CxO bank Malaysia dedahkan cara sebenar membina bank AI-first: dari fraud, chatbot, kredit automatik hingga PFM yang buat pelanggan buka app hampir setiap hari.
Mengapa “AI-First” Dalam Perbankan Malaysia Bukan Lagi Slogan
Lebih 95% projek rintis GenAI di peringkat global gagal mencapai matlamat. Dalam masa yang sama, bank-bank besar di Malaysia meningkatkan bajet transformasi digital dan AI saban tahun. Dua fakta ini nampak bercanggah, tapi di situlah realiti sektor kewangan kita sekarang.
Kebanyakan institusi kewangan sudah ada chatbot, sistem pemarkahan kredit automatik, dan projek data. Namun bila bercakap soal “bank AI-first”, ramai terperangkap pada slogan: banyak demo, banyak POC, tapi sukar skala dan sukar tunjuk ROI yang jelas.
Dalam siri “AI in Financial Services (Banks, Insurance, Fintech)” ini, fokusnya mudah: apa yang betul-betul berkesan, bukan sekadar trend. Roundtable CxO perbankan Malaysia baru-baru ini bagi gambaran terus-terang tentang:
- Cara bank digital dan bank tradisional sedang menggunakan AI sekarang
- Perangkap utama (seperti “fikir terlalu besar”) yang buat projek AI gagal
- Use case yang benar-benar memberi hasil – dari chatbot ke pemarkahan kredit dan pencegahan fraud
Artikel ini himpunkan pandangan mereka dan terjemahkannya kepada panduan praktikal untuk pemimpin bank, insurans dan fintech yang serius tentang AI.
1. Realiti Bank AI-First: Fokus Kecil, Impak Besar
Bank AI-first bukan bermaksud semuanya diganti robot. Ia bermula dengan fokus yang sangat spesifik pada masalah sebenar pelanggan dan operasi.
Di roundtable itu, Nic Ngoo, CTO Ryt Bank, kongsi kesilapan paling biasa dalam projek GenAI: skop terlalu besar.
“Kita selalu fikir terlalu besar. Kuncinya ialah sangat spesifik tentang masalah yang nak diselesaikan dan pecahkan kepada fasa dan use case yang jelas.”
Di Malaysia, banyak bank melompat terus ke visi “AI di semua tempat” tanpa disiplin produk yang ketat. Akhirnya:
- Bajet bocor ke terlalu banyak POC
- Tiada produk yang benar-benar matang
- Pasukan mula skeptikal tentang AI
Apa yang Ryt Bank buat berbeza
Sebagai bank digital baharu, Ryt Bank pilih satu pertaruhan utama: antaramuka bahasa semula jadi.
Chee Mun Foong, CPO Ryt Bank, terangkan cara mereka fikirkan semula hubungan manusia–komputer:
“Buat pertama kali dalam sejarah manusia, kita boleh suruh komputer buat sesuatu hanya dengan bahasa harian, bukan bahasa pengaturcaraan.”
Daripada bina UI tradisional dengan butang dan menu, mereka cuba lompat terus kepada pengalaman ‘tanya sahaja dengan bahasa biasa’. Ini bukan sekadar gimik: jika berjaya, kos latihan pelanggan, kos CS, dan halangan penggunaan boleh turun banyak.
Tapi Ryt Bank juga belajar satu lagi perkara penting:
- Mereka gated (hadkan dan fasa) pelancaran ciri AI
- Mereka pantau perubahan tingkah laku pelanggan dulu
- Mereka elak “big bang release” yang sukar kawal risiko
Ini corak yang saya nampak konsisten pada projek AI yang berjaya: pilih satu masalah, pergi dalam-dalam, bukan luas-luas.
2. Krisis Fraud AI: Kenapa Bank Tak Boleh Jalan Solo
AI bukan hanya alat untuk bank. Penyerang juga guna AI, dan mereka bergerak lebih pantas.
Isu fraud muncul kuat dalam diskusi, seiring dengan amaran terbuka oleh beberapa tokoh global bahawa bank sedang berdepan krisis penipuan. Di Asia, ini bukan teori – ia realiti harian.
Matthew Chen, CEO OneConnect Financial Technology, kongsi satu statistik yang mengejutkan untuk rantau ini:
“Menurut beberapa statistik, lebih 65% threat actor datang dari asal-usul China.”
