ROI AI Bank: Apa Yang RBC Buktikan Untuk Malaysia

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

RBC jangka hingga C$1 bilion nilai tambah daripada AI. Apa maksudnya untuk bank, insurans dan fintech di Malaysia – dan bagaimana meniru ROI itu secara praktikal.

AI perbankanROI AIkewangan Malaysiainsurans dan takafulfintech Malaysiatransformasi digital bank
Share:

ROI AI Dalam Kewangan: Pelajaran Besar Dari RBC

Royal Bank of Canada (RBC) menjangka sehingga C$1 bilion kenaikan enterprise value hasil pelaksanaan AI di seluruh organisasi mereka. Bukan projek kecil-kecilan, tapi impak berskala kumpulan.

Ini terus mengesahkan satu perkara: AI dalam perbankan dan insurans bukan lagi kos IT – ia enjin nilai perniagaan. Dan soalan paling relevan untuk Malaysia sekarang bukan “perlu guna AI atau tidak?”, tapi:

Bagaimana bank dan syarikat insurans di Malaysia boleh meniru formula ROI AI seperti RBC – dalam konteks pasaran dan regulasi tempatan?

Dalam siri AI in Financial Services (Banks, Insurance, Fintech) ini, fokusnya ialah dari sudut praktikal: apa yang berfungsi, apa yang buang masa, dan di mana sebenarnya duit masuk bila kita cakap tentang AI.

Artikel ini kupas:

  • Di mana sebenarnya RBC (dan bank besar lain) jana nilai C$1 bilion daripada AI
  • Bagaimana trend itu sudah pun muncul di Malaysia – walaupun skalanya berbeza
  • Kerangka 4 langkah untuk bank, insurans dan fintech tempatan yang serius nak lihat ROI sebenar, bukan sekadar POC cantik di slaid PowerPoint

Bagaimana Bank Seperti RBC Menjana Nilai Besar Dari AI

Jawapannya ringkas: bank seperti RBC jana nilai AI dengan fokus pada hasil perniagaan yang boleh diukur, bukan pada model AI yang “hebat” semata-mata.

Walaupun butiran teknikal RBC tak tersedia penuh, berdasarkan pola bank-bank Tier 1 global, nilai C$1 bilion itu biasanya datang daripada beberapa kluster utama:

1. Pengurangan kerugian: penipuan & risiko kredit

Di kebanyakan bank besar, inilah sumber ROI AI paling cepat nampak:

  • Pengesanan penipuan transaksi masa nyata
  • Pencegahan akaun palsu dan mule account
  • Model skor kredit yang lebih tepat dan dinamik

Bayangkan senario mudah untuk konteks Malaysia:

  • Bank A ada kerugian penipuan kad dan transaksi digital sekitar RM80 juta setahun
  • AI yang lebih tepat turunkan kerugian itu 25%
  • Itu sudah RM20 juta setahun dijimatkan – hanya dari satu kategori risiko

Untuk RBC yang bersaiz jauh lebih besar, tak pelik kalau satu kluster ini saja menyumbang ratusan juta ringgit dalam bentuk loss avoidance.

2. Pertumbuhan hasil: pemperibadian produk & harga

AI tak hanya “mengurangkan kerugian”. Ia juga boleh mengembangkan hasil:

  • Model next-best-offer untuk produk kad kredit, pinjaman peribadi, takaful
  • Segmentasi mikro pelanggan untuk kempen yang lebih tepat
  • Penetapan harga dinamik untuk kredit (dalam rangka kerja patuh regulatori)

Bank yang mengoptimumkan penawaran produk menggunakan AI lazimnya lihat:

  • Kadar ambil produk (take-up rate) naik 20–40%
  • Kos pemerolehan pelanggan (CAC) turun kerana sasaran lebih tepat

Bila RBC bercakap tentang enterprise value naik C$1 bilion, sebahagian besarnya datang daripada nilai masa depan aliran tunai baharu yang dijana oleh pertumbuhan hasil ini.

3. Kecekapan operasi: automasi proses hujung-ke-hujung

Bahagian ini kurang glamor, tetapi sering jadi penyumbang nilai yang sangat besar:

  • Intelligent document processing untuk borang pinjaman, tuntutan insurans, onboarding pelanggan korporat
  • Robotic Process Automation (RPA) digabungkan dengan AI untuk urusan back-office
  • Pengurangan manual review dalam AML dan pematuhan (false positives lebih rendah)

Di bank besar, berjuta-juta transaksi dan dokumen diproses setiap bulan. Jika AI:

  • Kurangkan masa pemprosesan 30–50%
  • Kurangkan headcount operasi atau elak penambahan staf baharu

nilai bersihnya boleh mencecah ratusan juta setahun. RBC sekadar mengumpul semua ini, menukarnya kepada enterprise value jangka panjang.

