Patutkah Bank Melabur AI di Peringkat Enterprise?

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

Banyak bank ada POC AI di sana-sini, tapi ROI tak jelas. Artikel ini tunjuk kenapa asas data & AI peringkat enterprise kini kritikal untuk sektor kewangan Malaysia.

AI kewanganperbankan digitalstrategi datafraud detectionrisk modelingfintech Malaysia
Share:

ROI Sebenar AI untuk Bank & Fintech di Malaysia

Kebanyakan bank dan fintech tak gagal kerana tiada projek AI. Mereka gagal kerana projek AI mereka terperangkap di silo – satu use case di kad kredit, satu lagi di call centre, satu POC di risk – tapi data berpecah, model tak boleh dikongsi, dan kos naik tanpa ROI yang jelas.

Ini isu besar untuk sektor kewangan Malaysia sekarang. Bajet AI semakin besar, tekanan dari regulator dan pelanggan makin tinggi, tapi persoalan utama masih sama:

Adakah sudah masa untuk melabur AI dan data di peringkat enterprise, bukan lagi sekadar projek perniagaan kecil-kecilan?

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, fokus kita ialah bagaimana institusi kewangan Malaysia boleh guna AI secara matang – daripada fraud detection, pemodelan risiko, sehingga pengalaman pelanggan. Artikel ini akan membedah idea utama yang dibangkitkan oleh Julian Defosse (AWS) di SBS Summit 2025 di Paris: AI hanya akan berskala jika asas data & AI dibina di peringkat enterprise.

Saya akan tunjukkan:

  • Bila masuk akal untuk melabur di peringkat enterprise
  • Apa strategi data yang diperlukan
  • Di mana ROI AI paling meyakinkan untuk bank, insurans dan fintech
  • Rangka kerja praktikal 12–24 bulan untuk pasukan pengurusan di Malaysia

Kenapa AI Tak Boleh Lagi Kekal Sebagai Projek “Bisnes Unit”

AI di sektor kewangan Malaysia hari ini masih banyak dalam bentuk projek terpencil (islands of AI). Bahagian kad kredit bina model fraud sendiri, wealth buat robo-advisory sendiri, call centre pasang chatbot sendiri.

Pada awalnya, cara ini nampak selamat dan “low risk”. Tapi bila organisasi mula matang, masalah besar muncul:

  • Data bertindan dan bercanggah – satu versi data pelanggan di retail, satu lagi di SME, satu lagi di insurans.
  • Kos infrastruktur berganda – setiap unit beli tool, server, vendor berbeza.
  • Governans data kucar-kacir – sukar jelaskan kepada Bank Negara Malaysia (BNM) dan auditor siapa guna data apa, untuk model apa.
  • Kelajuan inovasi perlahan – model fraud yang baik di kad kredit tak boleh terus digunakan di channel lain kerana format data berlainan.

Organisasi yang kekal di fasa ini biasanya akan:

  • nampak POC success, tapi
  • gagal capai enterprise value.

Inilah maksud Defosse bila dia tekankan perlunya asas data & AI di peringkat enterprise, bukan sekadar di peringkat perniagaan.

Ringkasnya: kalau data dan AI terus diurus per unit perniagaan, bank dan fintech akan terus bayar “cukai kompleksiti” setiap tahun – lebih banyak projek, tapi kurang nilai.

Apa Maksud Pelaburan AI di Peringkat Enterprise?

Pelaburan AI di peringkat enterprise bukan sekadar beli platform baharu. Ia satu pendekatan menyeluruh terhadap data, teknologi, dan cara kerja.

Tiga komponen teras:

1. Platform Data Enterprise

Bank dan insurans perlu satu data foundation yang:

  • Mengumpul data cross-channel & cross-product (akaun, pinjaman, kad, insurans, trade, e-wallet)
  • Menyokong data batch dan real-time (contoh: transaksi kad secara serta-merta untuk pengesanan fraud)
  • Patuh keperluan BNM, PDPA dan polisi dalaman

Secara praktikal, ini selalunya berupa:

  • Data lake / data lakehouse di atas cloud terurus
  • Lapisan katalog data, quality, dan lineage
  • Model data pelanggan yang konsisten di seluruh organisasi

2. Keupayaan AI Terpusat Tapi Boleh Dikongsi

Bukan bermaksud “semua di-centralise sehingga bisnes tak ada kuasa”. Struktur yang biasanya berfungsi ialah:

  • Centre of Excellence (CoE) AI & Data di peringkat kumpulan
  • Data scientist dan MLOps yang bina komponen teras (fraud engine, risk engine, NLP stack)
  • Unit perniagaan “plug in” komponen sama dengan konfigurasi khusus mereka

Hasilnya:

  • Masa ke pasaran lebih pantas
  • Model lebih konsisten
  • Kos lebih mudah dipantau

3. Governans, Risiko & Pendidikan

AI enterprise tanpa governans adalah resepi untuk masalah pematuhan.

