AI dalam Insurans: Apa Makna ‘20%’ Kes Chubb?

Pada 12/12/2025, Chubb mengumumkan rancangan yang ramai orang industri anggap “keras tapi logik”: pengurangan tenaga kerja sehingga 20% dalam tempoh tiga hingga empat tahun sebagai sebahagian daripada transformasi digital berasaskan AI. Dengan kira-kira 43,000 pekerja global, angka itu bukan kecil—ia memberi isyarat jelas bahawa automasi bukan lagi projek sampingan. Ia sedang jadi teras model operasi syarikat insurans.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka ambil kes sebenar seperti ini kerana ia memaksa kita berfikir secara praktikal. Bukan sekadar “AI boleh buat macam-macam”, tetapi: fungsi apa yang betul-betul berubah, risiko apa yang timbul, dan bagaimana organisasi patut bersedia—termasuk di Malaysia.

Apa yang Chubb sebenarnya buat (dan kenapa ia penting)

Chubb tak bercakap tentang automasi kecil-kecilan. Dalam pembentangan kepada pelabur, mereka menyatakan transformasi akan meliputi lebih kurang 70% organisasi dalam tiga tahun, dengan pendigitalan proses hujung ke hujung merentasi unit perniagaan dan fungsi teras.

Yang paling memberi kesan: program ini merangkumi jualan & pemasaran, sokongan underwriting, pentadbiran polisi, tuntutan, kewangan, dan operasi lain. Maksudnya, AI bukan hanya “alat bantu”; ia sedang disusun untuk mengambil alih tugasan rutin yang sebelum ini memerlukan ramai orang, banyak semakan manual, dan banyak pemindahan fail.

Chubb juga mensasarkan penjimatan kos yang diterjemahkan sebagai kira-kira 1.5 mata pengurangan pada combined ratio apabila transformasi matang. Dalam bahasa mudah: lebih banyak premium boleh kekal sebagai keuntungan kerana kos operasi turun.

Ayat yang patut kita simpan: AI bukan sekadar mempercepat kerja. AI menukar cara kerja itu direka.

Kenapa insurans “mudah terdedah” kepada automasi AI

Jawapan paling jujur: kerana banyak kerja insurans bersifat dokumen-berat dan berasaskan peraturan. Bila sesuatu proses boleh dipecahkan kepada langkah-langkah yang jelas (semak dokumen → ekstrak data → banding dengan polisi → buat keputusan → catat), AI dan automasi proses (RPA/IPA) memang sesuai.

Satu rujukan yang disebut dalam laporan berkaitan (kajian MIT Project Iceberg) menganggarkan alat AI sedia ada secara teknikal mampu melakukan tugasan bernilai 11.7% daripada jumlah nilai upah di AS, bersamaan US$1.2 trilion setahun. Dan insurans diletakkan “squarely in the zone of highest exposure”.

Dalam pengalaman saya melihat organisasi cuba mengautomasi operasi, insurans menang besar bila mereka mula dengan tiga “enjin” ini:

1. Ekstraksi dokumen (borang permohonan, laporan perubatan, laporan polis, invois bengkel)
2. Keputusan berasaskan peraturan + pembelajaran mesin (kelayakan, semakan had, triage tuntutan)
3. Aliran kerja digital (routing kes, pengesahan, audit trail, integrasi sistem)

“85% automasi proses tuntutan & underwriting”: realistik, tapi berisiko

Chubb meletakkan sasaran yang jelas: mengautomasi 85% proses utama underwriting dan tuntutan, dan menjangka 85% premium global datang daripada perniagaan yang sama ada digital sepenuhnya atau “sangat dibantu digital”.

Sasaran begini boleh dicapai jika mereka membezakan dua lapisan kerja:

Lapisan 1: Kerja volum tinggi, kompleksiti rendah

Ini sasaran utama automasi.

• Semakan dokumen asas
• Masukan data, validasi, dan padanan
• Tuntutan kecil (contoh: kerosakan kecil, kelewatan perjalanan, bil perubatan standard)
• Underwriting sokongan (rule checks, kelengkapan dokumen, risk flags)

Lapisan 2: Kerja kompleksiti tinggi, frekuensi rendah

Ini masih perlukan manusia—tetapi manusia yang dibantu AI.

• Kes litigasi/pertikaian
• Penipuan terancang (fraud rings)
• Risiko komersial kompleks (pembuatan, tenaga, specialty)
• Catastrophe / surge events dengan data tak lengkap

Masalahnya, bila organisasi “kejar peratus automasi”, mereka mudah terperangkap dalam dua risiko:

• Automasi keputusan tanpa kawalan (AI buat keputusan tuntutan/underwriting tanpa semakan memadai)
• Kualiti data lemah (model nampak pintar, tapi input berserabut—hasilnya keputusan tak konsisten)

Kesan paling besar bukan teknologi—tetapi reka bentuk organisasi

Ramai orang fokus pada headline “potong 20% pekerja”. Saya lebih risau (dan dalam masa sama, lebih berminat) pada mesej sebenar: model tenaga kerja insurans sedang direset.

Bila aliran kerja jadi digital dan sebahagian besar tugasan rutin diautomasi, struktur pasukan berubah:

Peranan yang mengecil (atau berubah secara drastik)

• Pentadbiran underwriting yang banyak kerja manual
• Pemeriksa dokumen/tuntutan yang hanya ikut checklist
• Call center yang fokus pada soalan berulang

Peranan yang membesar (dan lebih bernilai)

• Claims strategist / penyelesai kes kompleks
• Pakar pengesanan penipuan berasaskan rangkaian data
• Model risk management (memantau bias, drift, dan ketepatan model)
• Process owner yang faham operasi + data + kawalan
• Pakar customer journey untuk pengalaman digital hujung ke hujung

Kalau anda pengurus di insurans, ini realitinya: AI tak “ambil kerja” secara rawak. AI ambil kerja yang organisasi gagal naik taraf.

