Bagaimana BNY & Google Cloud Mengajar AI “Berfikir Seperti Banker”

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

BNY buktikan AI boleh jadi platform teras perbankan, bukan sekadar projek kecil. Apa yang bank, insurans dan fintech Malaysia boleh belajar daripada strategi mereka?

AI perbankanGoogle CloudBNY Elizatransformasi digital kewanganpengesanan penipuanskor kredit automatikanalitik pelanggan
Share:

Bagaimana BNY & Google Cloud Mengajar AI “Berfikir Seperti Banker”

Hampir 100% staf BNY sudah dilatih AI dan lebih 110 solusi AI sudah berjalan hanya dalam satu platform dalaman bernama Eliza. Kini, mereka sambung pula Eliza dengan model agentik Google Gemini untuk kerja analitik pasaran yang lebih pintar.

Untuk sebuah bank global setua BNY (lebih 240 tahun), ini bukan eksperimen kecil-kecilan. Ini bukti bahawa bank yang sangat dikawal selia pun boleh bergerak pantas dengan AI – sambil kekal patuh peraturan dan selamat.

Kenapa ini patut menarik perhatian bank, insurans dan fintech di Malaysia? Sebab arah tuju mereka sangat selari dengan apa yang sedang berlaku di sini: AI untuk pengesanan penipuan, skor kredit automatik, analitik pelanggan, automasi operasi dan pematuhan. Bezanya – mereka sudah buat pada skala global, secara enterprise, bukan projek terpencil.

Dalam artikel ini, saya akan kupas apa sebenarnya BNY buat dengan Eliza + Google Cloud, dan apa pengajaran praktikal untuk institusi kewangan di Malaysia yang serius tentang transformasi digital berasaskan AI.

Apa Sebenarnya BNY Buat Dengan Eliza + Gemini?

Inti cerita BNY mudah: mereka bina satu platform AI enterprise (Eliza), dan kemudian “menaik taraf IQ” platform itu dengan integrasi Google Gemini.

Beberapa perkara utama yang mereka capai:

  1. AI agent untuk analisis pasaran dan laporan kewangan
    Staf BNY boleh bina agen AI yang:

    • memproses laporan kewangan yang sangat panjang,
    • mensintesis data pasaran dan trend sejarah,
    • keluarkan insight yang boleh terus digunakan untuk keputusan pelaburan atau risiko.

  2. Automasi kerja rutin berasaskan data
    Eliza kini digunakan untuk mengautomasi tugas yang:

    • berulang,
    • penuh dengan data,
    • sebelum ini makan masa berjam-jam staf middle/back office.

  3. Akses multimodal untuk seluruh tenaga kerja global
    Dengan Gemini, staf bukan sahaja boleh berinteraksi melalui teks, tetapi juga menggunakan ciri multimodal (contohnya memahami dokumen, visual, atau pelbagai format data) dalam satu pengalaman yang lebih mesra pengguna.

Sarthak Pattanaik, Chief Data & AI Officer BNY, merumuskan strategi mereka sebagai:

“AI untuk semua orang, di semua tempat dan untuk semua perkara.”

Ini bukan tagline kosong. Fakta penting:

  • Hampir 100% pekerja BNY sudah dilatih AI.
  • Lebih 110 solusi AI sudah ada dalam produksi menjelang hujung September 2025.

Ini menunjukkan satu perkara: mereka treat AI sebagai infrastruktur teras, bukan sebagai projek eksperimental.

Kenapa Pendekatan BNY Sangat Relevan Untuk Bank di Malaysia

Bagi Malaysia, kita dah nampak banyak inisiatif AI dalam sektor kewangan: dari chatbot bank, ke sistem AML yang lebih pintar, sampai ke penilaian kredit mikro untuk SME dan gig worker. Tapi kebanyakan organisasi masih terperangkap di fasa “projek pilot sana-sini”.

BNY bagi blueprint berbeza: AI sebagai platform enterprise tunggal, bukan silo projek.

1. Dari “PoC” ke Platform AI Enterprise

Kebanyakan institusi di sini:

  • ada 1 projek AI di bahagian risiko,
  • 1 lagi di bahagian marketing,
  • 1 chatbot di contact centre,
  • dan semuanya guna vendor berbeza, data berasingan, standard keselamatan berbeza.

BNY buat sebaliknya:

  • Mereka bina Eliza sebagai platform pusat AI.
  • Semua use case – analitik pasaran, operasi, risiko, pelanggan – dibina atas platform sama, dengan kawal selia, keselamatan dan tadbir urus data yang konsisten.

Untuk bank di Malaysia yang sedang meluaskan bajet AI tahun 2025/2026, pendekatan platform ini jauh lebih:

  • skalable – tak perlu bina semula asas setiap kali ada idea baru,
  • kos-efisien – guna set infrastruktur dan model yang sama untuk banyak kegunaan,
  • patuh regulasi – senang audit, senang jejak sumber data dan keputusan model.

