Apa Ertinya 75% Paten AI Bank Dunia Datang Dari 3 Bank

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

Tiga bank AS menguasai 75% paten AI perbankan global. Apa maksudnya untuk bank, insurans dan fintech Malaysia, dan bagaimana kita patut respon?

AI perbankankewangan Malaysiapaten AIfraud detectionGenAIagentic AIfintech Malaysia
Share:

AI Kini Jadi Senjata Utama Bank – Tapi Dikuasai 3 Pemain Besar

Tiga bank Amerika – Capital One, Bank of America dan JPMorgan Chase – menyumbang kira‑kira 75% daripada semua paten AI sektor perbankan global sejak sedekad lalu. Itu bukan sekadar nombor. Itu tanda jelas bagaimana kuasa teknologi, data dan modal intelektual sedang tertumpu pada beberapa institusi gergasi.

Ini sangat berkait dengan Malaysia. Tahun 2025 menyaksikan bank, insurans dan fintech tempatan meningkatkan bajet AI untuk pengesanan penipuan, pemodelan risiko, pematuhan (compliance) dan sokongan pelanggan. Tetapi jika hanya beberapa pemain global menguasai harta intelek (IP) AI kewangan, di mana kedudukan kita dalam 3–5 tahun akan datang?

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, saya nak kupas apa sebenarnya yang bank-bank gergasi ini sedang bina, mengapa mereka begitu agresif dalam paten AI, dan bagaimana bank & fintech Malaysia boleh belajar – tanpa ketinggalan atau bergantung seratus peratus kepada teknologi luar.

1. Fakta Penting: 75% Paten AI Bank Datang Dari 3 Bank

Kunci ceritanya begini: aktiviti paten AI perbankan sedang meletup, tetapi sangat terkumpul.

Menurut data Evident’s Banking AI Patent Tracker:

  • 1,516 paten AI khusus difailkan sejak 01/2023 oleh 21 bank utama di AS, Kanada, Eropah dan APAC.
  • 3 bank AS – Capital One, Bank of America, JPMorgan Chase – menyumbang ~75% daripada semua paten AI bank global dalam sedekad lalu.
  • 10 pendahulu paten AI bank semuanya dari Amerika Utara, termasuk TD Bank, Wells Fargo, Citigroup, US Bank, Morgan Stanley, Goldman Sachs dan PNC.
  • >85% paten AI perbankan difailkan oleh bank AS – didorong peraturan paten yang lebih mesra, budaya litigasi IP, dan proses inovasi dalaman yang tersusun.

Ini mendedahkan satu realiti: AI dalam perbankan bukan sekadar pelaksanaan teknologi, tetapi juga perlumbaan membina kubu IP. Siapa awal, dia mampu menentukan “peraturan bermain” untuk dekad seterusnya.

Bagi pembaca Malaysia – CIO bank, ketua risiko, ketua pematuhan, pengasas fintech – ini memberi mesej jelas: AI kewangan sedang jadi medan persaingan global yang sangat serius, bukan projek percubaan tepi meja.

2. Di Mana Bank-Bank Ini Meletak Taruhan AI Mereka?

Jawapan ringkas: GenAI, agentic AI, keselamatan dan pengalaman pelanggan.

2.1 Lonjakan GenAI Dalam Perbankan

Dalam 2023, paten Generative AI (GenAI) melonjak daripada 6% kepada 17% daripada semua paten AI bank – dan momentum itu berterusan hingga 2025.

Fokus utamanya:

  • Khidmat pelanggan: Chatbot, virtual assistant dan sistem sokongan yang lebih natural, kontekstual dan peribadi.
  • Personalisasi produk: Cadangan kad kredit, pinjaman, pelaburan, takaful berdasarkan profil dan tingkah laku pelanggan.
  • Automasi dalaman: Penjanaan laporan, draf dokumen pematuhan, ringkasan peraturan.

Dalam bahasa mudah, GenAI menjadikan bank lebih "hidup" di hadapan pelanggan, dan lebih cekap di belakang tabir.

2.2 Agentic AI: Sistem Yang Bukan Sekadar Jawab, Tapi Bertindak

Agentic AI ialah sistem AI yang boleh merancang dan melaksanakan tindakan, bukan hanya memberi respon.

Masih awal, tetapi:

  • Hanya 8 bank global difahamkan telah memfailkan paten berkaitan agentic AI.
  • Peneraju: Bank of America, Capital One, JPMorgan Chase, diikuti TD Bank, Wells Fargo, Citigroup, BNY Mellon dan Barclays.

Contoh aplikasi:

  • Agen berasaskan cloud yang mengesan dan membaiki isu perisian secara automatik.
  • Sistem orkestrasi yang mengurus beberapa ejen LLM untuk tugasan kompleks.

