Bagaimana BNY Tingkatkan ‘IQ’ AI – Peta Jalan Untuk Bank Malaysia

Bagaimana BNY Tingkatkan ‘IQ’ AI – Peta Jalan Untuk Bank Malaysia

Pada hujung 2025, BNY (Bank of New York Mellon) melaporkan hampir 100% kakitangannya sudah terlatih AI dan lebih 110 penyelesaian AI beroperasi di seluruh organisasi. Itu bukan projek rintis. Itu cara bank global mengurus operasi harian.

Ini terus disambung dengan langkah baharu: menggabungkan platform AI perusahaan mereka, Eliza, dengan model agentic Gemini di Google Cloud. Hasilnya: pekerja boleh bina ejen AI sendiri untuk menganalisis laporan kewangan tebal, data pasaran dan tren sejarah, kemudian meringkaskan semuanya kepada insight yang boleh diguna dalam beberapa minit.

Untuk bank, insurans dan fintech di Malaysia yang tengah merancang bajet 2026, kisah BNY ini bukan sekadar berita teknologi. Ia sebenarnya blueprint: bagaimana sebuah institusi kewangan besar menggunakan AI perusahaan + cloud untuk memecut transformasi, tanpa hilang kawalan terhadap risiko dan pematuhan.

Artikel ini kupas:

• Apa sebenarnya BNY buat dengan Eliza + Google Cloud
• Kenapa model agentic dan AI perusahaan penting untuk bank Malaysia
• Di mana peluang praktikal untuk kegunaan seperti pemarkahan kredit, pengesanan penipuan, risiko dan compliance
• Kerangka langkah demi langkah yang realistik untuk pasukan anda bermula

---

Apa Yang BNY Buat: AI Untuk Semua, Bukan Hanya Untuk Data Scientist

Inti cerita BNY mudah: AI tidak tinggal dalam lab, AI duduk di setiap meja kerja.

BNY membangunkan Eliza sebagai platform AI perusahaan, kemudian:

• Integrasi dengan Google Cloud Gemini Enterprise (model agentic multimodal)
• Benarkan kakitangan bina ejen AI untuk tugas-tugas khusus
• Sambungkan ejen ini kepada pelbagai sumber data dalaman dan luaran

Hasilnya:

• Penganalisis boleh memproses dan mensintesis laporan kewangan yang panjang dalam beberapa minit
• Pasukan pasaran modal boleh tarik data sejarah, tren dan berita terkini untuk pandangan pasaran yang lebih mendalam
• Banyak tugas rutin berasaskan data di-automasi, supaya tenaga manusia fokus kepada keputusan bernilai tinggi

Sarthak Pattanaik, Chief Data & AI Officer BNY, merumuskan strategi mereka sebagai:

“AI untuk semua orang, di mana-mana dan untuk semua perkara.”

Inilah perbezaan besar dengan pendekatan tradisional di banyak bank: AI bukan satu aplikasi tunggal, tapi satu lapisan keupayaan merentasi organisasi.

---

Apa Itu AI Perusahaan & Model Agentic – Dan Kenapa Bank Perlu Ambil Peduli

AI perusahaan: dari pilot ke ‘platform’

Bagi sektor kewangan di Malaysia, istilah seperti chatbot AI atau fraud engine sudah biasa. Itu bagus, tapi ia selalunya titik-titik berasingan.

BNY buat sesuatu yang lain: mereka jadikan Eliza sebagai platform AI perusahaan tunggal yang:

• Sambungkan pelbagai use case (pembayaran, pematuhan, risiko, pasaran modal)
• Guna set kawalan keselamatan, pemodelan data, dan governance yang konsisten
• Boleh diakses oleh hampir semua kakitangan yang terlatih

Bagi bank Malaysia, ini penting kerana:

• Kos dan risiko lebih terkawal bila semua use case berada di atas platform yang sama
• Data pelanggan dan transaksi tidak bersepah di merata sistem percubaan
• Pemantauan model dan audit trail untuk regulator (BNM, SC, PIDM, dan lain-lain) jadi lebih kemas

