AI Generatif untuk Tuntutan Pekerja: Lebih Pantas, Tepat

Kos tuntutan kecederaan pekerjaan jarang “mahal” kerana satu bil hospital semata-mata. Ia mahal kerana masa: laporan yang lambat, dokumen tak lengkap, keputusan rawatan yang berulang-alik, dan pertikaian yang memanjangkan tempoh pekerja tidak boleh kembali bekerja. Dalam landskap ini, AI generatif mula menonjol sebagai alat yang boleh mengurangkan “geseran” yang selama ini dianggap normal dalam insurans pampasan pekerja.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat pampasan pekerja sebagai salah satu medan ujian paling jelas untuk nilai AI: banyak teks tidak berstruktur (nota klinikal, laporan kemalangan, e-mel), proses yang berlapis (majikan–TPA–insurer–hospital), serta keperluan pematuhan yang ketat. Realitinya, ramai syarikat insurans boleh jadi laju jika mereka berani menukar cara kerja, bukan sekadar menambah chatbot.

Artikel asal menekankan bagaimana AI generatif boleh membentuk semula pampasan pekerja: daripada pengurusan tuntutan yang lebih bijak, kawalan kos, model penjagaan yang lebih mesra pekerja, hinggalah tadbir urus risiko generasi baharu. Saya setuju—dan saya nak tambah satu pendirian: AI generatif hanya memberi ROI bila ia diikat rapat pada keputusan operasi (triage, autorisasi rawatan, pengesanan penipuan, dan pemulihan kerja), bukan sekadar menghasilkan ringkasan yang cantik.

Kenapa pampasan pekerja paling cepat nampak impak AI

Jawapan ringkas: kerana datanya padat teks, prosesnya berulang, dan keputusan perlu dibuat cepat. Itulah kombinasi yang AI generatif (digabung dengan analitik dan automasi) paling “serasi”.

Pampasan pekerja melibatkan aliran kerja yang sangat rutin tetapi kompleks:

• Laporan awal insiden (First Notice of Loss) daripada majikan
• Rekod rawatan dan nota klinikal yang panjang
• Semakan kelayakan faedah, had polisi, dan pengecualian
• Koordinasi rawatan, fisioterapi, rujukan pakar
• Penilaian kapasiti kerja, pelan kembali bekerja (return-to-work)
• Rundingan, pertikaian, dan kadang-kadang litigasi

Dalam kebanyakan organisasi, “kerja” sebenar dilakukan oleh adjuster/claims handler yang terpaksa menapis dokumen dan e-mel sepanjang hari. AI generatif boleh menjadi pembantu operasi: membaca, menyusun, mencadangkan tindakan seterusnya, dan mengekalkan konsistensi.

Apa beza AI generatif berbanding automasi lama

Automasi tradisional (RPA, aturan berasaskan peraturan) bagus untuk langkah yang rigid: isi borang, pindah data, buat semakan format. AI generatif pula sesuai untuk:

• Merumuskan dokumen panjang kepada poin tindakan
• Mengecam ketidakselarasan naratif (contoh: masa kejadian vs jadual syif)
• Mengubah nota klinikal kepada kod/label yang berguna untuk triage
• Menjana draf surat, soalan susulan, atau ringkasan kes untuk pihak berkepentingan

Tetapi AI generatif tetap perlu “dijangkar” dengan data polisi, prosedur dalaman, garis panduan rawatan, dan rekod tuntutan sejarah—kalau tidak, ia akan jadi mesin teks yang yakin tetapi salah.

4 cara AI generatif mempercepat tuntutan dan kawal kos

Jawapan ringkas: AI generatif mempercepat keputusan awal, mengurangkan kerja manual, dan menaikkan ketepatan campur tangan—jadi kos turun tanpa menekan pekerja.

1) Triage tuntutan dalam 15 minit pertama

Detik awal selepas laporan insiden menentukan hala tuju kos. Triage yang baik membezakan:

• Kes ringan yang boleh selesai cepat
• Kes yang perlu rujukan pakar awal
• Kes berisiko tinggi (komorbiditi, kecederaan belakang, risiko opioid, tekanan psikososial)

AI generatif boleh membaca laporan awal, nota klinikal awal, dan sejarah ringkas untuk menghasilkan:

• Ringkasan risiko (perubatan + operasi)
• Senarai dokumen yang belum lengkap
• Cadangan laluan (contoh: klinik panel, teleperubatan, pemeriksaan lanjutan)

Hasilnya bukan sekadar cepat—tetapi lebih konsisten antara adjuster baharu dan adjuster berpengalaman.

