AI dalam Insurans: 5 Halangan Utama & Cara Atasi

88% organisasi kini menggunakan AI secara berkala, tetapi hanya kira-kira satu pertiga yang benar-benar berjaya menskalakan AI di seluruh organisasi, dan kurang daripada separuh mampu mengaitkan usaha AI dengan impak keuntungan yang ketara. Corak ini tak menghairankan bila kita lihat apa yang berlaku dalam insurans: banyak projek AI bergerak laju, tapi ROI yang konsisten masih sukar dicapai.

Saya selalu nampak isu yang sama bila berbual dengan pasukan underwriting, tuntutan, atau risiko: AI dah ada, bajet pun ada, tetapi kerja harian masih bergantung pada sistem legasi yang “keras”, data yang berselerak, dan proses yang tak direka untuk keputusan masa nyata. Hasilnya, AI jadi macam aksesori—cantik dalam demo, lemah dalam operasi.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, artikel ini memfokus pada realiti yang ramai pengurus tak suka dengar: AI bukan tersekat sebab model tak cukup pintar; AI tersekat sebab asas operasi insurans belum bersedia. Kita akan pecahkan 5 halangan paling biasa, dan apa langkah praktikal untuk mengatasinya—terutama dalam underwriting, pengurusan tuntutan, penilaian risiko, dan pengesanan penipuan.

1) AI tak “scale” kerana sistem legasi mengikat aliran kerja

Jawapan terus: Selagi aliran kerja utama (quote, bind, FNOL, adjudication, payment) bergantung pada sistem lama yang sukar diintegrasi, AI hanya akan kekal sebagai projek kecil.

Sistem legasi dan mainframe bukan sekadar “tua”. Masalah sebenarnya ialah ia:

• Sukar disambung melalui API moden
• Data penting tersimpan dalam format berbeza (atau terkunci dalam modul)
• Perubahan proses memerlukan kitaran pembangunan panjang
• Kurang observability (sukar menjejak apa yang berlaku dari hujung ke hujung)

Dalam konteks underwriting komersial, contoh mudah: pasukan nak guna AI untuk triage risiko (membezakan kes mudah vs kompleks). Tetapi jika dokumen masuk melalui emel, data risiko ada di sistem A, sejarah tuntutan di sistem B, dan harga di sistem C—AI tak boleh buat keputusan end-to-end tanpa “jahit” semuanya.

Apa yang berkesan:

• Mulakan dengan mengenal pasti 2-3 aliran kerja yang paling “mencuri masa” dan paling banyak sentuhan manual.
• Wujudkan lapisan integrasi (API/middleware) untuk akses data asas terlebih dahulu, bukannya terus cuba tukar sistem teras sekaligus.
• Ukur masa kitaran (cycle time) sebelum/selepas AI untuk buktikan nilai.

Satu ayat yang saya pegang: AI tak boleh mempercepat proses yang sebenarnya terputus-putus.

2) Transformasi digital “tampal-sana-sini” buat AI makin bercelaru

Jawapan terus: Banyak organisasi membeli penyelesaian titik (point solution) untuk menang masalah kecil, tetapi akhirnya mencipta “patchwork” sistem—AI jadi sukar diselaraskan.

Sepanjang 10–15 tahun lalu, ramai insurer berjaya buat penambahbaikan kecil: portal pelanggan, automasi dokumen, RPA, sistem antifraud berasingan, dan sebagainya. Setiap satu mungkin memberi wins segera. Tapi bila AI generatif dan AI agentik masuk, ia perlukan sesuatu yang point solution jarang sediakan: data dan kawalan yang konsisten merentas proses.

Dalam tuntutan, contohnya:

• AI untuk baca dokumen perubatan
• Sistem lain untuk keputusan coverage
• Sistem lain untuk pengesanan penipuan

Jika setiap komponen guna definisi data yang berbeza, audit trail yang berbeza, dan peraturan akses yang berbeza, risiko operasi meningkat—bukan menurun.

