Gonjang-ganjing Saham AI & Peluang Nyata untuk Industri Malaysia

Pada minggu yang sama indeks Nasdaq jatuh hampir 1.7% kerana kebimbangan gelembung AI, beberapa kilang elektronik di Pulau Pinang sedang menyiapkan fasa baharu projek smart factory berasaskan AI. Dua dunia yang kelihatan bercanggah: pasaran saham yang gelisah, dan lantai produksi yang tenang terus memasang sensor, server dan model pembelajaran mesin.

Inilah hakikatnya: sentimen pelabur terhadap saham AI boleh turun naik, tetapi transformasi AI dalam pembuatan dan kewangan di Malaysia bergerak secara lebih tersusun dan berkira-kira.

Untuk pemimpin dalam sektor pembuatan elektronik, automotif, semikonduktor dan juga perbankan, kegawatan saham AI bukan sekadar berita di akhbar kewangan. Ia adalah cermin bagaimana pasaran menilai risiko dan pulangan teknologi yang sama anda sedang rancang untuk pasang dalam kilang, bank atau syarikat insurans.

Dalam artikel ini, saya akan kupas:

• Apa sebenarnya yang sedang berlaku di pasaran global berkaitan AI
• Beza besar antara spekulasi AI di Wall Street dan penggunaan AI yang berdisiplin di kilang & bank Malaysia
• Bagaimana pengurus kilang dan eksekutif kewangan boleh membina pelan AI yang tahan turun naik ekonomi
• Langkah praktikal untuk memastikan pelaburan AI anda bukan sebahagian daripada "gelembung", tetapi sumber kelebihan daya saing jangka panjang

1. Apa yang Berlaku: Saham AI Jatuh, Hype Dipersoalkan

Jawapannya ringkas: pelabur global mula mempersoalkan sama ada keuntungan syarikat teknologi benar-benar selari dengan harapan besar terhadap AI.

Dalam laporan pasaran terkini:

• Indeks teknologi S&P 500 jatuh hampir 2.9% dalam sehari
• Syarikat seperti Broadcom dan Oracle menyaksikan kejatuhan dua angka selepas memberi isyarat perbelanjaan pelanggan yang lebih perlahan dan margin yang tertekan
• Nama besar AI seperti Nvidia pun terkena tempias jualan

Pada masa sama, hasil bon kerajaan AS 10 tahun meningkat, apabila beberapa pegawai Federal Reserve memberi amaran inflasi masih tinggi dan potongan kadar faedah mungkin diperlahankan. Bila hasil bon naik, pelabur sering beralih daripada saham pertumbuhan tinggi (termasuk saham AI) kepada aset lebih selamat.

Realitinya: pasaran saham sedang menapis antara hype dan nilai sebenar AI.

Sebagai pengurus di Malaysia, sama ada dalam bank, syarikat insurans, fintech atau syarikat pembuatan E&E, mesej tersiratnya jelas: pelaburan AI yang tidak jelas pulangan bisnesnya akan diuji habis-habisan.

2. Hype vs Realiti: AI Di Wall Street Berbeza Dengan AI Di Kilang & Bank

Ramai orang campur-aduk dua perkara:

1. AI sebagai naratif pelaburan – cerita indah untuk menaikkan harga saham
2. AI sebagai infrastruktur operasi – sistem yang betul-betul mengurangkan kos, mengurangkan kecacatan dan mengawal risiko

Di pasaran saham, sebahagian pelabur membayar mahal untuk cerita masa depan tanpa melihat sama ada:

• Model AI syarikat itu betul-betul digunakan dalam proses pelanggan
• Ada ROI yang terukur
• Ada kelebihan daya saing yang sukar ditiru

Tetapi di Malaysia, pemain utama dalam:

• Pembuatan elektronik & semikonduktor (terutamanya MNC di Bayan Lepas, Kulim, Senai), dan
• Sektor kewangan (bank-bank besar, insurans, fintech

bergerak dengan corak yang jauh lebih pragmatik.

Bagaimana syarikat Malaysia biasanya menilai projek AI

Dari apa yang saya lihat dalam projek-projek sebenar, organisasi matang akan tanya soalan seperti:

• Berapa peratus downtime boleh dikurangkan dengan AI predictive maintenance?
• Berapa banyak NPL (non-performing loan) boleh dielak menggunakan AI credit scoring yang lebih tepat?
• Berapa peratus penipuan kad kredit boleh dikesan lebih awal melalui AI fraud detection?
• Berapa ramai operator atau pegawai boleh dialih tugas kepada kerja bernilai tinggi apabila chatbot atau RPA dilaksanakan?

