Bank-bank Malaysia sedang membuktikan AI-first boleh jadi realiti. Dari fraud, PFM hingga voice AI, ini cara praktikal capai ROI AI dalam perkhidmatan kewangan.
Bank AI-First di Malaysia: Dari Slogan ke Realiti
Lebih 95% projek GenAI di bank seluruh dunia gagal melangkah fasa pilot, menurut kajian MIT. Tetapi di Malaysia, beberapa bank — dari pemain digital baharu hingga bank tradisional — sudah pun menunjukkan hasil yang boleh diukur, bukan sekadar ‘proof of concept’ di slaid PowerPoint.
Ini bukan kebetulan. CxO perbankan di Malaysia yang berkumpul dalam satu sesi roundtable baru-baru ini sebenarnya sedang menjawab satu soalan besar: apa maknanya bank AI-first dalam praktik harian, bukan dalam visi korporat semata-mata?
Untuk anda yang berada dalam bank, insurans atau fintech, perbincangan ini sangat rapat dengan realiti kerja: bajet yang terhad, tekanan fraud yang meningkat, pelanggan yang makin cerewet, dan lembaga pengarah yang mahukan ROI cepat untuk projek AI. Artikel ini mengurai bagaimana bank-bank di Malaysia sedang:
- memilih use case AI yang betul
- mengurus risiko fraud dan keselamatan
- menggabungkan AI di front-end dan back-end
- mengukur impak bisnes secara konkrit
Dan yang paling penting, apa yang anda boleh tiru dan sesuaikan untuk organisasi sendiri pada 2025/2026.
1. Rahsia Bank AI-First: Fokus Masalah, Bukan Teknologi
Bank AI-first bukan bermula dengan “kita nak guna GenAI”, tetapi dengan “masalah apa kita nak selesaikan, minggu ini dan bulan ini?”. Itu inti utama pendekatan Ryt Bank.
Elak ‘scope terlalu besar’
CTO Ryt Bank, Nic Ngoo, mengaku satu kesilapan awal mereka ialah cenderung untuk “berfikir terlalu besar” ketika menyentuh teknologi baharu.
“Kuncinya ialah sangat spesifik tentang masalah yang diselesaikan dan bagaimana kita pecahkan kepada fasa dan use case berbeza.”
Prinsip ini sangat praktikal untuk mana-mana pasukan transformasi digital:
- Jangan mulakan dengan visi 100 use case AI.
- Pilih 1–3 masalah yang:
- kekerapan tinggi (setiap hari / setiap minggu)
- ada data yang cukup
- ada pemilik proses yang jelas
- Bina fasa: pilot kecil → perluasan use case → integrasi meluas.
Antara muka bahasa semula jadi: lompat jauh ke hadapan
Ryt Bank memilih satu taruhan berani: mengganti UI tradisional dengan antaramuka bahasa semula jadi.
CPO mereka, Chee Mun Foong, menyatakan bahawa buat pertama kali, pelanggan boleh “bercakap” dengan bank menggunakan bahasa harian, bukan bahasa menu dan butang.
Secara praktikal, ini bermaksud:
- pelanggan taip arahan seperti, “tolong asingkan RM500 setiap bulan untuk simpanan umrah”;
- sistem AI menukarkannya kepada arahan transaksi, tetapan auto-debit, dan sasaran simpanan;
- UI menjadi lebih seperti WhatsApp, kurang seperti net banking versi lama.
Pendekatan ini sangat relevan di Malaysia yang berbilang bahasa. Bank yang serius tentang AI-first perlu mula memikirkan:
- sokongan BM, Inggeris, dan mungkin campuran (Manglish / rojak);
- memahami niat (intent) walaupun struktur ayat tidak formal;
- reka bentuk journey pelanggan yang tidak lagi linear (tidak semestinya menu → pilih produk → isi borang).
Ryt Bank juga menyedari satu lagi realiti penting: perubahan tingkah laku manusia berlaku berperingkat. Sebab itu mereka ‘gate’ pelepasan ciri AI, bukan lancar besar-besaran dalam satu malam. Ini pendekatan yang jauh lebih selamat dari sudut risiko dan kawal persepsi pelanggan.
2. Krisis Fraud: AI Bukan Pilihan, Ia Keperluan Asas
Jika ada satu kawasan di mana bank Malaysia tak boleh lagi bertangguh, jawapannya ialah fraud dan keselamatan. Serangan semakin sofistikated, dan pihak lawan juga sudah guna AI.
CEO OneConnect Financial Technology, Matthew Chen, mengingatkan:
“Orang menyerang sepanjang masa, dan mereka ada AI yang sangat hebat.”
