AI & Insurans: Bila Gergasi Tech Mahu Kos Jadi Sifar

Pada 18/12/2025, satu idea yang kedengaran “melampau” mula jadi semakin logik: syarikat teknologi besar bukan mahu “menang” dalam insurans—mereka mahu menghapuskan kos insurans. Itu beza besar. Bila insurans dilihat sebagai kos yang mengganggu pengalaman pelanggan (dan margin), motivasi mereka bukan membina syarikat insurans baharu. Motivasi mereka ialah menolak kos ke arah sifar, atau sekurang-kurangnya serendah utiliti.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat ini sebagai amaran yang sihat untuk pemain tradisional—dan peluang besar untuk organisasi yang sanggup guna AI dalam underwriting, tuntutan, pengesanan penipuan, dan pemodelan risiko. Realitinya mudah: apabila data, pengalaman pelanggan, dan automasi bertemu pada skala trilion dolar, model kos insurans yang kita anggap “normal” akan dipersoalkan habis-habisan.

Mengapa gergasi tech mahu “hapuskan” kos insurans?

Jawapan ringkas: insurans ialah pemboleh ubah dalam Kos Pemilikan Keseluruhan (TCO)—bukan produk teras mereka. Untuk syarikat seperti pengeluar kenderaan elektrik, platform e-dagang, pembuat peranti, atau penyedia awan, premium insurans yang tinggi memberi kesan terus kepada keputusan pembelian pelanggan.

Contohnya, jika sebuah kereta bagus tetapi kos insuransnya mahal, pelanggan akan rasa “tercekik” walaupun ansuran nampak mampu. Jadi, sesetengah pemain tech akan cuba menekan komponen itu—bukan semata-mata melalui diskaun, tetapi melalui pengurangan risiko secara berterusan.

Lebih penting: gergasi tech ada tiga aset yang membuatkan insurans tradisional kelihatan berat.

1) Data yang hidup (bukan data statik)

Insurans tradisional banyak bergantung pada data sejarah dan deklarasi pelanggan. Gergasi tech pula beroperasi dalam dunia data masa nyata: tingkah laku pemanduan, penggunaan peranti, telemetri, log keselamatan siber, keadaan persekitaran, dan corak transaksi.

AI paling “kena” di sini—kerana AI bukan sekadar menyimpan data, tetapi menukarkan data kepada keputusan: skor risiko, amaran awal, dan tindakan pencegahan.

2) Hubungan pelanggan terus (kos perolehan hampir sifar)

Dalam banyak industri insurans, kos mendapatkan pelanggan boleh mencecah ratusan dolar per polisi. Namun bila perlindungan diberi pada titik jualan (contohnya ketika beli kereta, telefon, atau membuat penghantaran), kos itu turun mendadak.

Model ini mengubah permainan: insurans bukan lagi “pembelian yang terpaksa”, tetapi ciri yang pelanggan terima tanpa banyak fikir.

3) Infrastruktur automasi

Gergasi tech sudah ada keupayaan seperti automasi aliran kerja, AI untuk pengesanan penipuan, pemprosesan dokumen, dan analitik ramalan. Bila ini diterapkan kepada tuntutan dan underwriting, ia menolak kos operasi turun dengan cepat.

Satu ayat yang saya suka pegang: Bila kos transaksi jatuh, produk akan bertukar menjadi ciri.

Embedded insurance: bila insurans “hilang” daripada pandangan

Embedded insurance ialah apabila perlindungan disatukan dalam produk/perkhidmatan utama—jadi pelanggan rasa ia seperti pakej, bukan polisi.

Ini bukan trend kecil. Ini perubahan psikologi pengguna.

Bagaimana ia mengubah tingkah laku pelanggan

• Perlindungan terasa “automatik”, jadi kadar ambil-up meningkat.
• Kurang geseran (tiada borang panjang, tiada rundingan berulang).
• Tuntutan dijangka pantas seperti pengalaman aplikasi lain.

