AI Pelbagai Agen: Perisai Baharu Risiko Iklim Bank

Pada 2023, Bank Negara Malaysia melaporkan lebih RM800 juta kerugian ekonomi tahunan berkaitan bencana banjir dan cuaca ekstrem. Sebahagian besar risiko ini akhirnya mengalir ke buku pinjaman bank, portfolio insurans, dan syarikat kewangan lain.

Kebanyakan institusi kewangan sudah guna AI untuk fraud detection, skor kredit dan chatbot. Tetapi bila masuk bab risiko alam sekitar dan iklim, ramai masih bergantung pada Excel, laporan PDF dan data sejarah yang tak lagi relevan dengan realiti cuaca 2025 dan seterusnya. Di sinilah konsep multi-AI system mula jadi kritikal.

Artikel ini mengangkat idea yang diketengahkan oleh NatureMind AI – pemenang hackathon Sustainable Finance.live – dan menterjemahkannya ke konteks bank, insurans dan fintech di Malaysia. Fokusnya: bagaimana sistem AI pelbagai agen boleh membantu sektor kewangan mengurus risiko banjir, panas melampau, dan gangguan infrastruktur yang semakin kerap.

Saya akan huraikan:

• Kenapa model risiko tradisional tak lagi cukup
• Apa sebenarnya yang dimaksudkan dengan multi-AI system dalam risiko alam sekitar
• Bagaimana bank dan insurans boleh guna pendekatan ini secara praktikal
• Langkah permulaan yang realistik untuk organisasi di Malaysia

---

Mengapa Model Risiko Tradisional Gagal Hadapi Risiko Alam Sekitar

Risiko alam sekitar bergerak lebih cepat daripada model sejarah. Itu masalah utama bank dan insurans hari ini.

1. Infrastruktur dibina atas data yang sudah lapuk

NatureMind AI menekankan bahawa banyak infrastruktur – empangan, jalan raya, kawasan perumahan, malah cawangan bank dan pusat data – direka berdasarkan data sejarah, bukan unjuran senario masa depan.

Dalam konteks Malaysia:

• Kawasan yang dulu “jarang banjir” kini menjadi lokasi banjir tahunan
• Gelombang haba menjejaskan talian elektrik, pusat data, dan kesihatan pekerja lapangan
• Tanah runtuh menjejaskan aset bercagar seperti rumah, kilang dan ladang

Model risiko kredit dan risiko operasi bank biasanya tidak dihubungkan secara dinamik dengan perubahan pola cuaca dan degradasi alam sekitar ini.

2. Institusi kecil tak cukup kapasiti dan masa

Ramai pemain kecil – koperasi kredit, insurans am berskala sederhana, fintech pinjaman mikro – tak ada pasukan data sains besar atau bajet konsultan jutaan ringgit untuk membina model iklim yang kompleks.

Biasanya mereka:

• Guna parameter standard industri, tanpa penyesuaian lokal
• Bergantung pada laporan umum (contoh: indeks risiko banjir nasional) yang terlalu kasar
• Tiada masa untuk “mendalami” intervensi berasaskan alam (nature-based solutions)

Akibatnya, mereka default kepada pendekatan tradisional: tambah margin risiko secara kasar, kurangkan pendedahan di kawasan tertentu, atau sekadar ikut arahan pengawal selia secara minimum.

3. Regulator mula mendesak pendedahan risiko iklim

Tren global dan serantau jelas:

• Kerangka seperti TCFD dan TNFD semakin dijadikan rujukan
• Bank pusat dan pengawal selia minta stress test iklim dan laporan pendedahan alam sekitar

Untuk Malaysia, ini bermaksud bank dan insurans perlu:

• Menunjukkan bagaimana risiko alam sekitar diukur, dimodel dan diurus
• Membuktikan konsistensi antara strategi risiko, harga produk dan pendedahan sebenar

Tanpa alat yang lebih pintar dan automatik, keperluan pelaporan ini akan jadi beban besar.

---

Apa Itu Multi-AI System Dalam Risiko Alam Sekitar?

Multi-AI system dalam konteks risiko alam sekitar ialah pendekatan di mana beberapa model AI khusus bekerjasama, bukannya satu model besar cuba buat semuanya.

NatureMind AI memberi gambaran mudah: mereka gabungkan pelbagai sumber maklumat risiko cuaca dan alam sekitar, kemudian menggunakan lapisan AI dan caching untuk jadikan sistem itu pantas, kos efektif dan mudah digunakan oleh organisasi yang kurang sumber.

Secara praktikal, untuk sektor kewangan, multi-AI system biasanya melibatkan:

1. AI data cuaca dan geospatial

Model ini fokus kepada:

• Ramalan hujan lebat, banjir, suhu ekstrem
• Peta risiko banjir, tanah runtuh, hakisan pantai
• Data satelit, dron dan sensor tempatan

Output utama: peta risiko alam sekitar yang dinamik, boleh dihubungkan dengan kod pos, bandar, atau koordinat GPS aset cagaran.

