Oxford–UBS: Makmal AI Baharu, Masa Depan Kewangan

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

Kerjasama Oxford–UBS buka jalan baharu AI dalam kewangan. Apa implikasinya untuk bank, insurans dan fintech Malaysia, dan bagaimana anda boleh menirunya?

AI kewanganperbankan Malaysiafintechinsuransrisk managementfraud detectionAI governance
Share:

Oxford–UBS dan lonjakan baharu AI kewangan

Dalam masa kurang setahun, lebih 70% bank global melaporkan mereka sedang menguji atau meluaskan penggunaan kecerdasan buatan (AI) untuk operasi teras – daripada pengesanan penipuan hingga pemodelan risiko. Tetapi hanya sebahagian kecil yang benar‑benar berjaya membawa AI ke skala enterprise secara selamat dan patuh.

Di sinilah langkah UBS bekerjasama dengan Universiti Oxford melalui Oxford‑UBS Centre for Applied Artificial Intelligence jadi sangat menarik. Ia bukan sekadar projek PR; ia isyarat jelas bahawa masa depan perbankan akan digerakkan oleh penyelidikan AI yang mendalam dan aplikasi dunia sebenar.

Untuk bank, insurans dan fintech di Malaysia yang sedang merancang bajet AI 2026, kisah Oxford–UBS ini sebenarnya sebuah pelan kasar: bagaimana gabungan akademia–industri boleh mempercepat inovasi sambil mengurangkan risiko.

Artikel ini huraikan:

  • Apa sebenarnya fokus pusat Oxford‑UBS ini
  • Bagaimana hasilnya boleh mengubah AI dalam perkhidmatan kewangan
  • Implikasi terus kepada bank, insurans dan fintech Malaysia
  • Langkah praktikal jika anda mahu meniru model kerjasama sebegini

Apa yang UBS dan Oxford sedang bina, sebenarnya?

Oxford‑UBS Centre for Applied AI diwujudkan untuk satu tujuan utama: membuat penyelidikan AI yang cukup dalam, tetapi cukup praktikal untuk digunakan di bilik mesyuarat dan di barisan hadapan bank.

Beberapa perkara penting mengenai pusat ini:

  • Diketuai seorang Profesor AI Gunaan UBS di SaĂŻd Business School
  • Disokong kira‑kira 20 orang penyelidik sepenuh masa
  • Menggabungkan kepakaran perniagaan, matematik, sains fizikal dan sains hayat Oxford
  • Menjalankan projek penyelidikan bebas dan juga inisiatif bersama dengan praktisi UBS

Strukturnya jelas: akademik bawa teori dan model terkini, UBS bawa data, proses dan kekangan dunia sebenar. Hasilnya diharap bukan sekadar kertas jurnal, tetapi alat, model dan rangka kerja yang boleh diguna pakai di seluruh organisasi.

UBS sudah lantik Ketua Pegawai AI pertamanya dan kini menubuhkan pusat penyelidikan AI bersama universiti bertaraf dunia. Ini bukan eksperimen kecil; ini strategi jangka panjang untuk menjadi “AI‑enabled institution”.

Bagi pemain kewangan Malaysia, mesejnya mudah: AI bukan lagi projek IT, ia sudah menjadi agenda strategi korporat di peringkat lembaga pengarah.

Tiga fokus utama: masyarakat, perniagaan dan masa depan AI

Oxford‑UBS Centre memfokuskan kerja mereka pada tiga domain yang sangat relevan untuk sektor kewangan Malaysia.

1. AI & masyarakat: tadbir urus, etika dan masa depan kerja

Bahagian ini menjawab soalan yang makin kerap ditanya bank dan pengawal selia:

  • Bagaimana memastikan model AI adil kepada semua kumpulan pelanggan?
  • Bagaimana mengawal risiko bias dalam model kredit atau insurans?
  • Bagaimana AI mengubah struktur kerja, dari pegawai cawangan hingga penganalisis risiko?

Untuk Malaysia, ini menyentuh isu seperti:

  • Kesan penggunaan AI dalam skor kredit alternatif ke atas golongan M40/B40
  • Kebimbangan pekerja bank bahawa chatbot, RPA dan analitik akan menggantikan kerja manual
  • Harapan Bank Negara Malaysia (BNM) supaya penggunaan AI kekal telus, boleh dijelaskan (explainable) dan patuh garis panduan

Penyelidikan di domain ini boleh menghasilkan:

  • Rangka kerja AI governance yang lebih jelas untuk bank dan insurans
  • Metodologi model explainability bagi produk kompleks seperti pembiayaan SME atau takaful kesihatan
  • Garis panduan reskilling tenaga kerja apabila AI mengambil alih tugas rutin

2. AI untuk perniagaan dan ekonomi: fokus kewangan

Bahagian kedua sangat sejajar dengan agenda transformasi digital bank dan fintech: AI sebagai pemacu nilai perniagaan.

