Bagaimana AI Jana Nilai C$1b untuk RBC – Pengajaran untuk Bank Malaysia

Bagaimana AI Jana Nilai C$1b untuk RBC – Pengajaran untuk Bank Malaysia

Pada tahun 2027, Royal Bank of Canada (RBC) mensasarkan C$700 juta hingga C$1 bilion nilai perusahaan tambahan hasil pelaburan AI. Sasaran itu bukan teori atas kertas – mereka sudah pun melancarkan inisiatif sebenar yang menyentuh kredit, produktiviti staf, pengalaman pelanggan dan proses gadai janji.

Ini bukan cerita teknologi semata-mata. Ini cerita ROI sebenar daripada AI dalam perbankan. Dan untuk bank, syarikat insurans serta fintech di Malaysia yang sedang berbelanja besar untuk transformasi digital, model RBC ini ialah cermin masa depan: sama ada AI diurus sebagai projek IT biasa, atau sebagai enjin nilai strategik.

Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, artikel ini kupas bagaimana RBC bergerak, apa yang menyumbang kepada angka C$1 bilion itu, dan bagaimana institusi kewangan Malaysia boleh guna pendekatan yang sama – dengan konteks regulatori dan pasaran tempatan.

---

1. Apa Sebenarnya RBC Sedang Capai dengan AI?

RBC menjadikan AI sebagai pemacu nilai perniagaan, bukan sekadar automasi kecil-kecilan. Mereka mengumumkan sasaran jelas: C$700 juta – C$1 bilion nilai perusahaan tambahan menjelang 2027 hasil inisiatif AI di seluruh organisasi.

Beberapa perkara utama daripada langkah RBC:

• Mereka berada dalam 5 teratas bank global dari segi penerbitan kajian AI.
• Mereka membangunkan model AI proprietari seperti Atom model untuk keputusan kredit dan pemperibadian program kesetiaan.
• Mereka melancarkan program AI untuk:
  • Meningkatkan kemahiran dan keupayaan penasihat (advisor upskilling)
  • Produktiviti pembangun (developer productivity)
  • Menyusun semula proses gadai janji (mortgage process)

RBC juga akui: manfaat kasar 2025 banyak diimbangi oleh kos pelaburan. Tetapi mereka kekal yakin berada di landasan betul untuk mencapai sasaran 2027.

Ini cara berfikir yang matang: tahun pertama-biasa nampak kos, tahun kedua mula seimbang, tahun ketiga baru rasa pulangan.

Bagi Malaysia, pendekatan ini sejajar dengan cara bank-bank besar di sini memperuntukkan bajet transformasi digital berbilion ringgit – cuma bezanya, RBC sudah mengikat AI kepada sasaran nilai perniagaan yang spesifik.

---

2. Di Mana Nilai AI Paling Cepat Terserlah dalam Perbankan?

AI memberi pulangan paling pantas bila disasar pada proses yang berulang, berisiko tinggi, dan kaya data. RBC memberi beberapa petunjuk praktikal yang sangat relevan untuk bank dan fintech Malaysia.

2.1 Keputusan kredit & pemarkahan risiko

Atom model RBC digunakan untuk menambah baik keupayaan adjudikasi kredit. Dalam konteks Malaysia, ini sejajar dengan trend:

• Skor kredit alternatif untuk segmen tidak bergaji tetap (gig, peniaga mikro)
• Penggunaan data transaksi e-dompet, pembayaran QR, dan data utiliti
• Pemodelan risiko pinjaman perumahan, kenderaan, SME

Kesan langsung:

• Kadar ‘approval’ meningkat tanpa kompromi pada risiko
• NPL lebih terkawal kerana model AI tangkap corak kegagalan bayar lebih awal
• Masa lulus pinjaman dipendekkan – dari minggu ke hari, malah minit untuk produk tertentu

Jika RBC mampu menjana ratusan juta nilai melalui kredit sahaja, bank Malaysia boleh menjangkakan kesan serupa, terutama untuk:

• pinjaman peribadi berisiko tinggi,
• kad kredit,
• pembiayaan SME yang sebelum ini “underbanked”.

2.2 Pemperibadian pelanggan & program kesetiaan

RBC menggunakan AI untuk pemperibadian program loyalty. Ini bukan sekadar hantar SMS promosi rawak, tetapi cadangan yang disesuaikan dengan corak perbelanjaan dan keperluan sebenar.

