Pemimpin Insurans AS 2026: Isyarat Besar AI & Risiko

Senarai “Hot 100” tahunan oleh sebuah penerbitan industri insurans di AS bukan sekadar penghargaan nama-nama besar. Ia sebenarnya peta haba—di mana industri sedang panas, apa yang sedang diuji, dan apa yang bakal jadi amalan biasa. Pada 12/12/2025, senarai edisi ke-11 itu diumumkan untuk kohort 2026: 100 profesional yang dinilai memberi kesan nyata sepanjang setahun lalu merentas syarikat insurans, broker, pemborong, pasaran khusus, firma guaman/penasihat, dan penyedia perkhidmatan.

Untuk siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka melihat senarai seperti ini sebagai satu petunjuk: kriteria “inovasi” dan “pengaruh pasaran” makin rapat dengan AI, data dan automasi. Bukan semua orang akan menjerit “kami guna AI”—tetapi cara mereka membina produk, mengurus tuntutan, menilai risiko, dan menyusun strategi pengedaran semakin jelas berasaskan analitik.

Apa yang pembaca di Malaysia boleh dapat? Banyak. Kita boleh ambil pola kepimpinan ini sebagai rujukan untuk mempercepat penggunaan AI underwriting, analitik tuntutan, pengesanan penipuan, dan pengurusan risiko perusahaan—tanpa terperangkap dalam “projek AI” yang cantik di slaid tapi tidak memberi hasil.

Apa yang “Hot 100” beritahu tentang hala tuju insurans

Jawapan ringkas: insurans sedang beralih daripada kerja berulang kepada kerja keputusan, dan keputusan itu semakin dipandu data.

Dalam proses pencalonan, industri menamakan calon yang dianggap menyumbang besar dalam setahun kebelakangan—kemudian pasukan editorial menilai dan mengecilkan kepada 100 berdasarkan pengaruh pasaran, skop kepimpinan, inovasi produk/proses, serta sumbangan kepada strategi pengedaran dan penyelesaian pelanggan. Perhatikan tiga perkataan yang berulang: pengaruh, inovasi, pengedaran.

Ini penting kerana AI bukan “alat IT” semata-mata. Dalam insurans, AI adalah cara untuk:

• Membuat keputusan underwriting yang konsisten pada skala besar
• Mengurangkan kebocoran tuntutan (claims leakage) melalui pengesanan anomali
• Mempercepat masa pusingan (turnaround time) daripada hari kepada jam
• Memperbaiki pemilihan risiko (risk selection) tanpa mengorbankan pengalaman pelanggan

Senarai itu juga mencerminkan realiti: perubahan tidak datang dari satu segmen sahaja. Ia melibatkan seluruh rantaian nilai—carrier, broker runcit, broker borong, MGA/MGU, insurtech, perkhidmatan pihak ketiga, dan pakar undang-undang/pematuhan.

Satu pemerhatian yang saya pegang: AI yang menang dalam insurans ialah AI yang “melekat” pada proses operasi—bukan AI yang hidup dalam makmal.

Corak kepimpinan yang patut ditiru: dari rantaian nilai ke rantaian data

Jawapan terus: pemimpin insurans yang relevan hari ini mengurus rantaian nilai sebagai rantaian data—apa yang dikutip, bagaimana disahkan, siapa guna, dan bagaimana keputusan dibuat.

Kohort Hot 100 merentas carrier, broker, pemborong, pasaran khusus, firma guaman, dan penyedia perkhidmatan. Nama yang diketengahkan termasuk pemimpin di firma tuntutan, carrier komersial, broker besar, perantara khusus, penyedia platform, dan pakar regulatori.

1) Carrier & underwriting: menang dengan ketepatan, bukan kelajuan semata-mata

AI underwriting yang berkesan bukan sekadar memendekkan borang. Ia mengubah tiga perkara:

1. Kualiti input: data risiko masuk lebih bersih (contoh: validasi automatik alamat, industri, rekod kerugian)
2. Model keputusan: cadangan kadar/terma lebih konsisten (contoh: skor risiko, segmentasi mikro)
3. Maklum balas: keputusan tuntutan kembali membaiki underwriting (closed-loop learning)

Kalau organisasi hanya mengejar “quote lebih cepat” tapi kadar rugi (loss ratio) naik, itu bukan transformasi—itu menjemput masalah.

2) Broker & pengedaran: AI sebagai enjin padanan (matching engine)

Di pihak broker, AI yang paling memberi kesan selalunya ialah AI yang membantu padanan:

• Padankan profil pelanggan dengan appetite carrier
• Cadang struktur perlindungan dan had (limit) yang realistik
• Kenal pasti “gap” perlindungan dari dokumen sedia ada

Ini menjadikan broker lebih bernilai: kurang kerja kertas, lebih masa untuk rundingan risiko, cadangan mitigasi, dan pengalaman pelanggan.

3) Perkhidmatan & pihak ketiga: tempat automasi paling cepat nampak hasil

Penyedia perkhidmatan (contoh: platform polisi, BPO, pengurusan dokumen, tuntutan) sering jadi medan cepat untuk automasi kerana prosesnya berulang. Di sini, gabungan OCR + NLP + aturan perniagaan + semakan manusia boleh memberi kesan besar:

• Ekstrak data dari borang, invois, laporan adjuster
• Klasifikasi tuntutan dan triage automatik
• Flag transaksi pelik untuk siasatan

Bila pipeline data kemas, barulah model ramalan (predictive) boleh dipercayai.

