Multi-AI & Risiko Alam: Strategi Baharu Bank & Insurans

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

Bank dan insurans semakin guna sistem Multi-AI untuk memasukkan risiko alam ke dalam model risiko kewangan. Tanpa langkah ini, model tradisional mula ketinggalan.

AI perkhidmatan kewanganmodel risiko bankinsurans & iklimmulti-AIsustainable financerisiko alamanalitik data
Share:

Multi-AI & Risiko Alam: Cara Bank dan Insurans Mengubah Model Risiko

Dalam 10 tahun terakhir, kerugian ekonomi global akibat bencana alam dianggarkan melebihi ratusan bilion dolar setahun. Di Asia Tenggara, banjir besar dan gelombang haba bukan lagi kejadian “luar biasa” – ia semakin menjadi kebiasaan. Untuk bank dan syarikat insurans, ini bukan lagi isu CSR semata-mata; ini isu survival model risiko mereka.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech), satu tema yang semakin jelas: AI bukan hanya untuk chatbots dan fraud detection. AI mula duduk di tengah enjin utama – modell risiko kewangan. Dan satu pendekatan yang makin menonjol ialah penggunaan sistem Multi-AI untuk memahami dan mengurus risiko berkaitan alam semula jadi (nature-related risks) seperti banjir, kemarau, tanah runtuh dan gelombang haba.

Artikel ini menggunakan idea daripada kes NatureMind AI – pemenang Sustainable Finance.live hackathon – sebagai titik rujukan, dan menerjemahkannya ke dalam konteks bank, insurans dan fintech di Malaysia. Fokusnya: bagaimana sistem Multi-AI boleh mengurangkan pendedahan risiko alam dan memperkukuh model risiko kewangan anda.

Kenapa Model Risiko Tradisional Bank Tak Lagi Cukup

Masalah utama model risiko tradisional ialah terlalu bergantung pada data sejarah sedangkan iklim sedang berubah lebih cepat daripada corak masa lalu.

Kebanyakan infrastruktur fizikal, polisi pinjaman dan produk insurans dibina atas andaian bahawa masa depan lebih kurang sama dengan masa lalu. Itu memang logik kalau iklim stabil. Tapi sekarang:

  • Kawasan yang sebelum ini jarang banjir, mula banjir setiap 2–3 tahun
  • Gelombang haba menjejaskan produktiviti pekerja dan operasi aset
  • Kemarau mempengaruhi hasil pertanian, yang kemudian mempengaruhi kebolehan bayar balik pinjaman

Untuk bank dan insurans, ini bermaksud:

  • Model kredit-risiko yang bergantung semata-mata pada PD (probability of default) sejarah jadi underestimate risiko sebenar.
  • Model insurans am (banjir, kebakaran, projek infrastruktur) gagal menangkap kekerapan dan keterukan kejadian baharu.
  • Stress test iklim yang dibuat secara manual atau sekali-sekala tak lagi memadai untuk pengurusan risiko harian.

Realitinya, risiko alam tak lagi kategori “risiko luaran jarang berlaku”. Ia sudah masuk ke core risiko kewangan harian.

Di sinilah AI – dan lebih spesifik, sistem Multi-AI – mula mengubah permainan.

Apa Itu Sistem Multi-AI Dalam Konteks Kewangan

Sistem Multi-AI ialah pendekatan di mana beberapa model AI khusus digabungkan dalam satu rangka kerja untuk menjawab soalan risiko yang kompleks. Bukan satu model besar buat semua, tetapi beberapa model yang saling melengkapi.

Dalam konteks bank dan insurans yang berhadapan risiko alam, komponen Multi-AI biasanya merangkumi:

1. AI Cuaca & Iklim

Model AI yang menganalisis:

  • Data ramalan cuaca jangka pendek (hari/minggu)
  • Proyeksi iklim jangka sederhana dan panjang
  • Corak ekstrem seperti El Niño/La Niña

Tujuannya: menukar data cuaca mentah kepada indikator risiko – contohnya skor kebarangkalian banjir bagi sesuatu kawasan dalam 12 bulan akan datang.

2. AI Geospatial & Infrastruktur

Model yang gunakan:

  • Data satelit
  • Peta ketinggian tanah
  • Peta rangkaian jalan, utiliti, sungai
  • Lokasi aset fizikal (cawangan, tapak projek, rumah pelanggan, kilang penyewa pinjaman korporat)

Tujuannya: memetakan di mana aset terdedah dan apa kesan jika sesuatu kejadian berlaku (banjir 1m vs 2m, contohnya).

3. AI Risiko Kewangan

Model kredit dan risiko pasaran yang sedia ada, tetapi diperkaya dengan:

  • Input risiko alam (nature risk factor)
  • Senario iklim (climate scenarios) yang dijana oleh AI lain dalam sistem Multi-AI

Tujuannya: menerjemahkan risiko fizikal alam kepada metrik kewangan seperti Expected Loss, Economic Capital, harga premium, harga produk dan limit pembiayaan.