Satu poin penting yang beliau tekankan ialah kolaborasi:
- kerjasama dengan agensi keselamatan awam dan pihak berkuasa;
- integrasi dengan telco untuk kesan SMS/voice spoofing;
- perkongsian intel ancaman serantau.
Apa yang praktikal untuk bank di Malaysia lakukan sekarang?
Untuk pasukan risiko dan fraud di bank atau fintech, tiga langkah ini biasanya memberi impak cepat:
-
Implementasi sistem pemarkahan fraud berasaskan AI/ML
Bukan sekadar rule-based, tetapi model yang belajar daripada corak transaksi, lokasi, peranti dan tingkah laku pelanggan. -
Pantau secara real-time, bukan batch
Lagi lama ‘window’ pengesanan, lagi besar potensi kerugian dan reputasi tercalar. -
Saluran komunikasi pelanggan yang pantas dan jelas
Notifikasi segera, saluran mudah untuk sahkan transaksi, dan kempen kesedaran yang konsisten.
Di sinilah pemain seperti OneConnect bermain peranan: menyediakan enjin fraud AI yang sudah “diasah” oleh data serantau, lalu bank tidak perlu bermula dari kosong.
3. Front-End vs Back-End: Di Mana Bank Patut Mula?
Perdebatan klasik dalam projek AI: patut mula di bahagian depan pelanggan (chatbot, app, voice bot), atau di belakang tabir (proses dalaman, pemprosesan pinjaman, operasi cawangan)? Jawapan jujur: kedua-dua penting, tetapi keutamaan bergantung pada strategi bank dan bajet.
Gelombang seterusnya: pengalaman multimodal
GXBank, melalui CEO Kaushik Chowdhury, percaya fasa seterusnya perbankan pengguna akan multimodal:
- teks + suara + imej + mungkin video ringkas;
- pelanggan boleh hantar gambar bil, slip gaji, atau penyata dan AI memproses secara automatik;
- interaksi lebih natural, bukan lagi borang kaku.
Ini sejajar dengan trend global dan tingkah laku pengguna Malaysia yang sudah biasa dengan voice note dan penggunaan gambar di aplikasi chat.
Fokus Hong Leong Bank: kelajuan dan ‘phygital’
Sebaliknya, Hong Leong Bank (HLB) melalui William Streitberg menekankan sudut pandang berbeza:
“Ya, interface penting, tetapi turnaround time jauh lebih penting kepada pelanggan.”
HLB mengambil pendekatan phygital — gabungan fizikal + digital — di mana AI digunakan untuk:
- mempercepatkan pemprosesan permohonan di back-end;
- membantu staf cawangan dengan cadangan produk dan ‘next best action’;
- menambah baik kualiti sentuhan manusia, bukan menggantikannya sepenuhnya.
Bagi bank yang masih mempunyai rangkaian cawangan besar di Malaysia, pendekatan seperti ini sangat praktikal: gunakan AI untuk jadikan staf lebih cekap dan yakin, bukan terus memaksa pelanggan berhijrah ke digital sepenuhnya.
4. Contoh Nyata ROI AI: Kisah AEON Bank dan Boost
Ramai pengurus projek AI tersekat pada soalan mudah: “Di mana ROI kita?” AEON Bank dan Boost memberikan jawapan yang cukup konkrit.
AEON Bank: AI untuk literasi kewangan dan ‘engagement’ harian
AEON Bank memilih satu use case yang sangat fokus: Personal Financial Management (PFM). Mereka membina model machine learning untuk bajet, kemudian menaik tarafnya dengan komponen GenAI menjadi ciri Financial Insights.
Apa yang berlaku di belakang tabir:
- AI menganalisis corak perbelanjaan mingguan dan bulanan pelanggan;
- model menjana mesej peribadi yang relevan, contoh: amaran perbelanjaan luar kebiasaan, cadangan simpanan, atau peringatan bil;
- mesej ini ditulis sepenuhnya oleh model, tetapi digubal dalam nada yang mesra dan mudah faham.
Hasilnya?
- Sebelum ciri Financial Insights, lebih 60% pelanggan aktif buka app 1–2 kali seminggu.
- Selepas pelancaran, kumpulan sama log masuk 6–7 kali seminggu, hampir setiap hari.
- Bagi pengguna yang benar-benar menggunakan ciri Financial Insights, kadar penggunaan app berganda.
Ini contoh jelas bagaimana AI dalam perbankan runcit boleh memacu engagement harian, bukan sekadar aktiviti transaksi sekali-sekala. Untuk produk insurans dan fintech, konsep yang sama boleh diaplikasikan pada:
- saranan perlindungan yang lebih sesuai dengan profil risiko;
- peringatan premium dan klaim yang lebih pintar;
- panduan kewangan mikro untuk pelanggan B40 dan gig workers.
