Bagaimana RBC Jana C$1bn Nilai Melalui AI

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

RBC sasarkan sehingga C$1bn nilai perniagaan daripada AI menjelang 2027. Apa pelajaran praktikal untuk bank, insurans dan fintech di Malaysia?

AI dalam perkhidmatan kewanganperbankan MalaysiaROI AIkecerdasan buatanfintechinsuranstransformasi digital
Share:

Bagaimana RBC Jana C$1bn Nilai Perniagaan Melalui AI – Dan Apa Maksudnya Untuk Bank di Malaysia

Pada 2027, Royal Bank of Canada (RBC) menjangka AI menyumbang sehingga C$1 bilion nilai perniagaan tambahan. Itu bukan anggaran power point; ia datang selepas beberapa tahun pelaburan fokus, model proprietari, dan program AI yang sudah berjalan di barisan hadapan operasi bank.

Ini kena tepat dengan perbualan di Malaysia sekarang. Bank tempatan, insurans dan fintech semua sedang menaikkan bajet AI untuk 2025–2027. Soalan sebenar bukan lagi “perlu guna AI atau tidak?”, tetapi “berapa banyak nilai yang kita boleh cipta – dan bagaimana nak buktikan ROI?”

RBC beri kita satu contoh yang sangat jelas: AI bukan hanya chatbot atau automasi kecil-kecilan. Bila dibuat dengan betul, ia boleh diterjemah terus kepada nilai pasaran, penjimatan kos, pertumbuhan pendapatan dan kelebihan daya saing.

Dalam artikel ini, saya huraikan:

  • Bagaimana RBC menyusun strategi AI hingga mampu mensasarkan C$700 juta – C$1 bilion nilai tambahan
  • Di mana sebenarnya nilai AI datang dalam konteks perbankan dan fintech
  • Apa pelajaran praktikal untuk bank dan institusi kewangan di Malaysia
  • Kerangka ringkas untuk merangka business case AI yang credible pada 2025–2027

1. Apa Sebenarnya RBC Sedang Lakukan Dengan AI?

Jawapannya: RBC treat AI sebagai enjin nilai teras, bukan projek percubaan tepi meja.

Beberapa perkara penting daripada langkah RBC:

  • Mereka berada dalam 5 teratas bank global dari segi penerbitan penyelidikan AI.
  • Mereka bangunkan model AI proprietari sendiri (Atom model) melalui unit penyelidikan AI dalaman.
  • Mereka tetapkan sasaran yang jelas: C$700 juta – C$1 bilion nilai perniagaan tambahan menjelang 2027.
  • Mereka sudah melancarkan beberapa program AI konkrit merentasi fungsi utama bank.

Contoh aplikasi AI RBC yang relevan untuk Malaysia

  1. Pemerhatian kredit (credit adjudication)
    Atom model digunakan untuk membuat keputusan kredit yang lebih tepat dan pantas.

    Kesan biasa dalam konteks bank:

    • Kadar NPL turun kerana profil risiko dinilai lebih halus
    • Kelulusan pinjaman yang baik dipercepat, tingkatkan pengalaman pelanggan
    • Margin faedah bersih lebih stabil kerana harga risiko lebih tepat

  2. Personalisation program kesetiaan
    AI digunakan untuk memahami tingkah laku pelanggan dan menyesuaikan tawaran ganjaran.

    Ini boleh diterjemah kepada:

    • Kadar penggunaan kad dan produk lain meningkat
    • Cross-sell / up-sell lebih berkesan
    • Nilai seumur hidup pelanggan (CLV) naik

  3. Upskilling penasihat & produktiviti pembangun
    RBC melaporkan program AI untuk:

    • Membantu penasihat (relationship manager) dengan analitik pelanggan, ringkasan portfolio, cadangan seterusnya
    • Tingkatkan produktiviti developer – contohnya guna AI assistant untuk kod, dokumentasi, dan testing

  4. AI dalam proses gadai janji (mortgage)
    Proses pembiayaan perumahan diringkaskan dengan AI, daripada pre-qualification hingga document verification.

