ChatGPT & Masa Depan AI Kewangan di Malaysia

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

Bagaimana ChatGPT dan AI generatif sedang mengubah perkhidmatan pelanggan, pengesanan fraud dan automasi dalam sektor kewangan Malaysia pada 2025.

ChatGPTAI kewanganperbankan Malaysiafintechinsuranschatbot pelangganpengesanan fraud
Share:

ChatGPT & AI Kewangan: Apa Sebenarnya Sedang Berubah?

Dalam dua tahun kebelakangan ini, satu angka yang banyak orang terlepas pandang: lebih 60% pertanyaan pelanggan di bank besar dunia kini sudah dilayan oleh chatbot atau sistem automasi, bukan manusia di kaunter atau call center. Di Malaysia, trendnya sama — cuma nama yang selalu kita dengar di belakang tabir ialah ChatGPT dan model generatif lain.

Ini bukan sekadar trend teknologi. Ini menyentuh cara bank, syarikat insurans dan fintech berfungsi, dari customer service sampai pengesanan penipuan dan pemprosesan pinjaman. Sesiapa yang bekerja dalam kewangan, IT, risiko, compliance atau product tak boleh lagi anggap AI sebagai projek “R&D sahaja”.

Artikel ini gunakan evolusi ChatGPT — daripada chatbot percubaan kepada platform AI generatif berskala global — sebagai cermin kepada apa yang sedang berlaku dalam sektor kewangan, khususnya di Malaysia. Fokusnya mudah:

  • bagaimana chatbot seperti ChatGPT mengubah customer service kewangan,
  • bagaimana teknologi yang sama menyokong pengesanan fraud dan automasi,
  • dan apa langkah praktikal yang patut diambil oleh bank, insurans dan fintech yang serius tentang AI pada 2025.

1. Ringkas Tentang Evolusi ChatGPT – Dan Kenapa Bank Patut Ambil Peduli

ChatGPT bermula hujung 2022 sebagai chatbot teks yang orang guna untuk tanya soalan, tulis esei, buat kod. Dalam masa kurang dua tahun, ia berkembang jadi ekosistem: ada versi yang lebih laju dan murah, boleh faham gambar dan suara, boleh diintegrasi ke dalam apps dan proses kerja dalaman.

Perkara penting untuk sektor kewangan ialah: setiap fasa evolusi ChatGPT menunjukkan bagaimana AI boleh “naik taraf” dari sekadar chatbot FAQ kepada enjin automasi perniagaan.

Beberapa ciri yang relevan untuk bank dan fintech:

  • Pemahaman bahasa yang sangat baik – boleh faham bahasa bercampur, gaya pelanggan yang emosi, dan konteks yang panjang.
  • Generatif – bukan hanya pilih jawapan pra-tetap, tetapi boleh bina jawapan yang disesuaikan dengan situasi pelanggan.
  • Boleh disambung ke sistem lain – melalui API, AI boleh baca status akaun, polisi insurans, status tuntutan, kemudian terangkan kepada pelanggan dalam bentuk mudah faham.

Realitinya: teknologi di belakang ChatGPT kini menjadi asas kepada banyak “AI copilot” dan chatbot kewangan. Bank mungkin tak guna ChatGPT secara terus untuk data sensitif, tapi mereka gunakan model kelas yang sama: large language models (LLM) yang dilatih dan di-tune khusus untuk perbankan.

2. AI Chatbot dalam Kewangan: Dari FAQ ke Penyelesaian Sebenar

Chatbot generatif mengubah peranan customer service kewangan daripada “penerima aduan” kepada “pembantu peribadi” 24/7.

Apa beza chatbot lama dengan chatbot berasaskan ChatGPT?

Kebanyakan bank di Malaysia sudah ada chatbot, tapi ramai pelanggan rasa:

  • jawapan terlalu skrip,
  • susah faham niat pelanggan,
  • cepat sangat jawab “Sila hubungi talian khidmat pelanggan kami”.