Dalam konteks AI, embedded insurance selalunya disokong oleh:

• AI penetapan harga yang menyesuaikan risiko ikut penggunaan
• AI tuntutan untuk triage, semakan dokumen, dan pengesahan
• AI penipuan yang mengesan corak pelik sejak awal

Bila semua ini berlaku di belakang tabir, pelanggan cuma nampak satu benda: pengalaman yang mudah.

Underwriting berterusan: AI menjadikan risiko “boleh dipantau”

Underwriting tradisional biasanya berlaku pada permulaan polisi, kemudian semakan semula berkala. Underwriting berterusan pula bergerak ke arah dunia di mana risiko dinilai lebih kerap berdasarkan data baharu.

Jawapan terus: AI ialah enjin underwriting berterusan kerana manusia tak mampu menilai berjuta perubahan mikro dalam tingkah laku pelanggan.

Apa yang berubah bila underwriting jadi berterusan?

1. Risiko bertukar daripada “anggaran” kepada “pemerhatian”
   • Contoh auto: corak brek, kelajuan, laluan, waktu puncak
2. Harga lebih rapat dengan tingkah laku
   • Pemandu baik boleh dapat kadar lebih rendah, lebih konsisten
3. Pencegahan jadi lebih bernilai daripada pampasan
   • AI menolak syarikat untuk melabur dalam amaran awal dan intervensi

Tapi ada realiti penting: regulasi dan penerimaan

Underwriting berterusan tidak semestinya bermaksud premium berubah setiap hari. Dalam banyak pasaran, regulasi dan reka bentuk produk akan mengehadkan kadar perubahan. Yang penting ialah arah: lebih data, lebih kerap keputusan, lebih automasi.

“Tesis konvergensi”: kenapa industri insurans patut risau (dan bersedia)

Apabila syarikat bernilai trilion dolar mempunyai insentif untuk mengurangkan kos insurans, mereka akan menggabungkan:

• data masa nyata,
• automasi tuntutan,
• pemodelan risiko,
• pengurangan kos agihan,
• dan kekuatan jenama.

Bagi insurer tradisional, cabarannya bukan sekadar persaingan harga. Cabarannya ialah persaingan terhadap struktur kos.

Tiga bentuk masa depan insurans yang makin jelas

1. Insurans sebagai ciri embedded (percuma atau hampir percuma)
2. Insurans sebagai pematuhan regulatori (wajib undang-undang)
3. Insurans sebagai perlindungan bencana (tail risk)

Jika ini berlaku, banyak premium “rutin” akan ditekan. Margin akan mengecil. Yang tinggal bernilai tinggi ialah kemampuan mengurus risiko kompleks dan kejadian jarang tetapi mahal.

Kajian kes paling mudah: siber dan “insentif penghapusan”

Dalam insurans siber, matlamat vendor keselamatan ialah mencegah insiden. Insurans pula wujud untuk membayar bila insiden berlaku. Dua-dua berkaitan, tetapi insentif jangka panjang vendor ialah menjadikan insiden semakin jarang—sekali gus mengecilkan keperluan insurans.

AI memainkan peranan besar dalam keselamatan siber:

• pengesanan anomali,
• pemantauan log automatik,
• tindak balas insiden separa automatik,
• penarafan risiko vendor dan rantaian bekalan.

Dari sudut pengurusan risiko, organisasi yang matang akan buat begini:

• guna AI untuk menurunkan frekuensi insiden,
• guna insurans untuk menampung risiko sisa yang masih wujud.

Ini strategi yang waras. Dan ya, ia juga bermakna pasaran premium siber boleh mengecil jika pencegahan benar-benar berkesan.

Apa patut dibuat oleh insurer, broker, dan pengurus risiko di Malaysia/SEA?

Jawapan terus: jangan tunggu gergasi tech masuk penuh. Kena ubah cara kerja sekarang—dengan AI sebagai tulang belakang.