2. AI risiko kewangan

Model ini menghubungkan risiko alam sekitar tadi dengan:

• Risiko lalai pinjaman (PD) dan kerugian bila lalai (LGD)
• Premium insurans, had perlindungan dan pengecualian
• Risiko operasi: cawangan terjejas, ATM rosak, pusat data tergendala

Output utama: indikator risiko kewangan yang boleh disuap terus ke dalam sistem skor kredit, pricing insurans, dan limit pengunderaitan.

3. AI penjelasan & sokongan keputusan (explainability)

Model ini membantu:

• Menjelaskan kepada pegawai risiko dan pengurusan: kenapa sesuatu kawasan dianggap tinggi risiko
• Mencadangkan intervensi – contoh: bina tembok banjir, tanam semula hutan bakau, tukar reka bentuk parit
• Menghasilkan ringkasan mesra manusia untuk laporan pengarah, jawatankuasa risiko dan regulator

Tanpa lapisan ini, AI sering dilihat sebagai “black box” dan sukar diadopsi.

4. Caching layer untuk kurangkan kos dan latensi

NatureMind AI menyebut penggunaan caching layer untuk:

• Menyimpan hasil panggilan API yang kerap (contoh: risiko banjir untuk kawasan Bangi, Shah Alam, Kota Bharu)
• Mengurangkan kos API cuaca / geospatial yang biasanya dibayar per panggilan
• Mempercepatkan respon sistem agar sesuai untuk kegunaan operasi harian (bukan sekadar analisis tahunan)

Ringkasnya: multi-AI system ini menggabungkan beberapa kepakaran AI (cuaca, kewangan, penjelasan) dan lapisan teknikal (caching, integrasi API) menjadi satu platform yang bank dan insurans boleh gunakan tanpa perlu bina semuanya dari kosong.

---

Bagaimana Bank dan Insurans Boleh Guna Multi-AI Untuk Risiko Alam Sekitar

Untuk sektor kewangan di Malaysia, multi-AI system bukan sekadar teori. Ia boleh ditanam terus ke dalam proses utama: kredit, insurans, dan pengurusan risiko operasi.

1. Pengurusan risiko kredit hartanah & PKS

Masalah hari ini: keputusan pembiayaan hartanah dan PKS banyak bergantung pada data kewangan pemohon, nilai pasaran semasa dan rating dalaman. Risiko banjir atau tanah runtuh kawasan tersebut sering hanya dirujuk secara kasar, jika dirujuk langsung sekalipun.

Dengan multi-AI system, bank boleh:

• Semak skor risiko alam sekitar automatik setiap kali pegawai memasukkan alamat cagaran
• Laraskan parameter model risiko kredit (PD, LGD) berdasarkan skor tersebut
• Membezakan antara:
  • Kawasan yang tinggi risiko tetapi ada pelan mitigasi (contoh: tebatan banjir kerajaan dalam pembinaan)
  • Kawasan tinggi risiko tanpa sebarang pelan mitigasi

Ini menghasilkan:

• Harga pembiayaan yang lebih tepat – pelanggan di kawasan rendah risiko tak perlu subsidi yang berisiko tinggi
• Keputusan “go / no-go” yang lebih adil dan konsisten

2. Underwriting & pricing insurans am

Bagi syarikat insurans, multi-AI system boleh dihubungkan ke portal ejen dan sistem quotation seperti berikut:

• Ejen masukkan alamat dan jenis bangunan
• Sistem panggil AI cuaca & geospatial untuk skor risiko banjir / ribut / tanah runtuh
• AI risiko kewangan terjemah skor itu kepada:
  • Premium tambahan
  • Deduktibel khusus kawasan
  • Keperluan mitigasi (contoh: mesti pasang pam air, bina benteng kecil, dll.)

Ini membantu syarikat insurans:

• Kurangkan anti-selection (pelanggan paling berisiko membeli polisi termurah)
• Menggalakkan pelanggan melabur dalam intervensi berasaskan alam (nature-based interventions) sebagai syarat atau diskaun premium

3. Stress test iklim & laporan kepada regulator

Untuk memenuhi permintaan pengawal selia dan lembaga pengarah, multi-AI system boleh menjawab soalan seperti:

• Bagaimana nisbah NPL akan berubah jika banjir besar berlaku di Lembah Klang setiap 3 tahun?
• Berapa banyak ekuiti perlu diketepikan jika suhu purata meningkat 2°C menjelang 2040?
• Cawangan mana paling kritikal terdedah kepada banjir / gangguan bekalan elektrik?

AI boleh menjana:

• Senario kuantitatif yang jelas
• Visualisasi peta pendedahan aset
• Laporan ringkas dalam bahasa yang mudah difahami untuk jawatankuasa risiko

Ini jauh lebih cekap berbanding simulasi manual sporadik yang hanya dibuat bila ada arahan khas.