Bank di Malaysia boleh terus nampak paralel di sini: kredit, kad, gadai janji, bancassurance, SME financing — semua ada ruang aplikasi AI yang hampir sama.

2. Dari Chatbot ke C$1bn: Di Mana Nilai AI Sebenarnya Datang?

AI hanya memberi ROI bila ia sentuh P&L dan neraca. RBC jelas nampak perkara ini, dan bank di Malaysia patut meniru pendekatan tersebut.

Secara ringkas, nilai AI dalam perkhidmatan kewangan biasanya datang daripada empat saluran:

2.1. Penjimatan kos operasi

AI boleh kurangkan kos melalui:

  • Automasi proses (RPA + AI) untuk kerja berulang – semakan dokumen, reconciliations, laporan pematuhan
  • Chatbot dan virtual assistant yang ambil alih sebahagian besar pertanyaan asas pelanggan
  • Sokongan dalaman (IT helpdesk, HR, procurement) yang dijana AI

Banyak bank di rantau ini sudah lihat pengurangan 20–40% volume panggilan contact centre bila chatbot AI matang. Bukan bermaksud buang pekerja; sebaliknya tenaga kerja boleh dialihkan kepada kes yang lebih kompleks dan nilai tinggi.

2.2. Pengurangan kerugian (risk & fraud)

AI risk model dan fraud detection biasanya memberi impak langsung pada bottom line:

  • Kurangkan kerugian fraud kad dan transaksi digital
  • Kurangkan default melalui model kredit yang lebih tajam
  • Pematuhan AML/CFT yang lebih fokus (less false positives), jimat masa penyiasatan manual

Untuk sebuah bank sederhana di Malaysia, pengurangan 5–10% kerugian kredit tahunan sahaja pun sudah boleh mencecah puluhan juta ringgit.

2.3. Pertumbuhan pendapatan

Di sinilah RBC banyak menekan pedal:

  • Personalised offers meningkatkan conversion rate produk (kad, pinjaman peribadi, pelaburan)
  • Cadangan pelaburan dan wealth analytics untuk pelanggan affluent
  • Penetapan harga dinamik (contoh kadar faedah, fee) berdasarkan profil risiko dan tingkah laku

Kesan kumulatif biasanya:

  • Lebih ramai pelanggan aktif
  • Frekuensi dan saiz transaksi yang lebih tinggi
  • Produk per pelanggan meningkat (product per customer ratio)

2.4. Peningkatan nilai franchise & penilaian pasaran

Bila pasaran nampak bahawa bank mempunyai kemampuan AI yang kukuh:

  • Kos modal boleh turun (pelabur lihat profil risiko lebih rendah, kecekapan lebih tinggi)
  • Multiple penilaian boleh meningkat kerana bank dianggap lebih “future-proof”

Itu sebab RBC bercakap tentang “enterprise value” – bukan sekadar penjimatan kos tahunan. AI mengubah naratif nilai keseluruhan bank.

3. Pelajaran Utama RBC Untuk Bank di Malaysia

Bank dan fintech Malaysia sedang berada di fasa yang sama: AI bukan lagi pilot, ia sudah jadi agenda lembaga pengarah. Ada beberapa pelajaran praktikal yang jelas daripada pendekatan RBC.

3.1. Tetapkan sasaran nilai yang spesifik, bukan hanya “transformasi”

RBC meletakkan angka: C$700 juta – C$1 bilion menjelang 2027.

Untuk konteks Malaysia, bank patut mula dengan soalan seperti:

  • Berapa RM nilai tambahan yang kita mahukan daripada AI dalam 3 tahun?
  • Berapa % pengurangan kos operasi yang realistik?
  • Berapa peningkatan ROE yang disasarkan hasil inisiatif AI?

Tanpa angka ini, projek AI senang jadi sekadar POC berterusan tanpa impak nyata.

