Projek AI bank tak gagal kerana model lemah, tapi kerana seni bina data legasi. Ketahui rangka empat lapis untuk jadikan data asas kukuh bagi AI kewangan.
Kenapa Projek AI Bank Terkandas Walau Belanja Juta-Juta
Hampir setiap bank besar di Malaysia hari ini ada bajet AI: sistem pengesanan penipuan, pemarkahan kredit automatik, analitik kekayaan, chatbot dan sebagainya. Tetapi bila masuk fasa produksi, ramai eksekutif mula sedar sesuatu yang pedih: bukan model AI yang gagal — seni bina data bank itu sendiri yang rosak.
Dalam banyak bank tradisional, data pelanggan masih berpecah dalam sistem era 1990-an. Satu profil pelanggan boleh wujud dalam 10–20 sistem berbeza. Untuk dunia 2026, ini macam cuba bina aplikasi super di atas talian dial‑up.
Artikel ini fokus pada realiti itu: AI dalam perbankan, insurans dan fintech hanya sekuat seni bina data di belakangnya. Kita akan lihat:
- Kenapa seni bina data lama sabotaj inisiatif AI
- Rangka empat lapis data–AI–governans yang praktikal untuk institusi kewangan
- Contoh kegunaan di bank, insurans dan fintech di Malaysia
- Pelan fasa pelaksanaan 18 bulan yang realistik
1. Masalah Sebenar: Data Berpecah, Keputusan Buta
Untuk AI berfungsi, ia perlukan data yang lengkap, bersih, dan hampir masa nyata. Kebanyakan bank pula hidup dengan tiga masalah utama.
1.1 Data pelanggan berpecah di merata sistem
Senario tipikal di bank:
- Transaksi akaun simpanan di satu sistem core banking
- Kad kredit di sistem lain
- Pembiayaan rumah di platform berasingan
- Rekod insurans / takaful di sistem rakan strategik
- Maklumat e-wallet dan super app di platform digital lain
Sistem-sistem ini jarang berkomunikasi masa nyata. Akibatnya:
- Keputusan kredit buta – Model hanya nampak sebahagian risiko pelanggan
- Risiko penipuan lambat dikesan – Corak rentas produk tak kelihatan
- Tiada personalisasi – Semua pelanggan nampak tawaran yang sama dalam app
Dalam pasaran Malaysia yang semakin kompetitif, keadaan ini memang mengundang migrasi pelanggan ke pemain digital‑first yang lebih faham tingkah laku mereka.
1.2 Pemprosesan lambat, AI jadi laporan semalam
Ramai CIO mengaku: model risiko dan laporan analitik mereka masih batch overnight. Data hari ini, keputusan esok. Untuk fraud, risiko pasaran dan pengalaman pelanggan masa nyata, ini tidak boleh diterima.
Bila fraud hanya dikesan 10–20 minit lewat, wang sudah berpindah ke luar negara. Bila pasaran bergerak dalam beberapa saat, portfolio “optimum” yang dikira semalam sudah tidak relevan.
1.3 Kekosongan governans dan kepercayaan
Banyak projek AI kewangan dihasilkan sebagai “black box”:
- Pegawai tak boleh jelaskan kenapa permohonan pembiayaan ditolak
- Tiada pemantauan bias terhadap jantina, bangsa atau umur
- Tiada jejak jelas bagaimana data pelanggan digunakan
Dalam konteks kawal selia Bank Negara Malaysia dan jangkaan pelanggan yang makin peka isu privasi, ini bom jangka reputasi dan pematuhan.
2. Rangka Empat Lapis: Asas Wajib Sebelum AI Agresif
Ada cara yang lebih sihat dari sekadar tambah lagi satu data mart atau lagi satu dashboard. Corak yang saya nampak berkesan di bank dan fintech serantau adalah seni bina empat lapis:
- Lapis 1: Asas Data Bersepadu (Unified Data Foundation)
- Lapis 2: Pemprosesan Pintar Masa Nyata (AI/ML + Streaming)
- Lapis 3: Aplikasi Perniagaan & Automasi
- Lapis 4: Governans, Kejelasan & Privasi
Susunan ini sengaja: AI yang baik mesti duduk di atas data yang kukuh dan governans yang telus.
3. Lapis 1 – Asas Data Bersepadu: Dari 20 Sistem ke Satu Pandangan
Lapis pertama menyelesaikan “krisis fragmentasi” yang menghalang AI perbankan hari ini.
3.1 Data lake moden, bukan gudang data 2005
Pendekatan yang semakin menjadi kebiasaan:
- Bina data lake berasaskan awan yang menggabungkan semua data utama: transaksi, kredit, kad, e-wallet, insurans, data saluran digital
- Gunakan model data umum pelanggan (customer 360) yang konsisten merentasi produk
- Sediakan lapisan akses yang jelas untuk pasukan risiko, pemasaran, pematuhan dan unit perniagaan lain
Kesan praktikal:
- Penganalisis kredit nampak sejarah transaksi penuh, bukan sekadar baki semasa
- Unit risiko nampak corak tekanan tunai sebelum akaun benar‑benar bermasalah
- Unit insurans boleh nilaikan nilai keseluruhan pelanggan di seluruh bank
Dalam pengalaman global, bila bank pindah ke pandangan pelanggan menyeluruh seperti ini, ketepatan ramalan gagal bayar meningkat sekitar 15–25% dalam tahun pertama.
