Agentic AI Terbuka: Infrastruktur Baharu Untuk Kewangan & Tenaga

AI dalam Minyak & Gas / Tenaga (Petronas & Utiliti Utama)••By 3L3C

Agentic AI berasaskan standard terbuka seperti MCP, goose dan AGENTS.md sedang membentuk infrastruktur AI baharu untuk kewangan dan tenaga di Malaysia. Begini cara bersedia.

agentic aimodel context protocolai kewangan malaysiaai minyak dan gasopen source airisk managementpredictive maintenance
Share:

Agentic AI Terbuka: Infrastruktur Baharu Untuk Kewangan & Tenaga

Pada 09/12/2025, Linux Foundation mengumumkan sesuatu yang ramai penggiat teknologi anggap sebagai langkah asas untuk 10 tahun akan datang: pembentukan Agentic AI Foundation (AAIF) bersama Block, Anthropic dan OpenAI. Dalam masa setahun, tiga komponen utama – Model Context Protocol (MCP), goose dan AGENTS.md – sudah mula membentuk standard de facto untuk agentic AI di seluruh dunia.

Kenapa ini patut menarik perhatian bank, insurans, fintech dan juga syarikat minyak & gas seperti Petronas? Sebab asas yang sama yang sedang dibina untuk pembangun perisian di Silicon Valley akan menjadi asas yang sama untuk modell kredit, pengesanan penipuan, pengurusan risiko kewangan, reservoir modelling, predictive maintenance dan keselamatan operasi loji tenaga di Malaysia.

Saya nampak satu corak jelas: siapa yang awal memahami agentic AI berasaskan standard terbuka ini, merekalah yang akan mempunyai infrastruktur AI paling fleksibel, paling ‘future-proof’ dan paling mudah diaudit oleh pengawal selia.

Artikel ini menghuraikan apa sebenarnya AAIF, bagaimana MCP, goose dan AGENTS.md berfungsi, dan yang paling penting – bagaimana bank, fintech dan syarikat tenaga di Malaysia boleh mula bersedia sekarang.

1. Apa Itu Agentic AI Dan Kenapa Ia Penting Untuk Kewangan & Tenaga

Agentic AI ialah kelas sistem AI yang bukan sekadar menjawab soalan, tetapi boleh membuat keputusan autonomi, menyusun langkah kerja, memanggil pelbagai sistem, dan berkoordinasi dengan agen AI lain untuk mencapai matlamat.

Untuk bank, insurans dan syarikat minyak & gas, bentuk aplikasi agentic AI yang paling relevan termasuk:

  • Agen AI pengesanan penipuan yang memantau transaksi secara berterusan, memanggil pelbagai model risiko, dan mencetuskan tindakan automatik (seperti ‘freeze’ akaun) mengikut dasar pematuhan.
  • Agen AI kredit yang menggabungkan skor kredit tradisional, data alternatif, dan isyarat risiko makroekonomi untuk menyokong keputusan kelulusan pinjaman atau pembiayaan projek tenaga.
  • Agen AI operasi loji yang memantau sensor, keganjilan tekanan dan suhu, seterusnya menjadualkan pemeriksaan predictive maintenance tanpa menunggu manual manusia.
  • Agen AI keselamatan yang memantau rakaman CCTV, data IoT dan log akses, lalu mengesan corak risiko keselamatan di pelantar minyak atau pusat data bank.

Ini penting kerana:

“Agentic AI hanyalah berguna jika ia boleh bercakap dengan sistem sebenar – data sebenar, alat sebenar, proses sebenar – secara selamat dan boleh diaudit.”

Di sinilah AAIF masuk.

2. Agentic AI Foundation (AAIF): Infrastruktur Terbuka, Bukan Eksperimen Tertutup

AAIF ditubuhkan di bawah naungan Linux Foundation, organisasi yang sama yang membimbing projek teras internet dan sistem operasi Linux. Fokusnya jelas:

  • Asas neutral dan terbuka untuk agentic AI.
  • Standard dan protokol bersama supaya pelbagai agen dan platform AI boleh berinteraksi tanpa ‘vendor lock-in’.
  • Tadbir urus komuniti yang telus – penting untuk industri yang dikawal ketat seperti kewangan dan tenaga.

