Panduan Pilih AI Yang Tepat untuk Bank & Fintech

Dalam 3 tahun terakhir, kebanyakan bank dan fintech di Malaysia menaikkan bajet AI mereka dua kali ganda – tapi banyak projek masih sangkut di fasa “POC tak habis-habis”. Bukan sebab teknologinya lemah, tapi sebab satu soalan asas tak terjawab: “AI mana yang sebenarnya sesuai untuk organisasi kami?”

Untuk sektor kewangan, pilihan memang terlalu banyak: machine learning tradisional, NLP, computer vision, Generative AI, agentic AI, model asas, platform cloud berbeza. Silap pilih, anda bazir masa 18 bulan dan berjuta ringgit tanpa impak yang jelas pada fraud, kredit atau pengalaman pelanggan.

Artikel ini rangkumkan idea utama daripada perbincangan di SBS Summit 2025 di Paris bersama Christophe Sorré (CTO Financial Services, IBM France), dan diterjemah kepada realiti bank, insurans dan fintech di Malaysia. Fokusnya mudah: bagaimana pasukan anda boleh pilih jenis AI yang betul untuk kes kegunaan sebenar seperti pengesanan penipuan, pemarkahan kredit, pematuhan dan automasi operasi.

---

1. Memahami Jenis-Jenis AI: Satu Ringkasan Untuk Orang Biz

Untuk buat keputusan bijak, pengurus bisnes dan risiko tak perlu jadi data scientist. Tapi anda mesti jelas beza kategori utama AI dan bila patut guna yang mana.

Secara praktikal, dunia AI untuk kewangan boleh dibahagikan kepada empat blok besar:

1.1 AI peraturan (rule-based & logic)

Ini generasi lama tapi masih sangat relevan.

Apa ia buat?

• Menggunakan set peraturan (if-then) yang jelas
• Sesuai untuk proses yang stabil dan heavily regulated

Contoh dalam sektor kewangan:

• Business rules untuk approval transaksi FPX atau DuitNow
• Threshold tetap untuk AML (contoh: nilai transaksi luar biasa > jumlah tertentu)
• Pematuhan syariah berasaskan senarai aktiviti yang dibenarkan / dilarang

Bila sesuai?

• Bila anda perlukan keterangkuman (explainability) 100%
• Bila regulasi mewajibkan logik keputusan yang telus

1.2 Machine Learning tradisional

Inilah tulang belakang AI dalam kewangan sejak lebih 10 tahun.

Apa ia buat?

• Belajar daripada data sejarah untuk buat satu tugas khusus dengan sangat baik
• Tak “berbual”, tak buat banyak benda serentak – ia fokus, tepat dan boleh diukur

Contoh tipikal:

• Skor risiko kredit untuk pinjaman peribadi atau kad kredit
• Model pengesanan penipuan kad dan e-wallet
• Model churn untuk pelanggan yang berisiko tutup akaun
• Model harga insurans (underwriting) berdasarkan profil risiko

Kelebihan utama:

• Matang, banyak tool sedia ada
• Lebih mudah dikawal, hasilnya boleh diuji secara statistik

1.3 Generative AI (GenAI)

Generative AI (contoh model bahasa besar) menghasilkan kandungan baharu: teks, kod, ringkasan, malah imej.

Apa ia buat dengan baik dalam kewangan?

• Meringkaskan dokumen pinjaman yang panjang
• Menjana draf surat pelanggan, laporan dalaman, e-mel, minit mesyuarat
• Menjawab pertanyaan pelanggan melalui chatbot yang lebih natural

Bezanya dengan ML tradisional? Model generatif boleh buat banyak tugas bahasa dalam satu model – bukan hanya satu skor atau satu prediction.

1.4 Agentic AI (AI beragensi)

Christophe Sorré menekankan satu poin penting: AI tradisional buat satu tugas; Generative & Agentic AI boleh uruskan banyak tugas.