2) “Copilot” untuk adjuster: ringkasan kes + tindakan seterusnya

Kebanyakan kelewatan tuntutan datang daripada kerja menyusun maklumat. Copilot berasaskan AI generatif boleh:

• Menyusun garis masa kejadian dan rawatan
• Mengeluarkan “highlight” percanggahan fakta
• Mencadangkan soalan susulan kepada majikan/pekerja/doktor
• Menjana draf komunikasi yang mematuhi templat dan nada syarikat

Saya paling suka satu prinsip mudah: kalau adjuster tak perlu baca 80 muka surat untuk faham kes, dia boleh fokus pada keputusan. Ini meningkatkan produktiviti tanpa mengorbankan kualiti.

3) Kawalan kos melalui pengesanan pola rawatan dan pembaziran

Pampasan pekerja selalu berdepan variasi rawatan: rawatan berlebihan, rujukan yang tak perlu, atau pengimejan awal yang tidak selari dengan garis panduan. AI generatif boleh membantu dengan:

• Menukar nota klinikal bebas kepada struktur (diagnosis kerja, had fungsi, rancangan rawatan)
• Memadankan rawatan dengan clinical guideline dalaman
• Mengibarkan bendera untuk semakan klinikal apabila pola “luar biasa” berlaku

Ini bukan bertujuan menolak rawatan secara automatik. Ia untuk memastikan kes yang memerlukan perhatian klinikal benar-benar mendapat perhatian, dan kes rutin tidak tersangkut.

4) Pengesanan penipuan & anomali: dari “flag” kepada naratif bukti

Pengesanan penipuan tuntutan (fraud) biasanya bermula dengan skor anomali. Masalahnya, pasukan SIU perlukan naratif yang jelas: apa yang pelik, di mana bukti, apa langkah siasatan.

AI generatif boleh menukarkan isyarat analitik kepada:

• Ringkasan sebab-sebab bendera dinaikkan
• Senarai dokumen/soalan yang relevan
• Draf kronologi untuk rujukan dalaman

Bila digabungkan dengan model statistik, ini mengurangkan masa dari “rasa macam pelik” kepada “kes siap untuk tindakan”.

Model penjagaan berpusatkan pekerja: AI yang buat servis rasa manusia

Jawapan ringkas: AI generatif boleh meningkatkan pengalaman pekerja cedera dengan komunikasi yang jelas, tersusun, dan tepat pada masa—tanpa menambah beban pasukan tuntutan.

Pekerja yang cedera biasanya keliru: apa yang ditanggung, ke mana nak pergi, siapa boleh dihubungi, apa langkah seterusnya. Bila komunikasi lambat atau bercelaru, stres meningkat, pemulihan melambat, dan kos tuntutan naik.

Komunikasi dua hala yang lebih cepat (tanpa “spam”)

AI generatif boleh membantu menghasilkan mesej yang:

• Mengikut tahap literasi (bahasa mudah, ringkas)
• Disesuaikan kepada status kes (rawatan, cuti kerja, temu janji)
• Konsisten dengan polisi dan pematuhan

Contoh praktikal yang saya lihat berkesan: selepas lawatan klinik, sistem menghantar ringkasan “apa berlaku hari ini” dan “apa perlu dibuat minggu ini” dalam satu halaman. Pekerja rasa dipandu, bukan ditinggalkan.

Return-to-work yang lebih realistik

Return-to-work bukan “cepat balik kerja” semata-mata. Ia perlukan padanan:

• Had fungsi perubatan
• Keperluan kerja sebenar (angkat, berdiri lama, pemanduan)
• Pilihan kerja ringan sementara

AI generatif boleh menukar nota klinikal kepada cadangan had fungsi dan memadankannya dengan katalog tugasan kerja. Bila dibuat dengan betul, ia mengurangkan pertikaian dan mempercepat pemulihan.

Underwriting & penilaian risiko: dari data sejarah ke pencegahan

Jawapan ringkas: AI generatif menguatkan underwriting bila ia membantu menukar “cerita insiden” kepada pembelajaran risiko yang boleh ditindak.

Dalam konteks pengurusan risiko, pampasan pekerja memberi data yang sangat berharga: jenis kecederaan, punca, lokasi, masa, peralatan terlibat, latihan, SOP, dan faktor manusia. Masalahnya, banyak data ini tersimpan dalam naratif.