Dalam pasaran Malaysia:

• Bank dan e-wallet boleh gunakan AI untuk cadangan promosi merchant yang lebih tepat
• Insurans boleh guna AI untuk ‘cross-sell’ pelan perlindungan tambahan pada masa yang sesuai
• Fintech pelaburan boleh sesuaikan portfolio cadangan berdasarkan tingkah laku deposit, bukan hanya profil risiko di borang

Kesan nilai:

• Peningkatan ‘wallet share’ – pelanggan belanja lebih melalui bank yang faham mereka
• Kadar churn lebih rendah – pelanggan rasa “difahami”, bukan dibombard dengan spam

2.3 Produktiviti dalaman & proses gadai janji

RBC menyebut dua bidang jelas:

• Upskilling advisor – AI digunakan untuk beri cadangan seterusnya (next-best-action), ringkasan profil pelanggan, dan analitik portfolio secara pantas.
• Developer productivity – AI bantu tulis kod, uji, dan semak keselamatan, mempercepat pembangunan sistem perbankan.
• Mortgage process – proses gadai janji yang biasanya berat dokumen dan lambat, dioptimumkan dengan AI untuk semakan dokumen, penilaian risiko dan komunikasi dengan pelanggan.

Untuk Malaysia, bayangkan:

• Pegawai cawangan yang dilengkapi ‘co-pilot’ AI yang merumuskan sejarah akaun pelanggan dalam beberapa saat.
• Pembangun dalaman bank menggunakan AI coding assistant, memendekkan tempoh pembangunan projek dari 12 bulan ke 6–8 bulan.
• Proses pembiayaan rumah dengan AI yang memeriksa slip gaji, penyata bank, CCRIS/CTOS, dan dokumen sokongan lain secara automatik.

Di sinilah nilai tersembunyi muncul: penjimatan kos operasi, masa ke pasaran (time-to-market) yang lebih pantas, dan pengalaman pelanggan yang jauh lebih licin.

---

3. Apa Pengajaran Strategik RBC untuk Bank & Fintech Malaysia?

RBC buktikan bahawa AI perlu diurus sebagai program nilai perusahaan, bukan projek kecil terpencil. Kalau organisasi di Malaysia ingin kesan yang setara, beberapa prinsip ini sangat penting.

3.1 Sasaran nilai yang jelas, bukan hanya “kita nak guna AI”

RBC menetapkan angka: C$700 juta – C$1 bilion menjelang 2027. Itu memaksa mereka:

• Pilih kes penggunaan (use case) yang paling besar impak kewangan
• Pantau KPI kewangan, bukan hanya metrik teknikal
• Berani hentikan projek AI yang tak menunjukkan potensi nilai

Bank dan insurans di Malaysia patut bertanya:

• Berapa nilai tambah RM yang disasar daripada AI dalam 3 tahun?
• Berapa peratus NPL yang mahu dikurangkan oleh model AI risiko?
• Berapa minit/jam yang mahu dijimatkan bagi setiap transaksi kompleks (gadai janji, tuntutan insurans)?

Tanpa angka, AI mudah jadi projek PR. Dengan angka, ia jadi mesin pertumbuhan.

3.2 Pelaburan berterusan, bukan ‘one-off’

RBC dan juga JPMorgan (yang membelanjakan sekitar US$2 bilion setahun untuk AI dan menjimatkan amaun sama) menunjukkan corak yang sama: AI ialah capex dan opex yang berulang.

Untuk Malaysia, ini bermaksud:

• Bajet AI perlu multi-tahun, bukan hanya projek 6–12 bulan
• Fokus pada platform dan keupayaan (data lake, MLOps, pasukan saintis data), bukan hanya beli “satu sistem AI”
• Terima hakikat bahawa tahun awal = kos tinggi + pembelajaran, sebelum ROI mengalir

3.3 AI dan risiko: kawal dari awal, bukan selepas insiden

Apabila AI menyentuh kredit, pematuhan, dan pengesanan penipuan, risiko reputasi dan regulatori sangat besar.

Pendekatan yang saya lihat paling berkesan untuk bank Malaysia:

• Bentuk AI Governance Committee yang ada wakil Risiko, Pematuhan, IT, Perniagaan
• Pastikan setiap model AI boleh diterangkan (explainable) sejajar dengan keperluan BNM dan garis panduan risiko model
• Uji bias model untuk elak diskriminasi tidak sengaja terhadap kumpulan tertentu (contoh, segmen pendapatan, lokasi, jantina)

RBC sebagai bank Tier 1 global sudah tentu berada di bawah tekanan regulatori yang tinggi. Kalau mereka boleh jadikan AI sebagai kelebihan kompetitif, bank di Malaysia juga boleh — asalkan isu kawal selia diurus dari awal.

---

4. Rangka Kerja Praktikal: Dari “Proof-of-Concept” ke C$1b Nilai

Ada pola yang sama pada semua bank yang berjaya dengan AI: mereka bermula kecil, tapi mereka tahu ke mana mahu pergi. Berikut satu rangka kerja ringkas yang bank, insurans dan fintech Malaysia boleh guna berasaskan pendekatan RBC.

