LSEG dan Nomura menunjukkan bagaimana ChatGPT mengubah data pasaran menjadi insight bernilai tinggi. Apa maknanya untuk bank, insurans dan fintech di Malaysia?
Bagaimana ChatGPT Mengubah Data Pasaran Kewangan
Pada 12/12/2025, London Stock Exchange Group (LSEG) umum satu langkah besar: data pasaran berlesen mereka kini boleh diakses terus dalam ChatGPT melalui Model Context Protocol (MCP). Dalam minggu yang sama, gergasi Jepun Nomura menandatangani kerjasama strategik dengan OpenAI untuk gabungkan data dalaman mereka dengan model AI generatif.
Ini bukan cerita teknologi semata-mata. Ini isyarat jelas ke mana arah masa depan bank, insurans dan fintech – termasuk di Malaysia. Kalau dulu AI dalam kewangan lebih banyak digunakan untuk fraud detection dan chatbot asas, hari ini fokus bergerak ke sesuatu yang lebih bernilai tinggi: analitik data pasaran, nasihat pelaburan, dan produktiviti dalaman.
Untuk pasaran yang pantas seperti Malaysia, di mana bank-bank besar sedang mempercepat pelan digital mereka menjelang 2026, perkembangan seperti di LSEG dan Nomura ini adalah "sneak preview" apa yang bakal menjadi standard industri.
Apa Sebenarnya LSEG & Nomura Sedang Lakukan Dengan ChatGPT?
Jawapannya: mereka sedang menukar data pasaran mentah menjadi wawasan masa nyata yang boleh ditanya dengan bahasa manusia.
LSEG: Data pasaran terus dalam ChatGPT
LSEG mengumumkan bahawa:
- Kandungan "AI-ready" mereka akan dihubungkan ke ChatGPT melalui Model Context Protocol (MCP) server.
- Pengguna ChatGPT yang mempunyai lesen data LSEG boleh mengakses data pasaran, berita kewangan dan analitik terus dalam aplikasi ChatGPT.
- Fasa pertama bermula dengan produk LSEG Financial Analytics.
- 4,000 kakitangan LSEG diberi akses kepada ChatGPT Enterprise untuk tugasan dalaman.
Secara praktikal, ini bermakna seorang penganalisis boleh menaip arahan seperti:
"Bandingkan prestasi saham sektor perbankan UK dan Asia sepanjang 12 bulan lepas, dan jelaskan faktor makro utama yang mempengaruhi perbezaan pulangan."
Dan ChatGPT – melalui penyambung (connector) LSEG – akan menggunakan data berlesen terkini, bukan sekadar maklumat umum.
Seperti yang disebut Emily Prince, Group Head of AI di LSEG, kelebihannya ialah gabungan:
- platform AI perusahaan yang selamat,
- sambungan MCP yang lancar,
- dan kedalaman data, analitik serta berita kewangan yang LSEG sudah pun terkenal.
Nomura: Nasihat pelaburan dipacu data + AI generatif
Nomura pula mengambil pendekatan berbeza tetapi melengkapkan. Mereka mahu:
- gabungkan data proprietari dalaman dengan data luaran dan maklumat pasaran,
- gunakan AI generatif untuk hasilkan nasihat pelaburan bernilai tinggi dan analisis pasaran yang lebih mendalam kepada klien.
Presiden dan CEO Nomura, Kentaro Okuda, dengan jelas menyatakan bahawa generative AI bukan sekadar untuk tingkatkan kecekapan,
ia boleh mengubah struktur perkhidmatan kewangan secara asas – dari cara data dianalisis sehinggalah kepada model perniagaan baru.
Realitinya, inilah arah yang akan diikuti oleh bank dan pengurus aset lain – termasuk di ASEAN.
Kenapa Data Pasaran Adalah "Next Frontier" AI Dalam Kewangan
Kalau chatbot perbankan runcit sudah mula dianggap biasa, data pasaran kewangan ialah medan seterusnya di mana AI akan memainkan peranan besar.
Dari skrin Bloomberg ke Q&A dalam bahasa Melayu
Selama bertahun-tahun, akses kepada data pasaran bermutu tinggi dikunci dalam terminal khusus dan antara muka kompleks. Hanya penganalisis terlatih mampu manfaatkan sepenuhnya.
Integrasi seperti LSEG–ChatGPT mengubah dua perkara besar:
-
Antara muka – daripada skrip rumit dan fungsi khusus kepada soalan bahasa biasa seperti:
- "Tunjukkan senarai 10 saham perbankan ASEAN dengan pertumbuhan EPS tertinggi dalam 3 tahun lepas."
- "Modelkan impak kenaikan OPR 25bps pada bank tersenarai di Bursa Malaysia."
-
Kelajuan penemuan insight – bukan lagi ambil masa berjam-jam untuk tarik data, bersihkan, bina model ringkas di Excel, kemudian tulis ringkasan. AI boleh lakukan kombinasi ini dalam beberapa minit – kadang-kadang saat.
