AI dalam Insurans: Cara Pemimpin Tangani Krisis Bakat

Kebanyakan organisasi insurans tak “kalah” kerana produk mereka lemah. Mereka kalah kerana tenaga kerja tak cukup, pelanggan mahukan respons sepantas aplikasi perbankan, dan risiko semakin sukar diramal—daripada bencana cuaca yang kerap, kos reinsurans yang naik, hinggalah perubahan peraturan yang bergerak ikut tajuk berita.

Itu realiti yang ditonjolkan oleh senarai kepimpinan insurans terkemuka di AS (Hot 100). Bagi saya, pelajaran paling berguna untuk pasaran kita di Malaysia bukan pada siapa yang menang, tapi pola keputusan yang mereka ambil: membina bakat dengan lebih pantas, dan menggunakan AI dalam insurans untuk menutup jurang kapasiti tanpa mengorbankan kepercayaan.

Artikel ini sebahagian daripada siri “AI dalam Insurans dan Pengurusan Risiko”. Fokusnya mudah: apa yang pemimpin insurans terbaik buat apabila tenaga kurang, tuntutan makin kompleks, dan pelanggan menuntut kelajuan—dan bagaimana anda boleh gunakan prinsip yang sama untuk underwriting, tuntutan, serta pengurusan risiko.

Realiti industri: kekurangan bakat + tuntutan pelanggan yang tak sabar

Jawapan ringkasnya: kekurangan bakat bukan masalah HR semata-mata—ia masalah operasi dan pengalaman pelanggan.

Satu data yang patut mengganggu tidur pengurus: kajian demografi ejen insurans menunjukkan purata umur ejen sekitar 46 tahun, dan ramalan tenaga kerja pula menjangka hampir separuh tenaga kerja insurans akan bersara menjelang 2038. Ini bukan “mungkin”, ini arah aliran yang dah bermula.

Pada masa yang sama, pelanggan sekarang ultra-tersambung. Mereka bandingkan insurans dengan pengalaman e-dagang:

• Nak status tuntutan secara masa nyata
• Nak keputusan underwriting lebih cepat
• Nak komunikasi jelas, bukan surat-menyurat berlapis

Bila staf tak cukup, dua benda berlaku serentak: SLA jatuh dan risiko kesilapan naik. Di sinilah AI patut diletakkan pada tempat yang betul: bukan hiasan strategi digital, tapi alat untuk menambah kapasiti dan ketepatan.

Strategi #1: AI untuk buat “lebih dengan kurang”—tanpa bakar pasukan

Jawapan paling praktikal: gunakan AI untuk menyingkir kerja berulang, supaya manusia fokus pada keputusan yang benar-benar perlukan pertimbangan.

Antara corak yang jelas daripada kisah pemimpin Hot 100 ialah mereka tidak menunggu “cukup orang”. Mereka reka semula kerja.

Automasi kewangan dan operasi: kerja yang dulu ambil hari, jadi sejam

Satu contoh jelas ialah bagaimana fungsi kewangan di sebuah broker besar beralih daripada sekadar “back office” kepada rakan strategik perniagaan—dengan bantuan automasi. Alat berasaskan AI yang menggabungkan OCR, pembelajaran mesin dan automasi rekonsiliasi boleh memendekkan proses yang dulu mengambil beberapa hari kepada sekitar satu jam.

Apa kaitan dengan insurans selain kewangan? Banyak.

Jika organisasi anda masih:

• Masukkan data manual daripada dokumen PDF
• Semak dokumen berulang untuk kes yang hampir sama
• Buat laporan berkala secara “copy-paste”

…anda sedang membayar premium tersembunyi: premium keletihan staf.

Underwriting “workbench” elektronik: AI menelan dokumen, underwriter menilai

Antara perubahan paling bernilai ialah peralihan underwriting kepada platform data yang menyatukan kewangan, operasi, tuntutan dan underwriting dalam satu ekosistem. Underwriter tak lagi cari maklumat dalam timbunan dokumen; AI ‘ingest’ data, susun, dan bentangkan ringkasan risiko.

Satu ayat yang saya suka: bukan siapa yang ada alat paling baharu—tapi siapa yang paling pandai sambungkan titik. Dalam konteks underwriting, “sambung titik” bermaksud:

• Data pendedahan (exposure) + sejarah tuntutan
• Isyarat penipuan + kelakuan pelanggan
• Corak cuaca + lokasi + jenis aset

AI mempercepatkan penyediaan maklumat; manusia memastikan keputusan kekal adil dan bermakna.

Strategi #2: Pengurusan tuntutan berasaskan data—cepat, tepat, boleh diaudit

Jawapan ringkasnya: AI mempercepat penilaian, tetapi disiplin proses menentukan kualiti hasil.

