Apa Bank Malaysia Boleh Belajar dari AI Eliza BNY

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

BNY jadikan AI sebagai ‘pekerja kedua’ melalui Eliza + Google Cloud. Apa yang bank dan fintech di Malaysia boleh belajar daripada strategi ini?

AI perbankanGoogle CloudBNY Elizaagen AItransformasi digitalrisk dan pematuhanfintech Malaysia
Share:

Bagaimana BNY Jadikan AI Sebagai ‘Pekerja’ Kedua – Dan Apa Maknanya Untuk Bank di Malaysia

Hampir 100% kakitangan BNY sudah dilatih AI dan platform AI mereka, Eliza, ada lebih 110 solusi AI dalam produksi setakat suku ketiga 2025. Itu bukan projek pilot kecil-kecilan. Itu strategi perbankan yang dibina di atas AI.

Terbaru, BNY menghubungkan Eliza dengan model agentik Gemini di Google Cloud, membolehkan pekerja membina agen AI yang mampu membaca, menganalisis dan mensintesis laporan kewangan kompleks dalam masa yang jauh lebih pantas daripada mana-mana pasukan manual.

Untuk bank, insurans dan fintech di Malaysia yang tengah rancak peruntuk bajet AI untuk 2026, langkah BNY ini sebenarnya satu “playbook” rasmi: bagaimana nak jadikan AI sebagai enjin utama produktiviti, bukan sekadar chatbot di laman web.

Dalam artikel ini, saya akan kupas:

  • Apa sebenarnya yang BNY buat dengan Eliza + Google Cloud
  • Kenapa pendekatan “AI untuk semua, di mana-mana, pada segala kerja” ini relevan untuk Malaysia
  • Contoh praktikal bagaimana bank & insurans di rantau kita boleh tiru (tanpa perlu bajet gergasi Wall Street)

1. Apa Yang BNY Sebenarnya Buat Dengan Eliza + Gemini?

BNY sedang membina ekosistem AI enterprise, bukan satu aplikasi tunggal. Integrasi Eliza dengan Gemini Enterprise di Google Cloud membawa tiga peningkatan besar:

  1. Agen AI untuk penyelidikan pasaran dan analitik
    Pekerja BNY boleh membina agen AI yang:

    • Menelan ratusan laporan kewangan, data pasaran dan trend sejarah
    • Mensintesis insight utama (contoh: perubahan risiko, peluang pelaburan, anomali dalam aliran tunai)
    • Menjawab soalan kompleks secara interaktif, bukan sekadar bagi ringkasan statik

  2. Automasi tugas data-intensive
    Menurut ketua data & AI BNY, strategi mereka ialah “AI untuk semua, di mana-mana dan pada segala kerja”. Antara tugas yang dibantu AI:

    • Menyusun dan memadankan data daripada pelbagai sistem legasi
    • Menyediakan draf laporan dalaman dan memo risiko
    • Menyaring transaksi atau portfolio untuk senarai semak pematuhan

  3. Akses multimodal untuk tenaga kerja global
    Integrasi dengan model multimodal bermaksud:

    • Bukan setakat teks – AI boleh mentafsir jadual, graf, mungkin juga dokumen imbasan
    • Pengalaman pengguna lebih natural: “tanya” dokumen, bukan lagi tekan-butang-dan-cari

Google Cloud pula membekalkan:

  • Infrastruktur berskala besar dan terkawal
  • Model Gemini 3, Veo 3 dan suite keselamatan enterprise

Intinya: BNY jadikan AI sebagai “co-analyst” untuk setiap pekerja, bukan hanya alat untuk satu jabatan data saintis.

2. Mengapa Strategi BNY Ini Penting Untuk Bank & Fintech di Malaysia

Realitinya, bank Malaysia sudah pun agresif dengan AI. Kita lihat penggunaan:

  • Pengenalpastian penipuan kad & e-wallet secara masa nyata
  • Skor kredit automatik untuk pinjaman mikro & BNPL
  • Chatbot untuk perkhidmatan pelanggan 24/7
  • Pemantauan AML dan pematuhan

Tapi ramai institusi masih guna AI dengan cara “tampal sana, tampal sini” – satu model untuk satu masalah, berjalan secara silo.

BNY tunjuk hala tuju lain: platform AI enterprise tunggal yang boleh:

  • Dicapai hampir semua pekerja
  • Diguna untuk pelbagai use case, dari front office sampai risk & compliance
  • Dikawal dari segi data, risiko dan governance di satu lapisan

Ini penting untuk Malaysia kerana:

  • Regulator makin fokus kepada tata kelola AI. Kalau setiap jabatan bawa masuk vendor AI sendiri, sukar untuk kawal risiko, audit dan pematuhan.
  • Kos boleh meletup jika tak disatukan. Satu platform bersama bermakna kos infra, keselamatan dan integrasi dapat dikongsi.
  • Kekurangan bakat data & AI. Daripada harap pasukan kecil data scientist, lebih praktikal jika platform memudahkan “citizen developer” (pegawai perniagaan, risiko, operasi) membina agen AI sendiri secara terkawal.

