Dari Bankers Almanac ke AI: Evolusi Data Perbankan

Dari Buku Tebal ke Algoritma: Mengapa Sejarah Data Bank Penting Hari Ini

Pada tahun 1845, seorang pegawai bank di London membuka sebuah buku tebal bernama Bankers Almanac and Directory untuk menyemak butiran bank luar negara sebelum menghantar pembayaran rentas sempadan. Hari ini, tugas yang sama disiapkan dalam milisaat melalui API dan enjin AI yang bersambung ke ribuan institusi kewangan.

Perbezaannya ketara, tapi logiknya sama: tanpa data yang tepat, perbankan tak boleh berjalan dengan selamat. Ini sebabnya evolusi daripada data fizikal ke digital — dan kini ke era AI — sangat penting untuk bank, insurans dan fintech di Malaysia yang sedang berlumba membina perkhidmatan kewangan pintar.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, fokus kita bukan sekadar “digital banking”, tetapi bagaimana sektor kewangan Malaysia bergerak daripada digital kepada perbankan pintar berasaskan AI. Sejarah Bankers Almanac selama 180 tahun memberi cermin yang menarik: masa dulu, data ialah buku. Kini, data ialah bahan api AI.

Artikel ini akan:

• Bandingkan cara bank menggunakan data pada abad ke-19 dengan realiti digital hari ini
• Tunjukkan bagaimana Malaysia sedang melompat ke fasa baharu: dari digital ke pintar
• Kongsi aplikasi praktikal AI dalam KYC, anti-penipuan dan pengalaman pelanggan
• Beri cadangan konkrit untuk bank, insurans dan fintech yang serius tentang AI pada 2025–2026

1. Dari Bankers Almanac ke Core Banking: Evolusi Data Perbankan

Inti perubahan 180 tahun ini mudah: data perbankan berpindah daripada statik, manual dan lambat kepada hidup, masa nyata dan boleh dianalisis oleh AI.

Abad ke-19: Data sebagai buku rujukan

Pada 1845, The Bankers Almanac and Directory digunakan sebagai “buku telefon” global untuk bank:

• Senarai bank dan cawangan di pelbagai negara
• Alamat, koresponden bank, dan butiran akaun
• Maklumat reputasi dan keyakinan pasaran

Pegawai bank akan:

• Membuka buku fizikal
• Mencari nama bank penerima
• Menyemak sama ada bank itu sah dan boleh dipercayai

Ini sebenarnya asas kepada KYC dan pemantauan risiko masa itu, cuma dalam bentuk analog.

Era digital: Sistem terhubung dan data masa nyata

Masuk abad ke-20 dan awal 2000-an, data yang sama berpindah ke:

• Sistem core banking
• SWIFT, sistem pembayaran rentas sempadan
• Pangkalan data rujukan global seperti versi digital Bankers Almanac

Perubahan utama:

• Data boleh dikemas kini hampir masa nyata
• Integrasi dengan sistem lain melalui API
• Kurang ralat manual kerana proses lebih automatik

Namun, banyak bank, termasuk di Malaysia, masih beroperasi dengan data yang berasingan (siloed), laporan lewat dan analitik asas. Di sinilah AI mula mengubah dinamika.

2. Dari Digital ke Pintar: Di Mana Malaysia Sekarang?

Realitinya, kebanyakan bank dan insurans Malaysia sudah “digital”, tapi belum betul-betul “pintar”.

Apa maksud “perbankan pintar” berasaskan AI?

Perbankan pintar bukan sekadar ada aplikasi mudah alih atau buka akaun secara online. Ia bermaksud:

• Data pelanggan, transaksi dan risiko digabungkan dalam satu pandangan menyeluruh
• Model AI menganalisis data tersebut untuk meramal, bukan sekadar melaporkan
• Keputusan dibuat secara automatik dalam beberapa saat, bukan minggu

Contohnya:

• Sistem kredit yang menggunakan ribuan ciri data untuk skor kredit automatik dalam masa kurang 30 saat
• Model anti-fraud yang mengesan corak ganjil sebelum transaksi disahkan
• Enjin cadangan produk insurans yang disesuaikan dengan profil risiko individu

Kedudukan Malaysia pada 2025

Berdasarkan tren rantau ini dan inisiatif Bank Negara Malaysia:

• Bank-bank utama sudah memperuntukkan bajet besar untuk AI dalam pengesanan penipuan, pemodelan risiko dan pematuhan
• Fintech tempatan agresif menggunakan pembelajaran mesin untuk skor kredit alternatif, terutama bagi segmen tidak berbank
• Syarikat insurans meningkatkan penggunaan AI untuk tuntutan (claims) dan underwriting

Namun, ramai pemain masih terperangkap di fasa awal:

• Data asas masih kotor atau tidak konsisten
• Sistem warisan (legacy) sukar diintegrasi
• Pasukan risiko dan compliance ragu-ragu dengan model “kotak hitam” AI

Di sinilah pelajaran 180 tahun Bankers Almanac sangat berguna: kualiti dan tadbir urus data mesti datang dulu, sebelum AI membawa nilai sebenar.