Untuk pengurus risiko, treasury, unit pasaran modal dan pengurusan kekayaan, kesannya sangat nyata: lebih banyak masa pada membuat keputusan, kurang masa pada kerja manual.
Nilai tambah untuk bank dan fintech Malaysia
Dalam konteks Malaysia, beberapa kegunaan praktikal:
-
Jabatan Pasaran Modal & Treasury
AI boleh menjawab soalan seperti: “Bagaimana korelasi antara KLCI dan indeks serantau berubah sejak pandemik hingga 2025?” sambil memaparkan carta dan ringkasan faktor utama. -
Wealth management & priority banking
Penasihat boleh menghasilkan draf laporan portfolio pelanggan, ulasan pasaran bulanan, dan cadangan pengimbangan semula (rebalancing) dengan bantuan AI yang membaca data pasaran berlesen. -
Fintech pelaburan runcit
Aplikasi robo-advisor boleh meningkatkan kualiti penjelasan kepada pelabur runcit – bukan sekadar tunjuk graf, tapi terangkan dalam bahasa mudah kenapa sesuatu ETF bertindak seperti itu berdasarkan data historikal.
Bila data pasaran digabungkan dengan AI generatif, bank tak lagi hanya bersaing dari segi kadar faedah atau yuran; mereka mula bersaing dari segi kualiti insight dan pengalaman pelanggan.
Dari Chatbot Ke "AI Co-pilot" Untuk Penganalisis & Penasihat
AI dalam kewangan sering dikaitkan dengan chatbot FAQ untuk pelanggan. Realitinya, nilai terbesar seterusnya ialah AI sebagai pembantu kerja dalaman.
Bagaimana ChatGPT Enterprise digunakan di LSEG
4,000 kakitangan LSEG menerima akses ke ChatGPT Enterprise. Apa yang mereka boleh buat?
-
Automasi kerja dokumentasi
Ringkasan mesyuarat, draf e-mel klien, dokumentasi produk dan laporan dalaman. -
Penyelidikan pantas
Kumpul, ringkas dan bandingkan pelbagai laporan pasaran, polisi dalaman, dan perkembangan regulatori – tanpa melanggar kawalan data kerana semuanya dalam persekitaran perusahaan. -
Analisis segera atas data dalaman
Dengan integrasi yang sesuai, staf boleh bertanya soalan tentang prestasi produk, trend pelanggan atau corak penggunaan platform.
Dalam konteks bank atau syarikat insurans Malaysia, "AI co-pilot" seperti ini boleh menyokong:
- pegawai risiko menyiapkan laporan untuk Lembaga atau Jawatankuasa Risiko,
- unit pematuhan (compliance) meneliti arahan BNM atau garis panduan baru,
- pasukan produk menganalisis maklum balas pelanggan dan data penggunaan aplikasi.
Dari perspektif produktiviti
Saya secara peribadi menganggap:
Bank yang berjaya mengintegrasi AI sebagai pembantu kerja harian staf akan nampak lonjakan produktiviti 20–40% dalam tugas analitik dan dokumentasi, sebelum pun sentuh automasi proses berat.
Itu beza antara organisasi yang hanya "cuba" AI dengan organisasi yang benar-benar jadikan AI sebahagian daripada cara mereka bekerja.
Cabaran Utama: Data, Kawal Selia & Kepercayaan
Semua ini nampak menarik, tapi bagi bank dan fintech, soalan kritikal sentiasa sama: adakah ini selamat, patuh, dan boleh dipercayai?
1. Perlindungan data & kerahsiaan pelanggan
Apabila bercakap tentang integrasi ChatGPT dengan data pasaran dan data dalaman:
- data berlesen (seperti dari LSEG) perlu diurus di bawah terma lesen yang ketat;
- data pelanggan mesti kekal dalam sempadan kawal selia (contoh: PDPA, garis panduan BNM);
- model AI perusahaan seperti ChatGPT Enterprise perlu dikonfigurasi supaya data tidak digunakan untuk latih model umum.
Ini bermaksud pasukan teknologi dan risiko operasi di bank tak boleh sekadar "aktifkan API". Mereka perlu:
- tentukan data mana boleh dan tak boleh dipapar kepada AI,
- bina lapisan governance data dan access control yang jelas,
- log dan jejak pertanyaan (queries) untuk tujuan audit.
2. Kualiti dan bias dalam analisis pasaran
AI generatif sangat pandai menghasilkan naratif. Itu kelebihan dan juga risiko.
Dalam konteks pasaran kewangan:
- model boleh terlebih fokus pada data historikal dan mengabaikan rejim pasaran baru;
- naratif boleh kedengaran sangat meyakinkan walaupun tak lengkap;
- risiko "over-reliance": penganalisis atau penasihat terlalu bergantung pada cadangan AI tanpa semakan kritikal.
Organisasi perlu menetapkan prinsip seperti:
- AI sebagai alat cadangan, bukan pengganti penilaian manusia;
- semua output AI yang digunakan untuk klien bernilai tinggi mesti dikaji semula oleh penganalisis bertauliah;
- latihan khusus untuk staf tentang cara bertanya, menyemak dan mencabar jawapan AI.
