AI dalam Insurans: Pecahkan Halangan, Percepat Inovasi

Industri insurans bukan kekurangan idea—yang selalu “tersangkut” ialah halangan: proses yang panjang, data berselerak, budaya kerja yang terlalu bergantung pada cara lama, dan jurang bakat kepimpinan yang makin ketara. Saya pernah dengar ayat ini berulang kali daripada pemain industri: “Benda ni boleh siap hari ni, tapi kena tunggu orang semak, tunggu orang sign, tunggu data cukup.” Itu bukan masalah kecil. Itu masalah struktur.

Dalam episod TV industri yang menampilkan tokoh kepimpinan seperti Brenda Austenfeld (yang diiktiraf ke tahap Hall of Fame), mesej utamanya jelas: memecahkan halangan memerlukan prinsip, strategi, dan keberanian membina pemimpin baharu. Di sinilah saya ambil pendirian: AI dalam insurans bukan sekadar teknologi—AI ialah alat pengurusan perubahan. Kalau digunakan dengan betul, AI boleh mempercepat keputusan underwriting, merapikan tuntutan, mengurangkan penipuan, dan pada masa yang sama menyokong budaya kerja lebih inklusif.

Post ini ialah sebahagian daripada siri “AI dalam Insurans dan Pengurusan Risiko”—fokus kita ialah aplikasi praktikal AI yang membantu syarikat insurans dan broker bergerak lebih laju, lebih adil, dan lebih tahan risiko.

Halangan sebenar dalam insurans (dan kenapa ia mahal)

Jawapan ringkasnya: halangan terbesar bukan premium—ia masa, ketidakpastian, dan geseran operasi. Setiap “geseran” yang nampak kecil (minta dokumen tambahan, semakan manual, pertindihan kerja) sebenarnya menambah kos dan melambatkan pengalaman pelanggan.

Bila proses lambat, beberapa perkara akan jadi serentak:

• Pelanggan hilang sabar dan cari alternatif (terutamanya untuk produk mudah seperti motor, perjalanan, mikroinsurans).
• Underwriter terpaksa buat keputusan dengan data separa lengkap.
• Tuntutan tertangguh, meningkatkan risiko pertikaian.
• Pasukan kerja letih—dan yang bagus-bagus cepat “angkat kaki”.

Halangan budaya: “cara lama” yang masih menang

Banyak organisasi insurans ada sistem moden di depan (portal, aplikasi), tetapi di belakang masih Excel dan e-mel. Ini menyebabkan “double work”: input data berulang, semakan manual, dan proses kelulusan yang tak seragam.

AI tak akan menyelamatkan organisasi yang tak mahu ubah cara kerja. Tetapi bila digabung dengan disiplin proses (SOP jelas, pemilikan data, KPI masa tindak balas), AI boleh jadi pemecut yang nyata.

Halangan bakat: jurang pemimpin baharu

Kepimpinan yang kuat dalam insurans biasanya dibentuk oleh pengalaman—tetapi realitinya, generasi baharu mahukan kerja yang lebih bermakna dan alat yang lebih moden. Kalau kerja harian mereka ialah menyalin data dari PDF ke sistem, sukar untuk kekalkan mereka.

AI yang direka untuk membantu kerja pengetahuan (knowledge work) boleh mengurangkan beban kerja rutin dan memberi ruang untuk latihan, bimbingan, dan pembangunan pemimpin.

AI sebagai “pemecah halangan”: 4 kegunaan yang terus terasa

AI paling berkesan bila ia mengurangkan keputusan berulang dan mempercepat aliran kerja end-to-end. Di bawah ialah empat aplikasi yang paling cepat menunjukkan impak dalam insurans.

1) Underwriting lebih cepat dengan penilaian risiko automatik

AI boleh menyusun data dalaman (sejarah polisi, tuntutan, perilaku pembayaran) dan data luaran yang sah (contohnya profil risiko lokasi, kategori industri, trend kerugian) untuk cadangkan skor risiko dan “reason codes” yang jelas.

