AI & Captive: Strategi Risk Transfer Lebih Tepat 2026

Kerugian bencana yang diinsuranskan pada 2025 dianggarkan mencecah $107 bilion—tahun keenam berturut-turut melepasi $100 bilion. Angka begini bukan sekadar statistik industri global; ia memberi kesan nyata kepada kos perlindungan, kapasiti pasaran, dan cara syarikat besar mengurus volatiliti risiko. Apabila risiko semakin “berombak”, organisasi yang hanya bergantung pada pembaharuan polisi tahunan akan kerap terkejut dengan perubahan harga dan terma.

Sebab itu perkembangan di ruang captive insurance dan risk transfer patut diberi perhatian. Pada 19/12/2025, sebuah langkah menarik diumumkan: Gallagher Re menubuhkan pasukan khusus Captive Risk Transfer di bawah amalan Global Facultative, dipimpin oleh Martin Hughes (bekas Artex) sebagai Executive Vice President, Captives berkuat kuasa 01/01/2026, dan disertai Joshua Cryer sebagai Divisional Director, Captives.

Bagi siri “AI dalam Insurans dan Pengurusan Risiko”, berita ini penting bukan kerana “orang baharu” semata-mata. Ini isyarat pasaran: captive bukan lagi fungsi “back-office”. Ia semakin menjadi medan utama untuk gabungkan analitik lanjutan dan AI bagi memperhalus pemindahan risiko—daripada penetapan struktur program, pemilihan modal tradisional vs alternatif, sehinggalah kepada disiplin data untuk tuntutan dan pembuktian kerugian.

Apa maksud penubuhan pasukan Captive Risk Transfer ini?

Jawapan ringkas: Ia menandakan permintaan yang semakin kuat untuk penyelesaian facultative dan reinsurans berstruktur yang “dibuat ikut ukuran” bagi pemilik single parent captive—bukan lagi produk generik.

Gallagher Re menyatakan pasukan baharu ini akan menyediakan penyelesaian reinsurans facultative dan berstruktur untuk single parent captives “pelbagai saiz dan kompleksiti”. Dalam bahasa mudah: kalau syarikat anda ada captive (atau sedang menilai untuk menubuhkannya), anda perlukan lebih daripada sekadar membeli perlindungan. Anda perlukan reka bentuk program yang:

• Fit dengan profil risiko sebenar (bukan profil di atas kertas).
• Boleh “tahan” perubahan pasaran re/insurans (rate-on-line, capacity, exclusions).
• Mampu menyambungkan captive kepada modal tradisional (reinsurer) dan modal alternatif (misalnya struktur yang berdekatan konsep ILS, collateralized reinsurance, atau sidecar-style capacity).

Kenapa Global Facultative jadi “rumah” pasukan ini?

Jawapan ringkas: Facultative ialah ruang paling sesuai untuk risiko yang unik, had besar, atau struktur yang memerlukan ketelitian per polisi/risiko.

Facultative reinsurance lazimnya digunakan apabila:

• Risiko terlalu besar/khusus untuk ditampung sepenuhnya dalam treaty biasa.
• Perlu terma khas (contoh: sublimit, deductible berlapis, aggregate stop-loss).
• Perlu reka bentuk struktur yang mengambil kira data operasi syarikat—contohnya risiko rantaian bekalan, gangguan perniagaan, atau liabiliti produk.

Di sinilah AI boleh memberi kesan paling ketara: lebih banyak pemboleh ubah, lebih banyak senario, lebih banyak keperluan untuk keputusan yang konsisten.

Kenapa pelantikan Martin Hughes relevan kepada agenda AI dalam insurans?

Jawapan ringkas: Kepakaran risk transfer yang mendalam mempercepatkan penggunaan AI—kerana AI hanya berguna bila ia “diterjemah” menjadi struktur program dan keputusan underwriting.