Agentic AI ialah lapisan di atas GenAI yang:

• Bukan sekadar menjawab, tetapi merancang, memanggil API, menghubungkan beberapa sistem, dan
• Boleh melaksana siri tindakan bagi capai satu matlamat

Contoh dalam konteks bank/fintech:

• “AI agent” yang:
  • Terima pertanyaan pelanggan tentang transaksi mencurigakan
  • Semak sistem core banking, sistem fraud, sistem tiket
  • Cadang tindakan (block kad, buka kes, hubungi pelanggan)
  • Cipta tiket dalam sistem servis pelanggan secara automatik

---

2. Mulakan Dengan Masalah Bisnes, Bukan Dengan Model

Kebanyakan projek AI di bank dan fintech terhenti di POC kerana pendekatannya salah: mula dengan teknologi, bukan masalah.

Untuk sektor kewangan Malaysia, susun fikirannya begini:

1. Apakah keputusan kritikal yang kita buat setiap hari?

   • Lulus / tolak permohonan kredit
   • Flag transaksi sebagai fraud / bukan fraud
   • Terima / tolak claim insurans
   • Prioritikan pelanggan mana untuk retainment

2. Apakah bottleneck utama hari ini?

   • SLA lambat kerana manual checking
   • Terlalu banyak false positive AML / fraud
   • Pegawai pematuhan tenggelam dalam dokumen dan e-mel

3. Apakah metrik yang kita mahu ubah?

   • Turunkan fraud loss ratio
   • Naikkan approval rate tanpa tambah risiko NPL
   • Kurangkan masa proses pinjaman daripada hari kepada jam

Bila tiga soalan ini jelas, baru pilih kategori AI.

Contoh praktikal:

• Sasaran: kurangkan masa lulus pinjaman SME dari 5 hari ke 1 hari tanpa naikkan NPL
  ⇒ Gunakan: ML tradisional untuk skor kredit + rules AI untuk kawal exposure + sedikit GenAI untuk automasi dokumentasi kredit.

• Sasaran: kurangkan false positive AML sebanyak 30%
  ⇒ Gunakan: kombinasi ML untuk pengesanan corak + logik peraturan + GenAI untuk meringkaskan case file bagi pegawai pematuhan.

---

3. Bila Patut Guna AI Tradisional, Bila Patut Guna Generative & Agentic AI

Satu framework ringkas yang saya selalu guna dengan klien kewangan ialah “Tugas Fokus vs Kerja Pengetahuan”.

3.1 Pilih AI tradisional untuk tugas fokus dan numeric

Gunakan machine learning tradisional bila:

• Input anda berstruktur (angka, tarikh, kategori)
• Output yang diinginkan ialah skor, klasifikasi atau ramalan tunggal
• Anda perlu uji model dengan jelas (ROC AUC, Gini, lift, dsb.)

Contoh kes kegunaan di Malaysia:

• Skor risiko pembiayaan perumahan
• Penentuan limit kad kredit
• Pricing takaful berdasarkan profil risiko
• Model expected credit loss (ECL) untuk IFRS 9

Di sini, cuba ganti dengan GenAI bukan sahaja tak memberi nilai lebih – malah menyusahkan dari sudut audit dan pematuhan.

3.2 Guna Generative AI bila kerja melibatkan bahasa & dokumen

Generative AI bersinar bila kerja melibatkan teks, dokumen dan komunikasi.

Situasi tipikal di institusi kewangan:

• Pegawai pematuhan membaca 200+ muka surat garis panduan BNM
• Pegawai kredit menilai dokumen akaun beraudit pelanggan SME
• Ejen insurans menulis nota dan laporan follow-up pelanggan

Di sini, GenAI boleh:

• Ringkaskan dokumen panjang dalam bahasa yang mudah
• Menjana draf surat, e-mel atau laporan berdasarkan template polisi
• Menyediakan “assistant” dalaman yang jawab soalan staf tentang polisi, produk dan SOP dalaman

3.3 Guna Agentic AI bila proses rentas-sistem & rentas-pasukan

Agentic AI sesuai bila proses anda melibatkan banyak sistem dan langkah.

