AI & Insurans Banjir: Selaras Awam-Swasta Tanpa Kejutan

Di Florida, satu isu teknikal dalam polisi banjir boleh menjadi “bom masa” kos untuk pemilik rumah: definisi “liputan berterusan”. Di bawah peraturan semasa Program Insurans Banjir Kebangsaan AS (NFIP), tempoh anda dilindungi insurans banjir swasta selalunya tak dikira sebagai liputan berterusan—jadi bila anda kembali ke NFIP, premium boleh melompat kerana kadar “grandfathered” (kadar yang dikekalkan daripada penetapan risiko lama) mungkin hilang.

Pada 15/12/2025, dua wakil rakyat Florida dari parti berbeza mengemukakan semula rang undang-undang yang cuba membetulkan jurang ini: Continuous Coverage for Flood Insurance Act. Matlamatnya jelas: benarkan polisi banjir swasta yang mematuhi standard dikira sebagai liputan berterusan, supaya pengguna boleh bergerak antara pasaran awam dan swasta tanpa “penalti” premium bila kembali.

Bagi saya, nilai sebenar berita ini bukan sekadar politik dua parti. Ia isyarat bahawa pasaran banjir sedang bergerak ke arah penyelarasan awam-swasta—dan bila dua sistem mula “bercakap” antara satu sama lain, inilah masa paling sesuai untuk AI dalam insurans dan pengurusan risiko menunjukkan impak: penilaian risiko lebih tepat, underwriting lebih konsisten, tuntutan lebih pantas, dan penipuan lebih susah lepas.

Kenapa isu “liputan berterusan” jadi punca premium ‘terkejut’

Jawapannya: peraturan yang tidak selari mencipta geseran harga dan ketidakpastian. Bila hanya polisi NFIP dikira sebagai liputan berterusan, pengguna yang mencuba insurans banjir swasta (mungkin lebih murah atau lebih sesuai) menanggung risiko: jika mereka kembali ke NFIP kemudian, mereka boleh kehilangan kelebihan harga lama.

Rang undang-undang baharu ini mahu FEMA (agensi yang mentadbir NFIP) mengiktiraf polisi banjir swasta yang patuh sebagai memenuhi syarat “continuous coverage”. Ini nampak kecil, tapi implikasinya besar:

• Mobiliti pasaran meningkat: pengguna boleh bertukar penyedia berdasarkan harga dan terma tanpa takut “kembali mahal”.
• Persaingan jadi lebih sihat: syarikat swasta boleh bersaing pada nilai sebenar, bukan terhalang oleh struktur peraturan.
• Pendedahan kerajaan boleh berkurang: lebih banyak risiko diagih kepada pasaran swasta, jika direka dengan betul.

Dalam konteks banjir—risiko yang makin dipengaruhi corak cuaca ekstrem—geseran sebegini bukan setakat menyusahkan pengguna. Ia boleh menyebabkan jurang perlindungan (underinsurance).

“Peraturan yang tak selari bukan sekadar isu pematuhan—ia isu kemampuan bayar dan daya tahan komuniti.”

Apa yang kita boleh belajar daripada Florida (dan kenapa ia relevan di rantau kita)

Jawapannya: bila risiko bencana meningkat, pasaran akan mencari struktur yang lebih fleksibel. Florida menjadi contoh kerana ia menghadapi tekanan kuat daripada risiko ribut dan banjir, serta perubahan dinamik pasaran harta.

Dalam laporan yang dirujuk dalam berita, Citizens Property Insurance Corp. (insurer of last resort) menyaksikan penurunan bilangan polisi kira-kira sepertiga tahun ke tahun kepada 777,592 pada Jun 2025. Pada masa sama, harga reinsurance terlaras risiko pada pembaharuan 01/06/2025 dilaporkan menurun 10.7%. Gabungan faktor undang-undang, peraturan, dan harga reinsurance mengalihkan sebahagian risiko kembali ke pasaran swasta.