4. Operasi harian dan perancangan infrastruktur bank

Multi-AI system juga boleh digunakan secara operasi, bukan sekadar “exercise compliance”:

• Notifikasi awal kepada pasukan operasi jika ramalan hujan lebat melanda kawasan pusat data
• Cadangan penutupan sementara cawangan tertentu bila banjir diramal mencapai paras kritikal
• Perancangan lokasi ATM, cawangan baharu dan pusat panggilan berdasarkan gabungan potensi pasaran dan risiko alam sekitar

Bank yang buat ini lebih awal akan jauh lebih bersedia berbanding pesaing bila bencana berlaku.

---

Langkah Praktikal Untuk Institusi Kewangan di Malaysia

Kebanyakan organisasi tak perlu terus melonjak ke platform AI mega. Yang penting: mula secara fokus dan berperingkat.

1. Mulakan dengan satu kes guna yang jelas

Pilih satu bidang yang:

• Kesan kewangannya jelas (contoh: portfolio pembiayaan hartanah runcit, atau produk insurans kebakaran)
• Data asas sudah wujud (alamat, jenis aset, nilai pasaran)
• Ada pemilik proses yang jelas (contoh: Ketua Risiko Kredit Runcit, Ketua Underwriting)

Tentukan objektif konkrit, contohnya:

• Turunkan kerugian berkaitan banjir sebanyak 20% dalam 3 tahun
• Integrasi skor risiko alam sekitar dalam 100% permohonan pembiayaan rumah

2. Guna kombinasi model sedia ada + AI khusus

Anda tak perlu membina semua dari kosong. Pendekatan yang saya lihat paling praktikal:

• Guna sumber data cuaca / geospatial sedia ada (antaranya penyedia data komersial atau agensi kerajaan, bergantung pada akses)
• Tambah model AI tempatan yang dilatih dengan sejarah kerugian sebenar bank / insurans anda
• Letakkan caching layer di tengah untuk:
  • Kurangkan kos panggilan API berulang
  • Pastikan prestasi stabil bila volum permohonan naik (contoh musim promosi pembiayaan rumah)

3. Pastikan aspek governans dan kebolehjelasan (explainability)

Untuk meyakinkan pengurusan dan regulator, anda perlukan:

• Dokumentasi jelas: data apa digunakan, model mana buat apa
• Ringkasan manusiawi: “Kenapa permohonan ini diklasifikasikan risiko alam sekitar sederhana?”
• Polisi dalaman tentang bagaimana AI menyokong, bukan menggantikan, keputusan manusia

Saya selalu sarankan supaya pasukan risiko, IT dan perniagaan duduk sekali merangka kerangka governans AI risiko alam sekitar sebelum projek berskala besar dimulakan.

4. Bangunkan kemahiran dalaman secara bertahap

Multi-AI system bukan semata-mata projek vendor. Untuk jangka panjang, organisasi perlu:

• Melatih risk analyst supaya celik data dan faham asas model AI
• Melatih data engineer dan data scientist tentang spesifik domain perbankan / insurans dan risiko iklim
• Mengadakan latihan berkala untuk pengurusan tentang trend TNFD / TCFD dan implikasi ke atas strategi perniagaan

Bank dan insurans yang menang 5–10 tahun akan datang bukan semata-mata yang paling besar, tetapi yang paling cepat membina keupayaan AI risiko secara dalaman.

---

Kenapa Multi-AI Penting Dalam Naratif AI di Sektor Kewangan

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)”, kita sering bercakap tentang AI untuk fraud, chatbot, dan analitik pelaburan. Tetapi risiko alam sekitar dan iklim sedang menjadi medan ujian baharu yang membezakan siapa yang benar-benar serius tentang transformasi digital.

Beberapa perkara yang saya rasa jelas hari ini:

1. Risiko alam sekitar sudah menjadi risiko kewangan teras, bukan isu ESG pinggiran.
2. Model risiko tradisional yang hanya bergantung pada data sejarah tak lagi memadai.
3. Multi-AI system memberikan pendekatan lebih realistik: pecahkan masalah besar kepada beberapa AI khusus, kemudian gabungkan melalui seni bina yang cekap dan terkawal.
4. Bank, insurans dan fintech di Malaysia yang mula awal dalam bidang ini akan:
   • Kurangkan kerugian bencana
   • Harga produk dengan lebih tepat dan adil
   • Lebih bersedia memenuhi kehendak pengawal selia dan pelabur global

Jika organisasi anda sudah melabur besar dalam AI untuk fraud, kredit dan operasi, langkah logik seterusnya ialah membawa AI ke meja risiko alam sekitar dan iklim. Bukan sahaja untuk memenuhi tuntutan regulator, tetapi untuk melindungi neraca dan pelanggan anda daripada kejutan cuaca yang semakin sukar dijangka.

Persoalannya bukan lagi “perlukah kita buat?”, tetapi berapa cepat anda mahu multi-AI system ini menjadi sebahagian daripada jantung pengurusan risiko institusi anda.