Bagaimana ChatGPT Mengubah Data Pasaran Kewangan

Pada 12/12/2025, London Stock Exchange Group (LSEG) umumkan integrasi data pasaran mereka terus ke dalam ChatGPT. Dalam minggu yang sama, gergasi pelaburan Jepun, Nomura, memeterai kerjasama strategik dengan OpenAI. Dua pengumuman ini nampak macam berita global biasa, tapi sebenarnya ia petunjuk jelas ke mana arah masa depan AI dalam sektor kewangan — termasuk di Malaysia.

Kebanyakan bank, syarikat insurans dan fintech di Malaysia dah pun guna AI untuk pengesan penipuan, pemarkahan kredit automatik, dan chatbot khidmat pelanggan. Langkah LSEG dan Nomura ini tunjuk satu fasa baru: AI bukan lagi sekadar enjin di belakang tabir, tapi menjadi antara muka utama untuk memahami dan menggunakan data pasaran kewangan.

Artikel ini mengupas apa yang sedang dibina oleh LSEG dan Nomura dengan ChatGPT, dan lebih penting, bagaimana pendekatan sama boleh diterjemah ke dalam konteks Malaysia — dari bank besar hingga startup fintech yang agresif.

---

1. Apa Sebenarnya LSEG dan Nomura Sedang Buat Dengan ChatGPT?

LSEG dan Nomura sedang menggabungkan kekuatan data pasaran berkualiti tinggi dengan keupayaan pemahaman bahasa semula jadi ChatGPT untuk menjadikan analisis kewangan lebih pantas, mudah dan boleh diakses.

LSEG: Data pasaran terus dalam ChatGPT

LSEG mengumumkan bahawa kandungan "AI-ready" mereka akan tersedia melalui Model Context Protocol (MCP) dan disambungkan ke produk seperti Workspace dan Financial Analytics.

Secara praktikal, ini bermakna:

• Pengguna ChatGPT yang mempunyai lesen data LSEG boleh:
  • Menyoal data harga saham, bon, FX dan komoditi secara terus dalam ChatGPT
  • Minta ringkasan berita pasaran yang relevan, siap dengan konteks
  • Menghasilkan jadual perbandingan, laporan dan ulasan dengan satu arahan teks
• 4,000 kakitangan LSEG akan menggunakan ChatGPT Enterprise untuk:
  • Automasi tugasan rutin (draf emel, ringkasan mesyuarat, dokumentasi)
  • Mencari maklumat dalaman dan polisi dengan lebih cepat
  • Menyokong analisis penyelidik dan pasukan jualan institusi

Seperti yang disebut Emily Prince, Group Head of AI di LSEG:

LSEG’s connector within ChatGPT combines all the benefits of a secure, enterprise AI platform with a seamless MCP connection and the unparalleled depth, breadth and quality of financial data, analytics, news and commentary that LSEG provides.

Ringkasnya, LSEG sedang mengubah ChatGPT menjadi terminal analisis pasaran berasaskan bahasa.

Nomura: Gabung data dalaman dan luaran

Nomura pula menumpukan kepada penggunaan generative AI untuk:

• Menggabungkan data dalaman (proprietary) dengan data luaran dan maklumat pasaran
• Menjana nasihat pelaburan bernilai tinggi dan analisis pasaran yang lebih tersuai kepada klien
• Mewujudkan model pendapatan baru di luar model broker dan investment banking tradisional

Presiden dan CEO Nomura, Kentaro Okuda, menyatakan generative AI bukan sekadar tentang kecekapan, tetapi berpotensi mengubah struktur perniagaan kewangan.

---

2. Kenapa Pendekatan Ini Penting Untuk Bank dan Fintech di Malaysia

Sektor kewangan Malaysia sedang berada dalam fasa di mana AI bukan lagi eksperimen, tetapi komponen strategi digital teras. Integrasi ChatGPT dengan data pasaran seperti ini selari terus dengan hala tuju tersebut.

Dalam beberapa tahun kebelakangan ini, kita dah nampak:

• Bank-bank besar memperuntukkan bajet besar untuk AI dalam pengurusan risiko, pematuhan dan pemasaran.
• Fintech dan bank digital menekan ke hadapan dengan onboarding digital, penilaian kredit segera dan chatbot 24/7.
• Regulator seperti BNM memberi fokus kepada pematuhan, keselamatan data dan Fair AI melalui garis panduan dan sandbox.

Apa yang LSEG dan Nomura lakukan menjawab beberapa cabaran utama yang juga dirasai pemain Malaysia:

1. Data terlalu banyak, masa terlalu sedikit
   Penganalisis, pengurus risiko dan pasukan pelaburan tenggelam dalam laporan, fail Excel dan dashboard. Antara muka berasaskan bahasa seperti ChatGPT yang disambung kepada data dalaman/luaran boleh mengurangkan masa carian maklumat daripada jam kepada minit.

2. Jurang bakat data dan AI
   Tak semua orang pandai tulis SQL atau bina model Python. Tetapi semua orang boleh menulis dan faham bahasa Melayu/Inggeris. Ini menjadikan AI lebih inklusif kepada pegawai cawangan, underwriter, pegawai pematuhan dan bukan hanya pasukan data.