4. AI Penerangan & Keputusan (Explainability Layer)

Lapisan AI yang fokus untuk:

  • Terangkan mengapa sesuatu skor risiko meningkat
  • Hasilkan ringkasan mesra manusia untuk CRO, ALCO, Jawatankuasa Risiko dan Lembaga Pengarah

Ini penting untuk pemenuhan keperluan audit, pengawal selia dan pelabur yang mahu bukti bahawa model risiko bukan “black box”.

Kes NatureMind AI: Dari Risiko Cuaca ke Keputusan Kewangan

Dalam hackathon Sustainable Finance.live, pasukan NatureMind AI menonjolkan beberapa isu yang sangat dekat dengan realiti bank dan insurans:

  1. Infrastruktur dan aset direka berdasarkan data sejarah, bukan senario masa depan.
  2. Organisasi kecil dan sederhana tak ada masa dan kepakaran untuk menilai intervensi berasaskan alam (nature-based solutions).
  3. Keputusan akhirnya sering kembali kepada infrastruktur tradisional yang mungkin lebih mahal, kurang fleksibel dan kurang tahan terhadap perubahan iklim.

Mereka mencadangkan penyelesaian Multi-AI yang:

  • Mengumpul data daripada pelbagai sumber (cuaca, geospatial, hidrologi, sosioekonomi)
  • Menghasilkan analisis risiko banjir, gelombang haba dan lain-lain secara automatik
  • Menggunakan lapisan caching untuk mengurangkan kos API dan latency supaya sistem kekal pantas dan murah untuk dioperasikan

Jika kita pindahkan idea ini ke dunia bank dan insurans di Malaysia, bayangkan beberapa kegunaan seperti:

Contoh 1: Bank Komersial & Pembiayaan Perumahan

  • Sistem Multi-AI menilai risiko banjir setiap permohonan pinjaman rumah berdasarkan lokasi sebenar rumah (bukan hanya poskod umum).
  • Jika risiko tinggi dalam 10–20 tahun, model kredit menambah premium risiko ke dalam harga faedah atau menghadkan LTV.
  • Bank boleh menyediakan pilihan pembiayaan tambahan untuk pemilik rumah memasang intervensi seperti benteng banjir kecil atau landscaping yang mengurangkan larian air.

Contoh 2: Insurans Am & Polisi Banjir

  • Syarikat insurans menggunakan Multi-AI untuk menilai risiko banjir terkini dan masa depan untuk seluruh portfolio.
  • Premium disesuaikan mengikut mikro-lokasi dan ciri bangunan, bukan hanya zon besar.
  • Untuk pelanggan korporat, insurans boleh cadangkan intervensi alam (contoh: kolam takungan, pemulihan kawasan hijau) dan beri diskaun premium jika langkah pencegahan diambil.

Dalam kedua-dua contoh, sistem Multi-AI bukan sekadar alat analitik, tetapi enjin produk baharu dan pembezaan pasaran.

Bagaimana Multi-AI Mengurangkan Kos, Risiko Operasi dan Kebergantungan Manual

Satu isu yang ramai pengamal risiko risau: “AI akan tambah lagi lapisan sistem, lagi banyak API, lagi mahal dan kompleks.”

Pendekatan yang baik, seperti digariskan oleh NatureMind AI, biasanya mengandungi beberapa prinsip praktikal:

1. Penggunaan Caching Layer

Caching bermaksud menyimpan sementara keputusan pertanyaan yang kerap digunakan supaya:

  • Respons AI lebih pantas (critical untuk operasi harian bank/insurans)
  • Kos API pihak ketiga menurun kerana tak ulang panggilan untuk data yang sama

Sebagai contoh:

  • Skor risiko banjir bagi satu kawasan perumahan tidak berubah setiap minit. Bank boleh cache skor itu dan kemas kini hanya mengikut kekerapan yang relevan (contoh: bulanan atau suku tahunan).

2. Penyusunan Semula Proses, Bukan Tambah “Kotak Hitam” Baharu

Multi-AI yang berkesan akan:

  • Disepadukan dengan sistem core banking, policy administration system atau loan origination system sedia ada
  • Mengeluarkan output dalam format yang mesra model risiko kewangan (contoh: parameter tambahan ke dalam model IFRS 9 atau model RBC)

Ini menyelamatkan organisasi daripada sindrom “dashboard cantik tapi tak masuk ke proses utama”.

3. Pengurangan Keperluan Kepakaran Teknikal Di Barisan Hadapan

Ramai organisasi kecil dan sederhana – termasuk bank komuniti, takaful kecil, fintech – tak ada jabatan dalaman khas pakar iklim.