Model agentic: dari ‘chatbot pintar’ ke ‘ejen kerja’

Gemini Enterprise di Google Cloud bukan sekadar model LLM yang pandai menjawab soalan. Ia menyokong konsep ejen AI (AI agents) yang boleh:

• Rancang langkah kerja sendiri
• Panggil API dan sistem lain
• Guna pelbagai sumber data
• Menyelesaikan tugasan hujung-ke-hujung, bukan hanya bagi cadangan

Contoh dalam konteks kewangan:

• Ejen AI risiko kredit yang: ambil data pelanggan, tarik laporan CCRIS dalaman, semak dokumen pendapatan, jalankan skor, dan hasilkan memo kredit pertama untuk pegawai bank semak
• Ejen AI pasaran yang: pantau berita, analisis laporan pasaran, bandingkan dengan portfolio pelanggan korporat dan cadangkan alert risiko

Jadi, bila BNY gabungkan Eliza dengan Gemini, mereka sebenarnya menaik taraf daripada AI yang jawab soalan kepada AI yang buat kerja bersama manusia.

---

5 Pelajaran Penting Untuk Bank, Insurans dan Fintech di Malaysia

BNY mungkin bank global, tapi prinsip yang mereka guna boleh diadaptasi oleh pemain Malaysia — besar atau kecil. Berikut lima pelajaran paling relevan.

1. Latih hampir semua orang, bukan hanya pasukan teknologi

BNY kata hampir 100% pekerja mereka sudah terlatih AI. Itu angka yang agresif, tapi rasional.

Untuk Malaysia:

• Bank yang serius tentang AI sepatutnya sasarkan >70% kakitangan barisan hadapan dan operasi mempunyai asas kompetensi AI dalam 12–24 bulan
• Latihan tak perlu teknikal mendalam, tetapi fokus kepada:
  • Cara guna alat AI perusahaan dalaman
  • Keselamatan data & kerahsiaan pelanggan
  • Cara menilai output AI (tidak ‘ikut bulat-bulat’)

Tanpa ini, anda akan dapat platform AI yang canggih tapi pengguna yang takut nak tekan butang.

2. Mulakan dengan tugas rutin yang berulang dan dokumen tebal

BNY guna Eliza + Gemini untuk:

• Proses laporan kewangan yang tebal
• Mensintesis data dan tren
• Meringkaskan insight untuk penganalisis

Untuk konteks Malaysia, beberapa sasaran mudah (low-hanging fruit):

• Kredit runcit & PKS: draf awal memo kredit, ekstrak maklumat utama daripada penyata bank, SSM, dokumen sokongan
• Pematuhan & AML: saringan dokumen KYC, ringkasan hasil pemantauan transaksi untuk semakan pegawai compliance
• Tuntutan insurans: semak laporan perubatan, laporan polis, dokumen sokongan dan hasilkan ringkasan kes

Kriteria mudah: kalau kakitangan anda habiskan >30% masa membaca dan menaip semula kandungan, itu calon kuat untuk ejen AI.

3. Cloud bukan pilihan sampingan, tetapi enjin AI utama

BNY sudah lama guna AI di Google Cloud, termasuk model Gemini dan Veo yang terkini. Ini sejajar dengan trend global:

• Model AI besar semakin banyak dihoskan dan dikemas kini di cloud
• Integrasi dengan sistem lain melalui API menjadi lebih mudah

Di Malaysia, kebanyakan pemain utama sudah pun ada jejak di cloud — sama ada untuk core banking moden, data lake atau sistem digital channels. Soalnya sekarang bukan lagi “nak guna cloud ke tidak?”, tapi:

• Data mana kekal on-prem, data mana boleh ke cloud?
• Bagaimana nak bina “AI fabric” yang meliputi kedua-duanya secara selamat?