4. Pengalaman pelanggan: dari call centre ke super app

AI juga memberi kesan pada NPS, churn, dan wallet share:

  • Chatbot dan virtual assistant 24/7 di aplikasi mudah alih
  • Respon pantas dan konsisten untuk soalan asas: baki, pertanyaan kad, status tuntutan
  • Proactive alerts yang relevan, bukan spam

Kesan kewangannya:

  • Pengurangan panggilan ke call centre
  • Pelanggan kurang pindah ke bank pesaing
  • Peluang cross-sell meningkat

Semua komponen ini, bila digabung, mudah mencecah angka bilion untuk institusi sebesar RBC.

Di Mana Malaysia Berdiri Dalam Gelombang AI Kewangan

Malaysia sebenarnya sudah di landasan yang betul. Cuma kebanyakan pemain masih pecah-pecah projek AI mereka – belum disusun sebagai mesin nilai sehimpun seperti RBC.

Berbeza dengan Kanada, Malaysia ada keunikan:

  • Campuran bank domestik, bank Islam, dan pemain serantau
  • Ekosistem fintech yang aktif di dompet digital, BNPL, dan pinjaman mikro
  • Regulator (BNM, SC) yang semakin pro-digital tapi tegas tentang governance

Beberapa tren jelas:

1. Bank-bank besar: fokus pada risiko & pematuhan

Bank utama di Malaysia sedang:

  • Menggunakan AI/ML untuk skor kredit (terutamanya untuk segmen runcit dan SME)
  • Mengukuhkan AML, KYC, dan pemantauan transaksi dengan model yang lebih pintar
  • Menguji model risiko tekanan (stress-testing) berasaskan simulasi AI

Ini seiring dengan apa yang RBC lakukan dalam domain risiko.

2. Insurans & takaful: pemprosesan tuntutan dan penentuan harga

Syarikat insurans dan takaful di Malaysia semakin agresif dalam:

  • Mengautomasi penilaian tuntutan motor dan perubatan
  • Menggunakan AI untuk penentuan harga yang lebih granular
  • Menyokong ejen dengan cadangan produk berasaskan data

Di sinilah banyak nilai kos dan pengalaman pelanggan boleh dijanakan, sama seperti blok nilai kecekapan operasi RBC.

3. Fintech: bergerak pantas, tapi perlu kawal risiko

Fintech Malaysia (e-wallet, BNPL, digital lender) biasanya:

  • Lebih matang dalam penggunaan data alternatif (telco, e-dagang, tingkah laku aplikasi)
  • Lebih berani mencuba AI untuk real-time decisioning

Cuma, tanpa disiplin governance seperti bank besar, mereka berisiko:

  • Model tidak telus
  • Skor kredit yang berat sebelah
  • Konflik dengan kehendak regulator

Kalau digabungkan kekuatan bank (governance) dengan kelajuan fintech (inovasi), Malaysia sebenarnya boleh bergerak lebih pantas daripada pasaran maju.

Bagaimana Mengira ROI AI: Kerangka Praktikal Untuk Bank Malaysia

Ini bahagian ramai organisasi tersangkut: projek AI nampak menarik, tetapi sukar dibuktikan nilainya.

Berpandukan pendekatan seperti RBC dan bank global lain, berikut satu kerangka mudah yang saya nampak berkesan:

Langkah 1: Pilih 3–5 kes guna dengan nilai tunai yang jelas

Mulakan dengan soalan: “Jika kes guna ini berjaya, berapa ringgit setahun kita jimat atau tambah hasil?”

Contoh kes guna untuk konteks Malaysia:

  • AI anti-penipuan FPX & kad

    • Asas: Kerugian penipuan kini RM40 juta/tahun
    • Sasaran konservatif: 20% pengurangan
    • Nilai tahunan: RM8 juta

  • Model kelulusan pinjaman SME berasaskan data alternatif

    • Asas: Pinjaman diluluskan RM5 bilion/tahun dengan margin tertentu
    • Sasaran: 5% pertumbuhan portfolio berkualiti sama
    • Nilai tahunan: ikut net interest income tambahan

  • Pemprosesan dokumen automatik untuk onboarding korporat

    • Asas: 50 FTE terlibat, kos purata RM120k/FTE
    • Sasaran: 30% produktiviti meningkat
    • Nilai tahunan: ~RM1.8 juta potensi penjimatan / capacity uplift

Jika sesuatu kes guna tak boleh diterjemah kepada ringgit, ia bukan calon utama gelombang pertama.

Langkah 2: Bezakan “ujian makmal” dengan produk sebenar

Banyak organisasi berhenti di peringkat POC:

  • Model nampak tepat dalam notebook
  • Demo cantik di hackathon dalaman

Tapi RBC dan bank besar lain hanya mengira ROI bila model itu:

  • Disepadukan dalam proses sebenar (contoh: sistem pengesanan penipuan masa nyata)
  • Ditadbir dari segi MLOps, pemantauan bias, dan model drift

Dalam konteks Malaysia, pasukan AI perlu rapat dengan:

  • Pasukan operasi risiko
  • Bahagian perniagaan (retail, SME, korporat, insurans)
  • Pasukan IT dan arkitek enterprise

Tanpa itu, AI kekal sebagai eksperimen, bukan productized capability.

