Bagaimana AI Menjana Nilai Bilion Dolar untuk Bank

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

RBC menyasar sehingga C$1 bilion nilai tambahan daripada AI. Apa yang bank, insurans dan fintech Malaysia boleh belajar untuk jana ROI AI yang jelas?

AI perbankankecerdasan buatansektor kewangan Malaysiainsurans dan fintechtransformasi digitalrisk modellingfraud detection
Share:

Dari Angka C$1 Bilion ke Strategi AI Bank di Malaysia

Royal Bank of Canada (RBC) menjangka sehingga C$1 bilion kenaikan enterprise value hasil inisiatif AI mereka. Angka ini bukan dari syarikat teknologi, tetapi daripada sebuah bank tradisional yang sangat dikawal selia.

Ini terus menyentak satu persoalan untuk bank, syarikat insurans dan fintech di Malaysia: berapa banyak nilai sebenar yang AI boleh jana jika ia dibuat dengan betul? Bukan sekadar chatbot, tapi nilai yang muncul jelas dalam laporan kewangan, kos operasi dan penilaian pasaran.

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, fokusnya mudah: tunjukkan bagaimana AI memberi pulangan, bukan hanya publisiti. Kisah RBC yang menyasar sehingga C$1 bilion boleh dijadikan rujukan praktikal untuk pasaran Malaysia yang sedang rancak memperuntukkan bajet transformasi digital menjelang 2026.

Artikel ini akan kupas:

  • Bagaimana bank seperti RBC membina kes perniagaan AI bernilai ratus juta hingga bilion
  • Di mana sebenarnya AI menjana nilai dalam operasi bank dan insurans
  • Apa yang bank dan fintech Malaysia boleh tiru – dan apa yang patut dielak
  • Kerangka langkah demi langkah untuk merancang ROI AI yang jelas

Pelajaran Terbesar dari RBC: AI Kena Diikat dengan Nilai Perniagaan

Inti cerita RBC mudah: AI hanya masuk akal bila ia diikat terus dengan metrik kewangan.

Bank besar seperti RBC tidak akan menjerit angka C$1 bilion jika mereka tidak ada:

  • Senarai kes guna AI yang jelas (contoh: penipuan, kredit, operasi)
  • Anggaran penjimatan kos / peningkatan hasil yang boleh diukur
  • Garis masa untuk realise nilai (3–5 tahun, bukan minggu)

Untuk konteks Malaysia, bank-bank utama dan syarikat insurans sudah pun:

  • Menyediakan bajet khusus AI dalam Rancangan IT & Digital 2024–2026
  • Menambah pasukan sains data dan model risk management
  • Menambah penggunaan cloud dan data lake untuk analitik risiko dan pelanggan

Bezanya, tidak semua yang berbelanja besar ini berani menyebut angka sasaran kenaikan enterprise value secara terbuka. RBC berani – dan ini memberikan penanda aras: AI bukan projek percubaan, tapi enjin nilai.

“Bank yang serius tentang AI akan ada angka sasaran nilai, bukan hanya senarai projek.”

Bagi pengurusan di Malaysia, ini bermaksud: kalau bajet AI anda puluhan juta ringgit, tapi tiada sasaran jelas terhadap ROE, kos operasi, atau non-performing loans (NPL), anda belum benar-benar ada strategi AI.

Di Mana AI Sebenarnya Menjana Nilai untuk Bank

AI menjana nilai bank melalui tiga saluran utama: penjimatan kos, peningkatan hasil, dan pengurusan risiko yang lebih ketat. RBC hanya contoh; mekanismenya sama untuk CIMB, Maybank, Bank Islam, Takaful, dan mana-mana fintech.

1. Penjimatan Kos & Kecekapan Operasi

Di sinilah kebanyakan bank bermula kerana kesnya senang diukur.

Beberapa contoh yang telah terbukti berkesan:

  • Automasi pusat panggilan: Chatbot & voicebot AI boleh mengendalikan 20–40% pertanyaan asas pelanggan (baki akaun, status transaksi, blok kad). Jika satu panggilan manusia kos purata RM3–RM5, penjimatan tahunan boleh mencecah puluhan juta untuk bank besar.
  • Automasi proses belakang tabir (RPA + AI): Proses seperti semakan dokumen pembiayaan, pemadanan transaksi, dan rekonsiliasi akaun boleh dikurangkan dari beberapa jam ke beberapa minit.
  • Pengagihan kerja pegawai cawangan: AI boleh ramal foot traffic cawangan, lalu jadualkan staf dengan lebih baik dan kurangkan kerja lebih masa.

RBC, seperti kebanyakan bank global, besar kemungkinan mengunci sebahagian daripada C$1 bilion itu melalui penurunan kos operasi (Cost-to-Income Ratio) yang konsisten, bukan sekali sahaja.