2. Cloud + AI: Faktor Pecut Utama

BNY sejak awal memang pengguna tegar teknologi AI di Google Cloud, termasuk model terkini Gemini 3 dan Veo 3.
Integrasi Eliza dengan Google Cloud berikan mereka:

  • kuasa pengiraan yang elastik (naik-turun ikut beban kerja),
  • akses pantas ke model generatif dan agentik terkini,
  • ekosistem alat keselamatan dan pematuhan kelas enterprise.

Untuk konteks Malaysia, di mana bank dan insurans semakin agresif guna hybrid cloud dan multi-cloud, model seperti ini sangat praktikal:

  • data sensitif kekal dilindungi ikut polisi,
  • beban kerja analitik berat boleh dialih ke cloud,
  • masa ke pasaran untuk use case baru dipendekkan daripada tahun ke bulan – atau minggu.

Dari Analitik Pasaran ke Penipuan: Bagaimana Model Agentik Membantu

Kekuatan sebenar integrasi Eliza + Gemini ialah kemampuan agentik – AI yang bukan sekadar menjawab soalan, tetapi boleh:

  • memecahkan tugasan kompleks kepada langkah kecil,
  • panggil pelbagai sumber data dan alat,
  • dan susun balik output dalam bentuk insight yang boleh terus digunakan.

BNY gunakan ini untuk analitik pasaran dan laporan kewangan. Tapi corak yang sama boleh terus diaplikasikan pada konteks Malaysia.

Contoh 1: Pengesanan Penipuan (Fraud Detection)

Bayangkan agen AI dalaman untuk pasukan fraud:

  • memantau transaksi pelik secara masa nyata,
  • menyilang data dengan sejarah pelanggan, lokasi, corak perbelanjaan,
  • mencadangkan sama ada transaksi perlu diblok, dipantau, atau dilepaskan,
  • menyediakan ringkasan kes automatik untuk pegawai penyiasat.

Peranan AI agent:

  • Mengumpul data dari pelbagai sistem (core banking, e-wallet, kad, CRM),
  • Menganalisis corak anomali berdasarkan simulasi dan sejarah,
  • Mengutamakan kes berisiko tinggi untuk manusia teliti,
  • Merumus laporan dengan justifikasi – penting untuk audit dan regulator.

Contoh 2: Skor Kredit Automatik & Dinamik

Banyak bank di Malaysia sudah guna model skor kredit tradisional. AI generatif + agentik boleh tambah beberapa lapisan:

  • Menilai data alternatif (contoh: sejarah pembayaran utiliti, data POS untuk peniaga kecil, tingkah laku transaksi e-wallet),
  • Menyediakan penjelasan boleh baca manusia kenapa sesuatu skor diberi,
  • Menghasilkan cadangan tindakan (contoh: tawaran produk lebih sesuai, had kredit selamat, struktur bayaran fleksibel).

Daripada hanya memaparkan angka skor, AI agent boleh hasilkan:

“Pelanggan ini konsisten bayar bil utiliti 24 bulan tanpa tunggakan, corak jualan stabil dengan sedikit turun naik bermusim. Risiko kegagalan bayar sederhana rendah. Sesuai diberi had kredit tambahan RM5,000 dengan semakan semula dalam 6 bulan.”

Ini jenis insight yang:

  • mempercepat kelulusan pinjaman,
  • mengurangkan risiko,
  • dan meningkatkan pengalaman pelanggan.

“AI Untuk Semua Orang”: Pelajaran Besar Daripada BNY

Satu statistik BNY yang patut dijadikan benchmark: hampir 100% pekerja mereka sudah dilatih AI.

Ramai institusi suka beli teknologi, tetapi abaikan perubahan budaya dan kemahiran. Di sinilah kebanyakan projek AI gagal.

Apa yang BNY buat dengan betul:

1. AI sebagai Kemahiran Asas, Bukan Kepakaran Niche

Apabila hampir semua pekerja dilatih:

  • staf barisan hadapan tahu bila dan bagaimana menggunakan AI dalam rutin harian,
  • pasukan middle office boleh reka cara baru untuk mengautomasi laporan,
  • pengurus senior boleh bertanya soalan yang lebih baik kepada data & AI team.

Untuk bank dan insurans Malaysia, ini bermakna:

  • modul literasi AI perlu masuk dalam latihan korporat asas,
  • bukan hanya untuk IT dan data scientist, tetapi juga untuk:
    • relationship manager,
    • pegawai cawangan,
    • compliance officer,
    • pasukan risiko dan operasi.

2. AI Sebagai “Rakan Kerja Digital”, Bukan Ancaman

BNY sebelum ini sudah pun bercakap tentang “digital employees” – agen AI yang ada alamat e-mel sendiri dan boleh terlibat dalam proses kerja.

Pendekatan sebegini membantu:

  • mengurangkan rasa terancam di kalangan staf (“AI ambil kerja saya”),
  • menggantikan naratif kepada “AI urus kerja rutin, manusia fokus pada keputusan bernilai tinggi dan hubungan pelanggan”.

Untuk konteks Malaysia, saya selalu nampak organisasi yang berjaya dengan AI ialah organisasi yang:

  • terang-terang jelaskan apa yang AI akan buat dan apa yang manusia kekal lakukan,
  • ukur semula peranan dan KPI selari dengan penggunaan AI,
  • hargai sumbangan manusia dalam interpretasi keputusan dan hubungan pelanggan.

