata.
• Reka bentuk journey pelanggan secara progresif.
• Ukur dan baiki berdasarkan data penggunaan sebenar.

---

2. Krisis Penipuan: AI vs Penjenayah yang Juga Guna AI

Kalau ada satu bidang di mana AI dalam perbankan sudah jadi keperluan asas, bukan lagi pilihan, ia ialah pengesanan penipuan (fraud detection).

CEO OneConnect, Matthew Chen, mengingatkan bahawa ancaman di rantau ini sangat nyata. Berdasarkan statistik dalaman dan kerjasama serantau, lebih 65% threat actors dikenal pasti berasal dari blok tertentu (termasuk rangkaian penipu berbahasa Cina yang sangat terancang). Mereka ini bukan lagi “scammer kampung”. Mereka:

• Gunakan AI untuk tiru suara dan wajah (deepfake).
• Otomatikan serangan phishing skala besar.
• Uji kelemahan sistem secara berterusan, 24/7.

Mengapa AI fraud detection mesti dilihat sebagai ekosistem, bukan sekadar modul

Matthew tekankan bahawa model pertahanan lama – bergantung pada satu sistem pemantauan transaksi sahaja – sudah tak cukup. Bank yang serius tentang pengurusan risiko kini:

• Bekerjasama rapat dengan agensi kerajaan, syarikat telekom dan penyedia teknologi.
• Menggabungkan AI berasaskan peraturan (rule-based) dengan model pembelajaran mesin untuk mengesan corak baharu.
• Mewujudkan feedback loop cepat antara kes sebenar di lapangan dengan model AI supaya ia sentiasa dikemas kini.

Bagi CxO kewangan, ini membawa kepada satu kesimpulan praktikal: bajet AI untuk fraud tak boleh dilihat sebagai kos IT semata-mata. Ia adalah kos pertahanan perniagaan teras – sama seperti insurans siber atau pematuhan AML.

---

3. Antara Muka Baharu vs Enjin Belakang: Di Mana ROI AI Sebenarnya?

Soalan yang kerap timbul di bilik mesyuarat: patut mula dengan AI untuk front-end (chatbot, aplikasi pelanggan) atau back-end (proses dalaman, operasi)? Jawapan dari meja bulat ini agak seimbang – dan bergantung pada strategi setiap bank.

GXBank: Masa depan ialah multimodal

CEO GXBank, Kaushik Chowdhury, yakin fasa seterusnya untuk AI dalam perbankan digital akan bersifat multimodal – teks, suara, visual dan mungkin gerak isyarat digabungkan dalam satu pengalaman.

Bayangkan senario seperti ini untuk pelanggan Malaysia:

• Pelanggan ambil gambar bil utiliti, app faham dan cadangan bayaran automatik.
• Pelanggan bercakap campur BM-Inggeris, AI faham konteks dan terus cadangkan pelan simpanan atau pelan insurans.

Kaushik melihat aplikasi Ryt Bank sebagai antara contoh awal rasa “bank generasi seterusnya” tersebut, di mana bahasa semula jadi dan interaksi multimodal bukan lagi add-on, tetapi asas produk.

Hong Leong Bank: Keutamaan tetap pada kelajuan dan kualiti servis

Dari perspektif bank lebih matang, William Streitberg (CITO Hong Leong Bank) memberikan penegasan yang ramai terlupa:

Pelanggan akhirnya peduli dua perkara – masa tindak balas dan kualiti setiap sentuhan.

Interface cantik tak guna kalau:

• Permohonan pinjaman masih ambil masa berminggu.
• Isu kad ditelan mesin ATM lambat diselesaikan.

Sebab itu Hong Leong banyak gunakan AI di back-end:

• Otomasikan semakan dokumen.
• Bantu pegawai cawangan akses maklumat pelanggan dengan lebih cepat.
• Meningkatkan ketepatan credit scoring dan pemantauan risiko.

Mereka juga mengamalkan pendekatan “phygital” – gabungan fizikal dan digital. Bagi William, manusia masih komponen penting, dan AI sepatutnya memperkasakan staf barisan hadapan, bukan menggantikan semuanya.