3. Dari Direktori Fizikal ke KYC Pintar: Peranan AI dalam Pematuhan

Cara bank guna Bankers Almanac dulu sangat dekat dengan apa yang kita panggil KYC dan AML hari ini – cuma sekarang skalanya ribuan kali ganda dan mustahil diurus tanpa AI.

KYC dulu vs KYC sekarang

Dulu:

• Bank semak buku atau surat rujukan
• Penilaian reputasi sangat bergantung pada hubungan manusia
• Proses perlahan dan sukar diaudit

Hari ini di Malaysia, KYC melibatkan:

• E-KYC dengan pengesahan wajah, dokumen dan liveness detection
• Semakan terhadap senarai sekatan, PEP (politically exposed persons), dan senarai pengganas global
• Pemantauan berterusan (ongoing due diligence) terhadap corak transaksi

Tanpa AI, semua ini akan:

• Terlampau lambat
• Terlalu mahal dari segi headcount
• Menyebabkan banyak false positive yang mengganggu pelanggan sebenar

Bagaimana AI mengubah KYC dan AML

Beberapa aplikasi praktikal yang sudah digunakan atau sedang dibina oleh bank dan fintech di Malaysia:

1. Pemadanan nama dan entiti (name screening) yang lebih bijak

   • AI boleh mengesan variasi nama, transliterasi dan kesalahan ejaan
   • Mengurangkan false positive untuk nama yang biasa seperti “Mohd”, “Ahmad”, “Fatimah”

2. Model risiko pelanggan dinamik

   • Bukan hanya bergantung pada negara asal atau jenis perniagaan, tapi juga corak transaksi sebenar
   • Risiko dikemas kini secara automatik apabila tingkah laku berubah

3. Pengesanan transaksi mencurigakan secara masa nyata

   • Model pembelajaran mesin mengenal pasti corak kompleks yang manusia tak sempat nampak
   • Contoh: transaksi kecil-kecil tapi kerap ke beberapa akaun luar negara menjelang tarikh tertentu

4. Dokumentasi dan audit AI-ready

   • Model dipantau dan di-log; setiap keputusan boleh dijelaskan semula (model explainability)
   • Ini selari dengan jangkaan pengawal selia yang semakin menekankan AI yang bertanggungjawab

Di sinilah syarikat seperti LexisNexis Risk Solutions dalam video Finextra itu berperanan: mereka bergerak dari buku direktori 1845 kepada pangkalan data rujukan global yang diperkasa AI. Corak ini juga muncul di Malaysia melalui vendor data dan regtech tempatan.

4. Dari Digital Banking ke AI Banking di Malaysia: Aplikasi Nyata

Digital banking hanyalah langkah permulaan. Nilai sebenar untuk bank dan insurans datang apabila proses teras disuntik dengan AI dari hujung ke hujung.

Berikut beberapa kes penggunaan yang paling relevan untuk Malaysia sekarang:

4.1 Pengesanan penipuan dan keselamatan akaun

Bank di Malaysia semakin berdepan:

• Penipuan phishing dan scam telefon
• Pencurian akaun melalui OTP, social engineering dan malware

AI boleh:

• Mengenal pasti transaksi luar kebiasaan mengikut profil individu pelanggan
• Menggabungkan data peranti, lokasi, corak log masuk dan tingkah laku klik
• Mengaktifkan pengesahan tambahan hanya bila perlu, bukan setiap masa

Kesan kepada pelanggan: kurang geseran, lebih selamat.
Kesan kepada bank: kerugian fraud menurun, kos operasi turun, reputasi kukuh.

4.2 Skor kredit automatik dan inklusif

Ramai rakyat Malaysia, terutamanya pekerja gig atau peniaga mikro, kurang data kredit tradisional.

Model AI boleh:

• Guna data alternatif: corak bayaran bil, data transaksi e-dompet, tingkah laku pembayaran sewa
• Memberi skor risiko yang dinamik dan lebih tepat berbanding model statik
• Mempercepat kelulusan pinjaman peribadi dan mikro dalam masa minit, bukannya hari

Di sinilah fintech dan bank Islam juga boleh menyesuaikan model dengan prinsip syariah, termasuk cara menilai keupayaan bayar balik dan mengurus risiko tanpa riba.

4.3 Pengalaman pelanggan melalui chatbot pintar

Chatbot generatif dan agentic AI sudah mampu:

• Jawab soalan kompleks tentang produk pinjaman, insurans atau pelaburan dalam bahasa yang mudah difahami
• Membantu pelanggan isi borang, memuat naik dokumen dan menyelesaikan isu tanpa perlu bercakap dengan ejen
• Beroperasi dalam Bahasa Melayu dan bahasa lain secara semula jadi

Kunci kejayaan di Malaysia:

• Chatbot perlu di-train dengan data dan istilah tempatan, bukan hanya terjemahan dari bahasa lain
• Integrasi penuh dengan sistem dalaman supaya chatbot bukan sekadar “FAQ pintar”, tetapi agen yang boleh bertindak (contoh: tukar alamat surat-menyurat, jadualkan janji temu cawangan)

4.4 Pengurusan risiko dan modal

Untuk bank dan insurans besar, model risiko tradisional kadang-kadang terlalu konservatif atau terlalu kasar.