3. Tekanan pematuhan dan audit
   Dengan AI yang faham dokumen polisi, SOP dan garis panduan BNM/IFSA, institusi kewangan boleh mendapatkan jawapan pematuhan yang lebih pantas dan konsisten, sambil mengekalkan jejak audit (audit trail) yang jelas.

---

3. Guna ChatGPT Untuk Data Pasaran: 5 Kegunaan Praktikal

Bila ChatGPT disambung kepada data pasaran dan data dalaman institusi, ia jadi "co-pilot" kepada hampir semua fungsi — dari pelaburan hingga risiko dan pematuhan.

Berikut beberapa kegunaan yang sangat relevan untuk bank, insurans dan fintech di Malaysia:

3.1 Analisis pasaran dan pelaburan lebih pantas

Bayangkan penganalisis pelaburan di bank pelaburan tempatan yang biasanya perlu:

• Buka beberapa terminal dan dashboard
• Muat turun data harga, volum, laporan suku tahunan
• Menulis laporan 5–10 muka surat untuk klien institusi

Dengan integrasi ala LSEG:

• Penganalisis hanya perlu menaip arahan seperti:
  “Ringkaskan prestasi saham sektor perbankan ASEAN untuk 12 bulan lepas, fokus kepada ROE, NPL dan pertumbuhan pinjaman. Sertakan jadual perbandingan dan dua senario risiko untuk 2026.”
• ChatGPT yang disambung kepada data pasaran akan:
  • Tarik data yang berlesen dan relevan
  • Susun jadual perbandingan
  • Hasilkan naratif awal, yang kemudian diperhalusi penganalisis

Hasilnya: masa analisis turun, masa untuk fikir strategi naik.

3.2 Pematuhan dan kawal selia (RegTech) lebih cekap

Untuk fungsi pematuhan di Malaysia:

• Sistem AI boleh dihubungkan dengan:
  • Polisi dalaman bank
  • Garis panduan BNM, AKPK, PIDM (yang diindeks secara selamat)
  • Rekod transaksi dan log sistem
• Pegawai pematuhan boleh bertanya:
  • “Adakah kempen pinjaman peribadi baru ini patuh kepada polisi affordability dalaman dan garis panduan BNM X?”
  • “Senaraikan kes transaksi luar biasa yang berisiko AML untuk minggu lepas dengan justifikasi.”

AI akan bertindak sebagai lapisan pertama analisis pematuhan dan pemantauan sebelum manusia membuat keputusan akhir.

3.3 Pengurusan risiko dan stres ujian lebih pintar

Untuk pasukan risiko pasaran dan risiko kredit:

• ChatGPT yang mempunyai akses kepada:
  • Data pasaran (kadar faedah, FX, spread kredit)
  • Portfolio pinjaman atau pelaburan dalaman
• Boleh digunakan untuk:
  • Menjana senario what-if seperti:
    “Apa impak kepada NPL dan modal jika kadar OPR naik 100bps pada Q2 2026 untuk segmen SME?”
  • Menyediakan ringkasan papan pemuka risiko untuk mesyuarat ALCO atau Board Risk Committee.

3.4 Insurans: penentuan harga dan tuntutan

Syarikat insurans di Malaysia boleh mengambil pendekatan serupa seperti Nomura:

• Gabung data dalaman:
  • Profil pelanggan, sejarah tuntutan, segmentasi risiko
• Dengan data luaran:
  • Data cuaca, statistik kemalangan, tren kesihatan awam

ChatGPT digunakan sebagai antara muka untuk:

• Menjawab soalan aktuari dan produk dengan lebih cepat
• Menjana cadangan variasi produk dan harga untuk segmen tertentu
• Meringkaskan fail tuntutan kompleks untuk penilai (claims assessor)

3.5 Fintech dan wealthtech: pengalaman pelanggan yang lebih kaya

Untuk fintech pelaburan runcit atau robo-advisor di Malaysia:

• Chatbot berasaskan ChatGPT yang disambung kepada data pasaran:
  • Boleh jelaskan risiko dana unit amanah, ETF, saham syariah dan sukuk dalam bahasa mudah
  • Menjawab soalan seperti:
    “Apa maksud risiko durasi untuk dana sukuk ni, dan bagaimana ia kesan kepada pulangan saya?”
• Untuk pelanggan HNWI, pegawai perhubungan (RM) boleh gunakan AI untuk:
  • Menjana pitchbook dan nota mesyuarat klien dengan lebih cepat
  • Menyesuaikan cadangan portfolio berdasarkan mandat dan profil risiko klien.

---

4. Implikasi Untuk Pematuhan, Data dan Tadbir Urus AI di Malaysia

Lebih kuat integrasi AI dengan data pasaran dan dalaman, lebih besar tanggungjawab pada aspek keselamatan, pematuhan dan tadbir urus model.