Antara ahli Platinum AAIF ialah AWS, Google, Microsoft, OpenAI, Anthropic, Block, Bloomberg dan Cloudflare. Dari sudut strategi, ini bermakna pemain infrastruktur global utama sedang berkumpul di satu meja untuk menyelaraskan cara agentic AI berhubung dengan sistem perusahaan.

Untuk bank, fintech dan utiliti tenaga, mesejnya jelas:

“Kalau anda membina platform AI dalaman tanpa mengambil kira standard AAIF, anda berisiko membina sistem terpencil yang sukar diintegrasi dan sukar dipatuhi di masa depan.”

3. MCP: Lapisan Penyambung Universal Antara Model AI & Sistem Perusahaan

Jawapan ringkas: Model Context Protocol (MCP) ialah cara standard untuk menyambungkan model AI kepada data, API dan aplikasi perusahaan.

Dalam masa kurang setahun selepas dilepaskan secara sumber terbuka, MCP telah:

  • Digunakan oleh lebih 10,000 MCP server – daripada alat pembangun sehingga ke penggunaan Fortune 500.
  • Diintegrasikan ke dalam platform utama seperti Claude, Microsoft Copilot, Gemini, VS Code dan ChatGPT.
  • Digunakan oleh organisasi di AWS, Google Cloud dan Azure.

Bagaimana ini relevan untuk bank dan syarikat minyak & gas?

Bayangkan senario berikut dalam konteks Malaysia:

  1. Bank / Fintech

    • Satu mcp-server-kad-kredit menyambung AI kepada sistem kad kredit teras untuk membaca pola transaksi (dengan kawalan akses ketat).
    • Satu mcp-server-aml menghubungkan ke enjin AML/CTF sedia ada dan pangkalan data PEP/sanction list.
    • Agen AI risiko hanya melihat melalui MCP – bukan terus pangkalan data – menjadikannya lebih mudah dikawal, diaudit dan ditukar.

  2. Minyak & Gas / Tenaga

    • mcp-server-scada untuk bacaan data SCADA secara selamat dari pelantar atau loji jana kuasa.
    • mcp-server-cmms untuk menghubungkan kepada sistem Computerized Maintenance Management System.
    • Agen AI penyelenggaraan dapat mengesyorkan shutdown terancang, mengira impak kewangan, dan menjana work order – semuanya melalui protokol standard.

Kelebihan utama MCP untuk industri terkawal:

  • Satu standard, banyak platform – tak perlu menulis integrasi khas untuk setiap vendor model AI.
  • Kawalan keselamatan yang jelas – apa yang boleh dipanggil, data apa yang boleh keluar, dan siapa yang diberi kuasa boleh ditetapkan secara konsisten.
  • Lebih mudah jelaskan kepada pengawal selia – kerana aliran data dan kuasa tindakan agen AI melalui protokol yang didokumenkan terbuka.

Bagi saya, MCP ialah analog kepada SWIFT untuk agentic AI: lapisan protokol yang semua pihak setuju, di atas mana pelbagai perkhidmatan kewangan dan operasi boleh berjalan.

4. goose & AGENTS.md: Mengurangkan “Magik Hitam” Dalam Sistem AI Autonomi

MCP menyelesaikan soalan bagaimana agen AI bercakap dengan sistem. Dua lagi projek dalam AAIF menyelesaikan soalan bagaimana agen AI diurus dan dipandu tingkah lakunya.

goose: Rangka Kerja Agen AI ‘Local-first’ Yang Boleh Dipercayai

goose, dibangunkan oleh Block (syarikat di sebalik Square, Cash App dan Afterpay), ialah rangka kerja sumber terbuka untuk membina dan melaksanakan aliran kerja agentic AI dengan ciri:

  • Reka bentuk local-first – sesuai untuk senario di mana data sensitif tak boleh keluar dari rangkaian dalaman bank atau pelantar minyak.
  • Integrasi standard berasaskan MCP – agen guna protokol yang sama untuk hubungi alat dan data.
  • Penekanan pada struktur, kebolehpercayaan dan kebolehjejakkan.

Untuk syarikat kewangan dan tenaga di Malaysia, goose sangat relevan bagi:

  • Aliran kerja kelulusan kredit korporat: agen AI menyediakan draf penilaian, menggabungkan data kewangan pelanggan, sejarah pembayaran, harga komoditi, dan risiko pasaran; manusia hanya semak dan klik lulus/tolak.
  • Aliran kerja operasi loji: agen AI mencadangkan jadual shutdown, susun keutamaan tugasan jurutera, dan menghasilkan laporan risiko keselamatan.

