AI Insurans: Halangan Digital Sebenar & Cara Atasinya

Perkara yang paling melambatkan transformasi digital dalam insurans bukanlah sistem “lama” semata-mata. Yang betul-betul mengikat kaki organisasi ialah cara kerja yang sudah berakar—tabiat, aliran kerja manual, dan budaya “buat macam biasa” walaupun kosnya semakin mahal.

Saya selalu nampak corak yang sama: syarikat beli platform baharu, tambah modul AI, buat projek automasi… tetapi hasilnya hambar. Bukan sebab AI tak cukup “hebat”. Sebab proses yang dipasang AI itu sendiri bercelaru—dan bila proses celaru, AI hanya mempercepatkan kekeliruan.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, artikel ini kita jadikan titik mula untuk satu perbualan yang lebih praktikal: bagaimana AI boleh benar-benar mempercepat underwriting, penilaian risiko, dan pengesanan penipuan—tanpa mencetuskan huru-hara operasi.

Halangan digital terbesar: budaya kerja, bukan teknologi

Jawapan paling terus terang: transformasi digital tersekat kerana organisasi cuba mendigitalkan tabiat lama.

Dalam banyak operasi insurans, data masih bergerak secara “tangan-ke-tangan”: staf menyalin maklumat dari borang ke sistem, kemudian menyalin semula ke sistem lain. Amalan ini wujud berdekad—terutama dalam pasaran harta & kemalangan (P&C) yang bergantung pada borang standard dan proses broker/agen.

“Teknologi jarang jadi halangan terbesar — budaya yang jadi penghalang.”

Bila automasi diperkenalkan (contohnya pengisian borang automatik atau pemindahan data tanpa perlu re-key), ia bukan sekadar pertukaran perisian. Ia mengubah identiti kerja: siapa buat apa, bagaimana sesuatu diluluskan, dan apa yang dianggap “kerja yang betul”. Inilah tempat penentangan senyap berlaku.

Mengapa sistem lama masih jadi masalah (tapi bukan punca utama)

Memang benar, banyak syarikat masih menjalankan core system berusia 20–30 tahun. Ini mencipta isu klasik:

• Jurang integrasi: sistem sukar bercakap dengan aplikasi moden.
• Interoperabiliti tak seragam: ada unit boleh sambung API, ada unit langsung tak boleh.
• Teknikal hutang: setiap pembaikan kecil jadi projek besar.

Platform core moden yang lebih fleksibel memang wujud. Namun realitinya, walaupun sistem boleh dinaik taraf, workflow dalaman sering kekal sama. Dan workflow itulah yang menjadi “digital roadblock” sebenar.

AI boleh laju—tapi mesti ada struktur proses

Jawapan ringkas: AI memberi kelajuan hanya bila proses hujung-ke-hujung (end-to-end) jelas dan dipersetujui.

AI kini membolehkan organisasi “menambah baik” tanpa rombak total core system. Banyak kes, anda boleh mengekalkan sistem teras tetapi memperkuatnya dengan:

• data pihak ketiga (contoh: data geospatial, telematik, rekod aset, data tingkah laku digital),
• analitik ramalan untuk risiko,
• AI generatif untuk ringkasan dokumen, cadangan tindakan seterusnya, dan semakan kualiti data.

Masalahnya, ramai yang “terjun” buat strategi AI sebelum mereka melakar aliran kerja baharu. Hasilnya: AI masuk ke dalam proses yang rosak, lalu hanya memindahkan masalah ke bahagian lain.

Contoh mudah: underwriting SME yang masih manual

Bayangkan underwriting untuk perniagaan kecil:

1. Agen hantar dokumen (PDF, imej, e-mel).
2. Staf ekstrak maklumat secara manual.
3. Underwriter semak risiko, minta dokumen tambahan.
4. Data dimasukkan ke sistem polisi.

Jika anda masukkan AI generatif hanya untuk “membaca PDF”, tetapi langkah 2–4 masih bergantung pada kelulusan berlapis dan input berulang, anda mungkin dapat lebih banyak fail diproses, tetapi:

• kadar pembetulan data meningkat,
• audit trail jadi kabur,
• SLA tuntutan/servis pelanggan masih lambat.

AI tak patut jadi plaster. AI patut jadi enjin dalam proses yang telah dibina semula.

3 kawasan bernilai tinggi untuk AI: underwriting, risiko, penipuan

Jawapan paling praktikal: fokus pada tiga “garisan hadapan” yang memberi impak kewangan paling jelas.

1) Underwriting: daripada “isi borang” kepada keputusan berasaskan bukti

AI underwriting yang berkesan biasanya memenangi dua perkara: kelajuan quote dan ketepatan harga risiko.

Apa yang AI boleh buat secara realistik:

• Ekstraksi data automatik daripada dokumen, borang, e-mel, dan lampiran.
• Pengesanan ketidakselarasan (contoh: jumlah pekerja berbeza antara borang dan penyata).
• Cadangan kelas risiko & endorsement berdasarkan corak portfolio.
• Triage: kes “standard” terus auto-quote, kes kompleks naik ke underwriter kanan.

Apa yang organisasi perlu sediakan:

• kamus data (data dictionary) yang seragam,
• peraturan kelayakan (eligibility rules) yang jelas,
• definisi “siapa boleh override dan bila”.

Kalau tidak, AI akan menghasilkan cadangan yang sukar dipertahankan apabila berlaku pertikaian tuntutan.

2) Penilaian risiko: model ramalan yang boleh diaudit

Dalam pengurusan risiko, AI paling berguna bila ia:

• menggabungkan data dalaman + luaran,
• mengemas kini skor risiko lebih kerap,
• memberi sebab yang boleh dijelaskan (explainability) untuk setiap skor.