Jika jawapan tak jelas, projek ditangguh atau dikecilkan skop. Itu beza antara hype dan transformasi industri sebenar.

3. Mengapa Malaysia Tidak Sedang Mencipta ‘Gelembung AI’ Dalam Pembuatan

Malaysia, khususnya dalam sektor E&E dan semikonduktor, berada dalam posisi unik di Asia.

Pertama, pelaburan AI di kilang selalunya datang bersama:

• Kontrak jangka panjang dengan pelanggan global
• Piawaian kualiti ketat (automotif, peranti perubatan, 5G)
• Tekanan kos buruh dan tenaga kerja mahir

AI di sini bukan "nice to have". Ia dijadikan alat untuk:

• Yield improvement: mengurangkan scrap di barisan SMT atau die attach
• OEE (Overall Equipment Effectiveness): meminimumkan downtime dan minor stop
• Traceability & quality analytics: mengesan punca kecacatan merentas ratusan parameter proses

Kedua, banyak projek diketuai oleh MNC yang sudah melalui beberapa kitaran teknologi – dari automasi asas, kepada IoT, kemudian analitik dan sekarang AI.

Mereka biasanya:

• Memulakan pilot di satu atau dua line, bukan seluruh kilang sekaligus
• Menggunakan data historian yang sudah bertahun-tahun untuk melatih model
• Menggabungkan AI dengan sistem sedia ada (MES, SCADA, ERP), bukan membina segala-galanya dari kosong

Inilah sebabnya saya berpendapat:

AI dalam pembuatan E&E Malaysia lebih hampir kepada projek kejuruteraan proses, bukannya spekulasi pasaran.

4. Jambatan Ke Kewangan: Apa Bank & Insurans Boleh Belajar Dari Kilang

Siri artikel ini fokus kepada AI dalam perkhidmatan kewangan – bank, insurans dan fintech. Jadi di mana kaitannya dengan cerita kegawatan saham AI dan kilang elektronik?

Jawapannya: prinsip pelaksanaan.

Kedua-dua dunia – lantai produksi dan bilik mesyuarat risiko bank – berkongsi beberapa kebenaran:

4.1. AI Mesti Diikat Pada KPI Operasi, Bukan Trend

Dalam kilang, projek AI selalunya diukur menggunakan:

• Penurunan defect rate (contoh: dari 800 ppm ke 300 ppm)
• Pengurangan downtime (jam per bulan)
• Peningkatan output per shift

Dalam bank dan insurans, metrik yang setara ialah:

• Penurunan kadar penipuan (jumlah kes atau nilai kerugian)
• Peningkatan kelulusan pinjaman berkualiti (lebih banyak pinjaman lulus tanpa naikkan NPL)
• Masa pemprosesan permohonan (daripada hari kepada minit)
• Kos operasi per pelanggan

Jika projek AI tak dikaitkan dengan KPI seperti ini, ia mudah jatuh ke kategori "projek pameran" yang hanya elok dalam slaid pembentangan, tapi tak tahan apabila ekonomi menguncup.

4.2. Model Tak Cukup – ‘Process Change’ Yang Menentukan ROI

Ramai pengurus teruja dengan istilah:

• machine learning, deep learning, LLM, generative AI

Tetapi dalam dunia sebenar, kejayaan lebih banyak bergantung kepada:

• Cara operator kilang menggunakan dashboard AI ketika buat keputusan harian
• Cara pegawai kredit menggabungkan skor AI dengan semakan manual
• Cara unit pematuhan dan risiko menyesuaikan policy & SOP supaya model boleh digunakan tanpa melanggar garis panduan BNM atau peraturan antarabangsa

Di sinilah saya nampak banyak organisasi kewangan di Malaysia sedang kemas kini:

• Rangka kerja model risk management untuk model AI
• Proses audit dalaman ke atas training data, bias dan explainability

Pendekatan ini jauh lebih sihat daripada sekadar mengejar hype.

5. Strategi AI Yang Tahan Turun Naik Ekonomi

Jika anda bertanggungjawab atas transformasi digital atau AI – sama ada di kilang semikonduktor atau bank – soalan utamanya: bagaimana merancang pelaburan AI yang masih masuk akal walaupun kadar faedah naik dan ekonomi perlahan?

Berikut satu rangka kerja praktikal yang saya dapati berkesan.

