AI + BPO Manusia: Automasi Proses Insurans Lebih Tepat

Kapasiti kerja operasi insurans jarang “habis” sebab kurang idea—ia habis sebab kerja rutin yang tak putus-putus: e-mel submission masuk tanpa henti, endorsement kecil tapi banyak, permintaan COI yang perlu cepat, dan pembaharuan polisi yang selalu kejar masa. Menjelang hujung tahun seperti Disember, tekanan SLA biasanya makin terasa—pasukan underwriting dan claims mahu tutup backlog sebelum tahun baharu, sementara pelanggan pula mahukan jawapan segera.

Ramai organisasi masih fikir automasi ini pilihan “sama ada”: AI atau BPO. Saya tak setuju. Model yang paling masuk akal untuk 2025 ialah gabungan AI + BPO manusia—AI mempercepat, manusia memastikan betul. Ini bukan slogan. Ini cara praktikal untuk tingkatkan ketepatan, kurangkan masa pusingan (turnaround time), dan kekal patuh audit.

Kenapa “AI sahaja” biasanya tak cukup dalam operasi insurans

Jawapan ringkasnya: AI bagus untuk corak, tetapi lemah bila berdepan pengecualian. Dunia insurans penuh pengecualian.

Dalam kerja sebenar, AI boleh:

• tersalah faham konteks (contoh: “endorsement” yang sebenarnya permintaan pertanyaan umum),
• tersilap klasifikasi lampiran dokumen,
• menghasilkan jawapan yang meyakinkan tetapi salah (risiko hallucination),
• gagal bila format e-mel atau borang berubah sedikit.

Kalau proses anda melibatkan pematuhan, rantaian kelulusan, dan bukti audit—kesilapan kecil pun boleh jadi isu besar. Sebab itu BPO manusia masih kritikal untuk:

• menyemak output AI,
• mengesahkan data yang diekstrak,
• mengurus kes “edge case” (contoh: permintaan yang bercampur dua line of business),
• memastikan tindakan yang dibuat dalam AMS/CRM betul dan boleh diaudit.

Prinsip kerja yang saya pegang: AI buat kerja laju. Manusia buat kerja tepat.

Model hibrid AI + BPO: siapa buat apa, dan di mana nilai sebenar

Model hibrid berkesan bila peranan AI dan manusia jelas, bukan bertindih. Ini struktur yang biasanya paling stabil untuk MGA, carrier, broker borong, dan program administrator.

Peranan AI: laju, konsisten, dan tahan volum

AI sesuai untuk tugasan berulang, berperaturan, dan banyak variasi kecil:

• klasifikasi dokumen dan e-mel
• triage submission
• ekstrak medan tertentu (nama insured, alamat risiko, tarikh efektif, limit)
• cadangan langkah seterusnya berdasarkan pola sejarah
• ringkasan dokumen untuk semakan pantas

Peranan BPO manusia: pengesahan, kelulusan, dan pengendalian pengecualian

BPO (yang dilatih khusus dalam operasi insurans) biasanya memegang kunci pada:

• validasi data dan kesempurnaan submission
• semakan pematuhan (apa yang perlu “logged”, apa yang perlu “escalate”)
• input data ke AMS/portal carrier dengan ketepatan tinggi
• komunikasi susulan yang memerlukan pertimbangan situasi
• semakan konflik (contoh: maklumat bercanggah antara lampiran dan badan e-mel)

Kesan langsung pada SLA dan risiko operasi

Bila disusun betul, model ini biasanya memberi tiga hasil utama:

1. SLA lebih stabil kerana kerja intake tidak tersekat pada manusia semata-mata.
2. Audit trail lebih kemas kerana setiap tindakan AI + semakan manusia direkod.
3. Risiko kesilapan berkurang kerana manusia fokus pada semakan kritikal, bukan kerja salin-tampal.

