AI Bantu Insurans Jadi “Asset-Light” Seperti AdVantage

Pada 18/12/2025, Howard Hughes Holdings mengumumkan rancangan mengambil alih Vantage Group dengan nilai US$2.1 bilion. Yang menarik bukan sekadar angka—tetapi sebab di sebalik minat mereka: model AdVantage, platform modal pihak ketiga yang digambarkan sebagai “high-margin, asset-light fee stream” dan telah mengagihkan kira-kira US$1.5 bilion modal sepanjang tahun ini.

Bagi saya, ini bukan sekadar cerita M&A dalam re/insurans global. Ini satu petunjuk besar tentang arah industri: kecekapan mengatasi saiz, dan keupayaan mengurus risiko dengan pantas lebih bernilai daripada memiliki lebih banyak aset atau modal di atas kunci kira-kira.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, kita selalu bercakap tentang AI untuk underwriting, tuntutan, dan pengesanan penipuan. Kali ini, pelajarannya lebih strategik: struktur modal “asset-light” dalam reinsurance dan AI sebenarnya mengejar matlamat yang sama—mencipta keputusan risiko yang tepat, cepat, dan kos efektif.

Apa yang Howard Hughes nampak pada AdVantage (dan kenapa ia penting)

Howard Hughes (melalui eksekutifnya) menyebut dua perkara yang patut diperhatikan oleh pemain insurans di Malaysia:

1. Pendedahan bencana (catastrophe) pada kunci kira-kira Vantage sangat kecil—dilaporkan kurang 1% daripada premium kasar (GWP) tahun ini.
2. AdVantage berfungsi seperti kenderaan modal luar kunci kira-kira (off-balance sheet) yang membawa modal pihak ketiga untuk mengambil pendedahan tertentu (termasuk cat/property), sementara Vantage menyumbang kepakaran underwriting dan menerima yuran pengurusan + perkongsian keuntungan underwriting.

Jawapan paling terus: mereka nampak perniagaan yuran yang margin tinggi dan tidak memerlukan banyak modal sendiri.

Ini penting kerana re/insurans pada asasnya industri yang “mahal modal”. Bila sesuatu struktur boleh menjana pulangan tanpa menambat modal sendiri, ia akan menjadi rebutan.

“Asset-light” dalam reinsurance = yuran + kepakaran + struktur

Model seperti AdVantage selalunya menarik kerana:

• Modal datang daripada pihak ketiga (pelabur/penyedia modal).
• Penanggung insurans menyumbang:
  • pemilihan risiko (risk selection),
  • penetapan harga (pricing),
  • struktur perlindungan,
  • pengurusan portfolio.
• Ganjaran:
  • yuran (lebih stabil),
  • upside melalui profit participation (lebih “menang bila prestasi baik”).

Satu ayat yang mudah dipetik: “Jika anda boleh jadikan kepakaran underwriting sebagai produk, anda tak perlu ‘membeli’ pertumbuhan dengan modal sendiri.”

Parallel besar: AI ialah enjin “asset-light” untuk underwriting & risiko

Kalau AdVantage mengurangkan keperluan modal atas kunci kira-kira, AI pula mengurangkan “modal operasi” yang sering membazir—masa, tenaga manusia, dan kos kesilapan.

Jawapan terus: AI menjadikan proses risiko lebih tepat dan murah tanpa membina ‘infrastruktur berat’ di setiap langkah.

Dalam praktik, AI membolehkan:

• Underwriting automatik untuk risiko standard (motor, perumahan asas, SME tertentu).
• Penilaian risiko lebih granular (bukan sekadar zon/poskod, tetapi corak tuntutan, pendedahan mikro, dan tingkah laku).
• Pengurusan portfolio dinamik—harga dan appetite risiko boleh dilaras berdasarkan data semasa.

Model “asset-light” dalam reinsurance fokus pada struktur modal. AI fokus pada struktur keputusan. Kedua-duanya memburu kecekapan.

Kenapa kecekapan tiba-tiba jadi “emas” pada hujung 2025

Disember biasanya musim syarikat menutup buku prestasi, menilai bajet 2026, dan membincangkan pembaharuan reinsurance. Pada waktu begini, soalan yang akan muncul di bilik lembaga ialah:

• “Berapa cepat kita boleh menilai risiko baharu?”
• “Berapa banyak kos operasi underwriting kita per polisi?”
• “Apa punca ketirisan margin—harga, penipuan, atau proses?”

Kecekapan bukan lagi slogan. Ia metrik.

Pelajaran yang boleh ditiru: Diversifikasi, “short tail vs long tail”, dan peranan AI

Dalam panggilan penganalisis, pihak Howard Hughes menekankan Vantage ialah penanggung insurans yang sangat pelbagai (sekitar dua dozen lini). Mereka juga suka keseimbangan tempoh liabiliti:

• Short tail: keputusan tuntutan lebih cepat → mudah nampak kesilapan harga.
• Long tail: lebih banyak float untuk pendapatan pelaburan.

Jawapan ringkas: portfolio yang seimbang mengurangkan risiko “satu kesilapan besar” menjejaskan syarikat.