3.2 Pengambilan data masa nyata (streaming)
Data lake sahaja tak cukup kalau data hanya dimuat naik hujung hari. Untuk AI yang menggerakkan keputusan automatik, bank perlu:
- Platform streaming seperti Kafka / Pub/Sub / Kinesis untuk transaksi masa nyata
- Integrasi dengan sistem luaran: bursa, pasaran FX, aggregator e-wallet, data pihak ketiga
- Arkitektur yang boleh memproses beribu acara sesaat dengan latensi beberapa milisaat
Implikasi perniagaan:
- Penurunan mendadak kerugian penipuan kerana transaksi boleh disekat semasa berlaku
- Tindak balas proaktif bila deposit pelanggan jatuh mendadak, bukan tunggu tunggakan
- Penetapan harga dinamik untuk kadar, yuran dan tawaran kempen yang selari keadaan pasaran
3.3 Integrasi data alternatif yang relevan di Malaysia
Untuk pasaran Malaysia, “alternative data” yang mula mendapat tempat termasuk:
- Data pembayaran bil utiliti (TNB, air, telco) sebagai proksi disiplin bayaran
- Data tingkah laku digital dalam super app, e-dagang, dan e-wallet
- Data telematik kenderaan untuk insurans / takaful motor berasaskan penggunaan
Data ini perlu digabung dengan rangka governans yang jelas (persetujuan pelanggan, tujuan penggunaan, kualiti data) sebelum ia diberi makan kepada model AI.
4. Lapis 2 – Pemprosesan Pintar: Di Sini AI Menambah Nilai
Bila asas data sudah bersepadu dan hampir masa nyata, barulah AI dan ML boleh memberikan kesan yang boleh diukur.
4.1 Keputusan kredit masa nyata, tanpa kompromi pematuhan
Dengan data 360 pelanggan, bank boleh:
- Menilai permohonan kredit dalam minit, bukan hari
- Menggunakan model ML yang mempertimbangkan sejarah transaksi, corak gaji, komitmen lain, data utiliti dan tingkah laku digital
- Automatikkan keputusan untuk kes risiko rendah / sederhana, dan rujuk hanya kes kompleks kepada manusia
Ini terus mengurangkan kos pemprosesan kredit dan mengurangkan “drop‑off” pelanggan yang tak sabar menunggu kelulusan.
4.2 Pengesanan penipuan dalam milisaat
Model ML untuk fraud detection yang duduk di atas data streaming boleh:
- Mengesan corak luar biasa (device baru, lokasi luar biasa, jumlah ganjil) dalam milisaat
- Skor risiko transaksi dan blok / cabar hanya yang berisiko tinggi
- Mengurangkan false positive 40–50% berbanding sistem peraturan tradisional
Kesan kepada pelanggan: kurang transaksi sah yang disekat, kurang panggilan ke call centre, lebih kepercayaan kepada bank.
4.3 Risiko, pasaran dan pengurusan modal
Untuk bank pelaburan dan pengurus aset:
- Pengiraan VaR, senario tekanan dan optimasi portfolio yang dahulu ambil jam boleh dikurangkan ke minit
- AI boleh memantau risiko intrahari dan mencadangkan lindung nilai automatik
Buat masa ini, kuasa pengkomputeran tinggi masih datang daripada kluster awan tradisional. Tetapi bank yang sudah menyusun aliran kerja ini secara modular akan lebih bersedia bila komputasi kuantum benar‑benar matang 3–5 tahun lagi.
5. Lapis 3 – Aplikasi Perniagaan: Dari Model ke RM
Ramai organisasi terperangkap di makmal data sains kerana tiada jambatan ke proses perniagaan.
5.1 Personalisasi digital yang pelanggan benar‑benar rasa
Dengan data dan model yang betul, aplikasi perbankan dan fintech boleh:
- Tunjuk had pembiayaan pra‑diluluskan yang relevan dengan profil risiko
- Cadang pelan simpanan, pelaburan atau takaful berdasarkan tujuan hidup yang diperhatikan daripada tingkah laku
- Laras notifikasi kewangan secara pintar supaya pelanggan tak rasa “spam”
Di Malaysia, di mana pelanggan mudah memuat turun app pesaing, pengalaman digital sebegini adalah senjata mempertahankan share of wallet.
5.2 Automasi operasi dan pematuhan
AI di atas seni bina data yang konsisten boleh membantu:
- Automasi semakan AML/CFT dengan rujukan kepada pelbagai senarai pemantauan
- Menjana laporan kawal selia (BNM, LHDN) hampir masa nyata
- Mengurangkan kerja manual di belakang tabir untuk audit dalaman dan syariah
Di sinilah ramai CFO mula nampak ROI sebenar: produktivitI meningkat, masa pasukan pakar digunakan untuk kes bernilai tinggi, bukan kerja rutin.