Ini tiga perkara yang saya rasa institusi kewangan Malaysia tak boleh kompromi:

4.1 Perlindungan data dan kerahsiaan

• Semua sambungan antara ChatGPT dan data dalaman mesti melalui kawalan identiti dan akses (IAM) yang ketat.
• Data pelanggan yang sensitif perlu:
  • Dianonimkan atau dipseudonimkan jika digunakan untuk analisis generik
  • Diakses hanya mengikut prinsip need-to-know dan peranan
• Perlu selaras dengan undang-undang tempatan seperti PDPA dan garis panduan BNM berkaitan penggunaan cloud dan data.

4.2 Ketelusan dan jejak audit

Bila AI digunakan untuk menyokong nasihat pelaburan, kelulusan kredit atau pemantauan AML:

• Setiap saranan AI perlu disimpan bersama:
  • Data input yang digunakan
  • Versi model dan konfigurasi
  • Pengguna yang mengesahkan keputusan akhir
• Ini penting untuk:
  • Audit dalaman dan luaran
  • Menjawab soalan regulator jika berlaku isu pelanggan atau insiden risiko.

4.3 Bias, keadilan dan penjelasan model

Untuk kegunaan seperti pemarkahan kredit atau harga insurans:

• Institusi perlu menguji model untuk bias terhadap kumpulan tertentu (contoh: kawasan geografi, segmen pendapatan).
• ChatGPT boleh membantu menjelaskan logik asas dalam bahasa mudah, tetapi keputusan sebenar perlu berlandaskan:
  • Polisi kredit
  • Rangka kerja risiko yang diluluskan Lembaga

Pendek kata, AI boleh memudahkan penjelasan, tapi tak boleh menggantikan prinsip tadbir urus risiko yang baik.

---

5. Bagaimana Pemain Kewangan di Malaysia Boleh Bermula

Anda tak perlu jadi LSEG atau Nomura untuk mula menggabungkan ChatGPT dengan data kewangan. Tetapi anda perlu strategi yang jelas.

Berikut satu rangka kerja praktikal tiga fasa yang saya nampak berkesan untuk bank, insurans dan fintech tempatan:

Fasa 1: "Internal co-pilot" (3–6 bulan)

Fokus: Guna ChatGPT Enterprise atau model setaraf untuk produktiviti dalaman dahulu.

• Gunakan AI untuk:
  • Draf emel, laporan dalaman, minit mesyuarat
  • Meringkaskan dokumen dasar, polisi risiko, manual produk
• Bentuk pasukan kecil AI enablement yang:
  • Tentukan garis panduan penggunaan (do & don't)
  • Latih staf, kumpul maklum balas, dan baiki proses

Fasa 2: Integrasi dengan data berstruktur terpilih (6–12 bulan)

Fokus: Sambung AI kepada data dalaman yang kurang sensitif dan beberapa sumber data pasaran.

• Use case permulaan yang selamat:
  • Analisis portfolio produk dalaman
  • Ringkasan prestasi jualan cawangan/segmen
  • Analisis asas pasaran (tanpa PII pelanggan)
• Bina konnektor dalaman (seperti MCP) agar AI boleh "baca" data daripada gudang data atau lakehouse dengan kawalan akses.

Fasa 3: Penawaran kepada pelanggan & penggunaan risiko tinggi (12–24 bulan)

Fokus: Guna AI secara langsung untuk berinteraksi dengan pelanggan dan menyokong keputusan risiko/pematuhan.

• Chatbot pelaburan atau insurans yang kaya konteks
• Sokongan pegawai kredit dengan cadangan berasaskan data
• Pemantauan transaksi AML yang dibantu AI (AI sebagai lapisan saringan, bukan hakim utama)

Pada setiap fasa, selaraskan dengan:

• Jabatan risiko & pematuhan
• CIO/CTO dan pasukan data
• Garis panduan regulator terkini

---

6. Masa Depan: Dari Data ke Dialog dalam Kewangan Malaysia

Integrasi ChatGPT dengan data pasaran oleh LSEG dan strategi generative AI Nomura tunjuk satu hal yang jelas: masa depan data kewangan adalah berbentuk dialog, bukan sekadar nombor di skrin.

Bagi Malaysia, ini sepadan dengan trend sedia ada:

• AI digunakan untuk pengesan penipuan, pemarkahan kredit, analitik kekayaan, dan compliance.
• Bank dan fintech sedang berlumba membezakan diri melalui pengalaman pelanggan yang lebih pintar dan lebih peribadi.

Langkah seterusnya ialah menjadikan AI bukan hanya "enjin sunyi" di belakang sistem, tetapi rakan sekerja digital yang boleh diajak berbincang tentang pasaran, risiko dan pelanggan — dalam bahasa yang manusia biasa faham.

Syarikat yang mula bereksperimen dengan selamat hari ini akan lebih bersedia bila pelanggan, regulator dan pasaran menjadikan kemampuan AI sebagai standard, bukan kelebihan tambahan.

Persoalannya sekarang: adakah organisasi anda cuma menggunakan AI untuk automasi kecil-kecilan, atau sudah merancang bagaimana AI boleh mengubah cara anda membaca dan menggunakan data kewangan sepenuhnya?