1) Fokus pada “kos per polisi” dulu, bukan sekadar pertumbuhan

Kalau matlamat pemain tech ialah tekan kos ke arah sifar, insurer patut menyerang kos yang paling jelas:

• masa pemprosesan tuntutan,
• kos semakan manual,
• kebocoran penipuan,
• dan churn pelanggan akibat pengalaman buruk.

Sasaran praktikal 6–12 bulan:

• automasi triage tuntutan mudah,
• pengesanan penipuan berasaskan corak,
• pemprosesan dokumen (OCR + LLM) untuk borang dan laporan.

2) Bina data yang “boleh digunakan AI”, bukan sekadar data yang banyak

Ramai organisasi ada data, tetapi tak boleh dipakai terus.

Checklist ringkas:

• taksonomi risiko konsisten,
• medan data standard (contohnya punca kerosakan, lokasi, masa),
• log keputusan underwriting yang boleh diaudit,
• rekod tuntutan lengkap dengan cap masa.

AI yang baik memerlukan data yang bersih + konteks keputusan.

3) Reka produk untuk embedded, bukan melawan embedded

Kalau embedded insurance makin kuat, insurer boleh menang dengan menjadi rakan “di belakang tabir”:

• API untuk sebut harga segera,
• polisi mikro untuk konteks tertentu (perjalanan, penghantaran, peranti),
• proses tuntutan yang sesuai dengan aplikasi rakan ekosistem.

4) Pegang kuat isu amanah: ketelusan AI dan tadbir urus

Dalam insurans, satu kontroversi algoritma boleh merosakkan jenama bertahun.

Prinsip yang patut jadi amalan:

• kebolehan jelaskan keputusan AI (model explainability),
• pengujian bias (contoh: lokasi, demografi, jenis pekerjaan),
• audit jejak keputusan (siapa buat apa, bila, dan kenapa).

Soalan lazim yang pelanggan dan pengurusan akan tanya

“Adakah insurans akan jadi percuma?”

Untuk banyak risiko rutin, harga akan ditekan melalui embedded dan automasi. Tetapi risiko bencana, litigasi, dan tail risk masih perlukan modal, reinsurance, dan struktur perlindungan. Jadi “percuma” biasanya bermaksud diserap dalam harga produk utama, bukan hilang sepenuhnya.

“Adakah AI akan gantikan underwriter dan adjuster?”

Untuk kes mudah, ya—banyak tugas rutin akan diautomasi. Tetapi kes kompleks memerlukan manusia. AI paling berkesan bila ia jadi co-pilot: buat triage, beri cadangan, jelaskan anomali—manusia buat keputusan akhir untuk kes sensitif.

“Apa risiko terbesar jika kita cepat sangat guna AI?”

Risiko terbesar ialah automasi tanpa kawalan: data kotor, bias, keputusan tak boleh diaudit, dan pengalaman pelanggan yang nampak ‘robotik’. AI perlu bergerak bersama SOP, pemantauan model, dan latihan pasukan.

Ke mana arah 2026: insurans sebagai pengalaman, bukan dokumen

Menjelang 2026, saya jangka lebih banyak organisasi akan beralih daripada KPI lama (bilangan polisi, kadar pertumbuhan semata-mata) kepada KPI yang lebih ‘tech-native’:

• masa untuk sebut harga,
• masa untuk bayar tuntutan,
• kadar penipuan yang berjaya disekat,
• NPS/CSAT,
• dan kos operasi per tuntutan.

Dalam konteks “AI dalam Insurans dan Pengurusan Risiko”, inilah mesej yang paling praktikal: jika gergasi tech mahu menghapuskan kos insurans, insurer yang menang ialah yang menggunakan AI untuk membuang pembaziran dahulu—sebelum orang lain buang anda daripada rantaian nilai.

Jika anda sedang menilai projek AI untuk underwriting, tuntutan, atau pengesanan penipuan pada 2026, persoalan yang patut memandu perbincangan bukan “boleh buat atau tidak?”. Persoalannya: bahagian kos dan geseran mana yang kita boleh buang dalam 90 hari pertama—tanpa menambah risiko pematuhan dan reputasi?