Outlook Jenayah Kewangan 2026: Peranan AI dalam KYC & AML

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

Jenayah kewangan makin kompleks menjelang 2026. Ketahui bagaimana AI memperkukuh KYC, AML dan pencegahan penipuan untuk bank, insurans dan fintech di Malaysia.

AI dalam perkhidmatan kewanganAML & KYCpencegahan penipuanbank Malaysiafintech Malaysiacompliance digital
Share:

AI, AML dan KYC: Kenapa 2026 Jadi Tahun Penentu

79% organisasi di seluruh dunia dilaporkan menjadi mangsa serangan penipuan pembayaran pada 2024. Pada masa yang sama, bank-bank besar seperti Barclays, Klarna dan Monzo dikenakan denda berjuta-juta kerana kegagalan asas dalam kawal selia anti-money laundering (AML) dan know your customer (KYC).

Dalam konteks Malaysia, tekanan sama sedang dirasai oleh bank, insurans dan fintech: serangan penipuan semakin pintar, pelanggan mahu onboarding pantas, dan regulator – dari BNM ke penggubal undang-undang serantau – menuntut pematuhan yang lebih ketat. Di sinilah AI dalam perkhidmatan kewangan menjadi faktor penentu, bukan lagi sekadar projek inovasi.

Artikel ini mengupas tema utama daripada webinar on-demand “Financial Crime Outlook 2026: Key Trends Across AML, Fraud and KYC” dan menterjemahkannya kepada konteks bank, insurans dan fintech di Malaysia – khususnya bagaimana AI boleh membantu anda mengurus risiko jenayah kewangan sambil kekal kompetitif.

1. Trend Besar Jenayah Kewangan Menjelang 2026

Trend utama 2026 sangat jelas: penipuan semakin kompleks, regulator semakin tegas, dan data semakin banyak.

1.1 Tekanan regulator: denda bukan lagi ancaman, tetapi realiti

Beberapa perkembangan global yang patut diberi perhatian:

  • Institusi besar antarabangsa dikenakan denda puluhan juta kerana kegagalan AML/KYC.
  • Di Eropah, pakej perundangan AML baharu mewujudkan Authority for Anti-Money Laundering and Countering the Financing of Terrorism (AMLA) untuk menyelaras peraturan seluruh EU.

Bagi pemain kewangan Malaysia, mesejnya mudah:

Rangka kerja AML/KYC anda tak boleh lagi bergantung semata-mata kepada proses manual dan sistem legasi yang terpisah.

BNM dan regulator serantau juga semakin fokus pada isu seperti:

  • beneficial ownership yang kabur
  • transaksi rentas sempadan berisiko tinggi
  • penyalahgunaan akaun mule dan platform pembayaran masa nyata

1.2 Penipuan digital: penjenayah guna AI, jadi institusi kewangan juga mesti guna AI

Modus operandi penipu sudah jauh berubah:

  • Deepfake suara dan video untuk social engineering
  • Akaun palsu yang dibina dengan identiti dicuri (synthetic identity)
  • Serangan automasi terhadap onboarding digital dan e-wallet

Realitinya, rule-based system tradisional tak cukup pantas. Penipu menguji sempadan peraturan 24/7. Di sinilah AI dan machine learning jadi teras sistem pemantauan risiko moden.

2. Kenapa KYC Jadi “Jantung” AML dan Pencegahan Penipuan

KYC bukan sekadar proses buka akaun; KYC ialah asas kepada semua keputusan risiko sepanjang kitaran hayat pelanggan.

2.1 Dari onboarding ke pemantauan berterusan

Institusi kewangan yang matang dari segi pengurusan jenayah kewangan melihat KYC dalam tiga lapisan:

  1. KYC Asal (onboarding) – semak identiti, dokumen, sumber dana.
  2. KYC Dinamik (ongoing) – kemas kini profil risiko berdasarkan tingkah laku transaksi, perubahan status pekerjaan, perubahan negara pemastautin dan sebagainya.
  3. KYC Merentas Fungsi – data KYC yang sama menyokong:
    • pemantauan AML
    • pengesanan penipuan
    • kredit & underwriting
    • pematuhan sanksi dan PEP

Jika KYC di peringkat awal lemah, semua fungsi di bawahnya menjadi rapuh.