Untuk pengurus operasi, mesejnya jelas: kalau nak ROI cepat, jangan hanya fikir chatbot. Lihat juga bagaimana AI boleh memendekkan masa pemprosesan, mengurangkan kesilapan manual dan menyokong compliance.

---

4. Kes AEON Bank & Boost: AI yang Betul-Betul Mengubah Tingkah Laku

Teori AI itu satu hal. Bukti “duit di meja” hal lain. Dua contoh Malaysia yang diketengahkan – AEON Bank dan Boost – tunjukkan bagaimana AI dalam kewangan runcit boleh mengubah tingkah laku pelanggan dan produktiviti dalaman.

AEON Bank: Dari PFM ke Financial Insights yang buat pelanggan buka app hampir setiap hari

AEON Bank bermula dengan mandat yang jelas untuk AI:

1. Meningkatkan literasi kewangan.
2. Mendalamkan inklusi kewangan.

Mereka pilih satu use case fokus: Personal Financial Management (PFM). Versi pertama hanyalah model machine learning yang membantu pelanggan bajet dan memantau corak perbelanjaan.

Daripada asas itu, mereka melancarkan fungsi Financial Insights – model ML yang sama, tetapi ditambah komponen GenAI yang menulis mesej peribadi kepada pelanggan:

• Bukan sekadar “anda belanja banyak minggu ini”.
• Tetapi mesej bernada lebih mesra dan kontekstual, contohnya menegur perbelanjaan di kategori tertentu dan mencadangkan pelarasan.

Kesan yang dikongsi CTO AEON Bank, Glen Cha, agak ketara:

• Sebelum pelancaran, >60% pelanggan aktif hanya buka app 1–2 kali seminggu.
• Selepas Financial Insights, kumpulan yang sama log masuk 6–7 kali seminggu – hampir setiap hari.
• Bagi pelanggan yang benar-benar kerap membaca insights, kekerapan penggunaan berganda.

Ini contoh jelas bagaimana AI dalam perbankan runcit boleh mengubah tingkah laku kewangan – dan pada masa sama meningkatkan engagement tanpa perlu belanja besar pada kempen pemasaran tradisional.

Boost: Chatbot, voice AI dan kitaran “marketing → AI → sales”

Boost pula menunjukkan bagaimana AI boleh memberi impak pada kedua-dua sisi: pelanggan dan pasukan dalaman.

Antara poin utama yang dikongsi CMO Boost, Diana Boo:

• Chatbot pertama mereka menyelesaikan kira-kira 70% tiket khidmat pelanggan, mengurangkan beban soalan biasa kepada pasukan customer excellence.
• Mereka baru melancarkan Ejen Jualan Suara AI – apabila pelanggan mohon pinjaman, AI yang akan menghubungi untuk semak butiran dan pra-saring keperluan.

Struktur alirannya ringkas tetapi berkuasa:

• Pemasaran jana prospek.
• AI menapis, mengesahkan dan memperkayakan data prospek.
• Pasukan business development hanya fokus kepada prospek yang benar-benar berkualiti.

Sebelum dapat lesen bank digital lagi, Boost sudah guna AI untuk credit scoring pinjaman mikro digital mereka. Ini beri mereka kelebihan asas – data sejarah yang kaya dan model risiko yang sudah teruji.

Bagi fintech atau syarikat insurans yang sedang fikirkan AI untuk skor kredit, underwriting atau lead qualification, model Boost ini sangat boleh ditiru:

• Mulakan dengan chatbot atau voicebot untuk saringan awal.
• Gabungkan dengan model risiko untuk cadangan had kredit / premium.
• Hantar hanya kes kompleks kepada manusia.

---

5. 12 Bulan Akan Datang: Apa Yang Bank Malaysia Akan Uji Dengan AI?