Ini penting untuk Malaysia kerana banyak bank kita sedang bergerak ke arah operation 24/7, cloud-native dan platform terbuka. Agentic AI boleh jadi asas kepada:

  • “Ops co-pilot” untuk DevOps dan SRE bank.
  • Ejen pematuhan yang memantau transaksi dan kawal selia secara masa nyata.

3. Contoh Nyata: Apa Sebenarnya Mereka Patenkan?

Data paten memberikan gambaran jelas bagaimana AI digunakan secara praktikal dalam bank-bank gergasi.

3.1 Capital One

  • Adversarial AI untuk menguatkan chatbot: Model yang mensimulasikan soalan “jahat” atau pelik bagi menguji kekuatan chatbot sebelum dibuka kepada pelanggan sebenar.
  • Pengesahan berbilang faktor menggunakan data kenderaan: Contohnya, data telematik atau info kereta yang dipadankan dengan profil pelanggan untuk mengurangkan kecurian identiti.

Adaptasi untuk Malaysia:

  • Bank dan insurans kenderaan tempatan boleh guna konsep sama untuk pengurusan tuntutan insurans, pembiayaan kereta, dan anti-fraud.

3.2 Bank of America

  • Synthetic personas untuk uji chatbot: Bukan lagi test script manual, tapi populasi pelanggan tiruan dengan pelbagai tingkah laku.
  • CAPTCHA dipacu GenAI: Sistem keselamatan yang lebih sukar ditembusi bot, tetapi masih mudah untuk manusia.

Relevan untuk Malaysia:

  • Contact centre dan chatbot bank boleh diuji dengan persona pelanggan Malaysia: SME, pekerja gig, warga emas, pelajar IPT.

3.3 JPMorgan Chase

  • Agen berasaskan cloud yang baiki isu perisian secara autonomi: Contohnya, detect latency dalam sistem pembayaran dan jalankan tindakan pemulihan.

Bayangkan di Malaysia:

  • Sistem pembayaran runcit, FPX atau DuitNow yang mempunyai ejen AI dalaman memantau dan membaiki konfigurasi tanpa perlu tunggu human escalation.

3.4 Bank Lain

  • TD Bank – sistem orkestrasi untuk ejen LLM.
  • HSBC – pengesanan anomali AI dalam keselamatan siber.
  • Wells Fargo – analitik sentimen pelanggan daripada komunikasi (e-mel, chat, call transcript).

Semua ini sangat selari dengan agenda Malaysia: pengesanan penipuan, pemodelan risiko, compliance, analitik kekayaan dan pengalaman pelanggan omnichannel.

4. Pengajarannya Untuk Bank, Insurans & Fintech Malaysia

Inilah bahagian penting: apa yang pemain Malaysia patut buat sekarang?

4.1 Fikir Seperti Pemilik IP, Bukan Hanya Pengguna Teknologi

Kebanyakan institusi kewangan Malaysia hari ini:

  • Menggunakan vendor AI atau SaaS luar.
  • Fokus kepada pelaksanaan pantas, bukan pembinaan IP.

Masalahnya, pendekatan begini:

  • Menjadikan anda bergantung pada vendor untuk ciri teras.
  • Menyukarkan pembezaan produk dalam jangka panjang.

Saya berpendapat bank dan insurans besar di Malaysia patut:

  1. Kenal pasti domain di mana mereka mahu bina IP sendiri, contohnya:
    • Model pemarkahan kredit untuk segmen tertentu (M40, B40, SME mikro).
    • Model penipuan kad dan e-wallet yang disesuaikan dengan corak tempatan.
    • Enjin personalisasi untuk produk Islamik dan takaful.
  2. Daftar paten atau perlindungan IP serantau, bukan hanya bergantung kepada “trade secret”.

Anda tak perlu meniru AS yang litigious, tapi anda perlu jelas apa yang unik, dan lindungi nilai itu.

4.2 Prioriti Guna AI: Ikut Aliran Bank Global, Sesuaikan Dengan Realiti Lokal

Berdasarkan trend global dan keperluan Malaysia, beberapa keutamaan praktikal:

  1. Pengesanan penipuan dan AML berasaskan AI

    • Model yang memantau transaksi e-dompet, rentas sempadan, dan mule account.
    • Agentic AI yang mencadangkan langkah siasatan susulan kepada pegawai AML.

  2. Pemodelan risiko & pemarkahan kredit automatik

    • Menggunakan data alternatif (telco, e-dagang, pembayaran bil) dengan kawalan bias dan fairness.

  3. Chatbot & virtual assistant dwibahasa (BM & Inggeris)

    • Latih model pada data tempatan: istilah perbankan Islam, frasa pelanggan Malaysia, loghat ringan.