Contohnya:

• Proses exception handling pembayaran rentas sempadan
• Proses penyiasatan fraud kompleks yang memerlukan data dari:
  • sistem core banking,
  • sistem kad,
  • sistem e-wallet,
  • dan rekod call center.

AI agent boleh:

1. Tarik data dari pelbagai sistem (melalui API yang selamat)
2. Susun kronologi
3. Jana ringkasan kes untuk pegawai fraud
4. Cadangkan tindakan berdasarkan playbook risiko

Inilah peralihan besar dari “AI sebagai kalkulator pintar” kepada “AI sebagai rakan kerja digital” untuk staf bank dan insurans.

---

4. Faktor Penting Untuk Bank & Fintech Malaysia Bila Memilih AI

Soalan sebenar bukan “nak guna model apa?”, tapi “bolehkah saya mengurus risiko dan nilai perniagaan dengan selamat?”. Untuk konteks Malaysia, ada beberapa faktor yang tak boleh diabaikan.

4.1 Pematuhan dan governans data

Dalam sektor kewangan, reputasi dan lesen perbankan lebih mahal daripada apa-apa model AI.

Pastikan anda jelas tentang:

• Di mana data pelanggan disimpan (on-premise, private cloud, public cloud)
• Bagaimana PII dan data sensitif disanitasi sebelum masuk ke model
• Siapa yang boleh akses prompt, log dan hasil AI

Untuk GenAI dan agentic AI, governans prompt dan audit trail lebih kritikal berbanding ML tradisional, kerana inputnya sering mengandungi teks bebas dari staf.

4.2 Keterangkuman model (explainability)

BNM dan pengawal selia lain makin fokus kepada keadilan dan tidak diskriminasi dalam pemarkahan kredit dan underwriting.

Itu bermakna:

• Model kredit perlu ada justifikasi faktor risiko utama
• Keputusan yang memberi kesan besar kepada pelanggan (contoh: penolakan pinjaman perumahan) perlu diterangkan dengan jelas

Dalam kes ini, gabungan model interpretable + dokumentasi yang dijana dengan GenAI boleh membantu:

• Data scientist kekal tepat
• Pegawai front-line boleh jelaskan keputusan kepada pelanggan dengan bahasa mudah

4.3 Integrasi dengan sistem warisan (core banking / policy admin)

Ramai CTO bank mengaku: isu terbesar bukan AI, tetapi integrasi dengan sistem lama.

Pendekatan yang lebih realistik:

• Mulakan dengan “AI di tepi” (AI at the edge) yang membaca data melalui API / data mart tanpa ubah core
• Guna agentic AI untuk automasi interaksi dengan sistem lama (contoh: isi skrin, hantar arahan) di mana API terhad

4.4 Bakat & keupayaan dalaman

Jangan pilih teknologi yang memerlukan pasukan yang anda tak ada, atau sukar diambil dalam masa terdekat.

Secara umum:

• ML tradisional: perlukan data scientist dan MLOps yang kuat
• GenAI: perlukan gabungan data, pematuhan, dan pakar domain untuk reka guardrail dan use case
• Agentic AI: perlukan arkitek sistem yang faham proses end-to-end dan integrasi

Kalau organisasi masih di awal perjalanan, lebih baik:

• Fokus pada 2–3 use case bernilai tinggi
• Gunakan platform AI yang ada tool governans dan keselamatan terbina
• Bina “centre of excellence” kecil, bukannya 10 projek serentak

---

5. Rangka Kerja 5 Langkah Pilih AI Yang Sesuai Untuk Institusi Anda

Untuk pasukan eksekutif kewangan yang mahu keputusan lebih teratur, guna rangka kerja ringkas ini dalam setiap mesyuarat projek AI.