AI boleh memperkukuh strategi ini dengan cara yang sangat praktikal:

1) AI untuk “tutup kebocoran” dalam short tail

Untuk lini short tail, masalah biasa ialah:

• harga tak selari dengan profil risiko,
• penipuan tuntutan,
• dokumen tak lengkap memperlahankan keputusan.

AI yang baik boleh:

• mengesan pola tuntutan luar biasa (frekuensi/amaun/lokasi),
• menilai risiko berdasarkan gabungan data dalaman + luaran,
• mempercepat triage tuntutan (mana auto-approve, mana perlu siasatan).

2) AI untuk ketepatan rizab dalam long tail

Long tail memerlukan disiplin rizab. AI membantu melalui:

• ramalan inflasi tuntutan,
• analisis trend litigasi/medikal,
• amaran awal untuk kes yang cenderung “membesar”.

Ayat yang saya suka gunakan dengan pengurusan risiko: “Rizab yang tepat bukan sekadar akaun—ia penentu kebebasan strategi.”

Dari “sidecar” reinsurance ke operasi insurans: di mana AI memberi pulangan paling cepat

Dalam artikel asal, AdVantage digambarkan seperti sidecar luar kunci kira-kira—menghubungkan penyedia modal dengan risiko insurans dan memperoleh yuran dengan risiko modal yang minimum.

Analoginya dalam operasi insurans: AI bertindak seperti sidecar kepada pasukan underwriting—menyerap kerja berat berulang dan menaikkan kapasiti tanpa menambah ramai orang.

Jawapan terus: pulangan AI paling cepat datang daripada automasi keputusan yang kerap berlaku, bukan projek “mega” yang lambat siap.

Antara “quick wins” yang saya nampak berkesan (3–12 minggu jika data asas tersedia):

• Risk scoring automatik untuk permohonan yang berulang.
• Dokumen pintar: ekstrak maklumat daripada borang/penyata/nota adjuster.
• Fraud pre-screen: bendera awal untuk tuntutan yang perlu siasatan.
• Underwriting rules + model: gabung peraturan syarikat dengan model ramalan supaya lebih konsisten.

Soalan biasa: “AI boleh ganti underwriter?”

Jawapan paling jujur: AI tak menggantikan underwriter yang bagus—AI membuang kerja yang membuat underwriter jadi perlahan.

Di kebanyakan organisasi, underwriter terbaik sepatutnya fokus pada:

• reka bentuk produk,
• strategi appetite,
• perundingan akaun kompleks,
• pemantauan portfolio.

AI patut ambil alih:

• semakan dokumen berulang,
• pengiraan ringkas,
• semakan konsistensi,
• cadangan harga awal.

Kalau anda mahu meniru nilai AdVantage (margin tinggi, risiko modal rendah) di bahagian operasi, formula yang saya cadangkan ialah:

1. Automasi keputusan untuk risiko standard
2. AI untuk ketepatan pemilihan risiko (risk selection)
3. Tadbir urus model yang ketat (model governance) supaya audit & pematuhan selesa

Pelan tindakan 90 hari untuk syarikat insurans di Malaysia

Kalau anda mahu bergerak pada 2026 dengan pendekatan yang kemas (dan bukan projek “AI kosmetik”), ini pelan yang realistik:

1) Minggu 1–2: Pilih 1 lini produk + 1 proses paling sakit

Contoh yang biasa:

• underwriting motor untuk segmen tertentu,
• tuntutan perubatan untuk kategori tertentu,
• pembaharuan polisi SME.

2) Minggu 3–6: Bina “decision pipeline” yang boleh diaudit

Keutamaan:

• sumber data jelas,
• log keputusan,
• versi model,
• sempadan kuasa (bila auto-approve, bila perlu manusia).

3) Minggu 7–12: Uji A/B dan ukur metrik yang betul

Metrik yang patut dipilih (ikut proses):

• masa keputusan underwriting,
• kadar ralat dokumen,
• kadar fraud flag yang sah,
• loss ratio cohort baharu,
• kos operasi per kes.

Satu pendirian saya: kalau AI tak mengubah metrik operasi dalam 90 hari, masalahnya hampir pasti bukan model—tetapi reka bentuk proses dan data.

Penutup: “Asset-light” bukan trend—ia disiplin

Cerita Howard Hughes dan Vantage menonjolkan satu hakikat: pasaran menghargai perniagaan yang boleh berkembang melalui yuran, struktur pintar, dan kepakaran, bukan semata-mata melalui pertambahan modal.

Dalam konteks AI dalam Insurans dan Pengurusan Risiko, AI ialah cara paling praktikal untuk membawa disiplin “asset-light” ke dalam operasi harian—underwriting yang lebih tepat, tuntutan yang lebih cepat, dan risiko yang lebih terkawal.

Jika 2026 ialah tahun anda mahu kurangkan ketirisan margin dan naikkan kelajuan keputusan, mula dengan satu soalan yang tajam: proses mana yang paling banyak menyerap masa pakar, tetapi sebenarnya boleh distandardkan dengan AI tanpa mengorbankan kawalan risiko?