Di mana AI paling cepat “membayar balik” dalam insurans

Jawapan paling praktikal: tuntutan, penipuan, dan triage risiko ialah tiga kawasan yang biasanya paling cepat menunjukkan pulangan.

Berikut pendekatan yang saya lihat berkesan untuk 90 hari pertama—bukan teori.

AI untuk pengurusan tuntutan: kurangkan kebocoran, naikkan kepuasan

Tuntutan ialah tempat wang keluar. AI boleh membantu melalui:

• Triage tuntutan: kes mudah diluluskan pantas, kes kompleks pergi ke adjuster kanan
• Pengesanan anomali: corak tuntutan yang menyimpang (masa, lokasi, amaun, pembekal)
• Automasi dokumen: ringkasan laporan, ekstrak item penting, semak kelengkapan

KPI yang munasabah untuk dipantau:

• Masa pusingan tuntutan (hari/jam)
• Kadar “reopen” tuntutan
• Kos pengendalian per tuntutan
• Kadar rujukan kepada SIU (unit siasatan khas) dan kadar kes sah

AI untuk pengesanan penipuan: fokus pada “signal”, bukan semua kes

Kesilapan biasa: cuba kesan penipuan pada semua tuntutan secara agresif, lalu melambatkan pelanggan yang jujur. Cara lebih waras:

• Bina skor risiko penipuan (fraud propensity score)
• Tetapkan ambang berbeza ikut produk/segmen
• Gunakan model sebagai pencetus siasatan, bukan hakim terakhir

AI yang bagus akan mengurangkan false positive—itu yang jimat masa SIU.

AI untuk underwriting & penilaian risiko: kecilkan variasi, besarkan konsistensi

Underwriting banyak bergantung pada pengalaman individu. AI boleh:

• Memberi cadangan terma berdasarkan sejarah kerugian dan ciri risiko
• Menilai dokumen sokongan (contoh: laporan audit keselamatan, rekod penyelenggaraan)
• Menggabungkan data dalaman + data pihak ketiga (dengan tadbir urus yang jelas)

Hasil yang dicari:

• Nisbah rugi yang lebih stabil mengikut segmen
• Kadar penolakan yang lebih tepat (bukan sekadar lebih tinggi)
• Ketekalan keputusan merentas pasukan

Sifat pemimpin insurans yang “AI-ready” (dan cara mengukurnya)

Jawapan yang jelas: pemimpin AI-ready mengurus AI sebagai program perubahan operasi, bukan projek teknologi.

Bila kita lihat senarai pemimpin merentas peranan—eksekutif, pakar perundangan, pengendali operasi, dan peneraju transformasi—kita nampak set kemahiran yang berulang. Ini lima sifat yang saya anggap kritikal, siap dengan cara ukur:

1. Disiplin data
   • Ukur: peratus data kes yang lengkap, kadar ralat input, masa untuk akses data
2. Tadbir urus model
   • Ukur: kitaran semakan model, audit bias, log keputusan, kebolehjelasan
3. Keputusan berasaskan risiko
   • Ukur: perubahan loss ratio vs kelajuan quote/tuntutan
4. Kecekapan proses hujung ke hujung
   • Ukur: masa pusingan, bilangan handoff, kadar kerja semula
5. Keselamatan & pematuhan
   • Ukur: insiden keselamatan, pematuhan akses, rekod persetujuan data

Kalau organisasi tidak boleh mengukur lima ini, AI biasanya akan jadi “pilot yang tak habis-habis”.

Pelan 6 langkah untuk mula guna AI dalam insurans (tanpa pening)

Jawapan praktikal: mula kecil pada satu aliran kerja, pilih KPI, dan bina gelung maklum balas.

1. Pilih satu kes penggunaan yang dekat dengan wang
   • Contoh: triage tuntutan motor, pengesanan penipuan perubatan, pra-saringan underwriting SME
2. Tetapkan KPI sebelum bina model
   • Contoh: kurangkan masa pusingan 30%, kurangkan kos per tuntutan 10%
3. Kemas data minimum yang diperlukan
   • Fokus pada 10–20 medan data yang benar-benar memacu keputusan
4. Gabung automasi + semakan manusia
   • “Human-in-the-loop” untuk kes berisiko tinggi
5. Bina tadbir urus ringkas tapi tegas
   • Siapa pemilik model? Bila retrain? Siapa boleh override?
6. Skalakan hanya bila prestasi stabil 2–3 kitaran
   • Elak skala awal yang membesarkan masalah

Pendekatan ini selari dengan corak yang kita boleh baca daripada Hot 100: impak diukur, inovasi berfungsi, dan kepimpinan memegang akauntabiliti.

Penutup: apa yang patut dibuat oleh organisasi di Malaysia sekarang

Senarai Hot 100 AS 2026 memberi satu mesej yang mudah: kepimpinan insurans moden ialah kepimpinan data. Dan pada 2026, data tanpa AI akan terasa perlahan—AI tanpa data pula akan terasa menipu.

Kalau anda sedang memikirkan hala tuju underwriting, tuntutan, atau pengurusan risiko untuk 2026, langkah paling bernilai ialah memilih satu proses yang jelas, membaik pulih data, dan melatih pasukan mengurus keputusan berpandukan model. Ini bukan tentang “ikut trend”. Ini tentang ketahanan margin, kelajuan operasi, dan kepercayaan pelanggan.

Saya nak tinggalkan anda dengan satu soalan yang biasanya membezakan organisasi yang berjaya dengan yang sekadar mencuba-cuba: di bahagian mana dalam rantaian nilai anda, keputusan masih dibuat berdasarkan andaian—sedangkan datanya sudah ada?