1. Definisikan masalah & metrik
   Contoh: turunkan fraud loss 25% dalam 12 bulan, atau kurangkan time-to-yes pinjaman SME kepada 24 jam.

2. Klasifikasikan jenis tugas

   • Numeric & structured ⇒ ML tradisional
   • Teks, dokumen, pengetahuan ⇒ GenAI
   • Rentas-sistem, multi-langkah ⇒ Agentic AI + ML/GenAI

3. Semak sekatan pematuhan & explainability

   • Adakah keputusan ini perlu diterangkan kepada pelanggan?
   • Adakah regulator ada panduan khusus?
     Jika ya, mungkin perlu model yang lebih telus, digabung dengan templated explanation yang dijana GenAI.

4. Tentukan keperluan integrasi

   • Adakah kita boleh kerja melalui API?
   • Perlu integrasi waktu nyata (real-time) atau batch sudah memadai?
     Ini mempengaruhi pemilihan platform dan seni bina.

5. Rancang “human in the loop”

   • Di mana manusia mesti memberi kelulusan akhir?
   • Di mana AI hanya memberi cadangan?
   • Bagaimana kita pantau bias dan drift model dari masa ke masa?

Cara ini mungkin nampak asas, tapi dalam banyak mesyuarat transformasi digital, 30 minit pertama selalu habis pada isu teknikal, bukan perkara ini. Padahal inilah soalan yang menentukan sama ada projek AI akan berjaya atau kandas.

---

6. Ke Mana Arah AI Kewangan Malaysia Dalam 2026–2027?

Kalau ikut trend global yang dibincangkan di Predict 2026 dan realiti tempatan, beberapa perkara hampir pasti berlaku:

• Multi-AI jadi norma
  Satu organisasi akan guna kombinasi: ML untuk risiko, GenAI untuk produktiviti, agentic AI untuk automasi proses hujung-ke-hujung.

• Regulator akan lebih spesifik tentang AI
  Garis panduan tentang fairness, transparensi, dan penggunaan data akan jadi lebih terperinci. Bank yang mula bina governans AI sekarang akan lebih tenang bila garis panduan baru keluar.

• Persaingan akan beralih daripada “siapa ada AI” kepada “siapa guna AI dengan paling bijak”
  Semua orang boleh beli teknologi. Yang sukar ialah menyusun proses, bakat dan data untuk menjadikannya kelebihan kompetitif.

Bagi bank, insurans dan fintech Malaysia, soalan sebenar pada hujung 2025 bukan lagi “perlu AI atau tidak?” tetapi “adakah kita memilih AI yang selari dengan strategi risiko, pelanggan dan regulasi kita?”

---

Penutup: Masa Untuk Jadikan AI Sebagai Keputusan Strategik, Bukan Eksperimen

AI dalam perkhidmatan kewangan bukan lagi projek sampingan IT. Ia sudah menjadi asas kepada fraud detection, pemarkahan kredit, pematuhan dan pengalaman pelanggan di seluruh dunia – termasuk Malaysia.

Kalau anda sedang merancang bajet 2026, gunakan prinsip ini:

• Mulakan dengan masalah, bukan model
• Pilih jenis AI ikut tugas: tradisional untuk skor, GenAI untuk teks, agentic untuk proses
• Pastikan governans, pematuhan dan integrasi jadi sebahagian daripada reka bentuk, bukan add-on

Organisasi yang berani membuat pilihan yang jelas – dan fokus pada beberapa kes kegunaan bernilai tinggi – akan melihat AI bukan sekadar kos teknologi, tetapi sebagai enjin pertumbuhan dan perlindungan risiko.

Persoalannya sekarang: projek AI seterusnya di bank atau fintech anda, akan jadi satu lagi POC yang senyap-senyap mati… atau langkah pertama ke arah strategi AI yang betul-betul mengubah perniagaan?