Panduan Pilih AI Yang Tepat Untuk Bank & Insurans

Panduan Pilih AI Yang Tepat Untuk Bank & Insurans

Pada 2024, beberapa bank utama di Malaysia laporkan lebih 40% bajet teknologi mereka kini berkait terus dengan projek AI dan data. Duit dah keluar, tekanan pun tinggi: AI apa sebenarnya yang patut kita guna? Model ramalan tradisional? Machine learning? Generative AI? Atau sistem ejen (agentic AI) yang boleh bertindak sendiri?

Kebanyakan institusi kewangan bukan kurang idea, tapi terlalu banyak pilihan. Hasilnya, projek jadi lambat, POC berpanjangan, dan pelanggan masih lagi rasa pengalaman yang sama – lambat, rumit, penuh gesaan dokumen.

Artikel ini rangkum semula pemikiran yang dibawa oleh Christophe Sorré (IBM, sektor kewangan) tentang evolusi AI – dari logik asas, ke machine learning, dan ke Generative & Agentic AI – kemudian saya terjemahkannya ke dalam konteks bank, insurans, dan fintech di Malaysia. Fokusnya mudah:

Bagaimana nak pilih jenis AI yang betul untuk masalah yang betul – tanpa membazir bajet dan masa?

---

1. Empat Generasi AI: Apa Beza, Apa Guna?

Jawapannya: setiap generasi AI sesuai untuk masalah berbeza. Silap pilih, anda dapat kos tinggi tapi impak kecil.

1.1 AI berasaskan peraturan & logik (1980-an – awal 2000-an)

Ini generasi AI paling awal, berasaskan if-then-else. Dalam dunia kewangan Malaysia, kita dah guna ini bertahun-tahun:

• Enjin peraturan anti-fraud kad kredit
• Workflow kelulusan pinjaman yang rigid
• Rules untuk pematuhan (contoh AML basic screening)

Bila sesuai guna:

• Peraturan jelas, jarang berubah
• Data terhad tapi undang-undang ketat
• Anda perlu konsisten dan mudah diaudit

Kelemahan: Susah skala, susah maintain bila produk sering berubah (contoh promosi e-wallet, BNPL, takaful mikro).

1.2 Machine learning (ML): meramal berdasarkan data

Machine learning ialah asas kebanyakan AI moden dalam kewangan:

• Skor kredit automatik untuk pinjaman peribadi dan SME
• Model pengesanan fraud untuk FPX, kad dan QR Pay
• Model churn prediction untuk pelanggan kad kredit atau insurans

Kelebihan utama: ML bagus untuk satu tugas spesifik – contohnya ramal kebarangkalian ‘default’, atau kebarangkalian transaksi itu fraud.

Contoh praktikal di Malaysia:

• Bank menilai permohonan pinjaman B40 dengan data alternatif (bayaran bil, transaksi e-wallet) menggunakan ML
• Syarikat insurans guna ML untuk meramal kebarangkalian tuntutan perubatan besar dalam 12 bulan akan datang

1.3 Generative AI: menghasilkan teks, kod, dokumen

Generative AI (GenAI) seperti model bahasa besar digunakan untuk:

• Menjawab soalan pelanggan (chatbot pintar)
• Jana draf laporan pematuhan atau laporan risiko
• Terjemah polisi atau perjanjian ke bahasa lebih mudah faham

Perbezaan besar berbanding ML tradisional:

ML biasa sangat bagus untuk satu tugas, manakala Generative AI boleh menyokong pelbagai tugas berkait teks, kod, dan imej.

Kegunaan dalam kewangan:

• AI co-pilot untuk pegawai cawangan atau agen insurans
• Auto-summarise dokumen pinjaman, penyata akaun, atau polisi takaful
• Bantu pegawai risiko membaca laporan BNM dan menghasilkan ringkasan tindakan

1.4 Agentic AI: AI yang bukan saja menjawab, tetapi bertindak

Agentic AI ialah evolusi seterusnya: model yang bukan sekadar menjana teks, tetapi merancang, memutuskan tindakan kecil, dan memanggil sistem lain.

Bayangkan ejen maya yang:

• Bukan sekadar jawab "baki akaun saya berapa?" tetapi juga
• Boleh cek sistem, cadangkan penjadualan bayaran, dan hantar pengesahan kepada pelanggan (dalam kawalan yang ditetapkan)

Contoh kegunaan (terkawal) dalam institusi kewangan:

• Pembantu operasi yang menyemak transaksi mencurigakan, mengumpul maklumat, dan menyediakan fail untuk pegawai pematuhan
• Ejen maya untuk exception handling dalam pembayaran – automasi langkah-langkah semak, rujuk data, dan cadang resolusi sebelum manusia sahkan

---

2. Soalan Pertama: Anda Nak Selesaikan Masalah Apa?

Kebanyakan projek AI di bank dan insurans gagal bukan sebab teknologi lemah, tapi kerana masalahnya kabur. Sebelum fikir "GenAI apa nak beli?", tanya dulu tiga soalan asas.