Saya berpendapat, dalam konteks Malaysia, bank yang awal membina platform AI enterprise dalaman, sebelum ratusan projek AI liar tumbuh, akan menang dari segi kelajuan inovasi dan kawalan risiko.

3. Dari Chatbot ke Agen AI: Perubahan Mindset Yang Bank Perlu Buat

Perbezaan besar antara AI lama dan AI agentik macam Eliza+Gemini ialah: AI baru bukan sekadar menjawab, tapi bertindak.

Dalam model lama, AI:

  • Jawab soalan pelanggan
  • Beri ringkasan dokumen
  • Cadang produk

Dalam pendekatan agentik, AI boleh:

  • Menjalankan beberapa langkah kerja hujung ke hujung (contoh: tarik data, analisis, hasilkan laporan, ajukan cadangan tindakan)
  • Berinteraksi dengan sistem lain melalui API (contoh: sistem CRM, core banking, HR)

Contoh Use Case Agentik Untuk Bank Malaysia

  1. Agen due diligence korporat

    • Ambil laporan kewangan 5 tahun, berita, rekod litigasi
    • Nilai kestabilan kewangan dan isu ESG
    • Hasilkan ringkasan risiko dalam bahasa mudah untuk pegawai kredit

  2. Agen pemantau risiko pasaran

    • Pantau pergerakan kadar faedah, FX dan komoditi
    • Padankan dengan posisi bank
    • Hantar alert serta cadangan mitigasi kepada pasukan treasury

  3. Agen pematuhan AML

    • Semak corak transaksi pelanggan terhadap senarai indikator risiko
    • Prioritikan kes yang betul-betul mencurigakan untuk penyiasat manusia
    • Menyediakan draf laporan untuk dikaji dan disahkan manusia

  4. Agen bantuan frontliner cawangan

    • Bila pelanggan tanya opsyen pembiayaan rumah, agen AI bantu:
      • Kira kelayakan asas
      • Tarik promosi terkini
      • Sediakan jadual ansuran anggaran

Ringkasnya: AI bukan lagi “FAQ yang pandai”, tapi rakan sekerja digital yang pandai baca, faham, kira dan tulis semula dalam format yang manusia senang guna.

4. Apa Peranan Cloud Dalam Skala AI Perbankan

BNY bekerjasama rapat dengan Google Cloud kerana AI pada skala enterprise tak praktikal kalau cuba dibuat semuanya on-premise.

Untuk konteks Malaysia, ada beberapa sebab kenapa model “AI + cloud” ini masuk akal, dengan syarat kawalan data dijaga:

  1. Skala pemprosesan & storan

    • Latihan dan inferens model besar perlukan GPU/TPU berkuasa tinggi
    • Cloud benarkan bank “sewa” kapasiti ikut keperluan, bukan beli perkakasan jutaan ringgit yang mungkin underutilised

  2. Akses kepada model terkini

    • Model seperti Gemini, GPT, Claude dan lain-lain berkembang cepat
    • Integrasi melalui cloud memudahkan bank guna model terkini tanpa migrasi besar-besaran setiap tahun

  3. Keupayaan keselamatan & pematuhan enterprise

    • Enkripsi data, kawalan akses berbutir halus, audit trail
    • Pilihan region hos yang selaras dengan keperluan data residency

  4. Kelajuan inovasi produk

    • Pasukan produk dan teknologi boleh uji konsep baru dalam hari, bukan bulan

Bagi bank Malaysia, pendekatan yang saya selalu nampak berkesan ialah hybrid:

  • Data sangat sensitif (identiti, akaun, transaksi) kekal dikawal ketat, sebahagiannya on-prem
  • Data terpilih, dipseudonimkan atau diringkaskan digunakan dalam cloud untuk tujuan model building & analitik
  • Lapisan pengurusan kunci dan tokenisasi yang ketat antara data pelanggan dan model AI

5. Empat Langkah Praktikal: Bagaimana Institusi Kewangan Malaysia Boleh Tiru “Playbook” BNY

Ramai pengurusan tertinggi suka cakap “kita nak jadi bank berasaskan AI”, tapi di peringkat operasi tak jelas. Berikut satu rangka kerja praktikal yang boleh diambil terus daripada pelajaran BNY.