Pilihan yang lebih kukuh: pendekatan berasaskan platform

Platform bukan sekadar “satu software besar”. Ia ialah tisu penghubung yang menyatukan:

• Data + definisi (contoh: pelanggan, polisi, risiko, tuntutan)
• Aliran kerja (workflow orchestration)
• Model AI + versi model
• Kawalan (governance), log, dan audit

Platform yang baik membenarkan organisasi mereka bentuk semula proses secara holistik, bukan sekadar tampal satu langkah.

3) Data masa nyata dan kualiti data: AI perlukan “bahan mentah” yang bersih

Jawapan terus: AI dalam insurans gagal bila data tak lengkap, tak seragam, tak boleh dijejak, atau lambat dikemaskini.

AI generatif boleh menulis ringkasan yang nampak meyakinkan walaupun inputnya salah. Dalam insurans, ini bahaya. AI untuk penilaian risiko dan fraud detection memerlukan:

• Data konsisten (contoh: kod industri, lokasi, nilai aset, sejarah kerugian)
• Data terkini (contoh: perubahan alamat, status pembayaran, endorsement)
• Data boleh dijejak (lineage: dari mana datang, siapa ubah)

Kes praktikal di underwriting: jika nilai harta atau penggunaan premis tidak dikemaskini, model risiko kebakaran boleh memberi cadangan premium yang salah. Bukan sahaja rugi, tetapi boleh mencetus isu pematuhan.

Checklist data yang praktikal (bukan teori)

Sebelum melancar AI pada proses kritikal, pastikan:

1. Satu sumber kebenaran untuk entiti utama (pelanggan/polisi/tuntutan)
2. Peraturan kualiti data (validasi, dedup, standardisasi)
3. Skema event/log untuk jejak keputusan AI
4. Akses data berasaskan peranan (RBAC) dan rekod persetujuan

Kalau 4 perkara ini belum ada, fokus di sini dahulu. ROI AI biasanya muncul selepas asas ini stabil.

4) Governance dan “human-in-the-loop”: tanpa ini, kepercayaan runtuh

Jawapan terus: AI dalam insurans mesti telus, boleh diaudit, dan ada titik serah kepada manusia—atau organisasi akan tersekat pada pilot.

Insurans ialah industri berasaskan kepercayaan. Apabila AI memberi cadangan keputusan—contohnya menolak tuntutan, menetapkan premium, atau menaikkan tahap siasatan fraud—kita perlu boleh jawab:

• Kenapa AI cadang begitu?
• Data apa yang digunakan?
• Siapa meluluskan keputusan akhir?
• Apa tindakan jika pelanggan merayu?

Pendekatan paling realistik bukan “AI automatik 100%”, tetapi AI sebagai pembantu keputusan yang disokong oleh manusia. Ini lebih mudah diterima oleh audit dalaman, pihak pematuhan, dan juga pelanggan.

Corak kawalan yang patut diwajibkan

• Ambang keyakinan (confidence threshold): jika rendah, wajib eskalasi
• Explainability ringkas: faktor utama yang mendorong cadangan
• Audit trail lengkap: input, output, versi model, masa, pengguna
• Ujian bias & drift: semak prestasi model mengikut masa dan segmen

Saya berpendapat begini: kalau organisasi tak sanggup log keputusan AI, mereka sebenarnya belum bersedia guna AI pada kerja sebenar.

5) KPI yang salah: ukur “aktiviti AI”, bukan hasil perniagaan

Jawapan terus: Banyak projek AI dinilai berdasarkan bilangan pilot atau automasi, bukan metrik perniagaan seperti kos tuntutan, kelajuan proses, atau pertumbuhan premium.

AI mudah “nampak berjaya” jika KPI hanya:

• bilangan chatbot dilancar
• bilangan dokumen diringkaskan
• bilangan jam manual dijimatkan (anggaran)

Tetapi pemimpin insurans perlukan metrik yang terus mengikat kepada P&L dan risiko.

Metrik ROI AI yang masuk akal untuk insurans

Pilih 3–6 metrik, dan ukur sebelum/selepas:

• Cycle time: masa dari FNOL ke keputusan/settlement
• Loss Adjustment Expense (LAE): kos pelarasan kerugian
• Bind ratio: kadar quote yang jadi polisi
• NPS / skor kepuasan: pengalaman pelanggan
• Leakage tuntutan: lebihan bayaran atau bayaran tak patut
• Revenue uplift per use case: kenaikan hasil untuk kes tertentu

Satu contoh yang praktikal: AI agent untuk FNOL-to-settlement recommendation boleh mengurangkan masa kitaran dan LAE serentak jika ia mengurangkan kerja ulang-alik dokumen dan menyusun ringkasan kes untuk adjuster.