Walaupun pendekatan berbeza, arah keseluruhan sektor nampak selari: AI bukan lagi percubaan, tetapi komponen strategi perniagaan. Beberapa pola yang muncul daripada rundingan CxO:

a) Ryt Bank: Membangun hubungan pelanggan–AI dari hari pertama

Sebagai bank digital paling baharu, tahun pertama Ryt Bank memang tahun “set DNA”. Mereka nampak AI – khususnya ejen AI berasaskan bahasa semula jadi – sebagai rakan tetap dalam hubungan dengan pelanggan, bukan hanya fungsi tambahan.

Ini bermaksud:

• Pelanggan mungkin akan biasa berinteraksi dengan “ejen maya tetap” mereka.
• Banyak journey mungkin dirancang AI-first sejak awal (bukan retrofit sistem lama).

b) AEON Bank: Gandakan produk berasaskan AI yang sudah terbukti

Selepas nampak kesan positif Financial Insights, fokus AEON Bank tahun hadapan lebih konservatif tetapi bijak: kukuhkan dan luaskan apa yang sudah terbukti berkesan.

Jangkaan yang munasabah:

• Lebih banyak ciri “insight” untuk simpanan, pelaburan, dan mungkin insurans mikro.
• Segmentasi pelanggan lebih halus berdasarkan data PFM dan tingkah laku.

c) CIMB dan pemain besar lain: Agentic AI & workforce upskilling

Bagi kumpulan besar seperti CIMB, fasa seterusnya termasuk:

• Agentic AI yang disepadukan dalam automasi aliran kerja (contohnya sistem yang bukan sahaja jawab soalan staf, tetapi juga melaksanakan tugasan asas).
• Program penaikan kemahiran (contoh “promathon” yang mendedahkan ratusan pekerja kepada pembinaan chatbot dalaman dan penggunaan prompt secara produktif).

Ini selari dengan trend global: bank besar tak lagi hanya beli teknologi, tetapi fokus pada mengubah cara manusia bekerja dengan AI.

---

Apa Yang Patut Dibuat Oleh Bank, Insurer & Fintech Di Malaysia Sekarang?

Berpandukan cerita-cerita di atas, ada beberapa langkah praktikal yang saya sendiri akan cadangkan untuk mana-mana organisasi kewangan yang serius dengan AI dalam 6–12 bulan akan datang:

1. Pilih 2–3 use case dengan nilai perniagaan jelas.
   • Contoh: pengesanan penipuan kad, credit scoring untuk pinjaman mikro, chatbot tuntutan insurans.
2. Mulakan kecil, tetapi ukur dengan agresif.
   • Tetapkan KPI konkrit: pengurangan masa proses, kadar fraud yang ditolak, peningkatan log masuk app.
3. Jangan abaikan back-end.
   • Automasi semakan dokumen, pemprosesan tuntutan dan pelaporan compliance sering beri ROI lebih cepat daripada projek front-end yang glamor.
4. Libatkan manusia dari awal.
   • Latih staf, terangkan peranan AI sebagai pembantu, bukan ancaman. Bank yang berjaya biasanya ada “champion AI” dalaman merentas fungsi.
5. Fokus pada kepercayaan dan keselamatan data.
   • Untuk perbankan, insurans dan fintech, reputasi adalah aset utama. Pastikan tadbir urus data, privasi dan pematuhan diutamakan sewaktu mengguna pakai model AI, terutama GenAI.

Siri “AI in Financial Services (Banks, Insurance, Fintech)” wujud kerana satu sebab jelas: dalam beberapa tahun ke depan, jurang antara institusi yang pandai menggunakan AI dan yang tidak akan jadi sangat ketara – dari segi keuntungan, risiko, dan keupayaan menarik bakat.

Bank-bank Malaysia sudah menunjukkan arah: AI bukan lagi sekadar slogan “transformasi digital”. Ia sedang keluar dari bilik POC dan masuk ke produk sebenar, barisan hadapan, serta operasi harian.

Persoalannya sekarang bukan lagi sama ada anda akan guna AI, tetapi berapa pantas organisasi anda boleh menguji, belajar dan mengembangkan strategi AI yang benar-benar memberi kesan kepada pelanggan dan angka di penyata kewangan.