Automasi Insurans Haiwan: Perlindungan Sejak Adopsi

Pada 18/12/2025, MetLife Pet Insurance mengumumkan kerjasama eksklusif dengan Petstablished untuk menawarkan sebut harga insurans terus dalam proses adopsi dan pendaftaran haiwan. Ini bukan sekadar cerita “partner integrasi sistem”. Ini contoh yang jelas tentang bagaimana automasi dan AI dalam insurans boleh memendekkan jarak antara niat pelanggan (nak ambil haiwan peliharaan) dan tindakan penting (lindungi risiko kos rawatan).

Angka dalam laporan itu menyengat: 55% pemilik haiwan menyatakan kos ialah halangan terbesar untuk penjagaan pencegahan, dan 80% pernah terkejut dengan bil veterinar, purata sekitar $1,100. Dalam bahasa pengurusan risiko, ini masalah ketidakpastian kos yang berlaku awal—selalunya ketika pemilik baru masih “menyesuaikan diri” dengan komitmen.

Bagi siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka kes ini sebab ia menunjukkan satu prinsip yang banyak syarikat insurans masih buat salah: pelanggan tak mahu proses; pelanggan mahu keputusan. Kalau insurans hanya mudah dibeli selepas pelanggan pening, terlambat—risiko sudah pun berlaku.

Kenapa “insurans semasa adopsi” lebih logik daripada iklan besar-besaran

Jawapan ringkas: titik sentuh pelanggan (customer touchpoint) lebih berkuasa daripada kempen umum, kerana konteksnya tepat dan urgensinya nyata.

Semasa adopsi, pemilik baharu sedang membuat keputusan besar: bayar yuran adopsi, pilih mikrocip, isi maklumat, rancang makanan dan klinik veterinar. Pada saat inilah insurans patut muncul—bukan sebagai “jualan tambahan”, tetapi sebagai komponen pengurusan risiko yang melengkapkan adopsi.

Pendekatan MetLife–Petstablished membawa dua kesan utama:

1. Kurangkan geseran (friction) untuk pendaftaran polisi

   • Tak perlu borang panjang berasingan.
   • Sebut harga boleh dijana daripada data yang sudah pun diisi.

2. Jadikan perlindungan “default”

   • Kos perlindungan boleh dimasukkan dalam yuran adopsi.
   • Haiwan dilindungi sebelum keluar dari pusat perlindungan.

Dari sisi perniagaan, ini mengubah permainan distribusi: bukan menunggu pelanggan “terfikir”, tetapi meletakkan perlindungan di tempat pelanggan memang sedang bertindak.

Apa kaitannya dengan AI, bukan sekadar integrasi?

Integrasi itu “wayar dan API”. AI pula yang menjadikannya pantas, tepat, dan berskala.

Untuk menjana sebut harga peribadi secara masa nyata, sistem biasanya perlukan:

• Pengesahan dan pembersihan data (nama, lokasi, umur haiwan, baka, status mikrocip)
• Peraturan underwriting (kelayakan, had perlindungan, pengecualian)
• Model penetapan harga (rating) yang relevan

Dalam praktik moden, AI dan automasi membantu di tiga lapisan:

• Automasi data: mengurangkan kesilapan input dan duplikasi
• Underwriting berasaskan peraturan + pembelajaran mesin: memproses profil risiko lebih pantas
• Pengalaman pengguna: aliran yang ringkas, jelas, dan konsisten

Kalau syarikat insurans masih bergantung pada semakan manual untuk setiap permohonan mikro, mereka akan kalah pada kelajuan—dan kelajuan ialah mata wang utama untuk produk runcit.

Pelajaran besar untuk underwriting: “masa keputusan” ialah aset

Jawapan ringkas: underwriting yang baik hari ini bukan semata-mata tepat; ia mesti pantas pada saat pelanggan memerlukannya.

Kebanyakan orang bayangkan underwriting sebagai sesuatu yang “di belakang tabir”. Realitinya, underwriting ialah bahagian pengalaman pelanggan. Kalau ia lambat, pelanggan rasa produk itu rumit, dan mereka akan tangguh. Tangguh untuk insurans biasanya bermaksud “tak jadi”.