Apa yang berubah?

• Kes mudah lulus automatik dengan kawalan.
• Kes sederhana masuk ke “fast-track” dengan semakan minimum.
• Kes kompleks diserahkan kepada underwriter senior dengan ringkasan AI.

Ini bukan menggantikan underwriter—ini menukar underwriter daripada “data entry + semakan” kepada “pembuat keputusan risiko”.

2) Tuntutan (claims) lebih telus dan kurang drama

Dalam tuntutan, halangan biasa ialah dokumen tak lengkap, komunikasi terputus, dan masa menunggu. AI boleh bantu dengan:

• Document intelligence: baca borang, laporan polis, bil hospital, invois bengkel—dan semak konsistensi.
• Smart triage: asingkan tuntutan berisiko tinggi penipuan untuk siasatan.
• Customer updates: draf mesej kemas kini status tuntutan secara konsisten (mengikut template pematuhan).

Kesan langsung: kitaran tuntutan lebih pendek dan kurang “back-and-forth”. Untuk pelanggan, ini bezanya antara pengalaman yang meyakinkan dan pengalaman yang menyampah.

3) Pengesanan penipuan (fraud) yang lebih tajam

Penipuan insurans jarang nampak “terang-terang”. Ia muncul sebagai corak kecil: masa, lokasi, rangkaian penyedia, atau pola tuntutan yang berulang. AI boleh mengesan anomali dan hubungan yang manusia mudah terlepas.

Contoh praktikal:

• Bengkel yang kerap caj komponen sama pada tuntutan berbeza.
• Corak kemalangan berulang di lokasi/jam tertentu.
• Tuntutan kesihatan dengan kombinasi prosedur yang “pelik” mengikut profil.

Yang penting: AI perlu disertakan dengan proses siasatan yang adil. “Flag” AI ialah permulaan, bukan hukuman.

4) Operasi lebih inklusif melalui standardisasi keputusan

Ini topik yang jarang orang cakap secara jujur: banyak keputusan insurans dipengaruhi oleh “cara orang lama buat”. Kadang-kadang ia membantu. Kadang-kadang ia mewujudkan bias.

AI boleh menyokong kepelbagaian dan inklusiviti melalui:

• Standardisasi kriteria kelulusan.
• Audit trail keputusan (kenapa kes A lulus, kes B tidak).
• Konsistensi komunikasi pelanggan.

Inklusif bukan bermaksud longgar. Inklusif bermaksud konsisten dan boleh dijelaskan.

Kepimpinan yang memecahkan halangan: apa yang patut dicari (dan AI boleh bantu)

Pemimpin baharu dalam insurans perlu kuat dalam dua dunia: manusia dan data. Pengiktirafan industri kepada tokoh berpengalaman mengingatkan kita bahawa prinsip tetap penting—integriti, disiplin, fokus pelanggan. Bezanya, sekarang pemimpin perlu tambah satu lagi: kebolehan mengurus perubahan berasaskan teknologi.

Ciri pemimpin insurans era AI

1. Berani buat keputusan dengan maklumat tidak sempurna—tapi tahu cara kurangkan ketidakpastian dengan data.
2. Pandai “translate” risiko kepada bahasa bisnes (impak kerugian, margin, pematuhan).
3. Boleh bina budaya eksperimen terkawal: uji, ukur, baiki.
4. Faham etika data: privasi, bias, dan keadilan.

Bagaimana AI menyokong pembangunan pemimpin

AI generatif (misalnya untuk ringkasan kes, draf memo risiko, atau analisis trend) boleh jadi “co-pilot” pembelajaran:

• Underwriter junior belajar melalui ringkasan kes yang berstruktur.
• Pasukan tuntutan dapat cadangan langkah seterusnya berdasarkan SOP.
• Pengurus boleh nampak bottleneck melalui analitik proses.