Contoh aplikasi yang hampir pasti akan disentuh oleh pusat ini termasuk:

  • Pengesan penipuan masa nyata untuk transaksi kad dan perbankan internet
  • Pemodelan risiko kredit yang lebih tepat menggunakan data alternatif
  • Pricing dinamik untuk produk pinjaman dan insurans
  • Wealth analytics untuk cadangan pelaburan peribadi secara automatik

Bagi bank dan fintech di Malaysia, inilah beberapa soalan praktikal yang mungkin akan dijawab oleh hasil kajian sebegini:

  • Bagaimana menyeimbangkan ketepatan model dan keperluan penerangan kepada pengawal selia?
  • Sejauh mana data alternatif (contoh: corak pembayaran bil, data e‑wallet) boleh digunakan tanpa menjejaskan privasi?
  • Model AI mana yang paling sesuai untuk pasaran sedang membangun dengan data tak sekaya pasaran Barat?

3. Masa depan AI: model, seni bina dan aplikasi baharu

Bahagian ketiga memberi tumpuan kepada AI futures – pembangunan model dan seni bina AI baharu, termasuk generative AI.

Di sinilah perkara seperti berikut bakal muncul:

  • Reka bentuk model AI hibrid (contoh gabung deep learning dan kaedah statistik tradisional) untuk risiko kewangan
  • Teknik pengurangan penggunaan tenaga untuk AI – penting untuk sasaran ESG bank
  • Pendekatan baharu federated learning supaya bank boleh berkolaborasi tanpa berkongsi data mentah

Untuk Malaysia, ini membuka peluang:

  • Konsortium bank atau insurans tempatan berkongsi insight melalui model bersama, tanpa melanggar undang‑undang data
  • Fintech lebih kecil menggunakan model yang dibangunkan komuniti sebagai “asas”, lalu fokus pada lapisan produk dan pengalaman pelanggan

Apa maknanya untuk bank, insurans dan fintech di Malaysia?

Kisah UBS–Oxford bukan cerita luar negara yang jauh daripada realiti kita. Ia sebenarnya cermin kepada apa yang sedang berlaku (atau akan berlaku) di Lembah Klang, Cyberjaya dan bandar utama lain.

Tekanan daya saing: AI bukan lagi pilihan sampingan

Bank besar di Malaysia sudah pun:

  • Melabur dalam model pengesanan penipuan berasaskan AI
  • Menggunakan chatbot dan voicebot untuk khidmat pelanggan 24/7
  • Menguji pemodelan risiko dan skor kredit automatik untuk pinjaman pengguna dan SME

Apabila pemain antarabangsa mula mengasaskan pendekatan AI mereka pada penyelidikan mendalam seperti di Oxford‑UBS, standard global akan naik.

Jika pemain tempatan kekal di tahap “POC berulang tanpa skala”, jurang kecekapan kos, kelajuan keputusan kredit dan kualiti pengurusan risiko akan semakin ketara.

Regulasi & kepercayaan: isu yang tak boleh diputarkan

Malaysia sudah bergerak ke arah rangka kerja yang lebih ketat untuk data dan AI. Pengawal selia dan pelanggan sama‑sama mula bertanya:

  • “Model ni adil ke kepada pelanggan luar bandar yang kurang data digital?”
  • “Siapa dipertanggungjawabkan bila model AI buat keputusan salah?”

Di sinilah penyelidikan seperti AI & society di Oxford‑UBS sangat berguna sebagai rujukan prinsip. Bank dan insurans boleh menyesuaikan:

  • Rangka kerja dalaman AI governance
  • Polisi data ethics dan model validation
  • Pendekatan transparency by design dalam produk AI

Talent: jurang antara “AI enthusiast” dan “AI practitioner”

Realitinya, ramai organisasi kewangan di Malaysia ada:

  • Data scientist yang mahir model
  • Pasukan risiko yang mahir regulasi

Tetapi kedua‑dua kumpulan itu jarang benar‑benar bercakap bahasa yang sama.

Model hubungan UBS–Oxford menunjukkan cara untuk merapatkan jurang:

  • Akademia bantu bina asas teori dan metodologi yang kukuh
  • Industri bawa senario sebenar – NPL, fraud ring, tekanan kecairan
  • Kedua‑duanya cipta “common language” untuk AI dalam konteks kewangan

Bank dan insurans di Malaysia boleh meniru pendekatan ini melalui kerjasama rapat dengan universiti tempatan.

Bagaimana pemain Malaysia boleh meniru model Oxford–UBS

Jika anda berada dalam pasukan strategi, teknologi, risiko atau inovasi di institusi kewangan Malaysia, berikut pendekatan praktikal yang saya lihat paling realistik.