Model generatif seperti ChatGPT bawa beberapa peningkatan:

  1. Faham bahasa semula jadi pelanggan
    Pelanggan tulis, “Kenapa transaksi Shopee saya decline semalam, padahal duit cukup?” — AI boleh pecahkan kepada:

    • transaksi online,
    • masa tertentu,
    • isu authorization atau had kad,
    • dan mula semak aturan berkaitan.

  2. Perbualan berlapis
    Pelanggan boleh bertanya susulan tanpa ulang maklumat:
    “Kalau macam tu, boleh naikkan limit kad saya sekejap?”
    Model bahasa mampu ingat konteks dan sambung perbualan secara logik.

  3. Penerangan yang mesra manusia
    Daripada ayat teknikal panjang, AI boleh terangkan dalam bahasa yang lebih lembut dan dekat dengan pengguna Malaysia. Contoh:

    "Transaksi tu ditolak sebab tetapan keselamatan kad anda hadkan pembelian atas talian melebihi RM500 sehari. Kita boleh bantu semak dan ubah had jika perlu."

Contoh kegunaan dalam bank & insurans

  • Bantuan kad kredit & debit
    Tanya baki, status transaksi, naikkan limit, blok kad hilang, semua boleh bermula dengan chatbot.

  • Khidmat pelanggan insurans
    Chatbot generatif terangkan butiran polisi, dokumen diperlukan untuk tuntutan, status claim, dan anggaran masa bayaran.

  • Pembiayaan & pinjaman
    Pelanggan minta simulasi ansuran, banding pakej pembiayaan Islamik vs konvensional, atau faham kenapa permohonan ditolak (tanpa dedahkan model risiko dalaman secara berlebihan).

Di Malaysia, bank-bank besar yang agresif dalam transformasi digital sudah bergerak ke arah ini: mula dengan chatbot asas, kemudian tambah “otak” LLM di belakang untuk meningkatkan pemahaman dan kualiti jawapan.

3. Dari ChatGPT ke Pengesanan Fraud & Risiko: Sambungan yang Ramai Terlepas Pandang

Ramai fikir ChatGPT hanya untuk teks dan customer service. Hakikatnya, teknologi yang sama boleh bantu pasukan risiko, fraud dan compliance membaca dan menganalisis maklumat dalam skala besar.

Bagaimana AI generatif bantu pengesanan fraud?

Model bahasa bukan pengganti sistem transaction monitoring tradisional, tapi ia jadi lapisan tambahan yang sangat berguna:

  1. Menerangkan alert kepada pegawai risiko
    Sistem lama keluarkan kod dan nombor. LLM boleh terjemah kepada naratif yang mudah:

    "Akaun ini menunjukkan pola transaksi luar biasa: 18 transaksi antarabangsa kecil dalam 2 jam, lokasi berbeza, selepas 6 bulan tidak aktif. Corak ini serupa dengan kes kompromi kad sebelum ini."

  2. Membantu siasatan kes
    Pegawai boleh tanya:
    "Senaraikan 5 senario kemungkinan untuk pola transaksi ini dan dokumen apa yang saya perlu minta daripada pelanggan."
    AI boleh jana senarai hipotesis dan senarai semak.

  3. Analisis teks tidak berstruktur
    Dalam insurans, banyak maklumat fraud tersembunyi dalam:

    • laporan adjuster,
    • e-mel pelanggan,
    • nota panggilan.
      AI generatif boleh meringkaskan, mengesan percanggahan cerita, dan flag kes yang patut diberi perhatian.

Penggunaan dalam compliance dan AML

Bagi pasukan AML/CFT, LLM boleh:

  • ringkaskan garis panduan Bank Negara yang panjang kepada nota kerja untuk pegawai,
  • menjawab soalan dalaman seperti:
    "Apa keperluan dokumentasi untuk pelanggan korporat dengan pemilikan silang antarabangsa?"
  • membantu semak suspicious transaction report (STR) supaya laporan lebih jelas dan konsisten.