Dengan rangka kerja seperti goose, anda tak membina “AI bebas kawalan”, tetapi aliran kerja yang jelas langkah demi langkah – dan itu jauh lebih selesa untuk pasukan risiko dan pematuhan.

AGENTS.md: “Buku Panduan Projek” Untuk Agen Coding AI

AGENTS.md daripada OpenAI ialah standard mudah: satu fail markdown di dalam repositori kod yang memberikan panduan projek khusus kepada agen coding AI.

Apa manfaatnya untuk sektor kewangan dan tenaga?

  • Agen coding AI yang menulis skrip pengesanan penipuan atau modul SCADA tidak lagi meneka struktur projek.
  • Tingkah laku agen menjadi lebih konsisten dan boleh diramal walaupun merentasi ratusan repositori dalaman.
  • Fail AGENTS.md boleh memasukkan:
    • Keperluan pematuhan (contoh: had akses data pelanggan, standard kriptografi).
    • Polisi ujian (contoh: semua fungsi penting mesti ada unit test dan integration test).
    • Garis panduan keselamatan (contoh: jangan panggil API luaran dari segmen rangkaian tertentu).

Bila anda ada ratusan projek AI dalaman – daripada risk engines bank hingga model pengoptimuman tenaga di loji – standard seperti AGENTS.md ialah cara praktikal untuk menjaga disiplin kejuruteraan pada skala besar.

5. Apa Yang Boleh Dipelajari Oleh Bank, Fintech & Syarikat Tenaga Malaysia Daripada AAIF

Ada tiga pelajaran utama di sini.

5.1 Standard Terbuka Mengurangkan Risiko Vendor Lock-in

AAIF memusatkan MCP, goose dan AGENTS.md sebagai standard terbuka. Untuk organisasi besar, ini bermaksud:

  • Anda boleh tukar model AI (Claude, GPT, Gemini, model tempatan) tanpa menulis semula semua sambungan ke sistem dalaman.
  • Anda boleh campur-campur vendor – contohnya model khusus risiko kredit dari satu pihak, dan model NLP tempatan untuk Bahasa Melayu dari pihak lain – tetapi semuanya bercakap melalui MCP yang sama.

Ini amat kritikal untuk bank dan utiliti tenaga yang menandatangani kontrak 5–10 tahun; anda tak mahu terkunci dalam satu ekosistem tertutup.

5.2 Tadbir Urus Terbuka Memudahkan Perbincangan Dengan Pengawal Selia

AAIF diletakkan di bawah Linux Foundation dengan model tadbir urus yang sudah teruji.

Bagi pengurus risiko dan pematuhan:

  • Lebih mudah menggariskan garis panduan dalaman bila protokol dan alat adalah terbuka dan didokumen.
  • Lebih senang buktikan akauntabiliti – siapa yang ubah apa, bila, dan melalui protokol mana.
  • Lebih meyakinkan bagi pengawal selia (BNM, Suruhanjaya Sekuriti, Suruhanjaya Tenaga) bila organisasi merujuk kepada standard industri yang diiktiraf global, bukan “format dalaman” yang sukar dinilai.

5.3 Ekosistem Bersama Mempercepatkan Inovasi Dalaman

Kita sudah nampak lebih 60,000 projek sumber terbuka mengguna pakai AGENTS.md, dan ribuan MCP server dibangunkan komuniti.

Untuk bank, fintech dan syarikat tenaga:

  • Pasukan dalaman boleh mengambil contoh MCP server sedia ada, ubah suai untuk sistem mereka, dan bukannya bermula dari kosong.
  • Jurutera Malaysia boleh menyumbang patch atau penambahbaikan kepada projek global – lalu mendapat pendedahan dan kepakaran yang sukar ditiru jika hanya berada dalam silo organisasi.
  • Bahagian IT perusahaan tidak lagi perlu “menggodek sendiri” – mereka boleh rujuk amalan terbaik yang sudah dipiawaikan di peringkat global.