Contoh aplikasi yang dekat dengan operasi:

• Skor risiko lokasi untuk risiko banjir/ kebakaran berdasarkan faktor setempat.
• Pemantauan perubahan risiko: perniagaan berubah operasi, aset bertambah, atau pendedahan siber meningkat.
• Amaran awal: akaun yang dulu stabil mula menunjukkan isyarat kerugian.

Untuk pasaran yang dikawal selia, ayat yang saya pegang: kalau ia tak boleh diaudit, ia belum bersedia untuk produksi.

3) Pengesanan penipuan: AI sebagai “penapis pintar”, bukan hakim

AI penipuan paling efektif bila ia digunakan sebagai lapisan saringan yang memprioritikan siasatan.

Apa yang biasanya berkesan:

• pengesanan corak tuntutan berulang (identiti, alamat, bengkel, klinik),
• anomali pada masa kejadian vs masa pelaporan,
• semakan dokumen dan imej untuk manipulasi asas,
• skor kecurigaan (suspicion score) untuk triage.

Namun prinsipnya jelas: AI cadangkan, manusia tentukan. Ini menjaga keadilan pelanggan dan mengurangkan risiko reputasi.

Kenapa organisasi kecil selalunya lebih laju (dan apa yang besar boleh tiru)

Jawapan ringkas: organisasi kecil kurang beban warisan dan lebih pantas membuat keputusan.

Agensi atau broker kecil biasanya guna sistem “off-the-shelf”. Bila vendor tambah fungsi AI, ribuan pengguna menerima kemas kini serentak. Mereka tak perlu menunggu projek integrasi 18 bulan.

Organisasi besar pula sering terperangkap pada:

• proses kelulusan berlapis,
• banyak sistem dalaman yang dibina sendiri,
• standard data yang berbeza mengikut unit.

Apa yang pemain besar boleh tiru daripada yang kecil:

1. Mulakan dengan projek sempit tetapi hujung-ke-hujung.
2. Ukur masa kitaran (cycle time) dari submission → quote → bind.
3. Bina pasukan lintas fungsi (underwriting, tuntutan, IT, compliance) sejak hari pertama.
4. Lancar versi 1 dalam 8–12 minggu, bukan tunggu “sempurna”.

Kelajuan bukan bermaksud cuai—ia bermaksud keputusan dibuat dekat dengan operasi.

Rangka kerja 90 hari untuk AI yang tak sekadar “pilot cantik”

Jawapan paling berguna: jika anda mahu AI dalam insurans memberi hasil, guna pelan 90 hari yang memaksa disiplin proses.

Hari 1–30: Pilih satu proses dan bersihkan data minimum

• Pilih satu produk (contoh: Motor Komersial atau SME P&C).
• Kenal pasti 10 medan data paling kritikal (contoh: lokasi risiko, nilai perlindungan, aktiviti perniagaan, sejarah tuntutan).
• Tetapkan definisi tunggal untuk setiap medan.
• Wujudkan peraturan “data wajib” sebelum kes bergerak ke langkah seterusnya.

Hari 31–60: Reka workflow baharu dan titik kawalan

• Lukis aliran kerja baharu dari submission → keputusan.
• Tentukan “human-in-the-loop”: bila AI boleh auto-lulus, bila mesti semakan.
• Letakkan titik audit: siapa ubah apa, bila, dan sebab.

Hari 61–90: Automasi + ukuran prestasi yang jelas

Sasaran yang masuk akal untuk fasa awal:

• 20–30% kes standard masuk laluan cepat (fast track)
• pengurangan 15–25% kerja re-key untuk pasukan operasi
• peningkatan kualiti data (lebih sedikit medan kosong/ tidak konsisten)

Pilih metrik yang mengikat kepada hasil perniagaan:

• masa untuk keluarkan quote,
• nisbah kerugian mengikut segmen,
• kadar kebocoran premium (quote tak jadi bind),
• masa siasatan tuntutan yang ditanda “berisiko”.

Soalan lazim: “Patut tukar core system dulu atau tambah AI dulu?”

Jawapan terus: jika core system masih stabil dan patuh, tambah AI di atasnya boleh beri pulangan lebih cepat—tetapi hanya jika workflow dibina semula.

Jika core system terlalu rapuh (contoh: kerap down, tiada log audit, integrasi mustahil), anda mungkin perlukan pemodenan asas dahulu. Namun untuk kebanyakan organisasi, strategi yang paling selamat ialah:

• guna AI untuk quick wins (ekstraksi dokumen, triage, semakan data),
• sambil merancang migrasi core secara berperingkat.

Pendekatan ini mengurangkan risiko gangguan operasi—kritikal untuk industri yang sangat dikawal selia.

Apa yang patut anda buat minggu ini

Transformasi digital insurans akan terus perlahan jika kita asyik menyalahkan sistem. Yang perlu “ditukar” dahulu ialah cara kerja—barulah AI boleh membantu underwriting lebih pantas, penilaian risiko lebih tepat, dan pengesanan penipuan lebih tajam.

Jika anda sedang merancang inisiatif AI dalam insurans, saya cadangkan satu langkah kecil tetapi tegas: pilih satu proses, lukis workflow baharu yang ringkas, dan tetapkan metrik yang semua orang setuju. Bila pasukan nampak hasil sebenar (masa lebih singkat, kesilapan berkurang), rintangan budaya biasanya cair dengan sendirinya.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, topik seterusnya yang wajar anda fikirkan: bagaimana membina tadbir urus AI (AI governance) yang memuaskan audit, melindungi data pelanggan, dan masih membenarkan inovasi bergerak laju. Proses mana dalam organisasi anda yang paling “sesak” sekarang—underwriting, tuntutan, atau pengesanan penipuan?