Langkah Praktikal Untuk Bank, Insurans & Fintech di Malaysia

Kalau anda berada dalam MT, EXCO, bahagian strategi, risiko atau teknologi, model BNY ini boleh diterjemahkan kepada pelan tindakan yang jelas.

1. Bentuk Visi AI Enterprise yang Jelas

Contoh visi seperti BNY: “AI untuk semua orang, di semua tempat, untuk semua perkara”.
Bagi konteks Malaysia, mungkin:

  • “AI untuk keputusan kredit yang lebih adil dan pantas”,
  • “AI untuk mengurangkan penipuan dan salah guna akaun”,
  • “AI untuk pengalaman pelanggan yang konsisten merentas semua saluran”.

Tanpa visi yang konkrit, projek AI akan kekal terpencil dan susah diukur impaknya.

2. Bina atau Pilih Platform AI Terpusat

Daripada mula dengan 10 projek berasingan, lebih baik:

  • pilih satu platform AI enterprise (dalaman atau rakan teknologi),
  • standardkan cara data diakses,
  • tetapkan kerangka tadbir urus (model risk, privasi, bias, explainability),
  • wujudkan katalog use case yang boleh dikongsi merentas unit.

Pendekatan sebegini jadikan setiap projek baru:

  • lebih cepat dibangunkan,
  • lebih mudah diulang guna,
  • lebih senang diaudit.

3. Utamakan 2–3 Use Case Impak Tinggi

BNY ada 110+ solusi AI. Tapi mereka tak bermula dengan 110. Mereka bermula dengan beberapa kes penggunaan bernilai tinggi.

Untuk Malaysia, biasanya tiga kluster paling berbaloi untuk fasa awal/skala:

  1. Fraud & Financial Crime (AML, KYC, transaksi mencurigakan)
  2. Kredit & Risiko (skor kredit automatik, portfolio risk analytics)
  3. Pengalaman Pelanggan (chatbot generatif, call centre co-pilot, personalisasi tawaran)

Pilih metrik yang jelas:

  • pengurangan masa proses (contoh: permohonan pinjaman dipendekkan dari 3 hari ke 3 jam),
  • penurunan kadar fraud,
  • peningkatan NPS atau CSAT di contact centre,
  • penjimatan kos operasi.

4. Latih Tenaga Kerja, Bukan Hanya Beli Teknologi

Ambil inspirasi daripada angka “hampir 100% staf BNY dilatih AI”.
Rangka pelan latihan berperingkat:

  • Asas AI untuk semua staf: konsep, risiko, etika, cara guna co-pilot harian.
  • Latihan per peranan:
    • untuk pegawai kredit: cara gunakan AI untuk analisis pelanggan dan justifikasi keputusan,
    • untuk compliance: cara semak dan cabar keputusan model,
    • untuk IT/data: cara bina dan pantau agen AI dengan selamat.
  • Komuniti dalaman: guild data & AI, sesi sharing kejayaan use case setiap suku tahun.

5. Gandingkan Kepakaran Manusia & Agen Komputasi

Rohit Bhat dari Google Cloud menyebut kerjasama ini sebagai bukti masa depan perbankan ialah gabungan kepakaran manusia dan “advanced computational agents”.

Untuk Malaysia, ini bermaksud:

  • jangan cuba gantikan sepenuhnya judgment banker, underwriter atau risk officer,
  • gunakan AI untuk sediakan 90% analisis awal, dan biar manusia buat 10% keputusan kritikal,
  • rekodkan rasional manusia + cadangan AI untuk jejak audit dan pembelajaran model akan datang.

Penutup: Dari Kisah BNY ke Realiti AI di Malaysia

BNY menunjukkan bahawa bank global yang sangat dikawal selia pun boleh:**

  • menjadikan AI sebagai platform enterprise,
  • melatih hampir keseluruhan tenaga kerja,
  • dan berganding dengan cloud provider untuk agentik AI yang benar-benar membantu kerja seharian.

Bagi Malaysia, di mana sektor kewangan memang antara yang paling pantas mengguna AI untuk pengesanan penipuan, skor kredit automatik, analitik kekayaan, pematuhan dan chatbots, kisah BNY bukan sesuatu yang jauh – ia adalah cermin masa depan yang sangat dekat.

Kalau organisasi anda baru di peringkat PoC, ini masa yang baik untuk bertanya secara jujur:

  • Adakah kita sedang bina “platform AI”, atau hanya koleksi projek AI berasingan?
  • Adakah staf kita benar-benar bersedia guna AI setiap hari, atau hanya beberapa pakar sahaja?
  • Adakah kita mempunyai rakan teknologi dan model operasi yang cukup kuat untuk skala ke peringkat enterprise?

Siapa yang bergerak awal dengan strategi yang jelas, platform yang kukuh, dan tenaga kerja yang bersedia, akan memimpin dalam gelombang seterusnya AI dalam perbankan, insurans dan fintech. Yang lain – terpaksa mengejar dalam pasaran yang semakin kompetitif.