Martin Hughes mengetuai Specialty Risk Transfer Artex selama lima tahun dan bekerjasama dengan Gallagher Re untuk penyelesaian berasaskan reinsurans kepada klien captive di Amerika Utara. Profil begini biasanya membawa dua kelebihan besar:

1. Faham “realiti lapangan” data risiko Data captive bukan sekadar loss runs. Ia termasuk pendedahan (exposure), perubahan operasi, polisi keselamatan, vendor, kontrak, malah tabiat pelaporan insiden. AI memerlukan disiplin data; pemimpin yang biasa dengan kompleksiti captive cenderung menuntut standard data yang lebih baik.

2. Boleh menghubungkan analitik kepada reka bentuk risk transfer Banyak organisasi mempunyai dashboard cantik, tetapi struktur program tidak berubah. Saya sering lihat perkara ini: analitik hanya jadi laporan bulanan. Kepakaran risk transfer memastikan output analitik diterjemah menjadi tindakan—contohnya ubah attachment point, perkemas wording, atau gunakan struktur berlapis.

Satu ayat yang patut dipegang: AI tidak “menggantikan” strategi risk transfer—AI menguatkan strategi yang sudah jelas.

Captive insurance: “makmal” terbaik untuk AI dalam pengurusan risiko

Jawapan ringkas: Captive memusatkan data, keputusan, dan insentif—tiga benda yang AI perlukan untuk hasil yang nyata.

Dalam insurans komersial biasa, data tersebar: broker ada sedikit, insurer ada sedikit, TPA ada sedikit, syarikat pula simpan baki. Captive mengubah dinamik ini kerana syarikat memiliki lebih kawalan terhadap:

• Data tuntutan dan punca kerugian (root cause)
• Polisi pengunderaitan dalaman (retention, deductible, limit)
• Program pencegahan risiko
• Strategi pembelian reinsurans

1) AI untuk penilaian risiko (risk assessment) yang lebih tepat

Jawapan ringkas: AI membantu membezakan “risiko tinggi sebenar” daripada “risiko nampak tinggi”.

Contoh praktikal untuk pemilik captive:

• Menggabungkan data operasi (jadual penyelenggaraan, audit keselamatan, kadar near-miss) dengan data tuntutan.
• Membina skor risiko dinamik mengikut lokasi, musim, dan perubahan kapasiti pengeluaran.

Pada hujung tahun (musim bajet & pembaharuan), model begini membantu anda berunding dengan lebih yakin—kerana anda boleh menunjukkan corak risiko, bukan sekadar minta diskaun.

2) AI untuk pengoptimuman struktur risk transfer

Jawapan ringkas: AI mempercepat analisis senario—tetapi keputusan struktur masih perlukan logik perniagaan yang tegas.

Dalam program captive, soalan lazim ialah:

• Berapa retention yang wajar supaya captive “bernafas” ketika tahun buruk?
• Patut guna quota share, excess of loss, atau aggregate stop-loss?
• Bila masa sesuai “membeli turun volatiliti” melalui lapisan perlindungan tertentu?

AI boleh menjalankan ribuan simulasi (contoh: Monte Carlo) berdasarkan taburan kerugian dan pendedahan. Hasilnya bukan ramalan mutlak, tetapi cadangan struktur yang lebih defensible.

3) AI untuk pengesanan penipuan & kebocoran tuntutan

Jawapan ringkas: Dalam ekosistem captive, “kebocoran” sering datang daripada proses, bukan penipuan semata-mata.

AI boleh membantu mengesan:

• Corak tuntutan berulang daripada vendor/kontraktor tertentu
• Lonjakan kos rawatan/baik pulih yang tak selari dengan benchmark
• Anomali masa pelaporan (contoh: tuntutan selalu lewat untuk unit tertentu)

Bagi captive, setiap ringgit yang bocor ialah ringgit yang mengurangkan modal, dan akhirnya menaikkan kos reinsurans.

Mengapa “modal alternatif” jadi perbualan besar untuk captive pada 2026?

Jawapan ringkas: Pasaran makin mencari kapasiti yang fleksibel, dan modal alternatif menawarkan pilihan struktur di luar reinsurans tradisional.

Dalam kenyataan CEO Facultative Gallagher Re, pasukan ini akan menghubungkan pemilik captive kepada sumber modal global tradisional dan alternatif. Secara praktikal, ini relevan apabila:

• Risiko tertentu sukar ditempatkan sepenuhnya (kapasiti ketat atau wording sukar).
• Organisasi mahu kepelbagaian sumber modal supaya tidak bergantung pada segelintir reinsurer.
• Struktur memerlukan kolateral atau mekanisme pembayaran yang lebih “pasti”.