2. Peningkatan Hasil: Jualan yang Lebih Tepat, Bukan Lebih Banyak Spam

AI yang matang tak sekadar “cross-sell lebih banyak produk”. Ia digunakan untuk meningkatkan relevansi.

Contoh aplikasi praktikal:

  • Model cadangan produk berdasarkan tingkah laku transaksi (contoh: pelanggan yang kerap berbelanja online luar negara – tawarkan kad kredit perjalanan, bukan personal loan biasa)
  • Harga dinamik & segmen risiko untuk pinjaman SME – pelanggan dengan rekod pembayaran dan data alternatif yang baik boleh diberi kadar yang lebih kompetitif, meningkatkan approval rate tanpa melonggarkan risiko
  • Wealth analytics untuk pengurusan kekayaan: AI menjejak corak pelaburan, toleransi risiko dan cadang portfolio yang lebih padan dengan profil pelanggan

Bank yang buat dengan baik biasanya nampak:

  • Kadar respon kempen naik 20–50%
  • Customer lifetime value (CLV) naik dengan kos pemasaran yang sama atau lebih rendah

3. Risiko, Penipuan & Pematuhan: “Kos yang Tak Berlaku”

Satu aspek yang ramai terlepas pandang: nilai daripada kerugian yang berjaya dielakkan.

Dalam konteks bank dan insurans:

  • Sistem pengesanan penipuan berasaskan AI boleh mengesan corak transaksi mencurigakan dalam milisaat, bandingkan dengan ribuan features dan bertindak sebelum kerugian berlaku
  • Model kredit generasi baharu menggabungkan lebih banyak data (transaksi, pola bayaran bil, aktiviti akaun) untuk meramal risiko lalai lebih awal
  • Regulatory & risk modelling yang lebih pantas mengurangkan kos pematuhan manual dan risiko denda

Bagi pengurusan kewangan, “kos yang tak berlaku” ini adalah sebahagian asas bagaimana angka seperti C$1 bilion di RBC dibina. Sama konsep boleh diaplikasi di Malaysia, terutama bila Bank Negara Malaysia semakin menekan aspek pengurusan risiko model dan operational resilience.

Apa Maksud Angka C$1 Bilion untuk Bank di Malaysia

Angka RBC memberi penanda aras: AI yang dilaksana dengan serius mampu menyumbang beberapa peratus kepada nilai pasaran bank.

Jika diterjemah secara kasar ke pasaran Malaysia:

  • Bank besar dengan market cap RM80–120 bilion berpotensi melihat nilai tambahan dalam lingkungan RM2–5 bilion dalam jangka 3–5 tahun daripada AI, jika diurus secara strategik
  • Bank sederhana dan syarikat insurans / takaful pula mungkin berada dalam julat ratusan juta ringgit nilai tambahan

Adakah semua akan tercapai? Sudah tentu tidak. Banyak projek AI gagal sebab:

  • Tiada data foundation yang kukuh
  • TIada ownership P&L yang jelas (siapa bertanggungjawab menghasilkan nilai?)
  • Fokus pada projek “nampak canggih” tetapi sukar diukur impak kewangan

Bank dan fintech yang berjaya biasanya buat tiga perkara berbeza:

  1. Mulakan dengan kes guna bernilai tinggi, bukan teknologi tercanggih.
    Contoh di Malaysia yang lazimnya beri impak cepat:

    • Pengesanan penipuan kad & e-wallet
    • Credit scoring automatik untuk pembiayaan peribadi dan mikro-SME
    • Automasi dokumen dalam onboarding pelanggan

  2. Sambung terus kepada metrik CFO.
    Setiap projek AI mesti berkait dengan:

    • Penurunan cost-to-income ratio
    • Penurunan credit loss / claims ratio (untuk insurans)
    • Peningkatan fee-based income atau products per customer

  3. Kawal risiko model dari awal, bukan selepas disoal pengawal selia.

    • Pastikan ada model validation, bias testing dan dokumentasi
    • Bentuk Model Risk Committee yang faham teknik AI, bukan sekadar tandatangan

Kerangka Praktikal: Dari Projek AI ke Nilai Enterprise

Kalau anda berada dalam pengurusan bank, insurans atau fintech, kerangka ringkas ini boleh membantu menyusun strategi AI yang berorientasi nilai.

Langkah 1: Peta Portfolio Kes Guna AI Mengikut Nilai

Senaraikan semua idea AI yang sedang dan akan dibangunkan. Bagi setiap satu, jawab empat soalan:

  1. Masalah perniagaan apa yang diselesaikan? (contoh: fraud loss, TAT pinjaman, churn)
  2. Berapa besar “kolam nilai”? (RM yang boleh dijimatkan atau dijana per tahun)
  3. Berapa kos pembangunan & operasi (3 tahun)?
  4. Risiko pelaksanaan & risiko kawal selia?