6. Langkah Praktikal Untuk Organisasi Kewangan & Tenaga Di Malaysia (6–12 Bulan Akan Datang)

Ramai organisasi terperangkap pada tahap ‘proof-of-concept’ AI yang tak pernah masuk pengeluaran. Agentic AI berasaskan AAIF menawarkan laluan yang lebih tersusun – jika anda bergerak secara strategik.

6.1 Bentuk Pasukan Kecil “Agentic AI Tiger Team”

  • 3–7 orang dari IT, data, risiko dan operasi.
  • Mandat jelas: uji MCP, goose dan AGENTS.md pada satu atau dua kes guna bernilai tinggi tetapi terkawal.

Contoh:

  • Bank: agen AI dalaman yang membantu pasukan pemantauan transaksi menyemak kes AML yang rumit.
  • Tenaga: agen AI yang membantu jurutera loji menyusun cadangan predictive maintenance berasaskan data sensor.

6.2 Standardkan Integrasi AI Masa Hadapan Pada MCP

  • Setiap projek baharu yang mahu “sambung AI ke sistem X” perlu mempertimbangkan MCP dahulu.
  • Bina sekurang-kurangnya 2–3 MCP server dalaman per domain utama (kewangan teras, CRM, SCADA, CMMS).

Ini mungkin terasa seperti kerja tambahan pada awalnya, tetapi dalam 2–3 tahun, anda akan dapati masa integrasi turun drastik kerana semua projek berkongsi lapisan sambungan yang sama.

6.3 Perkenalkan AGENTS.md Dalam Repositori Kod Kritikal

  • Pilih repositori yang sering disentuh oleh agen coding AI (atau akan disentuh tidak lama lagi).
  • Tambah AGENTS.md dengan:
    • Objektif sistem.
    • Architecture overview ringkas.
    • Polisi keselamatan dan pematuhan.
    • Contoh arahan / prompt yang sesuai.

Ini menukar agen coding AI daripada “pembantu generik” kepada rakan sekerja maya yang faham konteks projek kewangan atau tenaga anda.

6.4 Bawa Risiko & Pematuhan Masuk Awal, Bukan Di Hujung

Saya rasa ini kesilapan paling biasa: pasukan data/IT bina prototaip hebat, kemudian barulah bawa bahagian risiko – dan semuanya tersekat.

Dengan AAIF dan standard terbuka:

  • Libatkan pegawai risiko dan pematuhan semasa merangka pematuhan MCP (data apa yang keluar/masuk, log apa yang disimpan).
  • Kongsikan dokumentasi AAIF sebagai asas perbincangan – ia membantu menukar perbualan daripada “AI ini menakutkan” kepada “protokol ini jelas, bagaimana kita tetapkan garisan merah?”.

7. Ke Mana Arah Seterusnya: Dari Pilot Kecil Ke Infrastruktur Teras

AAIF ialah petunjuk jelas bahawa dunia tidak lagi melihat AI hanya sebagai alat tambahan, tetapi sebagai infrastruktur asas seperti rangkaian dan pangkalan data.

Bagi Malaysia – sama ada anda pengurus risiko bank, ketua transformasi digital di sebuah fintech, atau jurutera kanan di syarikat minyak & gas – soalan utamanya bukan lagi “perlu guna AI atau tidak”, tetapi:

“Adakah infrastruktur AI yang kita bina hari ini cukup terbuka, cukup boleh audit, dan cukup fleksibel untuk 5–10 tahun akan datang?”

Agentic AI berasaskan standard seperti MCP, goose dan AGENTS.md memberi satu jawapan yang lebih meyakinkan. Anda mendapat:

  • Autonomi yang diperlukan untuk pengesanan penipuan masa nyata, credit decisioning dinamik dan pengoptimuman operasi loji tenaga.
  • Asas tadbir urus dan ketelusan yang lebih mudah diterima oleh pengawal selia dan lembaga pengarah.
  • Keupayaan untuk berkembang daripada projek rintis kepada infrastruktur AI perusahaan tanpa menulis semula semuanya.

Jika organisasi anda sedang merancang pelan AI 2026–2028, ini masa yang sesuai untuk meletakkan AAIF dan MCP sebagai komponen dalam pelan seni bina perusahaan, bukan sekadar nota kaki teknikal.

Soalnya sekarang: adakah anda mahu menjadi organisasi yang terpaksa mengejar standard ini tiga tahun dari sekarang, atau organisasi yang sudah menguji dan mematangkannya hari ini?