3.2. Bina keupayaan dalaman, bukan hanya beli teknologi

RBC tidak hanya beli model AI dari vendor; mereka bangunkan model proprietari dan unit penyelidikan AI sendiri.

Untuk Malaysia, saya nampak pendekatan hybrid paling praktikal:

  • Guna platform AI komersial / cloud bagi percepat pembangunan
  • Dalam masa yang sama, bina pasukan data & AI dalaman yang boleh:
    • Faham data perbankan tempatan (CTOS, CCRIS, data pembayaran, e-wallet)
    • Tuning model kepada konteks peraturan Bank Negara Malaysia
    • Pastikan governance & explainability terjaga

Siapa yang hanya bergantung pada vendor tanpa otot dalaman, biasanya bergelut bila masuk fasa scaling dan audit regulatori.

3.3. Fokus pada beberapa “nilai besar” dahulu

RBC memulakan dengan bidang yang jelas:

  • Kredit
  • Loyalty/personalisation
  • Mortgage
  • Produktiviti penasihat & pembangun

Untuk bank Malaysia, beberapa “quick win” bernilai besar yang sering berjaya:

  • AI credit scoring / risk-based pricing untuk pinjaman peribadi, SME, dan kad kredit
  • Fraud & AML analytics untuk saluran digital dan pembayaran masa nyata
  • Chatbot dwibahasa (BM/Inggeris) untuk retail dan SME
  • Wealth & investment advisory untuk segmen affluent/M40/T20

Prinsipnya mudah: pilih 3–5 kes guna (use case) dengan kesan kewangan boleh diukur dalam 12–24 bulan, bukan 10 projek kecil yang sukar dinilai.

3.4. Integrasi dengan perubahan proses & manusia

AI tak bawa ROI kalau proses dan manusia tak berubah. RBC jelas menekankan upskilling penasihat dan produktivitit pembangun, bukan hanya pasang model.

Untuk Malaysia, setiap projek AI patut datang dengan pelan:

  • Latihan pegawai cawangan, relationship manager, underwriter, dan team operasi
  • Penyesuaian SOP, polisi risiko, dan kawalan dalaman
  • Metrik baru dalam KPI – contohnya kadar penggunaan AI assistant, masa pemprosesan, kadar “first contact resolution” chatbot

4. Kerangka Ringkas: Cara Bangunkan Business Case AI Untuk Bank Malaysia

Ramai eksekutif di bank dan insurans Malaysia sudah “percaya” pada AI, tetapi susah nak justify bajet yang besar. Berikut satu kerangka praktikal yang boleh diguna terus.

Langkah 1: Pilih 3–5 kes guna utama

Contoh tipikal:

  1. AI credit scoring untuk pinjaman peribadi & kad kredit
  2. Fraud detection untuk transaksi FPX, DuitNow, e-wallet
  3. Chatbot & voicebot untuk contact centre
  4. AI untuk pematuhan AML (alert triaging)
  5. Recommendation engine untuk cross-sell dalam mobile banking

Langkah 2: Kuantifikasi impak kewangan

Untuk setiap kes guna, anggar:

  • Penjimatan kos: masa staf, kos operasi, kos IT legasi
  • Peningkatan pendapatan: conversion naik, volum transaksi bertambah, CLV
  • Pengurangan kerugian: NPL, fraud loss, penalti pematuhan

Contoh ringkas untuk satu kes guna (AI credit scoring):

  • Portfolio pinjaman peribadi tahunan: RM5 bilion
  • Kadar kerugian kredit semasa: 3%
  • Sasaran pengurangan kerugian dengan model AI: 0.3–0.5 mata peratusan
  • Potensi nilai tahunan: RM15–25 juta penjimatan kerugian + pertumbuhan portfolio bila approval rate meningkat untuk pelanggan berkualiti

Bila anda buat latihan seperti ini untuk 3–5 kes guna, nombor kumulatifnya selalunya jauh lebih besar daripada kos projek.