Kerjasama seperti ini menonjolkan trend yang lebih besar dalam industri:

• Enrollment berasaskan teknologi (pembelian dalam beberapa klik)
• Produk yang lebih modular (pilih had, deductible, add-on)
• Pengagihan tertanam (embedded insurance) di platform yang pelanggan sudah guna

Underwriting automatik: apa yang patut diukur oleh pengurus risiko?

Kalau anda mengurus inovasi underwriting—pet, travel, gadget, mikro-SME—metrik tradisional saja tak cukup. Saya cadangkan pantau metrik ini:

1. Masa untuk sebut harga (quote turnaround time)

   • Sasaran praktikal: saat, bukan hari.

2. Kadar penukaran sebut harga → polisi

   • Ini indikator geseran proses.

3. Kualiti data di titik jualan

   • % medan lengkap, % ralat, kadar pembetulan manual.

4. Nisbah tuntutan awal (early claims ratio)

   • Jika terlalu tinggi, mungkin ada isu pemilihan risiko atau komunikasi perlindungan.

5. Kadar pembaharuan (renewal rate)

   • Produk yang dijual “terlalu mudah” tetapi tak difahami biasanya gagal diperbaharui.

AI boleh mempercepat keputusan, tetapi pengurusan risiko perlu memastikan kelajuan tidak mengorbankan disiplin.

Mengapa kos veterinar memerlukan pendekatan ramalan (predictive), bukan reaktif

Jawapan ringkas: bil rawatan yang mengejut berlaku kerana penjagaan pencegahan ditangguhkan, dan penangguhan itu selalunya berpunca daripada kos.

Data yang dikongsi dalam berita itu menunjukkan masalah sistemik: ramai pemilik mahu buat pencegahan, tetapi kos menghalang. Bila pencegahan tidak konsisten, penyakit dikesan lewat, rawatan jadi lebih mahal—lalu bil mengejut jadi kitaran.

Di sini AI dalam insurans dan pengurusan risiko boleh memberi nilai pada dua sisi:

1) Sisi pemegang polisi: “nudge” yang tepat pada masa

Dengan analitik tingkah laku (beretika dan mematuhi privasi), penanggung insurans boleh:

• Mengingatkan jadual vaksin/parasite control
• Menawarkan insentif untuk pemeriksaan berkala
• Mencadangkan klinik panel atau tele-vet untuk isu ringan

Tujuannya bukan mengawal pelanggan. Tujuannya menurunkan risiko kos besar yang akhirnya merugikan kedua-dua pihak.

2) Sisi penanggung insurans: segmentasi risiko yang lebih bermakna

Model ramalan yang baik boleh menganggarkan kebarangkalian kos tinggi berdasarkan pemboleh ubah yang munasabah (contoh: umur, baka, sejarah perubatan jika wujud, geografi, corak penggunaan). Ini membantu:

• Harga yang lebih tepat
• Reka bentuk manfaat yang lebih sesuai
• Pengurusan tuntutan yang lebih proaktif

Namun, pendirian saya tegas: jangan jadikan AI alasan untuk menolak risiko secara membuta tuli. Fokusnya ialah keseimbangan—akses perlindungan yang adil, dengan kawalan risiko yang realistik.

Embedded insurance: strategi yang banyak pemain insurans masih salah faham

Jawapan ringkas: embedded insurance bukan “add-on”, ia model distribusi yang mengubah kos pemerolehan pelanggan dan kualiti retention.

Dalam kes MetLife–Petstablished, insurans wujud di dalam proses adopsi/mikrocip. Itu menjadikan polisi “datang bersama” keputusan utama pelanggan.

Jika anda di industri insurans (atau broker), model ini memberi tiga implikasi besar:

1) Data datang lebih awal—dan itu emas

Pusat perlindungan/organisasi kebajikan haiwan biasanya mengumpul data asas yang bersih dan terkini. Bila data ini masuk terus ke aliran sebut harga:

• Kurang kerja manual
• Kurang pertikaian maklumat
• Permulaan polisi lebih tepat

2) Kos pemerolehan pelanggan boleh turun, tetapi kos perkongsian naik

Anda mungkin tak belanja iklan besar, tetapi anda akan bayar melalui:

• perkongsian hasil (revenue share)
• kos integrasi
• kos pematuhan dan audit rakan platform

Pemain yang menang ialah yang mengira unit economics dengan jujur, bukan yang sekadar mengejar “jumlah polisi”.

