Oxford–UBS: Pusat AI Yang Patut Ditiru Bank Malaysia

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

UBS dan Oxford menubuhkan pusat AI terapan untuk kewangan. Apa maksudnya untuk bank, insurans dan fintech di Malaysia, dan bagaimana anda boleh tiru model ini?

AI kewanganperbankan digitalfintech MalaysiaAI governancepenyelidikan AIindustri perbankaninsurans dan risiko
Share:

Oxford–UBS: Apa Sebenarnya Sedang Berlaku?

UBS, salah satu bank pelaburan terbesar Switzerland, baru saja mengumumkan kerjasama dengan University of Oxford untuk menubuhkan Oxford-UBS Centre for Applied Artificial Intelligence. Bukan sekadar lab kecil – pusat ini datang dengan profesor khas, pasukan lebih 20 penyelidik, dan mandat jelas: membawa penyelidikan AI terus ke aplikasi dunia sebenar dalam kewangan dan perniagaan.

Ini sangat selari dengan apa yang sedang berlaku di Malaysia. Bank, syarikat insurans, dan fintech tempatan sudah pun melabur besar dalam AI untuk perbankan digital, pengesanan penipuan, pemarkahan kredit automatik, analitik kekayaan, dan pematuhan regulatori. Bezanya, Oxford–UBS sedang membina enjin penyelidikan jangka panjang untuk menyokong semua itu.

Artikel ini kupas:

  • Apa fokus sebenar pusat AI Oxford–UBS
  • Mengapa model kerjasama universiti–bank ini penting untuk masa depan perkhidmatan kewangan
  • Apa yang bank, insurans dan fintech Malaysia boleh belajar – dan praktikkan – bermula 2026 ini

1. Di Sebalik Pusat AI Oxford–UBS: Tiga Fokus Utama

Oxford–UBS Centre for Applied AI dibina untuk menjawab tiga soalan besar tentang AI: kesan kepada masyarakat, perniagaan, dan masa depan teknologi itu sendiri.

1.1 AI & masyarakat: tadbir urus dan masa depan kerja

Salah satu fokus utama pusat ini ialah AI dan masyarakat, termasuk:

  • Tadbir urus AI (governance)
  • Etika dan kebertanggungjawaban model
  • Masa depan pekerjaan apabila AI semakin dominan

Untuk bank dan insurans, ini bukan isu teori. Contohnya:

  • Pemarkahan kredit automatik: Adakah model AI berat sebelah terhadap kumpulan tertentu? Bagaimana audit keputusan model?
  • Automasi tugas back-office: Pekerjaan apa yang hilang, apa yang berubah, dan bagaimana melatih semula (reskill) kakitangan?

Saya cukup yakin, dalam beberapa tahun lagi, regulator di Malaysia akan mula menyoal bukan hanya “model anda tepat atau tidak?” tetapi juga “model anda adil atau tidak?”. Pusat seperti Oxford–UBS sedang menyediakan rangka kerja awal untuk soalan-soalan ini.

1.2 AI untuk perniagaan & ekonomi: fokus sektor kewangan

Fokus kedua ialah AI untuk perniagaan dan ekonomi, dengan penekanan jelas kepada perkhidmatan kewangan. UBS akan bekerjasama secara langsung dengan penyelidik Oxford untuk membina dan menguji:

  • Model risiko yang lebih tepat
  • Sistem pengesanan penipuan berasaskan AI
  • Analitik portfolio dan pengurusan kekayaan masa nyata
  • Pengalaman pelanggan yang dipacu data, seperti cadangan pelaburan dan produk tersuai

Ini sejajar dengan trend global di mana:

  • Bank besar memperuntukkan ratusan juta dolar setahun untuk infrastruktur data dan AI
  • Penggunaan AI generatif untuk sokongan pelanggan, ringkasan laporan penyelidikan, dan bantuan compliance semakin meluas

Bagi pembaca di Malaysia, ini terasa sangat dekat dengan:

  • Chatbot dan virtual assistant di aplikasi perbankan kita
  • Sistem pemantauan transaksi AML yang makin pintar
  • Skor kredit alternatif yang memanfaatkan data tingkah laku

Bezanya, pusat Oxford–UBS cuba menjawab soalan “apa model dan rekabentuk AI perbankan yang paling berkesan lima tahun dari sekarang?”, bukan hanya tahun depan.

1.3 AI futures: membina model dan aplikasi generasi seterusnya

Fokus ketiga ialah AI futures – pembangunan model dan aplikasi generasi baharu. Di sinilah kita akan nampak:

  • Kajian ke atas model asas (foundation models) untuk kegunaan khusus kewangan
  • Kaedah menjadikan model AI lebih telus (explainable AI)
  • Teknik baharu untuk menggabungkan data kewangan, ekonomi, dan tingkah laku pelanggan

UBS mahu menjadi “fully AI-enabled institution”, dan pusat ini adalah salah satu enjin R&D utama untuk mencapai matlamat itu. Bagi bank yang serius tentang AI sebagai kelebihan strategik, bukan sekadar projek IT, langkah sebegini memang masuk akal.