3. Pandangan pengawal selia (regulators)
BNM dan pengawal selia serantau semakin memberi perhatian terhadap penggunaan AI dalam:
- credit scoring,
- risk modelling,
- pelaburan berasaskan algoritma.
Apabila AI digunakan untuk nasihat pelaburan dan analitik pasaran, bank perlu boleh menjawab soalan seperti:
- Bagaimana keputusan atau cadangan dihasilkan?
- Parameter apa yang diambil kira?
- Adakah terdapat risiko diskriminasi atau konflik kepentingan?
Pendek kata, explainability dan governance tak boleh jadi perkara sampingan.
Apa Langkah Praktikal Untuk Bank, Insurans & Fintech Malaysia Sekarang?
Melihat langkah LSEG dan Nomura, ada beberapa tindakan yang realistik untuk 6–12 bulan akan datang.
1. Pilih satu atau dua kes guna (use case) bernilai tinggi
Contoh yang sesuai untuk peringkat awal:
- Laporan pasaran automatik untuk unit treasury dan pengurusan kekayaan, menggunakan AI di atas data pasaran berlesen;
- AI co-pilot untuk staf dalaman: penyediaan draf laporan risiko atau ringkasan dokumen regulatori;
- Analitik portfolio pelanggan dengan penjelasan risiko/ganjaran dalam bahasa yang mudah untuk RM dan penasihat.
Mulakan dengan skop jelas, kumpulan pengguna terhad, dan metrik yang konkrit (masa penulisan laporan, masa penyelidikan, kadar penggunaan, maklum balas pengguna).
2. Bangunkan strategi data pasaran
Tanpa data yang "AI-ready", integrasi seperti LSEG–ChatGPT ini sukar dicapai.
Soal diri anda:
- Di mana data pasaran utama anda disimpan sekarang?
- Format apa? Siapa pemiliknya secara dalaman?
- Bagaimana lesen data anda membenarkan penggunaan bersama AI perusahaan?
Pelaburan dalam data katalog, data cleansing dan metadata management sering kurang glamor, tetapi inilah asas untuk sebarang projek AI yang serius.
3. Bentuk kerangka governance AI
Sebelum projek terlalu besar, lebih baik ada asas:
- polisi dalaman tentang penggunaan AI generatif,
- garis panduan keselamatan dan privasi data,
- keperluan semakan manusia (human-in-the-loop) untuk output tertentu,
- kerangka pemantauan dan audit.
Ini membantu mengelak situasi di mana pasukan inovasi bergerak terlalu laju sehingga berkonflik dengan risiko dan pematuhan.
4. Latih orang, bukan hanya beli teknologi
Teknologi seperti ChatGPT Enterprise atau platform AI lain kini agak mudah diakses. Perbezaannya datang daripada kecekapan orang yang menggunakannya.
Saya sering nampak organisasi yang:
- melabur besar pada platform,
- tetapi tak melabur secukupnya pada latihan, panduan penggunaan, dan perubahan cara kerja.
Latihan yang baik bukan hanya "cara guna interface", tetapi juga:
- cara bina prompt yang baik untuk kes kewangan,
- cara semak dan sahkan output model,
- contoh kes realistik dalam konteks fungsi masing-masing (risiko, pasaran modal, insurans, fintech lending, dan lain-lain).
Ke Mana Arah AI Dalam Data Pasaran Menjelang 2026?
LSEG menjenamakan strateginya sebagai “LSEG Everywhere” – menempatkan AI dan data mereka di mana-mana pelanggan bekerja. Nomura pula melihat AI generatif sebagai asas kepada model nasihat dan perkhidmatan baru.
Jika kita kaitkan dengan landskap Malaysia dan Asia Tenggara:
- Bank besar akan semakin menggabungkan data pasaran global dengan data pelanggan dalaman untuk model risiko dan peluang yang lebih halus.
- Syarikat insurans boleh gunakan gabungan data pasaran, makroekonomi dan data portfolio untuk stres ujian (stress testing) yang lebih pintar.
- Fintech akan menolak sempadan dalam pelaburan runcit, robo-advisor dan analitik kekayaan dengan penjelasan yang lebih telus dan mudah difahami.
Yang membezakan pemain yang memimpin dan yang tertinggal bukan lagi "ada AI atau tidak", tetapi:
Sejauh mana mereka menggabungkan AI dengan data yang betul, kawal selia yang kukuh, dan pasukan yang dilatih untuk guna AI sebagai rakan strategik – bukan alat permainan teknologi.
Bagi organisasi kewangan di Malaysia yang serius tentang 2026 dan seterusnya, soalan yang patut ditanya minggu ini bukan lagi "perlu guna AI atau tidak?", tetapi:
"Use case pertama kita yang benar-benar bernilai tinggi – seperti yang dilakukan LSEG dan Nomura – apa, dan bila kita nak mula?"