Pilih AI Yang Betul Untuk Bank & Fintech Anda

Pilih AI Yang Betul Untuk Bank & Fintech Anda

Pada 2024, Bank Negara melaporkan perbankan digital menyumbang majoriti transaksi runcit tanpa tunai, sambil kes penipuan dalam talian terus meningkat setiap tahun. Di sebalik semua angka itu, satu corak sama berulang: institusi kewangan yang memilih teknologi AI dengan betul bergerak jauh lebih laju berbanding pesaing.

Ramai bank, insurans dan fintech di Malaysia sudah ‘belanja besar’ untuk inisiatif AI – dari chatbot, pemarkahan kredit automatik, hingga pemantauan transaksi AML. Masalahnya, banyak pelaburan tersekat di fasa ‘proof of concept’ atau gagal bagi impak yang jelas, bukan sebab AI lemah, tapi kerana AI yang dipilih tak sepadan dengan masalah sebenar.

Berpandukan idea daripada sesi bersama Christophe Sorré (IBM) di SBS Summit 2025 – yang membezakan antara AI tradisional, machine learning, generatif dan agentic – artikel ini susun semula isu sama khusus untuk konteks Malaysia: bagaimana institusi kewangan di sini patut memilih jenis AI yang tepat untuk kegunaan seperti pengesanan penipuan, automasi khidmat pelanggan dan pemodelan risiko.

---

1. Empat Jenis AI Yang Patut Bank Faham Dulu

Sebelum bercakap tentang vendor dan bajet, keputusan paling penting adalah: jenis AI apa yang sebenarnya anda perlukan?

Secara praktikal, untuk sektor kewangan, kita boleh pecahkan kepada empat kategori kerja:

1.1 AI berasaskan logik & peraturan (rule-based)

Ini ‘AI generasi 80-an’ yang Christophe Sorré sebut: sistem yang ikut logik if-then-else.

Contoh dalam bank:

• Enjin peraturan untuk AML/CTF (contoh: jika jumlah transaksi > X dan negara berisiko tinggi → flag)
• Workflows operasi dalaman yang ikut SOP tetap

Bila sesuai guna:

• Proses stabil, patuh peraturan ketat
• Perlu ‘explainability’ tinggi kepada audit & regulator

Kelemahan utama:

• Terlalu banyak false positive untuk fraud/AML
• Sukar adapt bila corak penipuan atau tingkah laku pelanggan berubah

1.2 Machine Learning (ML) klasik

Ini AI yang buat satu tugas dengan sangat baik bila dilatih guna data bersejarah.

Contoh kegunaan di Malaysia:

• Pengesanan penipuan kad & e-payments: model memerhati corak transaksi biasa dan ‘bendera’ bila ada kelainan
• Pemarkahan kredit untuk pinjaman peribadi, SME dan BNPL
• Risk modelling – PD, LGD, ECL di bawah MFRS 9

Kelebihan:

• Lebih tepat berbanding peraturan statik jika data berkualiti
• Boleh dikalibrasi secara berkala

Cabaran:

• Perlu pasukan data yang matang
• Perlu governance model (bias, fair lending, model risk)

1.3 Generative AI (GenAI)

Generative AI ialah model seperti GPT, LLM dan model multimodal yang boleh jana teks, kod, imej atau ringkasan.

Kegunaan praktikal untuk bank & insurans:

• Chatbot & co-pilot untuk ejen cawangan / call centre
• Ringkasan dokumen: laporan audit, dokumen undang-undang, polisi
• Membantu kerja pematuhan: merumus garis panduan regulator, draf surat notis, draf polisi dalaman

Kekuatan GenAI:

• Boleh tangani pelbagai jenis tugas, bukan satu tugas sahaja
• Sangat berguna sebagai ‘lapisan interaksi’ antara manusia dan data bank

Risiko:

• Halusinasi (jawapan yakin tapi salah)
• Isu kerahsiaan data jika integrasi tidak dibuat dalam persekitaran yang dikawal

1.4 Agentic AI (AI beragen / multi-agen)

Agentic AI melangkaui ‘chatbot pintar’. Ia membina agen yang boleh merancang, memanggil beberapa sistem, dan melaksanakan beberapa tindakan secara automatik, bukan sekadar menjawab soalan.

Contoh senario kewangan:

• Agen risiko yang memantau beberapa sistem (core banking, CRM, news feed) dan mencadangkan pelarasan limit kredit pelanggan tertentu
• Agen ‘ops co-pilot’ yang boleh buka tiket, semak status, dan trigger workflow bila ada isu transaksi

Christophe Sorré merumuskannya begini:

AI tradisional & ML biasanya buat satu kerja; Generative & Agentic AI boleh urus pelbagai tugas merentas proses.

Bagi bank dan fintech Malaysia, agentic AI belum arus perdana, tapi ia sedang bergerak dari ‘idea futuristik’ kepada ‘roadmap 2–3 tahun’.