Dari GenAI ke AI Agentik: apa yang patut insurer buat pada 2026

Jawapan terus: AI agentik memberi peluang paling besar—tetapi hanya bila ia ditanam dalam workflow sebenar, bukan berdiri sendiri.

AI agentik bermaksud agen AI boleh merancang dan melaksanakan kerja berbilang langkah: kumpul data, semak peraturan, cadang tindakan, dan menyerah kepada manusia pada titik tertentu. Ramai organisasi sedang mencuba, tetapi biasanya terhad pada 1–2 fungsi kerana isu integrasi dan governance.

3 use case agentik yang cepat nampak nilai

1. Triage quote komersial

   • Agen kumpul data pihak ketiga, semak appetite, susun ringkasan risiko
   • Underwriter fokus pada kes kompleks dan rundingan

2. Triage tuntutan & fraud scoring

   • Agen banding corak tuntutan, semak anomali, cadang tahap siasatan
   • SIU masuk hanya untuk kes yang benar-benar berisiko

3. Servis polisi (endorsement) automatik dengan semakan manusia

   • Agen semak perubahan, kesan kepada premium/coverage, sediakan draf endorsement
   • Pegawai servis semak dan lulus

Prinsip pelaksanaan yang saya percaya: mula kecil, tetapi pilih proses yang betul-betul hidup—bukan sandbox.

Pelan tindakan 90 hari: dari “pilot” ke ROI yang boleh dibukti

Jawapan terus: ROI AI dalam insurans datang bila anda gabungkan 3 perkara—platform/integrasi, data yang boleh dipercayai, dan governance—kemudian pilih satu aliran kerja bernilai tinggi.

Berikut pelan ringkas yang realistik untuk 90 hari:

Minggu 1–3: pilih medan perang

• Pilih 1 aliran kerja: contoh FNOL ke assignment adjuster, atau triage quote
• Tetapkan KPI baseline (masa kitaran, LAE, bind ratio, NPS)
• Kenal pasti sumber data minimum yang diperlukan

Minggu 4–8: bina “connective tissue”

• Sediakan API/lapisan integrasi untuk tarik data asas
• Standardkan 10–20 medan data kritikal (contoh: lokasi, nilai, jenis risiko)
• Bentuk governance: log, peranan, titik eskalasi

Minggu 9–13: tanam AI dalam workflow (bukan alat berasingan)

• Letak AI di dalam sistem kerja (portal underwriting/claims) supaya pengguna tak perlu buka alat lain
• Wajibkan human-in-the-loop untuk keputusan sensitif
• Buat dashboard outcome untuk KPI yang dipersetujui

Kalau 90 hari anda hanya berakhir dengan demo, itu tanda anda belum pilih workflow yang betul atau integrasi belum siap.

Penutup: AI akan menang, tapi “asas operasi” yang tentukan pemenang

AI dalam insurans bukan lagi soal “patut atau tidak”. Menjelang hujung 2025 dan masuk 2026, organisasi yang bergerak pantas ialah yang mengukuhkan teras—data, integrasi, governance—dan kemudian membina AI yang rapat dengan operasi underwriting, tuntutan, penilaian risiko dan pengesanan penipuan.

Jika anda sedang merancang bajet 2026, saya cadangkan satu keputusan yang tegas: kurangkan pembelian point solution yang menambah serpihan, dan mula membina pendekatan platform yang menyatukan data, workflow, model dan kawalan. Dari situ, barulah AI generatif dan AI agentik boleh menyumbang ROI yang stabil.

Kalau anda nak saya bantu semak kesesuaian use case AI untuk organisasi anda—underwriting, claims, atau risk—mulakan dengan satu soalan dalaman: proses mana yang paling menyakitkan pelanggan dan paling membazir masa staf, hari ini? Itulah titik mula yang betul.