Skor setiap projek mengikut Net Value 3 Tahun dan Risiko. Fokus pada 5–10 projek teratas dahulu. Cara ini rupanya hampir sama bagaimana bank global mengira angka sasaran seperti C$1 bilion tadi – mereka cuma lakukannya dengan lebih sistematik dan agresif.

Langkah 2: Satukan Data & Teknologi Secara Berperingkat

Realitinya, kebanyakan bank di Malaysia masih berdepan:

  • Data terpecah-pecah antara sistem legasi
  • Kualiti data yang bercampur-campur
  • Had real-time processing

Jalan yang lebih praktikal:

  • Mulakan dengan data domain terpilih: contoh, data runcit (retail) dahulu, SME kemudian
  • Bangunkan satu platform AI bersama yang boleh diguna semula: feature store, model registry, monitoring prestasi model
  • Galakkan pasukan perniagaan berkongsi data & features yang berjaya dengan unit lain

Langkah 3: Model Tadbir Urus AI yang Mesra Pengawal Selia

Dalam sektor kewangan, AI tidak boleh lari dari tiga isu:

  • Ketelusan (boleh jelaskan keputusan model?)
  • Keadilan (ada bias terhadap kumpulan tertentu?)
  • Kebolehauditan (audit trail wujud dan jelas?)

Pendekatan yang semakin diterima pakai:

  • Gunakan teknik Explainable AI (XAI) untuk model kritikal seperti kredit
  • Wujudkan polisi dalaman tentang penggunaan data (termasuk consent pelanggan)
  • Bentuk gabungan triad: Risiko, Compliance dan Teknologi untuk menilai setiap model baru

Bank yang mengurus aspek ini dengan matang akan lebih mudah meyakinkan pengawal selia, dan ini secara tidak langsung mempercepat proses go-live model serta realisasi nilai.

Langkah 4: Ukur, Bentuk Hipotesis, Ulang

AI yang tidak diukur impaknya hanya menjadi kos teknologi.

Tetapkan dari awal:

  • Baseline sebelum model AI: kos, masa proses, kadar kerugian, kadar respon
  • Target uplift: contoh, kurangkan fraud loss 15%, pendekkan masa kelulusan pinjaman SME dari 5 hari ke 24 jam

Kemudian:

  • Pantau secara bulanan / suku tahun
  • Jika tak capai sasaran, ubah model atau proses, bukan sekadar tambah bajet

Bank seperti RBC berupaya bercakap tentang angka C$1 bilion kerana mereka secara konsisten mengukur dan menyatukan impak ini ke dalam pandangan nilai enterprise.

Kenapa 2025–2026 Kritikal untuk AI Kewangan di Malaysia

Kita kini di hujung 2025, dengan banyak pelan transformasi digital sektor kewangan Malaysia yang akan memasuki fasa “hasil nyata” pada 2026.

Beberapa faktor menjadikan dua tahun akan datang sangat kritikal:

  • Bajet AI sudah diluluskan, tekanan kini pada hasil dan ROI, bukan lagi pilot dan POC
  • Pelanggan semakin biasa dengan pengalaman digital pantas – bank dan insurans yang lambat akan cepat ketinggalan
  • Pengawal selia serantau semakin lantang tentang model risk, AI governance dan data pelanggan

Dalam konteks ini, angka seperti C$1 bilion dari RBC bukan sekadar berita luar negara. Ia menjadi cermin:
Adakah pelaburan AI kita di Malaysia sedang bergerak ke arah nilai yang boleh dinamakan, atau masih sekadar “projek inovasi” yang sukar ditunjukkan impaknya?

Jika anda berada dalam pengurusan, tiga soalan yang wajar ditanya sebelum masuk 2026:

  1. Boleh tak kita sebut secara jujur angka sasaran nilai AI (RM) untuk 3 tahun akan datang?
  2. Projek AI mana yang paling hampir menambah nilai enterprise, dan mana yang patut dihentikan?
  3. Adakah struktur tadbir urus dan data kita cukup matang untuk menyokong skala penggunaan AI tanpa mengundang risiko kawal selia?

Jawapan yang jelas kepada tiga soalan ini akan menentukan sama ada AI menjadi kos tambahan IT, atau punca utama pertumbuhan nilai syarikat – seperti yang sedang diusahakan oleh RBC.

Artikel ini merupakan sebahagian daripada siri “AI in Financial Services (Banks, Insurance, Fintech)” yang memfokuskan kepada aplikasi praktikal AI dalam sektor kewangan Malaysia. Jika organisasi anda sedang menilai strategi AI atau mencari cara mengukur ROI AI dengan lebih tepat, inilah masa yang paling sesuai untuk menyusun semula pelan 2026 anda berasaskan nilai, bukan hanya teknologi.