Langkah 3: Anggar kos + jadual pulangan

Masukkan:

  • Kos lesen perisian / cloud
  • Kos pembangunan & integrasi
  • Kos pembangunan pasukan data/AI dalaman
  • Kos perubahan proses & latihan

Kemudian bina timeline 3 tahun:

  • Tahun 1: lebih banyak kos pelaburan, manfaat masih di peringkat awal
  • Tahun 2: manfaat mula melebihi kos untuk beberapa kes guna
  • Tahun 3: ROI kukuh, seperti yang RBC sasarkan menjelang 2027

Inilah cara RBC boleh dengan yakin berkata mereka “on track” walaupun manfaat 2025 masih banyak diserap semula oleh pelaburan tambahan.

5. Apa Langkah Seterusnya Untuk Bank, Insurans dan Fintech di Malaysia?

Realitinya, kebanyakan institusi kewangan Malaysia sudah ada AI di satu sudut atau satu lagi — mungkin dalam bentuk rules-based fraud system lama, atau chatbot generik. Tapi untuk sampai ke tahap “C$1bn style impact” seperti RBC, mindset perlu berganjak.

Beberapa langkah praktikal yang saya cadangkan untuk 6–12 bulan akan datang:

  1. Audit portfolio AI sedia ada
    Senaraikan semua projek dan sistem berkaitan AI/data analytics. Tanya: “Apa nilai kewangan sebenar yang ia hasilkan sekarang?”

  2. Tentukan sasaran nilai 3 tahun
    Bukan hanya sasaran teknologi. Letakkan sasaran RM untuk penjimatan, pertumbuhan, dan pengurangan risiko.

  3. Bentukkan “AI value office” merentasi fungsi
    Satukan business, risk, teknologi, dan data di bawah satu mandat jelas: hasilkan ROI dari AI, bukan hanya POC cantik.

  4. Mulakan 3–5 kes guna berskala
    Fokus pada area dengan data yang cukup, impak tinggi, dan sokongan pemilik proses yang kuat.

  5. Bangunkan keupayaan insaniah
    Latih pegawai untuk bekerja dengan AI, bukan takutkannya. Dari underwriter hingga relationship manager, mereka perlu nampak AI sebagai “co-pilot”, bukan pengganti.

RBC dan juga pemain seperti JPMorgan (yang melabur sekitar US$2 bilion setahun dalam AI dan menjimatkan jumlah hampir sama) menunjukkan satu pola yang konsisten: ROI AI datang kepada institusi yang berani melabur besar, tapi dengan disiplin bisnes yang ketat.

Institusi kewangan di Malaysia kini berada di titik yang sama. Soalnya bukan sama ada AI akan mengubah industri, tetapi siapa yang akan menang paling banyak daripada perubahan itu.

Penutup: Dari Kanada ke Kuala Lumpur – Menjadikan AI Satu Aset, Bukan Kos

RBC membuktikan bahawa AI boleh diterjemahkan kepada nilai perniagaan berbilion dolar, bukannya hanya PR atau kotak semak “transformasi digital”. Mereka fokus pada kredit, pengalaman pelanggan, produktiviti, dan proses utama — bidang yang sama relevan untuk bank, insurans dan fintech di Malaysia.

Kalau anda sedang memimpin inisiatif AI dalam organisasi, soalan penting untuk 2026–2027 sangat mudah:
“Bolehkah kita tunjuk angka nilai yang jelas seperti RBC?”

Jika jawapannya belum, masa sekarang — hujung 2025 — ialah masa terbaik untuk menstruktur semula strategi dan portfolio projek AI anda. Tiga tahun dari sekarang, pasaran akan membezakan dengan jelas antara institusi yang menjadikan AI sebagai kos tambahan, dan institusi yang menjadikannya aset strategik yang menaikkan nilai syarikat.

🇲🇾 Bagaimana RBC Jana C$1bn Nilai Melalui AI - Malaysia | 3L3C