5.1. Bezakan ‘AI untuk pertumbuhan’ dan ‘AI untuk ketahanan’

AI untuk pertumbuhan fokus kepada:

• Produk baharu (contoh: pinjaman mikro dengan real-time credit scoring)
• Pengalaman pelanggan yang lebih kaya (contoh: penasihat kewangan digital peribadi)

AI untuk ketahanan pula fokus pada:

• Pengurangan kos operasi (RPA + AI untuk pemprosesan dokumen)
• Kawalan risiko (fraud detection, stress testing, early warning NPL)
• Kecekapan aset (predictive maintenance di kilang, pengoptimuman tenaga)

Dalam keadaan pasaran tidak menentu dan hasil bon naik, saya cenderung menyarankan syarikat untuk:

• Memberi keutamaan awal kepada projek AI untuk ketahanan (cost & risk)
• Melajukan projek AI pertumbuhan hanya bila asas ketahanan sudah kukuh

5.2. Mula Kecil, Tetapi Dengan Data Dan Arkitektur Yang Betul

Satu kesilapan biasa: mula dengan projek AI mega yang cuba sentuh semua sistem serentak.

Pendekatan yang lebih waras:

1. Pilih 1–2 kegunaan utama bernilai tinggi (contoh: fraud scoring untuk kad kredit, atau visual inspection berasaskan AI pada barisan SMT)
2. Pastikan pipa data dibina secara moden (event streaming, data lake / lakehouse) supaya penggunaan lain nanti boleh "tumpang" infrastruktur yang sama
3. Gunakan pendekatan MLOps / AIOps supaya model boleh diurus, dipantau dan dikemas kini secara sistematik – bukan sekali jalan

Apabila pasaran saham goyah, projek yang modular dan jelas ROI seperti ini lebih mudah dipertahankan di hadapan lembaga pengarah.

5.3. Integrasi Lintas Sektor: Pembuatan + Kewangan

Satu trend menarik di Malaysia sekarang ialah:

• Bank dan fintech bekerjasama dengan syarikat pembuatan besar untuk embedded finance, supply chain finance, dynamic discounting dan sebagainya.

Di sinilah AI boleh mencipta nilai silang:

• Data produksi dan kualiti dari kilang (yang sedia dilengkapkan dengan AI) boleh menjadi input untuk risk model pembiayaan perdagangan
• Bank boleh menilai risiko pembekal dan pelanggan berdasarkan corak operasi sebenar, bukan hanya penyata kewangan sejarah

Ini menjadikan AI dalam pembuatan terus berkait dengan AI dalam perkhidmatan kewangan – satu ekosistem data dan model yang saling mengukuhkan.

6. Apa Yang Perlu Dibuat Sekarang Oleh Pemimpin Bisnes Di Malaysia

Berbalik pada kegawatan saham AI global, persoalan utamanya bukan sama ada AI akan kekal; AI jelas akan menjadi sebahagian daripada infrastruktur asas perindustrian dan kewangan.

Persoalan sebenarnya:

Adakah strategi AI anda dibina seperti projek jangka panjang yang disokong data dan proses, atau sekadar mengejar hype yang sama sedang dihukum di pasaran saham?

Beberapa langkah segera yang praktikal:

1. Audit portfolio projek AI & data

   • Klasifikasikan: mana projek hype, mana projek ada KPI jelas
   • Hentikan atau tangguhkan projek yang tiada pemilik bisnes dan tiada metrik

2. Selaraskan semula dengan keutamaan 2026–2027

   • Untuk pembuatan: fokus predictive maintenance, yield, tenaga
   • Untuk kewangan: fraud, credit risk, operasi & pematuhan

3. Bina pasukan silang fungsi

   • Data scientist/engineer + pakar proses kilang + risk/compliance + IT
   • Pastikan setiap model AI ada "business owner" yang bertanggungjawab atas hasilnya

4. Berfikir ekosistem, bukan silo

   • Jika anda pengeluar E&E, fikir bagaimana data kilang boleh menyokong kewangan rantaian bekalan
   • Jika anda bank, fikir bagaimana produk pembiayaan boleh dihubungkan dengan data operasi pelanggan industri

Pada 14/12/2025 ini, ketika pelabur global masih berdebat sama ada AI sedang terlebih harga atau tidak, organisasi di Malaysia yang bijak sedang menyempurnakan asas mereka: data, proses, model, dan tadbir urus.

Mereka tahu satu perkara yang pasaran saham kadang-kadang terlupa:

Nilai sebenar AI bukan pada cerita yang diceritakan kepada pelabur, tetapi pada kecacatan yang berkurang, penipuan yang dihalang, dan keputusan kewangan yang menjadi lebih tepat setiap hari.

Jika anda sedang merancang pelan AI untuk kilang atau institusi kewangan anda, ini masa yang sesuai untuk menyemak semula pendekatan – pastikan anda berada di sisi transformasi industri, bukan di sisi gelembung.