Langkah 1: Tetapkan Visi – AI Untuk Semua, Bukan Satu Unit Kecil

BNY jelas dengan visinya: “AI untuk semua, di mana-mana dan pada segala kerja.”
Untuk konteks Malaysia, itu boleh diterjemah sebagai:

  • Set KPI bahawa setiap fungsi utama (retail, korporat, risiko, compliance, operasi) mesti ada sekurang-kurangnya 2–3 use case AI bernilai tinggi dalam 12–18 bulan
  • Jadikan AI sebahagian pelan transformasi digital, bukan projek sampingan IT

Langkah 2: Bina Platform, Bukan Patchwork Projek

Daripada 10 vendor berbeza untuk 10 masalah berbeza, lebih baik:

  • Wujudkan platform AI dalaman yang:
    • Sediakan akses kepada model (dalaman & luaran) melalui satu gateway
    • Urus data, identiti pengguna dan logging pusat
    • Ada “marketplace” dalaman untuk aplikasi & agen AI yang telah diluluskan
  • Gunakan cloud sebagai asas infrastruktur, tetapi pastikan governance jelas

Langkah 3: Naikkan “AI Literacy” Seluruh Organisasi

BNY melatih hampir semua kakitangan mereka tentang AI. Bank di Malaysia boleh:

  • Wajibkan modul AI asas untuk semua staff (contoh: 4–6 jam pembelajaran kendiri)
  • Latih lebih mendalam untuk peranan tertentu:
    • AI champions di setiap jabatan
    • Pereka prompt, pereka flow proses, dan pemilik model perniagaan
  • Bina polisi dalaman tentang:
    • Apa yang boleh dan tak boleh diproses AI
    • Cara semak dan sahkan output AI

Langkah 4: Fokus Pada Use Case Dengan ROI Tinggi Dulu

Daripada cuba buat semua serentak, mula dengan 3–5 kawasan yang biasanya beri impak cepat:

  1. Automasi penyediaan laporan dalaman
    Contoh: laporan risiko kredit bulanan, laporan operasi cawangan, laporan audit dalaman.
    AI boleh:

    • Tarik data mentah
    • Strukturkan mengikut template
    • Sediakan naratif awal untuk disemak manusia

  2. Bantuan analitik untuk pasukan risiko & treasury
    AI agent untuk:

    • Menjawab soalan seperti “bagaimana NPL trend mengikut segmen dalam 6 bulan lepas?”
    • Menjana simulasi senario kadar faedah

  3. Pemantauan pematuhan & AML

    • Guna AI untuk memprioritikan alert yang paling berisiko tinggi
    • Kurangkan false positive dan beban kerja manual

  4. Sokongan pelanggan omnichannel

    • Chatbot yang disokong LLM untuk FAQ kompleks
    • Agen AI untuk bantu pegawai call centre beri jawapan konsisten dan pantas

Bila ini berjalan, baru kembangkan ke kawasan lebih kompleks seperti penyesuaian produk secara masa nyata, analitik kekayaan (wealth analytics) dan penetapan harga dinamik.

6. Apa Seterusnya Untuk AI Dalam Perkhidmatan Kewangan Malaysia?

BNY sedang membuktikan bahawa masa depan perbankan bukan “manusia vs AI”, tetapi “manusia + agen AI”.
Dalam pasaran Malaysia yang sangat kompetitif – dari bank besar, pemain Islamic banking, sampai fintech dan e-wallet – siapa yang boleh gabungkan kepakaran manusia dengan agen AI secara paling bijak akan menang.

Bagi pengamal industri di sini, soalan sebenar untuk tahun 2026 bukan lagi “perlu ke kita guna AI?”, tetapi:

  • Adakah kita ada platform AI enterprise yang kukuh, atau hanya koleksi projek silo?
  • Adakah kakitangan barisan hadapan, risiko, audit dan compliance selesa menggunakan AI setiap hari?
  • Adakah kita ada rakan cloud yang betul-betul faham keperluan perbankan dan peraturan tempatan?

Kalau jawapannya masih samar, pengalaman BNY dengan Eliza dan Google Cloud boleh jadi cermin.

Masa bank global lain melatih hampir semua pekerja mereka kepada AI dan melancarkan ratusan agen digital, bank yang kekal pada mindset “AI = chatbot” akan cepat terasa jurang produktiviti.

Sekarang masa terbaik untuk merangka pelan AI enterprise 24 bulan: pilih rakan cloud, bangunkan platform, latih orang, dan fokus kepada beberapa use case bernilai tinggi.
Lebih cepat langkah diambil, lebih mudah untuk kekal relevan dalam gelombang seterusnya AI dalam perkhidmatan kewangan.