2.2 Peranan AI dalam memperkukuh KYC

AI membantu mengubah KYC daripada proses kertas dan semakan manual kepada proses pintar berasaskan data, contohnya:

  • Pengecaman identiti automatik menggunakan computer vision untuk memadankan wajah pelanggan dengan dokumen identiti.
  • Risk scoring KYC menggunakan model machine learning yang mengambil kira ratusan pemboleh ubah (negara, industri, corak transaksi awal, device fingerprint dan lain-lain).
  • Pengesanan anomali tingkah laku pelanggan yang menyimpang daripada profil risiko asal.

Di Malaysia, gabungan teknologi seperti e-KYC yang dipandu AI dengan data alternatif (contoh: data telekom, tingkah laku digital) semakin digunakan oleh bank dan fintech untuk onboarding pantas sambil mengawal risiko.

3. AI dalam AML dan Pengesanan Penipuan: 3 Guna Pakai Utama

AI sudah bergerak daripada konsep kepada aplikasi sebenar dalam AML dan pengesanan penipuan. Tiga kategori guna pakai yang saya lihat paling memberi impak ialah:

3.1 Pengurangan false positive dalam pemantauan transaksi AML

Sistem AML tradisional menghasilkan ribuan alert, majoriti berakhir sebagai false positive. Kesan langsung:

  • kos pematuhan meningkat
  • masa siasatan bertambah
  • pelanggan berprofil rendah risiko terganggu tanpa sebab kukuh

AI boleh:

  • mempelajari sejarah alert yang disahkan benar/palsu
  • mengenal pasti pola mana yang benar-benar membawa kepada kes AML
  • mengutamakan alert berimpak tinggi dan menapis yang lemah

Hasilnya, pasukan pematuhan dapat fokus pada kes yang betul-betul penting, sambil mempercepatkan SLA siasatan.

3.2 Model penipuan masa nyata untuk pembayaran dan e-dompet

Untuk pembayaran runcit, kad, FPX, DuitNow atau e-wallet, masa tindak balas ialah segalanya. AI membolehkan:

  • skor risiko masa nyata setiap transaksi berdasarkan device, lokasi, corak belanja, jenis pedagang dan sejarah pelanggan
  • pembelajaran berterusan apabila penipuan baharu dikesan
  • tindakan automatik seperti:
    • tahan sementara transaksi berisiko tinggi
    • minta pengesahan 2FA tambahan
    • hadkan fungsi tertentu buat sementara

Model sebegini amat kritikal untuk bank dan fintech Malaysia yang sedang mengembangkan ekosistem pembayaran digital hujung tahun ini dan memasuki 2026.

3.3 Pemprosesan dokumen dan penyaringan pihak ketiga

AML dan KYC bukan hanya tentang pelanggan individu. Institusi kewangan juga perlu memantau:

  • pembekal
  • rakan kongsi perniagaan
  • agen dan broker

AI membantu melalui:

  • dokumen intelligence – mengekstrak maklumat daripada sijil pendaftaran syarikat, penyata kewangan, laporan audit
  • screening pintar ke atas senarai sanksi, PEP dan media negatif dengan pemahaman bahasa semula jadi (NLP)
  • pemadanan entiti yang lebih tepat untuk mengurangkan duplicate atau salah padan nama syarikat/pihak berkaitan

4. Konsolidasi Sistem, Data Konsortium dan Kos: Dilema Sebenar 2026

Satu tema penting dalam webinar Finextra ialah bagaimana institusi kewangan cuba mengimbangi tiga perkara: pengurusan risiko, kos, dan pengalaman pelanggan.

4.1 Masalah silos sistem AML, KYC dan penipuan

Realiti di banyak bank dan insurans:

  • ada sistem KYC tersendiri
  • ada platform AML berbeza
  • ada enjin fraud yang dibeli lain vendor

Setiap sistem menyimpan data dan logik risiko sendiri. Kesan:

  • pandangan risiko pelanggan berpecah-belah
  • kos penyelenggaraan dan integrasi meningkat
  • masa respons kepada regulator menjadi perlahan kerana data bertaburan

Pendekatan yang lebih mapan untuk 2026:

  • platform risiko bersepadu yang menyokong KYC, AML dan fraud
  • data pelanggan disatukan, dengan satu customer risk profile yang dikongsi merentas fungsi
  • pasukan pematuhan, risiko dan operasi bekerjasama atas data yang sama

4.2 Peranan data konsortium

Data konsortium — data yang dikongsi oleh rangkaian institusi kewangan — semakin penting untuk:

  • mengenal pasti akaun mule merentas bank
  • mengesan pola penipuan yang berpindah dari satu institusi ke institusi lain
  • memperkayakan model AI dengan konteks industri yang lebih luas

Di Malaysia dan rantau ini, konsep perkongsian data ini mesti disesuaikan dengan kehendak privasi, PDPA dan garis panduan BNM. Namun, arah pergerakannya jelas: penipuan moden tak boleh ditangani oleh satu institusi secara bersendirian.