BNY menunjukkan satu pendekatan praktikal:

• Kekalkan governance data dan polisi keselamatan di peringkat platform AI (Eliza)
• Guna cloud provider sebagai enjin pemprosesan dan model AI

4. Jangan pisahkan AI daripada strategi produk dan CX

BNY sebelum ini berkongsi tentang bagaimana AI digunakan untuk atasi fragmentasi customer experience (CX) dan bahkan bercadang memberi “email” sendiri kepada digital employees mereka.

Mesej tersirat yang ramai terlepas: AI bukan projek IT; ia strategi produk dan pengalaman pelanggan.

Untuk Malaysia:

• Bank runcit: AI perlu hadir dalam permohonan pinjaman digital, pengurusan akaun, cadangan simpanan & pelaburan
• Insurans: AI wajar mempercepat ‘straight-through processing’ tuntutan mudah dan underwriting polisi dalam talian
• Fintech: AI sepatutnya menjadi kelebihan kompetitif dalam kadar kelulusan, personalisasi dan pengesanan penipuan

Kalau AI anda hanya hidup dalam “projek dalaman” yang pelanggan tak rasa, sukar untuk justify bajet besar 2026.

5. Governance: kalau BNY boleh kawal, anda pun boleh

Banyak pasukan risiko di Malaysia masih ragu dengan AI besar di cloud: isu bias, hallucination, kerahsiaan data, audit trail.

Realitinya, BNY beroperasi di bawah pengawasan regulator yang sangat ketat di AS dan global. Kalau mereka mampu:

• Audit penggunaan AI
• Jejak keputusan model
• Kawal data sensitif secara granular

…maka bank dan insurans di Malaysia juga boleh, dengan syarat:

• Ada framework governance AI yang jelas (model risk, data governance, explainability)
• Ada platform tunggal (seperti Eliza) yang urus akses, logging dan pemantauan
• Libatkan fungsi risiko & pematuhan dari hari pertama, bukan di hujung projek

---

Di Mana AI Perusahaan Paling Bernilai Untuk Kewangan Malaysia

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, tiga kluster kegunaan sentiasa muncul. Kisah BNY menguatkan lagi betapa pentingnya tiga kluster ini dibina di atas platform AI perusahaan.

1. Pemarkahan kredit & penilaian risiko pintar

Ejen AI di atas platform seperti Eliza boleh:

• Baca dokumen pelanggan (penyata gaji, akaun bank, penyata cukai, dokumen SSM)
• Menggabungkan data tradisional dengan data alternatif (contoh: corak transaksi, data tingkah laku)
• Menjana skor risiko serta hujahan (rationale) dalam bahasa yang difahami pegawai kredit

Untuk bank Malaysia, ini boleh:

• Mempercepatkan masa kelulusan pinjaman PKS dan runcit
• Kurangkan ralat manual dan ‘inconsistency’ antara pegawai
• Menyediakan jejak audit yang lebih kemas untuk semakan dalaman dan regulator

2. Pengesanan penipuan dan AML yang lebih kontekstual

Model AI agentic boleh duduk di atas sistem pemantauan transaksi sedia ada untuk:

• Mengkontekstualkan alert yang dihasilkan oleh rule engine
• Menarik maklumat berkaitan (sejarah pelanggan, hubungan akaun, berita berkaitan pelanggan korporat)
• Menghasilkan ringkasan kes untuk pegawai AML buat keputusan lebih pantas

Bila digabungkan dengan model tradisional (rules + machine learning), AI perusahaan membantu pasukan fraud dan AML:

• Kurangkan false positive
• Fokus kepada kes berisiko tinggi
• Tingkatkan produktiviti penyiasat kes

3. Risiko pasaran, pelaburan & pengurusan kekayaan

Cara BNY guna Eliza untuk analisis laporan pasaran, data dan tren boleh dicerminkan di Malaysia untuk:

• Bank pelaburan: analisis pasaran bon dan ekuiti, serta impak berita makro kepada portfolio pelanggan institusi
• Pengurusan kekayaan: cadangan semula imbangan portfolio (rebalancing) berdasarkan profil risiko dan dinamika pasaran
• Takaful & insurans: pemodelan risiko pasaran dan kadar tuntutan untuk produk pelaburan berkaitan insurans

Kelebihan besar bila guna platform AI perusahaan:

• Semua output analisis boleh distandardkan formatnya
• Pematuhan dan risiko boleh pantau daripada satu tempat

---

Kerangka Praktikal: Dari ‘Terinspirasi’ ke ‘Tersusun’ Dalam 12–18 Bulan

Ramai eksekutif di bank dan insurans Malaysia suka contoh BNY, tapi buntu nak mula. Berikut kerangka ringkas yang saya lihat berkesan.