---

2. 5 Soalan Penting Sebelum Pilih AI Untuk Institusi Anda

Sebahagian besar kegagalan projek AI berlaku kerana orang bermula dari soalan salah: “Vendor mana yang terkenal?” atau “Kita patut guna model apa?”.

Realitinya, urutan soalan patut bermula dari bisnes, baru teknologi.

2.1 Masalah bisnes apa yang paling mendesak sekarang?

Contoh tipikal di Malaysia pada hujung 2025:

• Lonjakan kes scam dan mule account yang jejaskan reputasi bank
• Tekanan margin faedah dan kos operasi yang membuatkan bank perlu automasi
• Persaingan fintech & e-wallet dengan onboarding pelanggan yang jauh lebih pantas

Pilih 1–2 masalah yang:

• Ada impak kewangan jelas (contoh: kerugian fraud, kos operasi)
• Boleh diukur secara kuantitatif (RM, masa, NPS, kadar churn)

2.2 Tugas ini lebih kepada “satu kerja tepat” atau “banyak kerja bercampur”?

Jika tugas sangat fokus, contohnya:

• Mengklasifikasikan transaksi sama ada fraud atau tidak
• Meramal kebarangkalian default pinjaman

…ML klasik biasanya paling sesuai.

Jika tugas melibatkan banyak langkah dan interaksi manusia, contohnya:

• Ejen contact centre perlu faham niat pelanggan, rujuk polisi, kira jumlah, dan balas
• Pegawai pematuhan perlu baca garis panduan panjang, merumus, dan draf prosedur

…Generative atau agentic AI lebih masuk akal.

2.3 Data apa yang anda benar-benar ada dan boleh guna secara sah?

Bank besar selalunya data-rich tetapi insight-poor. Sebelum pilih AI:

• Semak kualiti data transaksi, log sistem, rekod KYC
• Semak had perkongsian data di bawah Akta Perlindungan Data Peribadi (PDPA) dan garis panduan BNM

Kalau data berstruktur banyak, ML untuk fraud & pemarkahan kredit sangat bernilai. Kalau ada banyak dokumen, e-mel dan nota ejen, GenAI jadi kuat.

2.4 Tahap kematangan pasukan data & teknologi anda?

Soalan jujur yang ramai elak: adakah organisasi bersedia dari sudut:

• Data engineering & MLOps
• Information security & privacy
• Model risk management

Jika belum matang, mula dengan:

• Projek fokus seperti fraud detection as-a-service daripada penyedia yang berpengalaman
• GenAI dalam sandbox terkawal untuk kegunaan dalaman (contoh: ringkasan dokumen)

2.5 Bagaimana AI ini menyumbang kepada strategi 2–3 tahun, bukan hanya POC 6 bulan?

Setiap projek AI patut dihubungkan dengan:

• Rancangan perbankan digital atau insurans digital
• Pelan pemodenan core banking atau core policy admin
• Strategi pengurusan risiko perusahaan (ERM)

Jika jawapan kepada “bagaimana projek ini skala?” kabur, besar kemungkinan projek akan berhenti sebagai POC yang cantik di PowerPoint, tapi tak pernah sampai ke produksi.

---

3. Bila Patut Guna AI Tradisional, ML, GenAI & Agentic Dalam Kewangan

Cara paling praktikal untuk pilih jenis AI adalah dengan memetakan use case kepada teknologi.

3.1 Pengesanan penipuan & AML

Keutamaan utama: ketepatan, masa sebenar (real-time), explainability yang mencukupi untuk regulator.

Pendekatan realistik:

1. Rule-based + ML (hari ini)

   • Kekalkan peraturan AML sedia ada untuk pematuhan minimum
   • Tambah model ML yang skor risiko transaksi atau pelanggan
   • Gunakan GenAI untuk ringkaskan justifikasi kes untuk pegawai pematuhan

2. Menuju multi-AI / agentic (2–3 tahun)

   • Agen AI yang memadankan maklumat dari beberapa sumber (transaksi, media sosial, berita) bagi profil risiko pelanggan

3.2 Automasi pemarkahan kredit & onboarding

Masalah: proses manual perlahan, bergantung kepada dokumen fizikal dan semakan manusia.

Pendekatan:

• Gunakan ML untuk model pemarkahan kredit berdasarkan tingkah laku pembayaran, data transaksi, data alternatif (dengan kawalan bias)
• Computer vision & GenAI untuk membaca slip gaji, penyata bank, borang PDF, dan mengekstrak data automatik
• Agentic AI boleh menyusun semua langkah onboarding – dari semak dokumen, panggil sistem semakan CCRIS/CCRIS analog, hingga cadang limit kredit

3.3 Khidmat pelanggan: call centre, chat & cawangan

Untuk bank runcit dan insurans, ini kawasan yang cepat nampak hasil.