4.3 Kos vs pengalaman pelanggan: di mana AI membantu

Institusi kewangan sering tersepit antara:

  • keperluan onboarding pantas (untuk tidak ‘hilang’ pelanggan digital)
  • keperluan KYC/AML yang ketat
  • bajet operasi dan pematuhan yang terhad

AI membantu mengurangkan dilema ini dengan:

  • automasi proses manual (contoh: semakan dokumen, penyaringan senarai sanksi)
  • model risiko berfokus yang hanya meletakkan rintangan tambahan pada pelanggan atau transaksi berisiko tinggi
  • analitik pematuhan yang menunjukkan di mana proses terlalu berat dan boleh dioptimumkan tanpa melanggar peraturan

Hasilnya: kos per pelanggan turun, masa onboarding lebih pendek, tetapi standard pematuhan tetap tinggi.

5. Apa Yang Patut Dibuat oleh Bank, Insurans dan Fintech Malaysia Sekarang?

Untuk pemain kewangan Malaysia yang serius tentang AI dan pengurusan jenayah kewangan menjelang 2026, beberapa langkah praktikal boleh dimulakan seawal suku pertama 2026.

5.1 Audit keupayaan AML/KYC semasa

  • Kenal pasti proses yang masih manual dan paling memakan masa.
  • Nilai di mana false positive paling tinggi (AML, fraud, screening?).
  • Peta sistem dan data: berapa banyak silos yang wujud antara KYC, AML dan fraud?

5.2 Bangunkan pelan AI untuk risiko & pematuhan

Elakkan pendekatan ad hoc. Sebaliknya, rangka pelan jelas:

  • use case keutamaan – contoh: kurangkan false positive AML 30% dalam 12 bulan, atau kurangkan masa onboarding pelanggan SME kepada kurang 15 minit.
  • data yang diperlukan – kualiti, liputan, pematuhan privasi.
  • model tadbir urus AI – bagaimana model diluluskan, dipantau dan dijelaskan kepada regulator.

5.3 Mulakan dengan projek perintis berimpak tinggi

Contohnya:

  • e-KYC dipacu AI untuk segmen pelanggan tertentu
  • model fraud masa nyata untuk saluran tertentu (contoh: mobile banking)
  • pengaya AI untuk memprioritikan alert AML sedia ada

Pilih skop yang cukup kecil untuk cepat dilaksanakan, tetapi cukup penting untuk menunjukkan impak perniagaan yang jelas.

5.4 Manfaatkan pengetahuan industri global

Webinar Finextra yang menampilkan pakar dari NICE Actimize, Danske Bank dan firma pematuhan antarabangsa memberikan:

  • pandangan global terhadap trend regulator sehingga 2026
  • contoh sebenar bagaimana bank besar mengatur pasukan fraud, AML dan KYC mereka
  • guna pakai AI yang sudah terbukti, bukan sekadar teori makmal

Jika anda terlibat dalam risiko, pematuhan, operasi atau transformasi digital, sesi sebegini membantu memendekkan lengkung pembelajaran pasukan anda.

Penutup: 2026 Milik Institusi yang Bijak Mengguna AI

Jenayah kewangan tak akan berkurang menjelang 2026. Yang berubah ialah siapa yang lebih pantas beradaptasi – penjenayah atau institusi kewangan.

AI dalam perkhidmatan kewangan bukan lagi opsyen tambahan; ia sudah menjadi teras kepada strategi KYC, AML dan pencegahan penipuan yang mampan. Institusi yang berjaya ialah yang:

  • mengukuhkan KYC sebagai jantung pengurusan risiko
  • menggabungkan AML, fraud dan KYC di atas platform data yang sama
  • menggunakan AI bukan hanya untuk mematuhi peraturan, tetapi untuk menjadikan pengalaman pelanggan lebih lancar dan kos operasi lebih terkawal

Jika organisasi anda sedang menilai hala tuju AI untuk 2026, gunakan pandangan dan strategi daripada webinar “Financial Crime Outlook 2026: Key Trends Across AML, Fraud and KYC” sebagai titik mula. Masa terbaik untuk menyusun semula strategi jenayah kewangan anda ialah sebelum gelombang regulasi dan penipuan baharu berikutnya tiba.