Fasa 1 (0–3 bulan): Asas & hala tuju

1. Kenal pasti pemilik AI perusahaan – biasanya CDO, CIO atau gabungan dengan CRO.
2. Tetapkan 3–5 objektif perniagaan utama:
   • Contoh: kurangkan masa pemprosesan pinjaman PKS 40%, percepat masa siasatan AML 30%.
3. Semak keupayaan cloud & data sedia ada:
   • Di mana data disimpan?
   • Apa sekatan regulator / polisi dalaman?

Fasa 2 (3–9 bulan): Platform & projek perintis

1. Pilih pendekatan platform:
   • Platform AI dalaman (seperti Eliza, dihoskan sendiri), atau
   • Kombinasi platform rakan teknologi + lapisan governance dalaman
2. Pilih 2–3 use case utama yang:
   • Jelas dari segi ROI
   • Melibatkan banyak tugas manual berulang
   • Tidak terlalu sensitif untuk fasa awal
3. Bangun ejen AI perintis dengan fokus kepada:
   • Produktiviti pekerja, bukan automasi penuh
   • Eksperimen dengan kumpulan pengguna kecil

Fasa 3 (9–18 bulan): Skala & latihan menyeluruh

1. Skalakan use case yang berjaya ke lebih ramai pengguna dan cawangan
2. Formaliskan program latihan AI untuk majoriti kakitangan:
   • Gaya BNY: “AI untuk semua orang”
3. Matangkan governance:
   • Proses kelulusan model
   • Audit trail dan dokumentasi
   • Polisi penggunaan AI untuk vendor dan rakan kongsi

BNY mengambil beberapa tahun untuk sampai ke tahap sekarang. Bank dan insurans di Malaysia boleh mempercepatkan kerana teknologi dan amalan terbaik sudah jauh lebih matang menjelang 2026.

---

Menjelang 2026: Soalan Besar Bukan Lagi “Patut Guna AI Ke Tidak?”

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, corak yang sama muncul berulang kali: institusi yang menang bukan semata-mata yang mula dulu, tetapi yang jadikan AI sebagai kapasiti organisasi, bukan projek berasingan.

BNY memberi contoh konkrit:

• Platform AI perusahaan (Eliza), bukan aplikasi tunggal
• Integrasi rapat dengan cloud AI (Google Cloud Gemini)
• Latihan hampir semua pekerja
• Kawalan risiko dan pematuhan yang seiring dengan inovasi

Bagi organisasi kewangan di Malaysia, soalan sebenar menjelang 2026 ialah:

• Platform AI perusahaan apa yang anda nak bina atau pilih?
• Rakan cloud mana yang paling selari dengan keperluan data dan pematuhan anda?
• Berapa ramai pekerja anda yang benar-benar boleh bekerjasama dengan ejen AI, bukan sekadar dengar nama AI dalam mesyuarat?

Kalau pasukan anda sedang memikirkan langkah seterusnya untuk pemarkahan kredit pintar, pengesanan penipuan, atau risiko pasaran, ini masa yang tepat untuk berbincang tentang platform AI perusahaan yang serius, bukan sekadar “nak buat chatbot apa tahun depan”.

Akhirnya, seperti yang dibuktikan BNY: masa depan bank bukan hanya pada model AI yang hebat, tetapi pada cara bank menggabungkan kepakaran manusia dengan ejen AI yang cekap. Soalnya — adakah organisasi anda bersedia menjadi BNY versi Malaysia?