Sama ada anda setuju dengan angka tepat atau tidak, point utamanya jelas:
- Serangan fraud hari ini digerakkan oleh kumpulan global yang sangat profesional
- Mereka pun guna AI untuk spoof suara, hasilkan dokumen palsu, dan serangan phishing yang sangat meyakinkan
Mengapa kolaborasi jadi senjata utama
OneConnect, dengan latar belakang bersama kumpulan Ping An, pilih strategi yang lebih kolektif:
- Bekerjasama rapat dengan agensi keselamatan awam, agensi kerajaan dan telco
- Menggabungkan data corak penipuan rentas institusi
- Menggunakan model AI untuk mengesan anomali tingkah laku secara real time
Bagi bank di Malaysia, pengajaran utamanya:
- Awasi ego “kami boleh buat sendiri”. Dalam fraud, data rentas ekosistem jauh lebih berharga daripada data satu bank.
- Jangan hanya tambah lapis keselamatan manual. Penyerang guna AI; bank juga perlu AI yang belajar, bukan hanya ‘rule-based’ statik.
- Insurans, fintech BNPL, dan e-wallet perlu masuk dalam perbualan ini – bukan hanya bank tradisional.
3. Antaramuka AI vs Enjin AI: Mana Patut Datang Dulu?
Perdebatan besar dalam AI perbankan: patut fokus depan (app, chatbot, multimodal) atau belakang (proses, masa pemprosesan, automasi)?
Kaushik Chowdhury, CEO GXBank, percaya masa depan agak jelas: interaksi multimodal – teks, suara, mungkin visual – akan jadi norma dalam aplikasi pengguna.
“Multimodal di aplikasi pengguna yang paling saya teruja, sebab interaksi boleh jadi pelbagai. Banyak konteks dan use case yang kita boleh bayangkan.”
Dari perspektif pengalaman pelanggan, ini masuk akal:
- Pelanggan boleh cakap, taip, atau hantar gambar dokumen
- AI di depan akan faham niat, rujuk sistem, dan beri jawapan terperinci
- Hubungan dengan bank terasa lebih seperti berbual dengan penasihat, bukan lawan sistem menu
Pandangan kontra: back-end yang menentukan kualiti
William Streitberg, CITO Hong Leong Bank, beri keseimbangan yang perlu:
“Kita perlu lihat di mana teknologi baru ini boleh digunakan di back-end untuk jadikan pengalaman pelanggan lebih baik. Antaramuka itu ya, tapi masa tindak balas sangat penting.”
Realitinya, pelanggan Malaysia jarang puji UI cantik kalau:
- Kelulusan pinjaman masih ambil 3–5 hari
- Dispute kad kredit makan masa berminggu
- Chatbot asyik jawab “sila hubungi talian hotline kami”
Hong Leong ambil pendekatan “phygital” – gabungan fizikal dan digital:
- Cawangan dan manusia kekal penting
- AI digunakan untuk kuatkan staf barisan hadapan dan pasukan jualan
- Fokus pada memendekkan masa proses dan memudahkan kerja manusia, bukan memotong manusia sama sekali
Bagi saya, bank yang menang dalam 12–24 bulan akan datang biasanya:
- Memperbaiki back-end dengan AI (pengesahan dokumen, pemarkahan risiko, pengesanan fraud)
- Sambil membina satu atau dua pengalaman pengguna AI di depan yang benar-benar kuat (bukan lima yang setengah masak)
4. Use Case Yang Terbukti Jalan: Dari PFM ke Chatbot Suara
Kebanyakan projek AI gagal sebab tiada metrik kejayaan yang jelas. Dua contoh di Malaysia menunjukkan apa yang berlaku bila metrik itu wujud.
AEON Bank: AI yang buat pelanggan buka app hampir setiap hari
AEON Bank pilih strategi yang sangat fokus: AI untuk personal financial management (PFM), dengan dua mandat utama:
- Tingkatkan literasi kewangan
- Luaskan kemasukan kewangan
Mereka mulakan dengan model machine learning untuk alat bajet. Di atas asas itu, mereka perkenalkan ciri Financial Insights yang digerakkan gabungan ML + GenAI.
Sistem:
- Analisis corak perbelanjaan mingguan dan bulanan pelanggan
- Jana mesej peribadi dalam bahasa yang mudah difahami
- Beri nudges kontekstual, contohnya peringatan trend perbelanjaan atau peluang simpanan
Kesan sebenar, seperti yang dikongsi CTO Glen Cha:
- Sebelum Financial Insights: >60% pelanggan aktif buka app 1–2 kali seminggu
- Selepas pelancaran: kumpulan sama mula login 6–7 kali seminggu – hampir setiap hari
- Untuk mereka yang kerap baca insights, kekerapan penggunaan berganda
Ini jenis metrik yang pemimpin bank dan insurans suka:
- Engagement naik dengan jelas
- Tanpa promosi besar-besaran
- Semua didorong oleh nilai peribadi yang pelanggan rasa setiap minggu
Boost: Chatbot, suara AI dan kualiti lead yang lebih baik
Di pihak fintech, Boost sudah bertahun guna AI di belakang tabir untuk pemarkahan kredit mikro-pembiayaan digital. Bila mereka dapat lesen bank digital, mereka tak bermula dari kosong.