Saya suka prinsip ini: AI patut menguatkan judgement manusia—bukan menutup kelemahan proses.

Pelan 90 hari: mula kecil, tunjuk hasil, baru skala

Jawapan paling praktikal: jangan mula dengan projek AI yang besar dan kabur. Mulakan dengan satu aliran kerja yang jelas, data minimum yang mencukupi, dan metrik yang tak boleh “dipusing”.

Minggu 1–2: pilih kes guna (use case) yang betul

Cari proses yang ada ciri ini:

• Volume tinggi (banyak kes berulang)
• Peraturan jelas (boleh distandardkan)
• Data tersedia (walau tak sempurna)
• “Pain” pelanggan ketara (masa menunggu, status tak jelas)

Contoh sesuai: triage tuntutan motor kecil, semakan dokumen underwriting SME, klasifikasi e-mel tuntutan.

Minggu 3–6: kemaskan data dan kawalan risiko

Ini bahagian yang ramai nak potong, tapi sebenarnya penentu kejayaan:

• Tetapkan definisi data (contoh: apa maksud “tuntutan lengkap”).
• Buat senarai medan wajib.
• Tetapkan siapa pemilik data.
• Sediakan log keputusan untuk audit.

Minggu 7–10: bina pilot dengan manusia dalam gelung (human-in-the-loop)

Struktur yang selamat:

• AI buat cadangan.
• Staf semak dan luluskan.
• Perubahan disimpan untuk latihan semula model.

Metrik yang patut diukur:

• Masa purata pemprosesan (minit/jam/hari)
• Kadar kesilapan (error rate)
• Kadar “rework” (ulang kerja)
• Kepuasan pelanggan (CSAT) atau aduan

Minggu 11–13: standardkan, dokumentasi, dan skala

Kalau pilot berjaya, skala ikut proses, bukan ikut hype:

• Dokumentasikan SOP baru.
• Latih pasukan.
• Tetapkan “guardrails” pematuhan.
• Tambah automasi hanya pada bahagian yang stabil.

Soalan lazim yang saya selalu dengar (jawapan terus terang)

“AI akan ganti kerja orang insurans?”

Tidak dalam jangka terdekat, tapi AI akan ganti kerja rutin. Peranan akan berubah: kurang kerja salin-tampal, lebih kerja analisis, rundingan, dan pengurusan risiko.

“Macam mana pastikan AI tak bias?”

Kena ada ujian bias dan audit berkala. Mulakan dengan data yang mewakili, pantau keputusan mengikut segmen, dan pastikan ada sebab keputusan yang boleh dijelaskan.

“Perlu bina AI sendiri atau guna vendor?”

Kebanyakan organisasi patut mula dengan vendor atau platform sedia ada, kemudian bina komponen khusus bila proses dan data sudah matang. Yang mahal bukan model—yang mahal ialah integrasi dan perubahan operasi.

Langkah seterusnya: pecahkan halangan dengan AI yang bertanggungjawab

AI dalam insurans memberi peluang yang sangat praktikal: kurangkan masa menunggu, tingkatkan ketepatan keputusan, dan wujudkan pengalaman pelanggan yang lebih manusiawi. Tapi AI hanya akan berhasil bila ia digabung dengan kepimpinan yang tegas, proses yang kemas, dan budaya yang sanggup berubah.

Jika anda sedang merancang inisiatif AI untuk underwriting, tuntutan, atau pengurusan risiko, saya cadangkan mula dengan satu soalan yang mudah tapi tajam: “Halangan paling mahal dalam proses kami hari ini berada di langkah yang mana?”

Kalau anda boleh jawab itu dengan tepat, AI boleh membantu anda memecahkannya—dan pada 2026 nanti, organisasi yang bergerak awal akan nampak jurang prestasi yang makin besar berbanding pesaing yang masih bergantung pada cara lama.