Apa yang organisasi di Malaysia boleh belajar (tanpa meniru bulat-bulat)

Chubb beroperasi pada skala global, jadi tak semua langkah sesuai ditiru 1:1. Tetapi pelajarannya sangat relevan untuk pasaran Malaysia—terutamanya bila kita masuk musim hujung tahun (Disember) di mana tuntutan perjalanan, tuntutan motor, dan volum pertanyaan pelanggan biasanya meningkat.

Ini pendekatan yang saya cadangkan, langkah demi langkah:

1) Mulakan dengan peta proses “end-to-end”, bukan projek AI kecil

Pilih satu aliran kerja yang jelas, contohnya:

• Tuntutan motor (FNOL → dokumen → bengkel → kelulusan → pembayaran)
• Underwriting SME (permohonan → semakan risiko → sebut harga → terbit polisi)

Matlamat: kurangkan sentuhan manual, bukan semata-mata bina model.

2) Tetapkan KPI yang berani, tetapi terukur

Contoh KPI yang biasa beri impak pantas:

• Masa pusingan tuntutan turun 30–50%
• Kadar tuntutan kecil yang auto-lulus naik ke 40–60%
• Pengesanan anomali penipuan meningkat (ukur melalui hit rate siasatan)

Chubb mengaitkan transformasi kepada combined ratio (kos dan prestasi). Itu bijak. KPI anda juga patut mengikat AI kepada metrik kewangan dan pengalaman pelanggan.

3) Wujudkan “kawalan model” dari hari pertama

AI dalam insurans sentiasa berkait dengan keadilan keputusan, penjelasan, dan audit. Jadi bina disiplin ini awal:

• Semakan bias (jantina, umur, lokasi, pekerjaan)
• Keperluan human-in-the-loop untuk kes tertentu
• Log keputusan (decision logging) dan audit trail
• Polisi penggunaan data dan akses

4) Rancang semula tenaga kerja—jangan tunggu krisis

Jika 30–60% tugasan rutin boleh diautomasi, pekerja perlu laluan naik taraf:

• Latihan interpretasi model, literasi data
• Kemahiran rundingan & resolusi kes
• Pemahaman produk dan risiko yang lebih mendalam

Bagi saya, ini “jalan tengah” yang paling masuk akal: automasi untuk volum, manusia untuk pertimbangan.

“People also ask” versi insurans: soalan yang patut ditanya dalam mesyuarat

Berikut soalan yang saya selalu cadangkan untuk pengurusan dan pemilik proses—ringkas, tetapi tajam:

Adakah AI akan menurunkan kadar penipuan atau menaikkan risiko penipuan baharu?

AI boleh mengesan pola penipuan, tetapi penipu juga guna AI untuk hasilkan dokumen palsu yang lebih kemas. Jawapannya mesti ada dua hala: pertahanan dan pencegahan.

Proses mana patut di-automasi penuh, dan mana wajib ada semakan manusia?

Tetapkan “garisan merah” (contoh: tuntutan kecederaan serius, kes litigasi, risiko komersial besar).

Bagaimana kita buktikan keputusan underwriting/tuntutan boleh dijelaskan?

Jika pelanggan mempersoal keputusan, organisasi perlu jawapan yang boleh diaudit—bukan “model cakap begitu”.

Data kita bersih atau sekadar banyak?

AI tak “menyelamatkan” data yang berselerak. Ia cuma mempercepat keputusan yang salah.

Apa maknanya untuk pengurusan risiko: AI jadi risiko baharu yang perlu diinsuranskan

Ini bahagian yang ramai terlepas: bila AI jadi teras operasi, AI sendiri menjadi punca risiko operasi.

Risiko yang naik dengan ketara:

• Model drift (model jadi kurang tepat bila corak tuntutan berubah)
• Kegagalan automasi (workflows tersangkut, pembayaran tertangguh)
• Risiko reputasi (keputusan dilihat tak adil)
• Risiko pematuhan (data peribadi, rekod keputusan)

Bila saya lihat program automasi yang berjaya, mereka tak tunggu audit dalaman “menegur”. Mereka bina kawalan sebagai sebahagian daripada reka bentuk proses.

Langkah seterusnya untuk pemimpin insurans: buat keputusan sebelum dipaksa

Kes Chubb menunjukkan satu perkara yang sukar dinafikan: AI dalam insurans sedang bergerak daripada eksperimen kepada operasi teras, dan kesannya akan terasa pada struktur kos, model perkhidmatan, dan tenaga kerja.

Jika anda sedang memikirkan hala tuju AI untuk underwriting, tuntutan, pengesanan penipuan atau penilaian risiko, pilihan paling selamat bukan “tunggu dan lihat”. Pilihan paling selamat ialah rancang transformasi yang terkawal—mulakan kecil, ukur ketat, kemudian skala.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya akan terus kupas contoh praktikal seperti ini: apa yang patut diautomasi, bagaimana mengelak kesilapan model, dan bagaimana bina operasi yang lebih cekap tanpa mengorbankan kepercayaan pelanggan.

Soalan terakhir untuk anda bawa ke mesyuarat minggu ini: jika 50% kerja rutin pasukan anda boleh diambil alih automasi dalam 24 bulan, peranan baharu apa yang patut anda bina dari sekarang—supaya organisasi anda jadi lebih kuat, bukan sekadar lebih kecil?