2.1 Adakah masalah anda tunggal atau berbilang langkah?

• Masalah tunggal → contoh: ramal risiko default, klasifikasikan transaksi fraud, skor prospek.
  • Biasanya ML tradisional sudah cukup.
• Masalah berbilang langkah → contoh: urus kes tuntutan dari A sampai Z, selesaikan payment exception, proses permohonan pinjaman hujung ke hujung.
  • Di sini Generative + Agentic AI mulai masuk akal.

Contoh:

• "Kami mahu kurangkan kehilangan akibat fraud" → fokuskan ML + enjin peraturan.
• "Kami mahu pendekkan masa penyelesaian kes fraud dari 10 hari ke 2 hari" → mula fikir AI untuk orkestrasi proses (agentic + automasi).

2.2 Data anda macam mana?

Ringkasnya: data kotor, AI jadi mahal dan lemah.

Tanya diri:

• Ada sejarah data yang bersih dan berlabel? → sesuai untuk ML
• Banyak dokumen PDF, e-mel, memo dalaman? → GenAI untuk ekstrak & ringkasan
• Sistem berpecah (core banking, CRM, LOS, sistem tuntutan tak bercakap sesama sendiri)? → Agentic AI perlukan integrasi yang baik

Tanpa data foundation yang kukuh, GenAI akan jadi chatbot cantik tapi kosong.

2.3 Tahap risiko & kawal selia

Dalam kewangan Malaysia, BNM, SC dan PIDM semakin teliti tentang penggunaan AI.

Untuk setiap use case, nilai:

• Impak kepada pelanggan: keputusan pinjaman, harga premium, penolakan tuntutan
• Keperluan jelaskan keputusan: jika perlu boleh audit, mungkin perlukan model yang lebih telus (explainable ML, rules + ML hybrid)
• Kelas data: data sangat sensitif (perubatan, CCRIS) perlu pengurusan khas, mungkin on-prem atau private AI.

---

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

Jawapannya: padankan jenis AI dengan jenis kerja, bukan ikut trend.

3.1 Guna AI tradisional / enjin peraturan bila…

• Pematuhan kuat dan formula jelas (contoh had pendedahan, limit transaksi harian)
• Peraturan jarang berubah
• Perlu masa implementasi cepat dan mudah diuji

Use case tipikal di bank & insurans Malaysia:

• Peraturan saringan AML asas
• Had transaksi harian dan pengesahan OTP
• Business rules untuk promosi kad kredit dan kempen loyalty

3.2 Guna Machine Learning bila…

Anda perlu ramalan berasaskan corak data.

Contoh:

• Skor risiko kredit untuk:
  • Pinjaman peribadi segera
  • Pembiayaan patuh Syariah untuk SME
• Model fraud untuk:
  • DuitNow, FPX, kad, QR
• Model kecenderungan (propensity model) untuk:
  • Cross-sell produk insurans kepada pelanggan bank
  • Meneka siapa yang akan batal polisi dalam 3 bulan akan datang

ML biasanya jadi "enjin di belakang" yang senyap tapi berkuasa.

3.3 Guna Generative AI bila…

Kerja utama melibatkan bahasa, teks, dan dokumen.

Contoh yang sangat berkaitan di Malaysia:

• Chatbot dwibahasa (BM & Inggeris) untuk khidmat pelanggan bank dan takaful
• Ringkaskan dokumen pinjaman perumahan supaya pelanggan lebih faham
• Jana e-mel susulan automatik kepada pelanggan yang lewat bayar
• Bantu pasukan pematuhan membaca garis panduan BNM terkini dan hasilkan senarai tindakan

GenAI tidak ganti ML untuk ramalan risiko, tapi melengkapkan – ia jelaskan, memudahkan, dan mempercepat kerja manusia.

3.4 Guna Agentic AI bila…

Anda mahu AI bukan sekadar menjawab, tetapi mengurus beberapa langkah proses.

Beberapa senario yang mula mendapat perhatian:

• Fraud case handling:
  • Ejen AI mengumpul semua transaksi berkaitan, status pelanggan, rekod aduan
  • Menjana draf kronologi kes untuk pegawai penyiasat
• Exception handling untuk pembayaran antarabangsa atau rentas bank:
  • AI semak kod ralat, cari maklumat tambahan, cadang tindakan
• Onboarding SME:
  • AI bantu isikan borang dari dokumen sedia ada, minta maklumat tambahan yang spesifik, dan semak pematuhan asas

Dalam semua kes ini, tindakan akhir masih disahkan manusia, tapi masa yang diambil boleh turun dari hari ke jam – atau minit.