Lapisannya:

• Chatbot FAQ berasaskan peraturan untuk soalan mudah (baki, waktu operasi cawangan)
• LLM generatif yang dilatih atas polisi dan produk bank untuk jawab soalan lebih kompleks
• Agentic AI sebagai co-pilot ejen – cadangkan jawapan, isi borang secara automatik, log notis, dan buat follow-up task

Kunci kejayaan di Malaysia:

• Sokong dwibahasa (BM & Inggeris) dan jika perlu dialek ringkas
• Pastikan GenAI ini dikurung dalam persekitaran bank, bukan internet terbuka

3.4 Pematuhan & risiko (regtech dalaman)

Ini kawasan yang ramai terlepas pandang, tapi impak kos sangat besar.

Contoh kegunaan:

• GenAI untuk membaca dan merumuskan pekeliling BNM, garis panduan PIDM, dan updating polisi dalaman
• ML untuk pemodelan risiko pasaran/operasi berdasarkan data sejarah
• Agentic AI untuk memantau breach pematuhan merentasi beberapa sistem dan eskalasi automatik

---

4. Kenapa Banyak Bank Tersilap Pilih AI (Dan Bagaimana Elak)

Kebanyakan kegagalan bukan teknikal, tapi strategi.

4.1 Fokus kepada teknologi, bukan kes penggunaan

Ramai teruja mahu "guna GenAI" tanpa jelas di mana ia memberi nilai. Akhirnya jadi demo menarik, tapi tiada KPI bisnes.

Cara elak: setiap inisiatif AI mesti kait pada satu metrik bisnes:

• Penurunan kerugian fraud RM
• Pengurangan masa call handling
• Peningkatan kadar lulus pinjaman berkualiti

4.2 Tak seimbangkan antara ‘satu tugas’ dan ‘multi tugas’

Christophe Sorré membezakan dengan jelas: AI tradisional/ML = satu tugas; GenAI/agentic = pelbagai tugas.
Ramai organisasi cuba guna GenAI untuk semua benda, sedangkan ada tugas yang sebenarnya lebih stabil dengan ML klasik.

Contoh:

• Scoring kredit → lebih baik guna ML tradisional yang stabil dan mudah diaudit
• Menjawab pertanyaan pelanggan tentang kenapa permohonan ditolak → GenAI boleh ambil maklumat dari model dan polisi untuk jelaskan dalam bahasa mudah

Gabungan inilah yang beri hasil paling baik.

4.3 Abaikan governance & risiko model

Untuk sektor kewangan Malaysia, AI tanpa governance adalah risiko peraturan yang nyata.

Beberapa langkah minimum yang saya rasa wajib:

• Register semua model AI (ML, GenAI) dalam inventori model rasmi
• Dokumenkan tujuan, data sumber, had model, dan pemilik model
• Monitoring berkala: prestasi, bias, dan drift data
• Libatkan fungsi risiko & pematuhan dari awal, bukan selepas sistem siap

---

5. Roadmap Praktikal 12–24 Bulan Untuk Bank & Fintech Malaysia

Bagi organisasi yang serius mahu jadikan AI sebagai pembeza utama, ada cara yang lebih teratur daripada ‘try & error’.

Fasa 1 (0–6 bulan): Jelas masalah & asas data

• Pilih 2–3 kes penggunaan utama: biasanya fraud, onboarding, dan khidmat pelanggan
• Taksir kualiti dan akses data untuk kes itu
• Bentuk governance AI asas: polisi, jawatankuasa, dan proses kelulusan projek

Fasa 2 (6–12 bulan): Prove value, tapi dengan skala dalam fikiran

• Jalankan projek ML untuk satu kes teras (contoh: fraud kad atau pemarkahan kredit mikro)
• Jalankan satu projek GenAI dalaman (contoh: co-pilot untuk pegawai pematuhan)
• Ukur impak RM, masa, dan kualiti – bukan sekadar “tepat x%”

Fasa 3 (12–24 bulan): From AI silos ke multi-AI & agentic

• Integrasikan beberapa model ML dan GenAI di atas satu platform atau fabric AI
• Mula reka agen AI kecil yang boleh mengendalikan proses hujung ke hujung tertentu (contoh: pengendalian aduan mudah)
• Susun semula proses dan latihan staf agar AI dilihat sebagai ‘rakan kerja’, bukan ancaman

---

Penutup: Masa Untuk Pilih AI Dengan Lebih Bijak

Dalam siri "AI in Financial Services (Banks, Insurance, Fintech)", satu pola jelas kelihatan: institusi yang menang bukan yang paling banyak AI, tapi yang paling tepat guna AI untuk masalah yang betul.

Untuk bank, insurans dan fintech di Malaysia, langkah bijak sekarang bukan lagi bertanya "nak guna AI atau tidak", tetapi:

• Masalah bisnes mana yang paling kritikal?
• Jenis AI mana yang paling sesuai – rule-based, ML, generative atau agentic?
• Bagaimana nak gabungkan beberapa jenis AI secara selamat, patuh, dan mudah diurus?

Jika soalan-soalan ini dijawab dengan jujur dan terancang, AI bukan lagi projek percubaan mahal, tetapi enjin utama pertumbuhan, pengurangan fraud, dan pengalaman pelanggan yang jauh lebih baik menjelang 2026.