6. Lapis 4 – Governans, Kejelasan & Privasi: Tanpa Ini, AI Jadi Liabiliti
Semua kecanggihan tadi hanya bernilai jika pelanggan, pengawal selia dan lembaga pengarah percaya kepada sistem.
6.1 AI yang boleh diterangkan (explainable AI)
Untuk produk seperti pembiayaan rumah, kad kredit dan insurans, bank perlu:
- Menyimpan sebab yang jelas kenapa permohonan diluluskan atau ditolak
- Menggunakan model yang lebih mudah diterangkan (contoh: gradient boosting + SHAP) bila perlu
- Mempunyai proses yang membenarkan pelanggan merayu dan manusia menyemak semula keputusan AI
Ini bukan sekadar soal reputasi. Trend global jelas: pengawal selia mahu ketelusan algoritma.
6.2 Pengesanan dan mitigasi bias
Model yang dilatih atas data sejarah mudah mewarisi bias masyarakat. Untuk konteks Malaysia, bank patut:
- Menguji model terhadap kumpulan dilindungi (jantina, umur dan lain-lain mengikut peraturan tempatan)
- Mengukur sama ada terdapat perbezaan ketara dari segi kadar kelulusan atau harga
- Melaras semula model atau ciri input untuk mengurangkan kesan bias tanpa mengorbankan terlalu banyak ketepatan
Ini bukan hanya soal pematuhan; pelanggan makin peka dan mudah berkongsi pengalaman tidak adil di media sosial.
6.3 Privasi-utama dari peringkat reka bentuk
Pendekatan praktikal untuk institusi kewangan:
- “Privacy by design” – Hanya kutip apa yang benar‑benar diperlukan
- Akses data berasaskan peranan dengan kawalan ketat; log semua akses data sensitif
- Polisi penggunaan data pelanggan yang ringkas, mudah difahami dan konsisten rentas produk
Bank yang jelas dan jujur tentang penggunaan data biasanya menang dari segi kepercayaan jangka panjang, terutama generasi muda.
7. Pelan Pelaksanaan 18 Bulan Yang Realistik
Bank, insurans dan fintech tak perlu membina segalanya serentak. Pendekatan bertahap biasanya lebih berjaya.
Fasa 1 (0–6 bulan): Asas & kes perniagaan pantas
- Pilih satu kegunaan bernilai tinggi: kredit runcit, fraud kad, atau risiko underwriting
- Bina data lake minimum untuk domain itu, tarik data utama dari sistem legasi
- Latih model ML pertama; bandingkan ketepatan dan kerugian sebenar vs model lama
Tujuan fasa ini: bukti sebenar bahawa seni bina baharu + AI memberikan impak kewangan yang boleh diukur.
Fasa 2 (6–18 bulan): Skala dan governans
- Luaskan liputan data lake kepada lebih banyak produk dan saluran
- Tambah pengambilan data masa nyata dan data alternatif
- Gulungkan model AI ke beberapa kegunaan lain: cross‑sell, churn, segmentasi
- Bentuk jawatankuasa governans AI yang merangkumi risiko, pematuhan, undang‑undang dan teknologi
Pada ketika ini, AI bukan lagi projek IT — ia sebahagian daripada strategi perniagaan teras.
Fasa 3 (18 bulan ke atas): Strategik & lanjutan
- Teroka blockchain untuk pembayaran rentas sempadan dan trade finance di mana matematiknya jelas berbaloi
- Bangunkan keupayaan R&D untuk komputasi kuantum, walaupun masih awal
- Asah personalisasi omnichannel yang konsisten di cawangan, call centre dan aplikasi digital
Institusi yang sampai ke tahap ini biasanya sudah masuk kelompok 10% teratas dari segi kematangan data & AI di pasaran.
8. Realiti Untuk Malaysia: Siapa Menang 5 Tahun Lagi?
Dalam siri "AI in Financial Services" ini, satu corak sentiasa muncul: kemenangan bukan datang daripada model AI paling hebat, tetapi daripada seni bina data dan governans yang paling sihat.
Untuk konteks Malaysia pada 14/12/2025, jurang antara pemain yang serius tentang seni bina data dan yang hanya “buat pilot AI untuk laporan” semakin luas. Yang di hadapan:
- Menyatukan data pelanggan merentas bank, insurans dan fintech di bawah kumpulan sama
- Melatih model risiko dan fraud yang hidup atas data masa nyata
- Berbincang awal dengan pengawal selia tentang governans AI dan privasi
Yang tertinggal masih menganggap data dan AI ialah isu IT, bukan strategi perniagaan.
Kalau anda berada di bank, insurans, atau fintech dan sedang merancang bajet 2026, soalan paling jujur yang patut ditanya ialah:
“Adakah seni bina data kita cukup matang untuk menyokong semua inisiatif AI yang kita masukkan dalam slaid strategi?”
Jika jawapannya "belum", itu bukan berita buruk — ia hanya bermakna fokus 12–18 bulan akan datang mesti beralih daripada beli lebih banyak alat AI kepada membaiki asas data dan governans. Di situlah kemenangan sebenar bermula.