Di sinilah evolusi ChatGPT memainkan peranan: versi terbaru bukan sekadar berbual, tetapi boleh mengingati konteks panjang, merujuk dokumen polisi dalaman, dan mengeluarkan jawapan yang selaras dengan dasar risiko bank.

4. Automasi Proses Dalaman: “Copilot” untuk Pegawai Bank & Ejen Insurans

AI generatif paling bernilai bila ia bantu staf dalaman buat kerja lebih cepat, bukan bila ia cuba ganti semua orang.

Dalam banyak projek AI kewangan yang berjaya, pola yang saya nampak sama:

"Mulakan dengan copilot dalaman sebelum AI hadap pelanggan sepenuhnya."

Kegunaan praktikal dalam operasi harian

  1. Ringkasan dokumen & policy dalaman
    Pegawai depan kaunter atau ejen insurans boleh tanya AI:
    "Terangkan polisi medical card ini dalam bahasa mudah untuk pelanggan B40, fokus pada had tahunan dan pengecualian utama."

  2. Draf e-mel & respons rasmi
    AI jana draf: surat penjelasan kepada pelanggan, e-mel follow-up, atau teks SMS notifikasi — kemudian pegawai semak dan luluskan.

  3. Sokongan keputusan kredit
    Untuk pinjaman PKS atau pembiayaan perumahan, AI boleh:

    • ringkaskan penyata kewangan,
    • banding nisbah hutang dengan polisi dalaman,
    • sediakan nota kredit awal yang pegawai boleh perhalusi.

  4. Latihan & onboarding staf baru
    Daripada hanya baca modul e-learning, staf baru boleh berinteraksi dengan chatbot latihan yang dilatih dengan polisi dan produk syarikat sendiri.

Kenapa ini penting untuk Malaysia pada 2025

  • Tenaga kerja kewangan semakin mahal dan sukar direkrut, terutama untuk shift malam dan hujung minggu.
  • Pelanggan pula mengharapkan respons pantas, khususnya generasi muda yang lebih suka chat berbanding telefon.
  • Bank dan insurans di Malaysia bersaing dengan fintech yang bergerak pantas dan sangat digital.

Automasi berasaskan AI — diinspirasikan oleh model seperti ChatGPT — ialah cara yang realistik untuk menambah kapasiti tanpa menambah staf berganda.

5. Cabaran Nyata: Data Sensitif, Bias & Kepercayaan Pelanggan

Saya tak percaya pada naratif "AI akan selesaikan semua masalah". Dalam kewangan, risiko salah guna dan salah laksana sangat tinggi kalau organisasi hanya kejar hype.

Isu utama yang perlu diurus

  1. Kerahsiaan & lokasi data
    Data pelanggan kewangan sangat sensitif. Model generatif perlu:

    • dijalankan dalam persekitaran yang patuh peraturan,
    • diasingkan daripada model awam,
    • dilindungi dengan dasar data masking dan access control yang ketat.

  2. Ketepatan & hallucination
    ChatGPT dan model sama boleh menghasilkan jawapan yang yakin tapi salah. Untuk kewangan, ini bahaya. Jadi:

    • AI tak patut diberi kuasa membuat keputusan kewangan tanpa semakan manusia,
    • jawab berdasarkan sumber dalaman terkawal (contoh: retrieval-augmented generation),
    • log semua perbualan untuk audit.

  3. Bias & keadilan keputusan
    Dalam credit scoring dan underwriting, bias model boleh menjejaskan kumpulan tertentu. Bank di Malaysia perlu:

    • uji model merentasi segmen: bandar/luar bandar, gaji rendah/tinggi,
    • pastikan ciri yang dilarang (contoh: kaum, agama) tidak bocor melalui pembolehubah lain.