Walaupun Malaysia bukan NFIP, realitinya serupa: bila bencana (banjir monsun, banjir kilat bandar, limpahan sungai) berulang, pengguna mahukan dua perkara:

1. Harga yang boleh diramal (tak mahu premium “melonjak” tahun depan tanpa amaran)
2. Perlindungan yang jelas (apa yang dibayar, apa yang dituntut, apa yang dikecualikan)

Penyelarasan awam-swasta ialah salah satu cara menstabilkan pengalaman pengguna. Tetapi ia hanya berkesan jika data risiko dan kaedah penetapan harga juga bergerak ke arah yang lebih konsisten. Di sinilah AI masuk.

Di titik pertemuan dasar & teknologi: AI boleh menyatukan ‘bahasa risiko’

Jawapannya: AI membolehkan penilaian risiko banjir yang seragam merentas pemain awam dan swasta, supaya peraturan “continuous coverage” ada asas data yang kukuh. Bila dua sistem berbeza menggunakan model risiko yang terlalu bercanggah, pengguna akan sentiasa keliru kenapa harga berubah—dan penggubal dasar akan ragu-ragu untuk melonggarkan pergerakan antara sistem.

1) Penilaian risiko banjir yang lebih tepat (bukan sekadar poskod)

Banyak model tradisional terlalu bergantung pada zon luas. AI membolehkan penilaian mikro berasaskan gabungan data, contohnya:

• sejarah kejadian banjir setempat
• ciri topografi dan kecerunan
• jarak ke sungai/longkang utama
• perubahan guna tanah (pembangunan baharu)
• data hujan ekstrem dan trend bermusim

Bila penilaian risiko lebih granular, underwriting boleh jadi lebih “adil”: rumah di kawasan sama tidak semestinya berkongsi risiko yang sama.

2) Underwriting konsisten untuk pasaran awam-swasta

Jika rang undang-undang mengiktiraf polisi swasta sebagai “liputan berterusan”, persoalan seterusnya: polisi swasta yang bagaimana dianggap setara?

AI boleh membantu membina kerangka pematuhan yang lebih objektif:

• menilai sama ada perlindungan memenuhi ambang tertentu (limit, deductible, pengecualian)
• mengesan “jurang terma” yang nampak kecil tetapi memberi kesan besar masa tuntutan
• mencadangkan standard minimum yang mudah diaudit

Ini mengurangkan pertikaian “polisi ini kira atau tak kira” yang biasanya memakan masa.

3) Pengurusan tuntutan banjir yang pantas dan telus

Banjir biasanya menghasilkan tuntutan berkelompok. AI boleh membantu dengan:

• triage tuntutan: kes mudah diselesaikan cepat, kes kompleks diarahkan kepada adjuster kanan
• pengesanan anomali dokumen: invois berulang, metadata foto yang meragukan
• ramalan kos pembaikan: mengurangkan pertikaian nilai tuntutan

Kesannya bukan sekadar cepat—ia mengurangkan tekanan emosi pemegang polisi ketika rumah baru nak pulih.

4) Pengesanan penipuan tanpa menyusahkan pelanggan jujur

Bila lebih banyak pemain masuk (awam dan swasta), risiko penipuan juga meningkat. AI boleh mengesan corak seperti:

• tuntutan berulang pada aset sama selepas kejadian berbeza
• kelompok tuntutan dari rangkaian pembekal tertentu yang menunjukkan pola “mark-up” luar biasa
• ketidakselarasan garis masa kejadian vs bukti (contoh: tuntutan sebelum tarikh hujan ekstrem)

Penting: sistem yang baik meminimumkan “false positive” supaya pelanggan jujur tak dipersulit.

Soalan yang pemilik rumah & pengurus risiko patut tanya sekarang

Jawapannya: fokus pada kebolehbandingan polisi, kestabilan premium, dan keupayaan tuntutan. Bila pasaran mula selaras, pengguna yang bersedia akan mendapat manfaat paling cepat.

“Kalau saya bertukar polisi, apa yang patut saya semak?”