---

4. Strategi Praktikal Untuk Bank & Insurans di Malaysia

Jawapannya: jangan kejar semua trend sekaligus. Mulakan dengan kerangka mudah yang boleh diulang.

4.1 Guna kerangka "3 gelombang" AI

Saya cadangkan institusi kewangan guna tiga gelombang berikut:

1. Gelombang 1 – Stabilkan asas data & ML yang sedia ada

   • Bersihkan data pelanggan, transaksi, tuntutan
   • Perkemas model kredit & fraud yang sedia ada
   • Wujudkan model registry dan governance (siapa pantau, siapa luluskan)

2. Gelombang 2 – Tambah GenAI untuk produktiviti dalaman

   • Co-pilot untuk pegawai cawangan, contact centre, dan pasukan risiko
   • Ringkasan dokumen & laporan automatik
   • Chatbot bantuan dalaman untuk polisi & SOP

3. Gelombang 3 – Pilih beberapa proses hujung ke hujung untuk Agentic AI

   • Contoh: proses tuntutan kecil (e.g. < RM2,000) untuk motor atau perubatan
   • Proses dispute handling untuk transaksi kad
   • Segmen tertentu onboarding pelanggan runcit / SME

4.2 Mulakan dengan use case yang boleh diukur

Setiap projek AI mesti ada angka sasaran yang jelas, contohnya:

• Kurangkan fraud loss kad sebanyak 20% dalam 12 bulan
• Pendekkan masa kelulusan pinjaman peribadi dari 24 jam ke 2 jam
• Tingkatkan first contact resolution contact centre sebanyak 15%

Tanpa sasaran macam ni, projek AI akan jadi "projek pameran" yang tak bawa ROI.

4.3 Satu pasukan merentas fungsi, bukan IT sahaja

AI dalam bank dan insurans tak boleh diserahkan kepada IT semata-mata.

Pasukan ideal termasuk:

• Bisnes: pemilik proses (kredit, risiko, tuntutan, operasi)
• Data & AI: data scientist, data engineer, MLOps
• Pematuhan & risiko: pastikan model ikut garis panduan, ada explainability
• Frontline: pegawai cawangan, agen, pegawai servis pelanggan – mereka tahu apa yang betul-betul sakit

Realitinya, projek yang melibatkan frontline early lebih mudah diterima dan digunakan, sebab mereka rasa "ini alat saya", bukan "ini sistem baru yang membebankan".

4.4 Fikir awal tentang AI governance

Di Malaysia, seruan terhadap responsible AI semakin kuat.

Beberapa amalan minimum yang praktikal:

• Senarai do & don't untuk penggunaan GenAI (termasuk data apa yang tak boleh dimasukkan)
• Proses kelulusan untuk model yang memberi impak kepada pelanggan (contoh kelulusan pinjaman, harga premium)
• Pelan kontingensi – apa jadi kalau model rosak atau beri output pelik (fallback ke rules manual, dsb.)

---

5. Dari "Terlalu Banyak Pilihan" ke Pelan 12 Bulan Yang Jelas

Ramai pengurus di bank, insurans dan fintech mengaku perkara yang sama: mereka tahu AI penting, tapi tak pasti nak mula di mana dan dengan jenis AI yang mana.

Kalau diringkaskan, inilah cara saya akan rancang 12 bulan akan datang untuk institusi kewangan Malaysia:

1. Petakan semua use case AI sedia ada dan yang dirancang mengikut empat kategori:
   • Peraturan/logik
   • Machine learning
   • Generative AI
   • Agentic AI
2. Tanda mana yang benar-benar penting untuk tiga perkara:
   • Pengurangan risiko & fraud
   • Pengalaman pelanggan
   • Kecekapan operasi
3. Pilih 3–5 use case utama yang boleh beri nilai dalam masa < 12 bulan
4. Pastikan setiap use case ada nombor ROI yang jelas dan pemilik bisnes yang bertanggungjawab
5. Bangunkan pelan data & governance selari, bukan kemudian

Ini bukan soal kejar teknologi paling glamor. Ini soal memilih kombinasi AI yang paling sesuai dengan matang data anda, tahap risiko yang anda sanggup ambil, dan sasaran bisnes yang anda mahu capai.

Bagi sektor kewangan Malaysia yang semakin agresif menggunakan AI untuk fraud detection, pemodelan risiko, pematuhan dan khidmat pelanggan, pemilihan jenis AI yang tepat akan membezakan siapa yang benar-benar dapat hasil, dan siapa yang hanya menambah satu lagi sistem ke dalam senarai legacy.

Persoalannya sekarang: bagi 12 bulan akan datang, use case mana dalam bank atau syarikat insurans anda yang paling layak menjadi projek AI yang betul-betul berdampak – dan jenis AI mana yang sebenarnya cukup, tanpa berlebihan?