  4. Kepercayaan pelanggan
    Pelanggan Malaysia masih sensitif tentang data kewangan. Telus keterlibatan AI:

    • maklum bila mereka sedang berinteraksi dengan chatbot,
    • sediakan pilihan untuk bercakap dengan manusia,
    • jelaskan bagaimana data digunakan.

6. Rangka Tindakan Praktikal untuk Bank, Insurans & Fintech Malaysia

Bagi organisasi yang serius nak manfaatkan AI seperti ChatGPT pada 2025, langkahnya tak perlu kompleks, tapi mesti terancang.

Langkah 1: Pilih satu atau dua kegunaan bernilai tinggi

Fokus pada kes yang jelas ROI-nya, contoh:

  • chatbot khidmat pelanggan untuk 3 produk utama,
  • copilot dalaman untuk pegawai kredit,
  • sistem bantuan analisis fraud bagi transaksi kad.

Hindari projek besar yang cuba buat semua benda sekaligus.

Langkah 2: Susun governance AI

  • Tubuhkan jawatankuasa AI yang melibatkan IT, risiko, compliance, undang-undang, dan business owner.
  • Tetapkan garis panduan: apa yang boleh dan tak boleh dibuat dengan AI generatif.
  • Wajibkan human-in-the-loop untuk keputusan kritikal.

Langkah 3: Integrasi dengan data & sistem sedia ada

Chatbot pintar tak berguna kalau tak boleh:

  • semak status akaun,
  • baca polisi sebenar,
  • akses log transaksi (secara terkawal).

Kerja integrasi API dan penyusunan data ini biasanya makan masa paling lama, tapi di sinilah nilai sebenar muncul.

Langkah 4: Latih staf & jelaskan peranan AI

Orang akan takut kalau mereka rasa AI datang untuk mengambil alih kerja.

  • Jelaskan bahawa AI bertindak sebagai pembantu, bukan pengganti penuh.
  • Tunjuk contoh tugas yang akan jadi lebih mudah — contohnya, draf e-mel atau ringkasan dokumen.
  • Galakkan maklum balas staf tentang jawapan AI untuk penambahbaikan berterusan.

Langkah 5: Ukur, baiki, ulang

Gunakan metrik konkrit:

  • masa purata menyelesaikan pertanyaan pelanggan,
  • kadar first-contact resolution,
  • pengurangan handling time pegawai,
  • penurunan false positive dalam pengesanan fraud.

AI yang berjaya sentiasa iterative. Evolusi ChatGPT sendiri — dari versi awal ke model multimodal yang lebih tepat — membuktikan bahawa peningkatan kecil, berterusan dan berdasarkan data jauh lebih berkesan daripada projek sekali siap.

Penutup: Dari ChatGPT ke Ekosistem AI Kewangan Malaysia

ChatGPT mungkin produk paling terkenal dalam dunia AI generatif, tapi kesan sebenarnya dalam kewangan datang daripada cara bank, insurans dan fintech membina ekosistem di sekeliling teknologi ini: chatbot pelanggan, copilot dalaman, analitik risiko, pengesanan fraud, dan pematuhan.

Untuk Malaysia, masa sekarang — hujung 2025 — ialah fasa di mana organisasi perlu bergerak dari “ujian konsep” kepada pelaksanaan sebenar yang diaudit dan diukur. Institusi yang berani mencuba, tetapi cermat dengan risiko data dan pematuhan, akan berada beberapa langkah di hadapan bila persaingan digital makin sengit.

Persoalan pentingnya bukan lagi “perlu atau tidak guna AI seperti ChatGPT?”, tetapi:

"Di bahagian mana dalam perniagaan kewangan kita AI generatif boleh memberi impak paling besar dalam 6–12 bulan akan datang — dan bagaimana kita nak laksanakannya dengan selamat?"

Jawapan kepada soalan itu akan membezakan siapa yang sekadar ikut trend, dan siapa yang benar-benar membentuk masa depan kewangan di Malaysia.