Boost: AI untuk khidmat pelanggan, jualan, dan scoring
Boost memulakan AI dengan chatbot yang berjaya menyelesaikan 70% tiket khidmat pelanggan, mengurangkan tekanan kepada pasukan Customer Excellence.
Mereka kemudian menambah agen suara AI untuk proses pinjaman:
- pelanggan memohon pinjaman;
- AI menelefon untuk sahkan butiran, jelaskan keperluan, dan pra-kelayakan;
- hanya prospek berkualiti tinggi dihantar kepada pasukan business development.
Model operasi yang lahir daripada ini sangat menarik:
- marketing jana lead,
- AI tapis dan perkemas kualiti,
- manusia tutup jualan.
Di belakang tabir, Boost juga menggunakan AI untuk:
- pengoptimuman kempen pemasaran;
- coding dan sokongan pembangunan teknologi;
- pengurusan risiko teknologi dan kawalan fraud;
- pemarkahan kredit untuk mikro-pembiayaan digital.
Bagi mana-mana fintech atau bank digital, ini peta jalan yang sangat boleh diadaptasi: mulakan dengan chatbot + scoring, kemudian perluas ke voice AI dan automasi proses dalaman.
5. 12 Bulan Akan Datang: Apa Yang Patut Bank dan Insurans Rancang?
Dari perbincangan CxO, jelas bahawa sektor kewangan Malaysia sedang bergerak pada arah yang hampir sama, walaupun kadar dan keberanian berbeza.
Beberapa trend 12 bulan akan datang yang sangat relevan untuk perbankan, insurans dan fintech:
-
AI sebagai ‘co-pilot’ pekerja
- ejen insurans mendapat cadangan skrip dan produk masa nyata;
- pegawai kredit dibantu AI untuk semak dokumen dan risiko;
- staf cawangan bank dibekalkan pandangan pelanggan 360° yang digerakkan AI.
-
Agentic AI dalam automasi proses
CIMB, misalnya, bergerak ke arah AI ber-agent yang tertanam dalam workflow automation dan menggalakkan staf membina chatbot sendiri melalui inisiatif dalaman seperti ‘promathon’. -
Peningkatan pelaburan dalam fraud & compliance AI
- pemantauan AML berasaskan AI;
- pengesahan identiti digital yang lebih pintar;
- integrasi data rentas institusi untuk kurangkan ‘silo’.
-
Eksperimen yang lebih berani di antaramuka pelanggan
- app perbankan dan insurans yang lebih conversational;
- ciri kewangan peribadi yang kontekstual;
- penggunaan suara dan multimodal sebagai ciri utama, bukan aksesori.
Realitinya, bank yang tidak bergerak akan ketinggalan, bukan hanya dari segi pengalaman pelanggan, tetapi juga kos operasi dan risiko fraud.
Penutup: Jalan Praktikal ke Arah AI-First untuk Organisasi Anda
Perbincangan CxO perbankan Malaysia menunjukkan satu perkara yang jelas: AI-first bukan slogan pemasaran, tetapi siri keputusan kecil yang konsisten — memilih masalah yang betul, membina use case yang fokus, mengukur hasil dengan jujur, dan berani mengubah cara kerja.
Jika anda berada dalam bank, syarikat insurans atau fintech, beberapa langkah praktikal untuk 3–6 bulan akan datang:
- Pilih 1–2 use case teras yang bersilang antara impak pelanggan + data sedia ada + pemilik jelas.
- Bentuk pasukan kecil rentas fungsi (bisnes, IT, risiko, data) dengan mandat jelas dan tempoh masa ketat.
- Tentukan metrik kejayaan sejak awal: frekuensi log masuk, masa proses pinjaman, kadar fraud, NPS, atau kos per tiket support.
- Rancang pengembangan secara fasa: pilot kecil → perluasan → integrasi menyeluruh.
Siri “AI in Financial Services (Banks, Insurance, Fintech)” pada asasnya berkongsi satu mesej: AI sudah menjadi tulang belakang kelebihan kompetitif dalam sektor kewangan Malaysia. Soalannya bukan lagi “patut guna AI atau tidak”, tetapi “bahagian mana yang anda mahu lihat hasil terlebih dahulu?”.
Bank dan fintech yang paling berjaya dalam dua hingga tiga tahun akan datang ialah mereka yang berani bereksperimen sekarang, belajar cepat daripada kesilapan, dan menjadikan AI rakan kongsi strategik — bukan projek sampingan.