1. Bentuk pakatan akademia–industri sendiri

Anda mungkin tidak perlukan pusat sebesar Oxford‑UBS, tetapi anda boleh mula dengan:

  • MoU terarah dengan universiti tempatan untuk 2–3 tema:
    • Pengesanan penipuan & AML berasaskan AI
    • Skor kredit alternatif & kewangan inklusif
    • Explainable AI untuk pemodelan risiko
  • Penubuhan “AI Fellowship”: penyelidik PhD ditempatkan 6–12 bulan di bank/insurans untuk mengerjakan masalah sebenar
  • Projek bersama yang ada KPI jelas – contohnya pengurangan kadar fraud card‑not‑present sekurang‑kurangnya 30%

Kuncinya: jangan jadikan kerjasama ini sekadar CSR akademik. Letakkan sasaran perniagaan dan risiko yang nyata.

2. Fokus pada tiga penggunaan AI bernilai tinggi

Daripada cuba buat semua benda sekaligus, saya lebih gemar pendekatan “3 use cases yang jelas ROI”:

  1. Pengesanan penipuan & AML berasaskan AI

    • Model anomaly detection untuk transaksi kad, e‑wallet dan FPX
    • Pengesanan corak mule account dan layering untuk AML

  2. Skor kredit automatik untuk segmen kurang data

    • Data alternatif: corak bayaran bil, transaksi e‑dompet, data tingkah laku aplikasi
    • Model yang boleh dijelaskan kepada BNM dan pelanggan

  3. Pemodelan risiko dan stres senario berasaskan AI

    • Menggabungkan data makro, sektor dan pelanggan
    • Simulasi pantas kesan kejutan kadar faedah atau kejutan komoditi

Tiga bidang ini sejajar dengan fokus pusat Oxford‑UBS dan terus menyentuh P&L serta keperluan pematuhan.

3. Bina kerangka AI governance, bukan hanya model

Ini bahagian yang ramai terlepas pandang. Bank boleh ada model “hebat”, tapi kalau governance lemah, semuanya boleh terhenti bila audit dalaman atau pengawal selia bersuara.

Beberapa komponen yang patut wujud:

  • Dewan AI atau AI risk committee di bawah jawatankuasa risiko sedia ada
  • Proses Model Risk Management (MRM) khusus untuk AI/ML
  • Standard dalaman untuk:
    • Dokumentasi data & model
    • Ujian bias & fairness
    • Explainability dan monitoring berterusan

Inilah antara bidang di mana output penyelidikan Oxford‑UBS boleh dijadikan rujukan – dan Malaysia boleh sesuaikan dengan konteks tempatan.

4. Pelan reskilling yang jujur dan terancang

AI memang akan mengubah kerja harian pegawai bank, underwriter, ejen insurans, malah penganalisis risiko.

Cara sihat untuk mengurusnya:

  • Audit tugas: mana tugas yang berulang dan boleh diautomasi, mana yang perlu kekal manusia
  • Reka kursus dalaman tentang “bekerja bersama AI”, bukan “diganti AI”
  • Wujudkan peranan baharu seperti:
    • AI model steward
    • AI product owner
    • AI risk champion dalam setiap unit perniagaan

Pusat seperti Oxford‑UBS akan menghasilkan insight tentang masa depan kerja dalam ekonomi berasaskan AI. Pemain tempatan boleh menjadikannya panduan untuk pelan tenaga kerja.

Langkah seterusnya untuk organisasi kewangan di Malaysia

Kerjasama Oxford–UBS hantar satu mesej jelas: bank yang serius tentang masa depan sedang membina kapasiti AI yang bersandar pada penyelidikan, bukan sekadar vendor.

Bagi institusi kewangan Malaysia, beberapa soalan patut dijawab sebelum 31/12/2025:

  1. Adakah organisasi anda melihat AI sebagai projek eksperimen, atau teras strategi 3–5 tahun?
  2. Adakah anda mempunyai rakan akademik yang benar‑benar terlibat dalam masalah risiko dan perniagaan, bukan sekadar menulis laporan?
  3. Adakah ada 3 kes penggunaan AI keutamaan dengan sasaran perniagaan yang jelas dan pelan governans menyeluruh?

Jika jawapannya belum mantap, ini masa yang tepat untuk bertindak. Tahun 2026 akan menyaksikan lebih banyak panduan pengawal selia tentang AI kewangan, persaingan fintech yang lebih pintar, dan pelanggan yang makin biasa dengan perkhidmatan digital yang responsif.

Oxford‑UBS menunjukkan satu model: AI yang disokong penyelidikan serius, dihubungkan rapat dengan operasi sebenar. Soalannya, siapa di Malaysia yang berani menjadi rakan kongsi akademia setaraf itu – dan siapa yang puas hati kekal sebagai pengikut dari jauh.

Soalan untuk renungan dalaman

Sebelum mesyuarat strategi seterusnya, tanya pada pasukan anda:

“Jika kita mahu jadi institusi kewangan yang benar‑benar ‘AI‑enabled’ menjelang 2028, kerjasama, kemahiran dan governans apa yang perlu kita mula bina pada 2026?”

Jawapan jujur kepada soalan ini selalunya titik mula kepada pelan AI yang betul‑betul berkesan – bukan sekadar slogan dalam laporan tahunan.