Organisasi yang serius akan ada:

  • AI risk framework yang jelas: data yang boleh/ tak boleh digunakan, proses model validation, fairness & bias check
  • Model registry – satu tempat daftar semua model yang digunakan (skoring pinjaman, AML, pricing, dsb.)
  • Program pendidikan dalaman untuk business owner, risk dan compliance – bukan hanya teknikal.

Defosse menyentuh tentang kepentingan pendidikan untuk “meratakan padang permainan”. Dalam konteks Malaysia, ini bermakna bukan hanya IT yang faham AI, tetapi juga product owner, CRO, Chief Compliance, dan barisan pengurusan cawangan.

Di Mana ROI AI Paling Jelas Untuk Bank & Insurans?

Sebelum bercakap tentang platform besar, pengurusan akan tanya satu soalan: “Pulangan dia apa?”

Berikut beberapa use case yang hampir selalu masuk senarai teratas untuk sektor kewangan Malaysia.

1. Fraud Detection & Financial Crime (AML)

Ini biasanya kawasan paling mudah justifikasi bajet, sebab:

  • Kadar fraud kad dan e-wallet semakin naik
  • Tuntutan insurans palsu makin canggih
  • Tekanan regulator untuk AML/CFT sangat tinggi

AI di peringkat enterprise membolehkan:

  • Model yang gabung data transaksi, device, geolokasi, dan tingkah laku di semua channel
  • Pengenalpastian anomali secara real-time, bukan hanya batch
  • Pusat kawalan fraud yang boleh melihat single customer risk view

Kesan tipikal (daripada pengalaman industri global):

  • 20–50% pengurangan false positive alert
  • Kadar pengesanan kes sebenar lebih tinggi
  • Penjimatan kos operasi di unit fraud & compliance

2. Pemodelan Risiko & Skor Kredit Generatif

Ramai bank di Malaysia telah guna model skor kredit tradisional. Gelombang seterusnya ialah:

  • Menggunakan data alternatif (bil utiliti, tingkah laku digital, open banking di masa hadapan)
  • Menjana simulasi risiko yang lebih dinamik menggunakan teknik AI moden

Dengan asas data enterprise, anda boleh:

  • Bangunkan model risiko yang konsisten merentas produk (personal loan, SME, kad)
  • Melihat sensitiviti portfolio di bawah pelbagai senario ekonomi
  • Mengurangkan masa kelulusan tanpa berkompromi pada kawalan risiko

3. Pengalaman Pelanggan: Dari Chatbot ke “Hubungan Peribadi Skala Besar”

Generative AI (GenAI) menjadikan interaksi pelanggan jauh lebih pintar:

  • Chatbot dan voicebot yang faham konteks penuh pelanggan
  • Ringkasan laporan kewangan pelanggan untuk RM sebelum mesyuarat, seperti yang disebut oleh Defosse
  • Cadangan produk yang lebih relevan berdasarkan sejarah dan keperluan semasa

Perbezaan besar bila dibuat di peringkat enterprise ialah:

  • Chatbot di app runcit, portal SME dan ejen insurans kongsi “otak” yang sama
  • Nada, batasan pematuhan, dan akses data semua dikawal dari satu garis panduan AI

4. Automasi Middle & Back Office

Ramai pemain hanya fokus pada front-end (app cantik, chatbot). Realitinya, ROI besar sering datang dari:

  • Automasi pemprosesan dokumen (penyata bank, slip gaji, borang tuntutan)
  • Pengurusan pengecualian (exception handling) dalam pembayaran & reconciliations
  • Pembuatan laporan risiko, pematuhan dan kewangan secara automatik

Di sinilah gabungan AI + automasi proses (RPA / workflow) pada data enterprise boleh menjimatkan jutaan ringgit setahun dengan:

  • Mengurangkan kerja manual rendah nilai
  • Mempercepat TAT (turnaround time) pinjaman dan tuntutan
  • Mengurangkan ralat manusia

Strategi Data: Tanpa Ini, Investment AI Takkan “Pay Off”

Soalan sebenar bukan “patut ke buat AI?”, tetapi “data kita bersedia ke?”

Strategi data untuk institusi kewangan Malaysia yang mahu AI di peringkat enterprise biasanya ada lima langkah praktikal:

1. Tentukan “North Star” Business Outcome

Jangan mula dengan teknologi. Mula dengan sasaran jelas:

  • Kurangkan fraud loss 30% dalam 3 tahun
  • Pendekkan masa kelulusan pembiayaan rumah dari 5 hari ke 1 hari
  • Automasi 60% proses back office utama

Outcome ini akan memandu:

  • Data apa yang dikumpul
  • Model apa yang dibina dahulu
  • Bagaimana bajet diagih

2. Senaraikan Aset Data Kritikal dan Jurang

Buat inventori praktikal:

  • Data pelanggan, transaksi, produk, servis, interaksi
  • Sumber: core banking, card switch, e-wallet, CRM, contact centre, sistem insurans

Kenal pasti:

  • Di mana data berkualiti baik
  • Di mana data terperangkap dalam sistem lama (legacy)
  • Di mana perlu integrasi real-time vs batch

3. Bangunkan “Single Customer View” yang Boleh Dipercayai

Tanpa pandangan menyeluruh pelanggan, AI akan:

  • Salah faham profil risiko
  • Tersalah beri tawaran produk
  • Gagal kesan tingkah laku pelik merentas channel

Single customer view bukan projek kosmetik IT – ia asas semua use case AI kewangan.