2. Kenapa Bank Global Sanggup Biaya Penyelidikan AI Bertahun-Tahun?

Realitinya, kebanyakan bank salah faham tentang AI – disangka projek singkat, bukan pelaburan jangka panjang. Oxford–UBS menunjukkan pendekatan yang jauh lebih matang.

2.1 Dari “projek POC” ke infrastruktur pengetahuan

Kebanyakan institusi kewangan:

  • Buat POC chatbot, fraud detection, atau scoring model dalam 3–6 bulan
  • Nampak sedikit manfaat, kemudian sukar scale kerana isu data, governance, dan talent

UBS ambil jalan lain: biaya pusat penyelidikan berdedikasi, lengkap dengan profesor, pasukan, dan projek berterusan. Kesan jangka panjangnya:

  • Mereka bina infrastruktur pengetahuan AI yang tidak tamat selepas satu projek
  • Penyelidik akademik membawa perspektif teori dan metodologi yang jarang ada dalam pasukan dalaman bank

Saya melihat corak ini semakin muncul di Asia juga – bank besar bekerjasama dengan universiti untuk:

  • Lab AI kewangan
  • Pusat data & analitik bersama
  • Program sarjana atau profesional dalam financial data science

2.2 Kelebihan kompetitif: risiko, kepatuhan, dan pengalaman pelanggan

Kenapa sanggup labur begitu banyak? Jawapannya mudah: margin dan risiko.

AI yang matang membolehkan bank:

  • Menurunkan kadar kerugian kredit melalui model risiko yang lebih granular
  • Mengurangkan false positive dalam pengesanan AML & fraud
  • Menaikkan cross-sell dan up-sell melalui cadangan produk yang lebih tepat
  • Mempercepat pemprosesan pinjaman, tuntutan insurans, dan onboarding pelanggan

Dan satu lagi aspek yang sering orang terlepas pandang: regulator semakin menekan penggunaan AI yang bertanggungjawab. Bank yang berada di hadapan dari segi tadbir urus AI akan bergerak lebih pantas apabila garis panduan baharu dikeluarkan.

3. Apa Yang Bank & Fintech Malaysia Boleh Belajar

Model Oxford–UBS bukan sekadar berita global; ia sebenarnya pelan kasar (blueprint) yang boleh diadaptasi di Malaysia.

3.1 Bangunkan kerjasama universiti–industri yang lebih fokus

Malaysia sudah ada kolaborasi antara bank dan universiti, tetapi selalunya:

  • Skop terlalu umum (ICT, data sains secara umum)
  • Projek tidak berterusan, bergantung pada geran jangka pendek

Ada beberapa langkah praktikal yang saya cadangkan untuk bank, insurans, dan fintech tempatan:

  1. Tubuhkan kerusi khas (endowed chair) dalam “Applied AI for Financial Services” di universiti utama.
  2. Wujudkan pusat penyelidikan bersama dengan mandat jelas pada:
    • AI untuk pemarkahan kredit PKS dan B40
    • AI untuk insurans mikro dan takaful
    • AI untuk pengesanan penipuan dan jenayah kewangan
  3. Rangka portfolio projek 3–5 tahun, bukan hanya hackathon ataupun POC 3 bulan.

Ini mungkin kedengaran besar, tetapi bank-bank seperti UBS sudah membuktikan: kolaborasi sebegini memberi pulangan strategik, bukan hanya reputasi.

3.2 Jadikan etika & governance AI sebagai kelebihan, bukan beban

Oxford–UBS menekankan AI dan masyarakat, termasuk governance. Di Malaysia, banyak organisasi masih melihat:

  • Governance AI = hal compliance semata-mata
  • Etika AI = “isu PR kalau ada masalah”

Sebenarnya, governance AI yang kukuh boleh jadi kelebihan kompetitif:

  • Model risiko yang diaudit dengan baik lebih mudah diterima regulator
  • Pelanggan lebih percaya pada bank yang jelas menjelaskan bagaimana data mereka digunakan
  • Partner antarabangsa lebih yakin untuk berkongsi data atau membangunkan produk bersama

Beberapa langkah praktikal:

  • Bentuk AI Ethics & Governance Committee di peringkat kumpulan
  • Wajibkan model documentation dan explainability untuk semua model yang menyentuh keputusan pelanggan
  • Latih team risk, audit dan compliance dengan asas model bias, fairness dan explainable AI

3.3 Guna AI bukan hanya untuk automasi, tetapi inovasi produk

Satu lagi mesej halus dari pusat Oxford–UBS: AI bukan sekadar menggantikan kerja manusia, tetapi membuka ruang model perniagaan baharu.