Sistem Multi-AI yang direka dengan baik:

  • Mengautomasi sebahagian besar analisis teknikal cuaca, geospatial dan hidrologi
  • Menyediakan ringkasan risiko yang boleh difahami pegawai kredit, underwriter dan pengurus cawangan

Hasilnya: risiko alam dimasukkan ke dalam keputusan harian tanpa menambah beban analisis manual.

Rangka Kerja Praktikal Untuk Bank, Insurans & Fintech di Malaysia

Ada tiga soalan utama yang saya selalu cadangkan kepada bank dan insurans bila mula serius tentang Multi-AI untuk risiko alam.

1. Di Mana Portfolio Anda Paling Terpukul Jika Iklim Jadi Lebih Ekstrem?

Contoh pendekatan:

  • Kenal pasti top 10 segmen pendedahan: perumahan pinggir sungai, kilang di kawasan tanah rendah, ladang, projek infrastruktur awam.
  • Peta lokasi aset (collateral, tapak projek, cawangan) dengan data banjir bersejarah dan peta risiko masa depan.

Ini memberi senarai keutamaan di mana Multi-AI paling cepat beri impak.

2. Data Apa Yang Anda Sudah Ada, dan Data Apa Perlu Diimport?

Biasanya bank/insurans sudah ada:

  • Data lokasi pelanggan (alamat, koordinat jika ada)
  • Data produk, baki, prestasi bayaran

Data yang lazimnya perlu dari luar:

  • Data cuaca & iklim
  • Data geospatial & hidrologi
  • Data demografi dan penggunaan tanah

Sistem Multi-AI yang baik akan menggabungkan kedua-dua set data ini untuk membina model risiko yang lebih kaya.

3. Bagaimana Anda Mahu Integrasi Dengan Model Risiko Sedia Ada?

Agar projek ini tak jadi silo, pastikan awal-awal:

  • Unit Risiko, IT, Perniagaan dan Kewangan sepakat tentang kegunaan output Multi-AI
  • Ada pelan jelas untuk masukkan faktor risiko alam ini ke dalam:
    • Model kredit (PD, LGD)
    • Pricing premium insurans
    • Limit pembiayaan dan kawalan portfolio
    • Proses early warning dan koleksi

Multi-AI hanya berharga jika ia menukar cara anda membuat keputusan – bukan sekadar menambah satu lagi laporan yang tiada siapa guna.

Masa Depan: Dari “Risk Mitigation” ke “Nature-Positive Finance”

Buat masa ini, kebanyakan bank dan insurans melihat AI dan data alam untuk satu tujuan: kurangkan kerugian dan lindungi modal. Itu langkah pertama yang betul.

Tetapi ada satu fasa seterusnya yang sangat menarik, terutama untuk pasaran seperti Malaysia yang kaya sumber semula jadi:

  • Menggunakan Multi-AI untuk mengenal pasti peluang pembiayaan projek yang meningkatkan ketahanan alam – contoh, pemulihan hutan paya bakau yang mengurangkan risiko banjir pesisir.
  • Menghubungkan petani, pemilik tanah dan pemaju projek dengan pelabur institusi melalui platform yang boleh menunjukkan, dengan data AI, bagaimana sesuatu projek mengurangkan risiko alam dan meningkatkan stabiliti aliran tunai.

Ini bukan lagi tentang “kurangkan pendedahan”. Ini tentang mencipta aset baharu yang lebih tahan, lebih hijau dan lebih menarik untuk pelabur jangka panjang.

Penutup: Jika Model Risiko Anda Abaikan Alam, Anda Sedang Ketinggalan

Jika syarikat anda serius tentang AI dalam perkhidmatan kewangan – sama ada untuk bank, insurans atau fintech – sudah tiba masa risiko alam dimasukkan ke dalam perbincangan model risiko, bukan hanya laporan ESG.

Sistem Multi-AI memberikan cara yang lebih realistik dan berasaskan data untuk:

  • Menghubungkan perubahan iklim dengan pembiayaan, premium dan modal
  • Mengurangkan kebergantungan kepada analisis manual yang lambat dan terpisah
  • Mewujudkan produk kewangan baharu yang lebih relevan dengan dunia yang semakin ekstrem cuacanya

Langkah praktikal seterusnya?

  • Mulakan pilot kecil di satu portfolio berisiko tinggi (contoh: pembiayaan perumahan banjir atau insurans harta komersial).
  • Bina pipeline data dan satu atau dua modul AI khusus (cuaca + geospatial) sebelum bercita-cita besar.
  • Libatkan pasukan risiko, IT dan perniagaan dari hari pertama supaya sistem Multi-AI benar-benar menjadi sebahagian daripada enjin keputusan anda.

Masa depan model risiko kewangan bukan sekadar lebih banyak data kewangan; ia bergantung kepada bagaimana baik anda memahami alam di sekeliling aset anda. Multi-AI ialah cara paling praktikal untuk merapatkan jurang itu – sebelum pasaran dan pengawal selia memaksa anda berbuat demikian.