4. Data Governance yang Sesuai Konteks Malaysia

Ini termasuk:

  • Klasifikasi data (sensitif, rahsia, dalaman)
  • Polisi akses untuk pembangun model & vendor
  • Proses kelulusan penggunaan data baharu untuk GenAI

BNM dan PDPA bukan halangan; ia sebenarnya rangka kerja untuk buat AI dengan cara yang boleh dipertahankan di depan regulator.

5. Reka Arkitektur Cloud-Hybrid yang Realistik

Ramai bank besar akan kekal dengan model hybrid:

  • Data sangat sensitif mungkin kekal on-premise
  • Data analitik dan use case tertentu di cloud terurus

Kuncinya ialah:

  • Standard keselamatan yang konsisten
  • Integrasi rangkaian yang stabil dan latency rendah
  • Model operating yang jelas antara pasukan infrastruktur, data & AI

Rangka Tindakan 12–24 Bulan Untuk Pengurusan Kewangan Malaysia

Untuk pasukan C-level (CEO, CIO, CRO, CFO, CDO) yang serius mahu bergerak ke peringkat enterprise, berikut rangka kerja praktikal yang saya cadangkan:

Fasa 1: 0–6 Bulan – Struktur & Kejelasan

  1. Bentuk AI & Data Steering Committee merentas IT, risiko, pematuhan dan bisnes.
  2. Tetapkan 3–5 outcome perniagaan utama yang akan menjadi fokus.
  3. Audit cepat aset data dan projek AI sedia ada (apa yang berulang, apa yang buang masa).
  4. Pilih 2–3 use case “bintang” dengan potensi ROI tinggi (contoh: fraud enterprise, kelulusan pembiayaan, automasi laporan).

Fasa 2: 6–12 Bulan – Asas Data & Use Case Teras

  1. Bina atau konsolidasikan platform data enterprise (sekala kecil dulu tapi rekaan untuk skala besar).
  2. Wujudkan AI CoE dengan mandat jelas dan bajet khusus.
  3. Bangunkan dan lancarkan use case teras pertama dengan metrik kejayaan yang boleh diukur.
  4. Mulakan program literasi data & AI untuk pengurus bisnes dan risiko.

Fasa 3: 12–24 Bulan – Skalakan & Standardkan

  1. Kembangkan use case berjaya ke produk/segmen tambahan.
  2. Standardkan pattern MLOps, pemantauan model, dan model registry.
  3. Integrasi AI ke proses harian – bukan hanya sebagai projek sampingan IT.
  4. Laporkan hasil kepada lembaga dan regulator dengan bahasa yang mereka faham: kerugian berkurang, pendapatan naik, risiko terkawal.

Adakah Sekarang Masa Tepat Untuk Enterprise AI di Malaysia?

Bagi sektor kewangan Malaysia, jawapan jujur saya: ya, tapi hanya jika anda serius tentang asas data dan governans.

Bank, insurans dan fintech yang hanya main di peringkat POC akan ketinggalan bila pesaing mereka:

  • Ada pandangan pelanggan merentas semua produk
  • Boleh kesan fraud dan risiko secara real-time
  • Menawarkan pengalaman pelanggan yang terasa peribadi walaupun di skala berjuta pengguna

Sebaliknya, organisasi yang melabur buta-buta pada platform mahal tanpa strategi data akan terperangkap dalam projek yang tak habis-habis dan sukar dipertahankan kepada lembaga.

Realitinya lebih mudah daripada yang nampak menakutkan:

  • Mulakan dengan outcome perniagaan yang jelas
  • Susun semula projek AI supaya kongsi asas data yang sama
  • Bentuk pasukan AI & data pusat yang menyokong, bukan mengawal

Pada hujungnya, persoalan untuk pengurusan tertinggi ialah:

Adakah organisasi anda mahu terus kumpul puluhan POC, atau bersedia bina asas data & AI enterprise yang boleh menyokong 10 tahun seterusnya transformasi digital kewangan di Malaysia?

Jika anda sudah ada beberapa projek AI yang berasingan dan data yang berpecah, itu sebenarnya petanda baik: anda sudah ada bahan mentah. Langkah seterusnya ialah mengikat semuanya menjadi strategi enterprise yang koheren.