Semak perkara yang biasanya jadi punca kecewa masa banjir:

1. Definisi banjir dan pengecualian penting (banjir kilat, limpahan longkang, backflow)
2. Tempoh menunggu sebelum perlindungan aktif
3. Had perlindungan kandungan vs struktur
4. Deductible: tetap atau peratus daripada jumlah diinsuranskan
5. Proses tuntutan: dokumen diperlukan, SLA, jaringan kontraktor/pembekal

Jika anda pengurus risiko untuk SME atau hartanah komersial, tambah:

• liputan gangguan perniagaan berkaitan banjir
• keperluan pematuhan pemberi pinjaman
• integrasi data aset (inventori, nilai gantian)

“Adakah AI akan menaikkan premium sebab lebih tepat?”

AI akan membezakan risiko dengan lebih jelas—jadi sesetengah premis mungkin bayar lebih, tetapi ramai juga akan bayar lebih “tepat” mengikut pendedahan sebenar.

Saya berpandangan, masalah sebenar bukan premium naik atau turun. Masalah sebenar ialah premium yang tak dapat diramal. AI yang digunakan dengan tadbir urus yang betul boleh mengurangkan kejutan, sebab perubahan boleh dijelaskan melalui faktor risiko yang transparen.

“Bagaimana regulator dan insurer patut memastikan AI tak jadi ‘kotak hitam’?”

Mulakan dengan tiga disiplin yang praktikal:

• Model governance: siapa meluluskan model, bila diuji semula, dan bagaimana bias dikesan
• Explainability minimum: alasan harga/tolak tuntutan mesti boleh diterangkan dalam bahasa biasa
• Data lineage: rekod jelas data apa digunakan, dari mana, dan kualitinya

Penyelarasan awam-swasta tanpa tadbir urus AI yang kemas hanya akan memindahkan kekeliruan dari satu pihak ke pihak lain.

Peluang sebenar untuk industri: bina jambatan, bukan sekadar produk

Jawapannya: penyelarasan sistem membuka ruang untuk strategi AI yang merentas ekosistem—bukan projek terpencil. Bila polisi swasta diiktiraf sebagai “liputan berterusan”, kita perlukan infrastruktur data dan operasi yang menyokong pergerakan pelanggan.

Untuk insurer, broker, atau pengendali risiko, ini langkah yang saya lihat paling realistik untuk 6–12 bulan:

• Audit data risiko banjir: apa yang anda ada vs apa yang diperlukan untuk model ramalan
• Pilot underwriting AI untuk segmen kecil: contoh kawasan berisiko sederhana, supaya pembelajaran cepat dan risiko reputasi rendah
• Standardkan dokumen tuntutan: borang, foto, video, bukti pemilikan—AI hanya sebaik input
• Bangunkan “policy comparability checklist”: memudahkan pelanggan banding terma, bukan banding harga semata-mata

Bila pelanggan rasa mudah dan adil, kadar penyertaan insurans banjir akan naik. Itu matlamat yang lebih besar daripada menang satu akaun.

Rang undang-undang seperti Continuous Coverage for Flood Insurance Act menunjukkan hala tuju: pasaran mahukan pilihan tanpa dihukum, dan kerajaan mahu pendedahan fiskal yang lebih terkawal. Untuk menjayakan dua-dua serentak, AI bukan aksesori—AI ialah enjin yang boleh menyelaraskan penilaian risiko, harga, dan operasi tuntutan.

Jika anda sedang menilai bagaimana AI boleh dimasukkan ke dalam underwriting, pengurusan tuntutan, atau pengesanan penipuan (tanpa mengganggu pematuhan), siri “AI dalam Insurans dan Pengurusan Risiko” memang dibuat untuk itu. Langkah seterusnya ialah pilih satu proses yang paling menyakitkan hari ini—dan uji AI pada skop kecil, dengan KPI yang jelas.

Apa yang patut diselaraskan dahulu: data risiko, standard polisi, atau proses tuntutan? Pilihan anda akan menentukan sama ada penyelarasan awam-swasta jadi kemudahan untuk pelanggan—atau sekadar pertukaran logo di atas kertas.