3) Reputasi jenama dipinjam daripada platform

Bila insurans dijual dalam platform adopsi, kegagalan pengalaman (contoh: polisi mengelirukan, tuntutan lambat) akan kembali kepada pusat adopsi juga. Sebab itu SLA operasi, kejelasan manfaat, dan automasi tuntutan menjadi kritikal.

“Insurans yang tertanam hanya berjaya bila operasi tuntutannya sama mudah dengan proses belinya.”

Apa yang boleh organisasi insurans di Malaysia ambil daripada kes ini?

Jawapan ringkas: bina integrasi di titik permulaan risiko—bukan selepas risiko berlaku.

Walaupun kes ini dari AS dan fokusnya insurans haiwan peliharaan, coraknya boleh dipindahkan ke banyak produk tempatan:

• Insurans perjalanan dibeli ketika tempahan tiket
• Perlindungan gajet ketika checkout e-dagang
• Insurans mikro untuk peniaga kecil ketika daftar e-wallet/terminal pembayaran
• Perlindungan kemalangan peribadi ketika onboarding pekerja gig

Pelan tindakan (praktikal) untuk 60–90 hari pertama

Jika anda mengetuai transformasi AI/automasi dalam underwriting, ini urutan kerja yang saya lihat paling realistik:

1. Pilih satu “titik sentuh” yang sudah ada trafik

   • Platform pendaftaran, aplikasi rakan niaga, atau sistem yuran.

2. Tetapkan data minimum yang cukup untuk sebut harga

   • Jangan minta 30 medan kalau 8 sudah cukup untuk quote awal.

3. Bina underwriting berlapis

   • instant quote untuk majoriti kes
   • rule-based referral untuk kes berisiko tinggi
   • semakan manual hanya untuk pengecualian

4. Automasi dokumen & komunikasi

   • Ringkasan manfaat 1 muka surat (jelas)
   • notifikasi perlindungan aktif, kaedah tuntutan, dan had.

5. Pasang kawalan risiko & pematuhan sejak awal

   • log keputusan model
   • audit trail
   • pengurusan persetujuan data (consent)

Kalau langkah 1–3 gagal, AI paling canggih pun takkan menutup kelemahan reka bentuk proses.

Soalan lazim: adakah automasi ini akan meningkatkan tuntutan penipuan?

Jawapan terus: ya, risiko penipuan boleh meningkat jika verifikasi identiti dan kawalan polisi longgar—tetapi AI juga alat terbaik untuk mengesan corak penipuan.

Dalam produk runcit yang mudah dibeli, pencegahan penipuan perlu berlaku di tiga titik:

• Semasa pendaftaran: semakan konsistensi data, anomali lokasi, duplikasi
• Semasa tempoh awal polisi: pemantauan tuntutan awal yang luar biasa
• Semasa tuntutan: pengesanan corak (frekuensi, klinik sama, diagnosis berulang)

Prinsipnya mudah: buat pembelian mudah, tetapi buat penipuan susah.

Penutup: automasi di titik adopsi ialah petunjuk arah industri

Kerjasama MetLife Pet Insurance dengan Petstablished menunjukkan arah yang jelas: insurans bergerak ke model “tertanam”, masa nyata, dan dipacu automasi. Dalam konteks AI dalam insurans dan pengurusan risiko, ini contoh bagaimana teknologi mengurangkan kerja manual, mempercepat underwriting, dan pada masa yang sama membantu pelanggan mengurus ketidakpastian kos.

Jika anda sedang merancang inisiatif AI—sama ada untuk underwriting, tuntutan, atau pengesanan penipuan—ambil pengajaran paling penting daripada kes ini: letakkan perlindungan di tempat pelanggan membuat keputusan, dan pastikan operasi belakang tabir cukup matang untuk menyokong janji depan tabir.

Langkah seterusnya untuk organisasi anda: pilih satu produk yang sesuai untuk embedded insurance, jalankan pilot kecil, ukur masa sebut harga dan kadar penukaran, kemudian barulah besarkan. Satu persoalan yang patut anda bawa ke mesyuarat seterusnya ialah: di manakah titik sentuh pelanggan yang paling “jujur” tentang risiko—dan mengapa kita belum berada di situ?