Dalam konteks Malaysia, beberapa peluang nyata:

  • Perbankan inklusif: Gunakan AI untuk menilai kelayakan kredit individu dan PKS yang tiada data kredit tradisional.
  • Insurans berasaskan penggunaan (usage-based insurance): Data telematik, gaya hidup dan IoT diproses oleh AI untuk premium yang lebih adil.
  • Wealth & retirement advisory untuk M40 dan B40: AI sebagai penasihat pertama yang kos rendah, sebelum interaksi manusia.

Ringkasnya, kalau AI hanya digunakan untuk “kurangkan kos operasi”, organisasi itu akan tepu cepat. Yang lebih menarik ialah AI sebagai asas produk kewangan generasi baharu.

4. Dari Strategi ke Pelaksanaan: Langkah Praktikal 12–24 Bulan

Soalan seterusnya: bagaimana pemain kewangan di Malaysia boleh bergerak lebih hampir kepada tahap UBS–Oxford, dalam skala yang sesuai?

Berikut satu rangka mudah berfasa:

4.1 0–6 bulan: kukuhkan asas data & governance

  • Audit semua model AI/ML sedia ada (scoring, fraud, marketing, dll.)
  • Kenal pasti jurang dokumentasi, explainability, dan pemantauan model
  • Tubuhkan struktur tadbir urus AI yang merangkumi IT, risk, compliance, dan business

Tanpa asas ini, apa-apa kolaborasi universiti atau projek AI baharu akan sukar scale.

4.2 6–18 bulan: bina kolaborasi strategik

  • Kenal pasti 1–2 universiti tempatan atau serantau yang kuat dalam data sains/AI
  • Pilih 3 tema fokus yang selari dengan strategi perniagaan (contoh: SME lending, digital wealth, financial crime)
  • Reka bentuk program bersama seperti:
    • Lab penyelidikan bersama
    • Program internship dan industry attachment
    • Projek sarjana/PhD yang berkaitan langsung dengan keperluan bank

4.3 12–24 bulan: cipta “litar pantas” dari penyelidikan ke produk

Oxford–UBS menekankan projek bersama antara penyelidik dan practitioner UBS. Bank di Malaysia boleh:

  • Bentuk “AI Product Squad” campuran:
    • Data scientist
    • Penyelidik universiti
    • Product owner dari business
    • Wakil risk/compliance
  • Tetapkan KPI yang jelas: prototype yang diuji dalam production dalam tempoh 6–9 bulan
  • Dokumentasikan pembelajaran dan bina AI playbook dalaman untuk projek seterusnya

Model ini mengelak satu masalah klasik: penyelidik buat sesuatu yang hebat di atas kertas, tetapi tak pernah digunakan oleh pelanggan sebenar.

5. Masa Depan AI Kewangan: Dari Oxford ke Kuala Lumpur

Oxford–UBS Centre for Applied AI menggambarkan satu hakikat yang susah dinafikan: AI bukan lagi pilihan “nice-to-have” dalam kewangan, tetapi asas daya saing jangka panjang.

Bagi bank, insurans dan fintech di Malaysia yang sudah giat melabur dalam digital dan AI, beberapa mesej penting muncul:

  • Main di liga jangka panjang. Projek AI bukan sekadar POC; ia memerlukan pelaburan dalam penyelidikan, talent, dan governance.
  • Bina jambatan dengan akademia. Pusat seperti Oxford–UBS menunjukkan bagaimana ilmu teori dan realiti pasaran boleh digabungkan dengan berkesan.
  • Jadikan etika dan tadbir urus AI sebagai strategi, bukan hanya compliance. Ini akan membezakan siapa yang regulator dan pelanggan paling percaya.

Kalau pemain global sudah serius sehingga menaja profesor khas dan pusat penyelidikan, sukar untuk mana-mana institusi kewangan berkata, “AI ini kita tunggu dan lihat dulu.” Soalannya pada 2026 ini bukan lagi “patutkah kita guna AI?”, tetapi “strategi AI kita cukup matang berbanding pesaing serantau?”

Bagi organisasi yang bersedia bergerak lebih pantas, ini masa yang sesuai untuk merangka:

  • Pelan kerjasama universiti–industri versi anda sendiri
  • Rangka governance AI yang jelas dan praktikal
  • Portfolio inisiatif AI yang melangkaui automasi, masuk ke inovasi produk

Masa depan AI dalam perkhidmatan kewangan sedang dibentuk di tempat seperti Oxford. Soalnya sekarang: adakah anda mahu hanya membaca laporan mereka, atau mahu membina versi anda sendiri di Malaysia?