CMO Boost, Diana Boo, kongsikan dua use case yang sangat praktikal:
-
Chatbot khidmat pelanggan
- Menyelesaikan kira-kira 70% tiket pelanggan
- Pasukan “customer excellence” hanya fokus kes kompleks
-
Ejen jualan suara AI
- Bila pelanggan memohon pinjaman, ejen AI akan menelefon
- Sahkan butiran, jelaskan keperluan, tapis prospek
- Hasilnya: pasukan BD terima lead yang sudah dipra-saring dan berkualiti lebih tinggi
Gabungan ini buat funnel jualan lebih sihat:
- Marketing jana trafik dan minat
- AI tapis, sahkan dan susun prioriti
- BD fokus menutup jualan bukannya habiskan masa tapis pemohon yang tak layak
Bagi mana-mana bank, insurans atau fintech di Malaysia, dua use case ini adalah “low-hanging fruit”:
- Chatbot + voicebot untuk khidmat pelanggan dan pra-jualan
- Model AI untuk pemarkahan risiko kredit mikro, BNPL, atau perlindungan mikro-insurans
5. 12 Bulan Akan Datang: Apa Yang Realistik Untuk Bank Malaysia
Dalam tempoh 6–12 bulan, bank yang menang bukan semestinya yang paling ramai POC AI. Yang menang ialah yang ada 2–3 use case yang terbukti menjana nilai dan boleh diskalakan.
Daripada pandangan CxO di roundtable, hala tuju sektor kewangan Malaysia nampak selari, cuma cara pelaksanaan yang berbeza:
- Ryt Bank – bina hubungan pelanggan yang lebih “mesra AI”, di mana pelanggan selesa berinteraksi dengan ejen AI sebagai sebahagian rutin.
- AEON Bank – gandakan usaha pada produk berasaskan insights dan engagement pelanggan harian.
- Bank besar seperti CIMB (yang disentuh secara ringkas) – mula masuk fasa agentic AI dalam automasi aliran kerja dan program besar-besaran untuk upskilling tenaga kerja, contohnya acara dalaman di mana ratusan staf membina chatbot sendiri.
Untuk pemimpin dalam bank, insurans dan fintech yang sedang merancang bajet AI 2026, beberapa soalan yang patut dijadikan semakan:
- Use case mana yang sudah terbukti di pasaran Malaysia, bukan hanya dalam laporan global?
- Contoh: PFM + Financial Insights, chatbot 24/7, pemarkahan kredit automatik, fraud detection.
- Adakah setiap projek AI ada metrik kejayaan yang boleh diukur dalam RM atau masa?
- Contoh: pengurangan masa pemprosesan pinjaman, penurunan NPL, kenaikan login aktif.
- Adakah organisasi anda bina kemahiran dalaman, bukan hanya bergantung vendor?
- Contoh: latihan promt engineering, hackathon dalaman, pasukan pemilik produk AI yang jelas.
- Bagaimana AI diintegrasi dalam strategi ‘phygital’?
- Bukan menggantikan cawangan dan agen, tapi menjadikan mereka lebih tangkas.
Realitinya, sektor kewangan Malaysia sedang bergerak arah yang sama: AI untuk perbankan, insurans dan fintech bukan lagi pilot pinggiran – ia sudah masuk ke tengah strategi.
Penutup: Masa Untuk Berhenti “Eksperimen Tanpa Hala”
Bank AI-first di Malaysia bukan cerita masa depan jauh. Dari Ryt Bank ke AEON Bank, Boost, Hong Leong dan lain-lain, kita sudah nampak pola yang sama:
- Fokus pada masalah yang jelas, bukan teknologi yang glamor
- Gabungkan back-end automasi dengan front-end pengalaman AI yang bernilai
- Guna AI untuk fraud, kredit, engagement dan khidmat pelanggan – bukan satu sahaja
Kalau anda sedang memimpin bank, syarikat insurans atau fintech, ini masa yang baik untuk audit portfolio AI anda sebelum tahun kewangan baru:
- Hentikan projek yang tak ada jalan jelas ke pengeluaran dan ROI
- Gandakan pelaburan pada 1–3 use case yang sudah terbukti di pasaran
- Bina pelan 12 bulan yang gabungkan AI, data, dan pembangunan bakat dalaman
Sektor kewangan Malaysia sudah pun antara yang paling pantas mengguna pakai AI di rantau ini. Soalan sebenar sekarang bukan lagi “perlu guna AI atau tidak”, tapi: adakah anda guna AI dengan cara yang betul-betul mengubah perniagaan, atau sekadar menambah satu lagi POC dalam slaid pembentangan?