  4. Pematuhan dan pelaporan kawal selia

    • GenAI untuk draf laporan BNM, dokumentasi risiko, polisi dalaman.

Bank yang berjaya bukan bank yang cuba buat semua sekaligus, tetapi bank yang pilih 2–3 bidang utama dan benar-benar serius membangunkannya.

4.3 Bina “AI Operating Model” Yang Nyata, Bukan Hanya Lab Yang Cantik

Bank AS yang memfailkan banyak paten bukan sekadar ada lab AI, mereka ada proses inovasi dalaman yang tersusun:

  • Kelompok pasukan produk, tech, risk & legal untuk setiap inisiatif AI.
  • “Idea → prototaip → ujian → skala → paten/komersial” dengan milestone jelas.
  • Polisi data, privasi dan model governance yang matang.

Untuk Malaysia, beberapa langkah praktikal:

  • Bentuk AI Steering Committee peringkat C-level (CIO, CRO, CCO, CDO, CEO BU).
  • Tetapkan roadmap 18–24 bulan dengan beberapa use case utama, bukannya senarai panjang projek kecil.
  • Wujudkan “model registry” dan “model risk framework” supaya setiap model AI boleh diaudit.

Jika tidak, anda akan berakhir dengan puluhan POC yang tak pernah skala, dan bajet habis pada slide, bukan impak.

5. Risiko Yang Perlu Diurus: Dari Bias Sampai Pergantungan Vendor

AI dalam perkhidmatan kewangan memang menarik, tapi risikonya nyata, dan BNM semakin tegas dengan isu model risk dan data.

Beberapa perkara yang saya rasa bank & fintech Malaysia tak boleh kompromi:

5.1 Bias & Keadilan Dalam Pemarkahan Kredit

Model AI boleh:

  • Mendiskriminasi segmen tertentu jika data sejarah penuh dengan bias.
  • Menjejaskan akses pembiayaan kepada B40, wanita, atau komuniti tertentu.

Perlu ada:

  • Ujian fairness yang jelas.
  • Proses “explainability” yang boleh diterangkan kepada pelanggan dan regulator.

5.2 Perlindungan Data & Privasi

Apabila anda gunakan GenAI untuk menganalisis log chat, transkrip call, atau dokumen dalaman:

  • Pastikan data tidak keluar daripada domain terkawal.
  • Guna pendekatan private LLM atau fine-tune model dalam environment yang dipantau.

5.3 Lock-in Vendor

Jika semua enjin AI kritikal anda datang daripada satu vendor luar, anda:

  • Hilang kuasa tawar-menawar.
  • Sukar berkembang ke pasaran baru tanpa kos tinggi.

Strategi yang lebih sihat:

  • Guna gabungan teknologi komersial dan open-source.
  • Bangunkan lapisan orkestrasi dalaman supaya model boleh ditukar dengan kerosakan minimum.

6. Jalan Ke Hadapan Untuk Institusi Kewangan Malaysia

Realitinya, AS sedang mendahului dalam paten AI perbankan, dan mereka akan terus memacu standard global. Tapi itu bukan berita buruk, selagi Malaysia bertindak dengan bijak.

Beberapa langkah konkrit yang saya cadangkan untuk 12–24 bulan akan datang:

  1. Tetapkan visi AI peringkat Lembaga & Exco

    • Nyatakan dengan jelas: AI digunakan untuk apa, dan tidak digunakan untuk apa.

  2. Kenal pasti 3–5 use case utama selari dengan arah BNM

    • Contoh: pengesanan penipuan masa nyata, pemarkahan kredit automatik untuk SME, chatbot pematuhan.

  3. Bina pasukan AI multidisiplin

    • Bukan hanya data scientist, tetapi juga risk, compliance, IT security dan business owner.

  4. Rangka strategi IP

    • Setiap kali bangunkan model atau sistem unik, tanya: "Perlukah ini dipatenkan atau dilindungi sebagai IP?"

  5. Pelaburan berterusan dalam infrastruktur data & model governance

    • Tanpa data yang bersih dan boleh dijejak, tiada AI kewangan yang regulator akan percaya.

AI sudah pun menjadi nadi kepada bank-bank gergasi dunia. Malaysia tidak ketinggalan dari segi kesedaran dan bajet – tetapi cara kita membina, mengurus dan melindungi AI akan menentukan sama ada kita sekadar pengguna teknologi orang lain, atau pencipta nilai sebenar untuk pasaran serantau.

Syarikat kewangan yang berani berfikir seperti pemilik IP – sambil kekal disiplin dari segi risiko dan pematuhan – akan memimpin pasaran ASEAN dalam beberapa tahun akan datang. Soalnya, adakah organisasi anda sudah bersedia untuk bermain di liga itu?