AI berperanan besar di sini kerana pelabur dan penyedia kapasiti alternatif sangat menitikberatkan ketelusan data, pemodelan risiko, dan disiplin pelaporan. Jika data anda berselerak, kos modal akan naik—atau transaksi tak berlaku langsung.

Playbook 90 hari: apa yang patut dibuat oleh pemilik captive (atau bakal pemilik)

Jawapan ringkas: Fokus pada data, struktur, dan tadbir urus—baru AI memberi pulangan.

Saya cadangkan tiga blok kerja yang realistik untuk suku pertama 2026.

1) Audit data risiko (minggu 1–4)

Buat inventori data minimum berikut:

• 24–60 bulan loss runs (mengikut kelas risiko)
• Pendedahan: headcount, revenue, lokasi, nilai aset, throughput
• Data operasi: audit keselamatan, downtime, maintenance, vendor critical
• Taksonomi sebab kerugian (jangan biarkan “miscellaneous” menang)

Hasil yang anda mahu: satu set data yang bersih untuk analitik lanjutan.

2) Semak struktur risk transfer (minggu 5–8)

Tanya tiga soalan yang biasanya membuka banyak peluang:

1. Lapisan mana paling “mahal” berbanding nilai perlindungan?
2. Adakah attachment point terlalu rendah (membayar premium untuk kerugian kerap)?
3. Adakah anda perlukan perlindungan agregat untuk lindungi tahun yang “buruk bertubi-tubi”?

Ini tempat anda gunakan AI untuk simulasi, tetapi keputusan akhir mesti selari dengan toleransi risiko CFO/Board.

3) Perkemas tadbir urus AI (minggu 9–12)

Jika anda mahu guna AI untuk underwriting dalaman atau triage tuntutan, tetapkan:

• Polisi akses data dan privasi
• Siapa pemilik model (Model Owner) dan siapa meluluskan perubahan
• Metrik prestasi model (contoh: ketepatan, bias, drift)

AI yang “pandai” tetapi tidak ditadbir biasanya mencipta risiko baharu.

Apa maknanya untuk pasaran Malaysia dan rantau Asia?

Jawapan ringkas: Trend ini memberi blueprint—bukan template—untuk syarikat serantau yang mahu lebih kawalan kos risiko.

Walaupun berita ini berpusat pada Amerika Utara dan pasaran antarabangsa, mesejnya terpakai untuk organisasi di Malaysia: tekanan kos, risiko iklim, risiko rantaian bekalan, dan pendedahan siber tidak menunggu. Captive (atau struktur alternatif yang setara) semakin dilihat sebagai alat korporat untuk:

• Menstabilkan kos risiko jangka sederhana
• Meningkatkan ketelusan tuntutan
• Memaksa disiplin pencegahan risiko (kerana “duit itu duit sendiri”)

Bila digandingkan dengan AI—terutamanya analisis ramalan dan automasi underwriting—organisasi boleh membuat keputusan risk transfer yang lebih konsisten, bukan bergantung pada intuisi semata-mata.

Langkah seterusnya yang saya sarankan

Berita penubuhan pasukan Captive Risk Transfer di Gallagher Re dan pelantikan Martin Hughes serta Joshua Cryer menunjukkan satu realiti: pasaran bergerak ke arah risk transfer yang lebih tersuai, lebih analitik, dan lebih berdisiplin data.

Jika anda berada dalam fungsi kewangan, risiko, atau insurans korporat, pilih satu tindakan minggu ini: tentukan 3 risiko paling mahal dan paling tidak stabil dalam organisasi anda, kemudian semak sama ada data anda cukup untuk memodelkannya. Kalau jawapannya “tak cukup”, itulah projek AI paling bernilai—bukan membeli alat baharu.

Satu soalan untuk dibawa ke mesyuarat awal 2026: Adakah strategi risk transfer anda dibina atas data yang hidup, atau laporan yang statik?