Menstrukturkan laporan insiden untuk analisis risiko

AI generatif boleh mengekstrak medan penting daripada laporan bebas seperti:

• Mekanisme kecederaan (tergelincir, terhimpit, terseliuh, terjatuh)
• Faktor persekitaran (lantai basah, pencahayaan, kerja lebih masa)
• Kategori punca (tingkah laku, peralatan, proses, persekitaran)

Bila data ini konsisten, underwriting boleh:

• Menilai risiko industri/majikan dengan lebih tepat
• Mencadangkan kawalan (contoh: program ergonomik, audit keselamatan)
• Menetapkan syarat polisi berasaskan bukti (bukan agak-agak)

“Next-gen risk oversight”: amaran awal sebelum kos meletup

Gabungan analitik ramalan + AI generatif membolehkan pengawasan risiko yang lebih moden:

• Kes yang berisiko jadi kronik dikenal pasti awal
• Majikan yang menunjukkan trend insiden tertentu dapat intervensi
• Corak pembekal rawatan yang luar biasa disemak lebih cepat

Bagi saya, inilah titik paling penting dalam siri ini: AI yang bagus bukan hanya membayar tuntutan lebih cepat—ia mengurangkan kebarangkalian tuntutan berulang.

Pelan pelaksanaan 90 hari: apa yang patut buat dahulu

Jawapan ringkas: pilih satu aliran kerja bernilai tinggi, bina asas data dan kawalan, dan ukur impak operasi secara ketat.

Kalau anda mahu mula dalam 90 hari (bukan 9 bulan), fokus pada satu use case yang jelas. Ini pendekatan yang saya cadangkan kepada pasukan insurans/TPA:

1. Pilih satu masalah yang boleh diukur
   • Contoh: masa kitaran tuntutan, masa triage, kadar dokumen tak lengkap, kos per kes, kadar litigasi.
2. Tentukan titik keputusan
   • Di mana AI akan membantu? Triage? Semakan bil? Komunikasi pekerja? SIU?
3. Sediakan “ground truth”
   • Sampel kes (50–200) dengan keputusan manusia yang berkualiti untuk semakan.
4. Bina guardrail
   • AI wajib rujuk sumber dalaman (polisi, SOP, guideline), rekodkan alasan, dan benarkan semakan manusia.
5. Latih pasukan dengan cara kerja baharu
   • AI bukan mengganti adjuster; ia mengubah cara adjuster mengurus masa.
6. Ukur sebelum/selepas selama 4–6 minggu
   • Fokus pada metrik operasi, bukan “berapa banyak ringkasan dijana”.

Risiko utama yang ramai terlepas pandang

• Halusinasi dan ketepatan klinikal: AI perlu dibataskan kepada konteks yang diluluskan.
• Privasi & PII/PHI: data perubatan dan identiti pekerja perlu kawalan akses dan audit.
• Bias keputusan: semak sama ada cadangan AI memihak atau memberi kesan tidak seimbang.
• Vendor fatigue: jangan beli 5 alat kecil; mula dengan satu aliran kerja hujung-ke-hujung.

Soalan lazim yang orang cari (dan jawapan terus)

Adakah AI generatif sesuai untuk semua tuntutan pampasan pekerja? Tidak. Ia paling berguna untuk tuntutan yang banyak dokumen dan komunikasi. Kes yang sangat kompleks masih perlukan pakar, cuma kerja “membaca dan menyusun” boleh dipercepat.

Adakah AI generatif akan meningkatkan risiko pematuhan? Kalau dibuat cincai, ya. Kalau dibina dengan sumber rujukan dalaman, log audit, dan semakan manusia pada titik kritikal, risiko pematuhan boleh dikawal dengan lebih baik berbanding proses manual semata-mata.

Di mana ROI paling cepat? Biasanya pada: triage awal, ringkasan kes untuk adjuster, automasi dokumen, dan sokongan SIU—kerana ia terus menurunkan masa kitaran dan kos operasi.

Apa langkah seterusnya untuk organisasi anda

AI generatif dalam pampasan pekerja bukan cerita futuristik. Ia kerja harian: mengurangkan masa menunggu, mengurangkan salah faham, dan mempercepat pemulihan pekerja. Bila itu berlaku, insurer menang, majikan menang, dan pekerja—paling penting—rasa dilayan dengan adil.

Jika anda sedang merangka strategi AI dalam insurans untuk 2026, saya cadangkan mula dengan satu perkara yang praktikal: pilih satu aliran tuntutan pampasan pekerja dan jadikan ia projek rujukan untuk pengurusan risiko, underwriting, dan tuntutan. Bila proses ini stabil, barulah skala ke produk lain.

Anda nak organisasi anda dikenali sebagai pembayar tuntutan yang “cepat selesai” atau sebagai rakan pengurusan risiko yang benar-benar mengurangkan kecederaan di tempat kerja—yang mana satu lebih memberi kesan pada 12 bulan akan datang?