Dalam konteks siri AI dalam Insurans dan Pengurusan Risiko, ini penting: automasi bukan sekadar kos—ia juga kawalan risiko operasi.

Use case paling “menjadi” untuk automasi proses insurans (2025)

Tempat terbaik untuk mula ialah aliran kerja berjumlah tinggi dan separa berstruktur. Maksudnya: format dokumen tak 100% sama, tapi masih ada pola yang boleh dipelajari.

1) Submission triage (Underwriting desk)

AI membaca e-mel masuk, mengesan line of business, tag dokumen, dan menghala ke queue yang betul. BPO kemudian:

• semak tag yang diberi,
• pastikan lampiran mencukupi,
• susun “submission packet” yang kemas,
• eskalasi jika ada red flags.

Nilai: underwriter tak buang masa menapis e-mel. Mereka terus buat keputusan risiko.

2) Endorsement volume (Policy servicing)

AI mengekstrak butiran perubahan (alamat, tambahan insured, perubahan limit, tarikh) dan sediakan data untuk dimasukkan. BPO:

• sahkan perubahan selaras dengan polisi,
• lakukan kemas kini dalam AMS,
• pastikan dokumen sokongan lengkap.

Nilai: masa pusingan endorsement turun, aduan pelanggan berkurang.

3) COI (Certificate of Insurance) requests

AI mengenal pasti permintaan COI, cari butiran named insured, dan sediakan draf. BPO:

• keluarkan COI melalui portal,
• semak wording/holder,
• urus keperluan khas (contoh: additional insured atau waiver).

Nilai: pelanggan suka sebab ini kerja yang mereka nilai melalui kelajuan.

4) Renewal prep (Pembaharuan)

AI boleh mencetuskan tugasan pembaharuan, menanda perubahan penting dalam sejarah komunikasi, dan memaparkan perbezaan data. BPO:

• siapkan paket pembaharuan,
• semak dokumen tambahan,
• pastikan “follow-up list” jelas.

Nilai: kurang renewal yang “terlepas” dan kurang kerja last-minute.

5) Audit support & claims documentation

AI meringkaskan dokumen audit atau tuntutan (nota adjuster, laporan, bukti). BPO:

• muat naik ke sistem dengan struktur yang betul,
• tanda ketidakselarasan,
• pastikan bukti memenuhi keperluan proses.

Nilai: mempercepat semakan dan mengurangkan risiko pematuhan.

Mini kajian kes: kapasiti submission 3x tanpa tambah FTE dalaman

Bila volum naik mendadak, model hibrid biasanya lebih cepat stabil berbanding ‘hire & train’ semata-mata.

Contoh situasi operasi (berdasarkan corak yang biasa berlaku dalam program carrier yang mengurus beberapa rakan MGA):

• submission dan endorsement meningkat hingga pasukan dalaman “lemas”,
• automasi penuh tak boleh dipercayai kerana variasi dokumen dan pengecualian tinggi,
• target utama: tambah skala tanpa menambah headcount dalaman dengan cepat.

Model pelaksanaan yang praktikal:

1. AI dilatih pada e-mel submission sejarah untuk menghala dokumen ikut line of business dan menanda maklumat yang hilang.
2. BPO mengesahkan tag dan melengkapkan submission, kemudian serahkan kepada underwriting.
3. Untuk endorsement, AI mengesan permintaan perubahan, BPO pula buat kemas kini dalam sistem (contoh AMS).

Hasil operasi yang relevan untuk difahami:

• kapasiti pemprosesan submission meningkat 3x
• masa pusingan endorsement turun 60%
• tiada tambahan FTE dalaman

Bagi saya, angka seperti ini masuk akal bila dua syarat dipenuhi: (i) intake memang high-volume, (ii) underwriter/servicing staff sebelum ini buat terlalu banyak kerja pentadbiran.