AI membolehkan:

• Simulasi ribuan senario ekonomi dalam masa singkat
• Model early warning untuk akaun korporat yang mula menunjukkan tanda tekanan kewangan
• Pengoptimuman modal mengikut profil risiko sebenar, bukan anggaran kasar

Hasilnya: pulangan modal lebih baik dan keputusan perniagaan berdasarkan data, bukan semata-mata intuisi.

5. Apa Yang Bank, Insurans & Fintech Malaysia Patut Buat Sekarang

Sejarah 180 tahun data perbankan tunjuk satu perkara: siapa yang mengurus data dengan lebih baik, akan menang. AI cuma mempercepat jurang antara pemenang dan yang tercicir.

Berikut langkah praktikal yang saya rasa paling realistik untuk 12–24 bulan akan datang:

5.1 Betulkan asas data dahulu

Sebelum beli platform AI mahal:

• Audit kualiti data KYC, transaksi dan rujukan pelanggan
• Bersihkan data duplikasi, format tak seragam dan rekod lama
• Wujudkan data dictionary dan pemilik data (data owner) yang jelas

Tanpa ini, model AI anda cuma akan “menggilap lantai yang berdebu”.

5.2 Mula dengan kes penggunaan bernilai tinggi, bukan projek pameran

Pilih 2–3 kes penggunaan yang:

• Jelas memberi impak kewangan (contoh: kurangkan fraud, percepat kelulusan pinjaman, kurangkan call volume)
• Boleh diukur sebelum dan selepas (KPI yang spesifik)
• Boleh disiapkan dalam 3–6 bulan sebagai pilot

Contoh sasaran awal yang popular di Malaysia:

• Fraud detection untuk perbankan runcit
• Skor kredit automatik untuk pinjaman peribadi/SME
• Chatbot pintar untuk contact centre

5.3 Libatkan pasukan risiko & pematuhan dari hari pertama

Ramai projek AI gagal bukan kerana teknologi, tetapi kerana:

• Pasukan risiko rasa AI “tak boleh dijelaskan”
• Pematuhan risau tentang bias, diskriminasi dan model drift

Apa yang berkesan:

• Bentuk jawatankuasa gabungan: risiko, compliance, IT, data dan perniagaan
• Pastikan setiap model boleh diaudit dan ada dokumentasi yang jelas
• Guna alat model governance untuk pantau prestasi, bias dan drift secara berterusan

5.4 Pelaburan dalam bakat hibrid

Malaysia tak cukup bakat yang faham kewangan dan AI serentak. Bank dan insurans yang serius perlu:

• Latih semula (reskill) pegawai risiko, kredit dan audit dengan asas data dan AI
• Ambil data scientist yang benar-benar faham produk kewangan, bukan hanya teori model
• Wujudkan struktur ganjaran yang menggalakkan kerjasama, bukan silo

5.5 Rancang untuk 3–5 tahun, bukan hanya projek tahunan

Trend global jelas:

• Bank antarabangsa sudah bergerak ke arah AI generatif dan agentic untuk kerja dalaman (dokumen, laporan, penyiasatan kes AML)
• Pengawal selia semakin fokus kepada AI yang bertanggungjawab dan kebolehtelusan

Bank, insurans dan fintech Malaysia yang bijak akan:

• Mempunyai roadmap AI bertahap yang jelas (2025, 2026, 2027)
• Menyepadukan AI ke dalam strategi perniagaan, bukan sekadar projek teknologi

Penutup: Dari Ledger ke Algoritma – Peluang Seterusnya Untuk Malaysia

Daripada Bankers Almanac 1845 ke platform rujukan digital dan kini ke model AI yang menapis berbilion transaksi sehari, satu benang merah tak berubah: data ialah nadi industri kewangan. Bezanya, pada 2025, kelajuan dan skala sudah jauh melampaui apa yang manusia boleh kendalikan sendiri.

Malaysia berada pada titik menarik: digital banking sudah menjadi norma, tetapi AI banking baru bermula. Bank, insurans dan fintech yang berani melangkah daripada sekadar “transformasi digital” kepada strategi data dan AI yang matang akan memimpin pasaran – dari pengurusan risiko sampai pengalaman pelanggan.

Persoalannya sekarang bukan lagi “perlukah kita guna AI?”, tetapi:
Sejauh mana cepat anda sanggup bergerak dari buku ke algoritma – sebelum pelanggan dan pesaing yang tentukan jawapannya untuk anda?