Langkah 3: Ukur sebelum, semasa, dan selepas

Inilah yang membolehkan RBC bercakap tentang angka C$1 bilion dengan yakin.

Untuk setiap kes guna, tentukan dengan jelas:

  • Baseline: kadar penipuan sekarang, SLA pemprosesan sekarang, take-up rate sekarang
  • Metrik sasaran: pengurangan %, peningkatan %, masa pulang modal (payback period)
  • Window masa: 3 bulan, 6 bulan, 12 bulan

Contoh ringkas metrik untuk bank Malaysia:

  • Fraud model v2.0

    • Baseline: kerugian RM40 juta/tahun
    • Sasaran: turun ke RM28 juta (30% pengurangan)
    • Metric tambahan: false positive turun 15%

  • Chatbot pembiayaan peribadi

    • Baseline: 90% permintaan datang melalui call centre
    • Sasaran: 40% beralih ke chatbot
    • Nilai: pengurangan kos per interaksi + potensi jualan tambahan

Langkah 4: Gabung nilai jadi “naratif enterprise”

Di sinilah RBC membezakan diri: mereka tak bercerita tentang 200 projek AI kecil, mereka bercerita tentang nilai korporat terkumpul.

Bank dan insurans di Malaysia juga patut:

  • Membentang nilai AI di peringkat Lembaga dan EXCO sebagai portfolio
  • Mengelompokkan mengikut blok nilai:
    • Lindungan kerugian (risk & fraud)
    • Pertumbuhan hasil (sales & personalisation)
    • Kecekapan (operasi, pematuhan)

Bila angka-angka ini jelas, permintaan bajet AI untuk tahun depan bukan lagi “kos IT”, tetapi pelaburan dengan pulangan yang boleh diunjurkan.

Soalan Lazim: Apa Yang Selalu Menggagalkan ROI AI?

Beberapa perangkap yang saya kerap nampak di bank dan fintech:

  1. Mulakan dengan teknologi, bukan masalah perniagaan
    Contoh: “Kita nak guna generative AI” sebelum tahu untuk apa.

  2. Data berpecah dan kualiti rendah
    Data pelanggan dan transaksi tak bersih, lalu model jadi lemah. Data governance bukan glamor, tapi kritikal.

  3. Tiada pemilik perniagaan (business owner)
    Model AI “dimiliki” oleh pasukan data sains saja. Tanpa pemilik perniagaan, tak ada siapa push penggunaan.

  4. Tiada rangka kerja risiko & pematuhan yang jelas
    Ini penting di Malaysia, terutama dengan garis panduan BNM. Model AI yang bagus pun boleh dibekukan jika tak patuh.

  5. Jangkaan tak realistik
    AI bukan sihir. ROI 200% dalam masa 3 bulan jarang berlaku. Bank seperti RBC pun membina nilai ini secara berperingkat beberapa tahun.

Apa Langkah Seterusnya Untuk Bank & Insurans Di Malaysia?

RBC hanya satu contoh besar yang mengesahkan sesuatu yang ramai sudah rasa: AI boleh dan sedang menambah nilai bilion ringgit dalam sektor kewangan. Persoalan untuk Malaysia ialah siapa yang akan jadi “RBC versi tempatan”.

Untuk organisasi yang serius, tiga tindakan praktikal sebelum 31/12/2025:

  1. Peta portfolio AI sedia ada
    Senaraikan semua projek/model AI dan ML yang sudah atau hampir ke produksi. Untuk setiap satu, tanyakan: “Apa metrik perniagaannya? Berapa nilai tunai dalam RM?”

  2. Pilih 3–5 kes guna “bintang” untuk tahun depan
    Fokus pada kombinasi:

    • Penipuan dan risiko
    • Skor kredit/pembiayaan
    • Automasi proses utama (contoh: tuntutan, onboarding)
      Ini blok nilai yang paling hampir dengan apa yang menyumbang kepada C$1 bilion RBC.

  3. Bina “AI value office” kecil, bukan hanya pasukan data saintis

    • Dianggotai wakil risiko, perniagaan, data, IT, dan kewangan
    • Tugas utamanya: prioritisation, tracking ROI, dan governance untuk semua inisiatif AI

Artikel ini sebahagian daripada siri AI in Financial Services (Banks, Insurance, Fintech), dengan satu mesej konsisten:

AI bukan lagi soal siapa ada model paling pintar, tapi siapa yang paling disiplin menukar model itu kepada hasil perniagaan yang boleh diukur.

Soalannya sekarang – adakah organisasi anda bersedia bergerak dari POC yang mengagumkan kepada ROI yang meyakinkan Lembaga dan regulator?