Cara memilih proses untuk dipilot (dan elak pilot yang ‘cantik atas kertas’)

Pilot yang berjaya bukan yang paling canggih, tapi yang paling jelas metriknya. Kalau anda sedang menilai AI untuk underwriting atau claims, guna rangka ini.

Pilih proses ikut 4 kriteria

1. Volum tinggi: sekurang-kurangnya ratusan transaksi/bulan.
2. Kesan kepada pelanggan: COI, endorsement, renewal—ini cepat nampak.
3. Data tersedia: e-mel, PDF, nota sistem, sampel kes lepas.
4. Metrik mudah diukur: turnaround time, backlog, kadar ralat, pematuhan.

Tetapkan metrik yang ‘keras’ dari hari pertama

Cadangan metrik pilot 30 hari:

• Masa median dari intake → assigned (minit/jam)
• Masa median endorsement siap (jam/hari)
• % submission “complete on first pass”
• Kadar eskalasi kes pengecualian
• Kadar ralat data entry (audit sampling)

Bentuk “guardrail” pematuhan dan risiko

Dalam insurans, automasi tanpa kawalan akan makan diri. Guardrail yang saya anggap wajib:

• Log aktiviti end-to-end (siapa buat apa, bila)
• Semakan manusia untuk keputusan berimpak tinggi (contoh: perubahan wording, coverage/limit)
• Senarai “do-not-automate” (contoh: kes litigasi, aduan rasmi, fraud suspicion)
• Proses fallback bila AI tidak pasti (confidence rendah → terus ke manusia)

Soalan lazim yang biasanya ditanya pengurus operasi insurans

Jawapan yang jelas lebih membantu daripada janji manis vendor.

“Perlu pilih AI atau BPO?”

Tak perlu. Gabungan selalunya lebih stabil: AI buat intake dan ekstrak data, BPO pastikan kesempurnaan dan urus pengecualian.

“Boleh jalan dengan AMS/CRM sedia ada?”

Boleh—asalkan integrasi dan SOP kemas. Yang penting bukan nama sistem, tapi: struktur data, peranan pengguna, dan aliran kelulusan.

“Berapa cepat boleh nampak hasil?”

Kalau data dan proses jelas, pilot 7–10 hari bekerja untuk mula operasi adalah realistik, dan kesan awal biasanya nampak dalam 30 hari (terutamanya pada backlog dan masa triage).

“Macam mana dengan ketepatan dan audit?”

Model yang betul menganggap audit sebagai ciri utama, bukan tambahan. Semakan manusia + log aktiviti menjadikan output lebih boleh dipertahankan bila audit berlaku.

Apa yang patut anda buat minggu ini (kalau sasaran anda ialah leads + hasil nyata)

Tekanan operasi tak akan menurun sendiri—lebih-lebih lagi bila masuk kitaran pembaharuan awal tahun. Jika anda serius nak guna AI dalam insurans dan pengurusan risiko, saya cadangkan langkah ini:

1. Pilih satu proses: submission triage atau endorsement volume. Jangan mula dengan lima proses serentak.
2. Kumpul sampel 200–500 kes (e-mel + lampiran + outcome) untuk latihan dan penentukuran.
3. Dokumentasikan SOP semakan manusia: bila perlu eskalasi, bila boleh teruskan.
4. Tetapkan target 30 hari: contoh, kurangkan masa triage 40% dan ralat data entry di bawah 2%.

Model AI + BPO manusia bukan “AI ambil kerja orang”. Ia cara untuk pastikan orang yang pakar—underwriter, claims handler, servicing lead—buat kerja yang hanya manusia patut buat: menilai risiko, membuat keputusan, dan menjaga pengalaman pelanggan.

Anda nak proses yang lebih cepat memang mudah. Anda nak proses yang cepat dan boleh diaudit—itu yang membezakan organisasi matang.

Jika AI boleh buat pasukan anda bernafas semula dan menutup backlog sebelum Q1 memuncak, proses mana yang paling wajar anda automasikan dahulu—submission, endorsement, atau COI?