4.1 Fasa 1: Kenal pasti kes penggunaan “nilai tinggi + cepat nampak hasil”

Pilih 3–5 kes penggunaan yang:

• Ada data cukup (contoh: transaksi kad, permohonan pinjaman, tuntutan insurans)
• Boleh diukur dalam RM (peningkatan hasil atau penjimatan kos)
• Boleh diuji dalam 3–6 bulan

Contoh untuk Malaysia:

• Model AI untuk skor kredit mikro-SME
• Model pengesanan transaksi mencurigakan (AML/Fraud)
• Chatbot AI untuk soalan asas pelanggan (baki, blok kad, status permohonan)

4.2 Fasa 2: Bina platform & pasukan, bukan hanya projek

Banyak organisasi tersekat kerana setiap kes penggunaan diurus seperti projek berasingan.

Lebih berkesan kalau:

• Ada platform data berpusat dengan kawalan akses yang jelas
• Sama pasukan data/ML menyokong pelbagai unit perniagaan
• Proses MLOps dibina supaya model boleh di-deploy, dipantau dan dikemas kini secara konsisten

Ini yang membezakan “AI sebagai eksperimen” dan “AI sebagai kilang nilai”. RBC jelas berada dalam kategori kedua.

4.3 Fasa 3: Sukat, ulang, skala

Setiap projek AI perlu ada:

• Baseline (contoh: purata masa lulus pinjaman sebelum AI = 3 hari)
• Target (contoh: sasaran selepas 12 bulan = 1 hari)
• Metrik nilai (contoh: tambahan RMX juta pinjaman berkualiti setahun akibat proses lebih pantas)

Bila satu kes penggunaan terbukti:

• Skala ke produk/segment lain
• Dokumentasi ‘playbook’ untuk kegunaan dalaman
• Jadikan ia sebahagian daripada KPI pasukan perniagaan, bukan IT semata-mata

RBC sedang berada di fasa skala ini – AI bukan lagi eksperimen; ia menyentuh kredit, pengalaman pelanggan, HR, dan teknologi dalaman.

---

5. Relevan untuk Malaysia: Dari AI Hype ke AI ROI

Realitinya, kebanyakan institusi kewangan Malaysia sudah pun melabur dalam AI – untuk pengesanan penipuan, pusat panggilan, analitik risiko, malah pematuhan. Persoalannya bukan “perlu AI atau tidak”, tetapi:

Adakah AI anda sedang menyumbang RM yang jelas kepada nilai syarikat, seperti RBC menyasarkan C$1 bilion itu?

Beberapa langkah praktikal yang boleh diambil dalam 6–12 bulan akan datang:

• Audit semua inisiatif AI sedia ada: yang mana benar-benar hasilkan nilai kewangan, yang mana hanya ujian konsep.
• Tetapkan sasaran nilai 3 tahun untuk AI (contoh: RM200 juta nilai perusahaan tambahan melalui peningkatan hasil + pengurangan kos + pengurangan risiko).
• Bentuk pasukan AI merentas fungsi – orang perniagaan, data, risiko, IT – dengan mandat yang jelas.
• Mulakan 2–3 projek strategik yang disokong terus oleh EXCO, bukan sekadar unit IT.

Jika RBC, JPMorgan dan beberapa bank global lain sudah menunjukkan AI mampu menjana ratusan juta hingga berbilion nilai, sukar untuk mempertahankan alasan bahawa AI hanya “nice to have”. Dalam konteks persaingan serantau – Singapura, Thailand, Indonesia – Malaysia tidak boleh bergerak perlahan.

Musim hujung tahun 2025 ini masa yang baik untuk menilai semula pelaburan AI anda: adakah ia sudah cukup agresif, cukup fokus, dan cukup terikat dengan sasaran nilai yang jelas?

---

Penutup: Masa untuk AI yang Diukur, Bukan AI yang Dipamer

RBC sedang membina jalan ke arah C$1 bilion nilai perusahaan tambahan melalui AI menjelang 2027 dengan:

• Fokus pada kes penggunaan bernilai tinggi (kredit, pemperibadian, produktiviti, gadai janji)
• Pelaburan yang konsisten dalam R&D, platform dan bakat
• Sasaran nilai yang jelas dan diukur

Institusi kewangan di Malaysia – bank, insurans, dan fintech – mempunyai kelebihan: infrastruktur digital yang sudah matang, kadar penggunaan mudah alih yang tinggi, dan regulator yang semakin terbuka kepada inovasi dengan syarat kawalan risiko mantap.

Langkah seterusnya bukan lagi “cuba AI”, tetapi menjadikan AI sebagai enjin utama pertumbuhan dan kecekapan, dengan sasaran nilai yang dinyatakan dalam bentuk RM, tahun dan KPI yang jelas.

Soalannya sekarang: bila lembaga pengarah anda bertanya, “Berapa nilai sebenar yang AI sedang jana untuk kita hari ini?”, adakah anda sudah ada jawapannya?