Dalam tuntutan besar, masa ialah wang. Penggunaan drone dan imejan satelit untuk menilai kerosakan membolehkan pasukan tuntutan menganggarkan skala kerugian lebih awal—contohnya mengira keluasan kerosakan dan mengenal pasti pakar yang perlu dikerahkan segera.

Di Malaysia, aplikasi yang setara (dan praktikal) termasuk:

• Penilaian awal tuntutan banjir menggunakan imej udara di kawasan terjejas
• Triaging tuntutan: mengasingkan kes mudah vs kes kompleks
• Analitik untuk mengesan pola tuntutan luar biasa merentas cawangan

“Triage” tuntutan: AI pilih keutamaan, adjuster pilih tindakan

Model triage yang berkesan biasanya membahagikan tuntutan kepada 3 laluan:

1. Laluan pantas (straight-through processing): dokumen lengkap, risiko rendah
2. Semakan pakar: kes bernilai tinggi atau melibatkan liabiliti kompleks
3. Siasatan: isyarat penipuan atau percanggahan data

AI sesuai untuk (1) dan membantu mengutamakan (2) dan (3). Tetapi keputusan akhir—terutama untuk siasatan dan penolakan tuntutan—wajib ada pengawasan manusia.

“AI mempercepat kerja, tetapi amanah pelanggan datang daripada keputusan yang boleh diterangkan.”

Itu sebabnya organisasi yang matang bukan sekadar pasang model; mereka bina audit trail: mengapa kes ditanda, data apa digunakan, siapa yang meluluskan.

Strategi #3: AI sebagai jawapan kepada jurang bakat—bukan pengganti bakat

Jawapan terus: pemimpin terbaik guna AI untuk membesarkan kemampuan staf, sambil mempercepat latihan bakat baharu.

Satu isu besar dalam insurans ialah masa untuk mahir. Dalam pelarasan kerugian kompleks, proses tradisional boleh mengambil 10–15 tahun untuk sampai tahap pakar. Ada organisasi yang memendekkan laluan ini kepada sekitar 5 tahun melalui program protégé/mentorship yang lebih tersusun dan latihan on-the-job dari hari pertama.

Di sinilah AI memainkan peranan yang ramai terlepas pandang: AI sebagai jurulatih kerja (work coach).

Contoh aplikasi yang realistik:

• Cadangan dokumen/semakan yang perlu dibuat berdasarkan jenis tuntutan
• Ringkasan kes automatik untuk staf junior sebelum sesi dengan pelanggan
• “Checklist pintar” yang mengurangkan keciciran langkah kritikal

Bila digabungkan dengan mentor manusia, staf junior belajar lebih cepat—dan staf senior tak tenggelam dalam kerja rutin.

Budaya “pemilikan kerja” + papan pemuka yang telus

Satu lagi pola kepimpinan yang konsisten: pemimpin memecahkan fungsi kepada peranan yang jelas, beri pemilikan dan akauntabiliti. AI memudahkan ini kerana metrik menjadi telus:

• Masa pusingan underwriting
• Kadar pembetulan fail tuntutan
• Nisbah tuntutan yang perlu eskalasi

Bila metrik jelas, coaching jadi tepat. Bukan marah umum—tapi bimbingan spesifik.

Strategi #4: Pengesanan penipuan dan risiko—AI perlu “guardrails”

Jawapan ringkasnya: AI membantu mengesan anomali, tetapi syaratnya jelas: kawal bias, kawal kesan sampingan.

Pengesanan penipuan ialah salah satu peluang paling kuat untuk analitik data dalam insurans. Model boleh mencari corak seperti:

• Tuntutan berulang pada lokasi/jenis kerosakan yang sama
• Kelajuan tuntutan yang luar biasa cepat/aneh
• Hubungan rangkaian (network) antara pihak terlibat

Namun, bila AI menanda seseorang sebagai “berisiko”, kesannya bukan kecil. Sebab itu pemimpin yang matang menekankan:

• Semakan manusia untuk kes yang memberi impak besar kepada pelanggan
• Ujian bias (contohnya lokasi, pekerjaan, atau demografi yang mungkin mengherotkan keputusan)
• Dokumentasi keputusan: boleh dijelaskan, boleh dipertahankan

Jika organisasi anda bercakap tentang AI tetapi tiada proses tadbir urus (governance), itu bukan transformasi—itu percubaan yang mahal.

Pelan tindakan 90 hari: mula dengan kes guna yang beri pulangan cepat

Jawapan paling berguna untuk kebanyakan pembaca: pilih 2–3 kes guna AI yang paling hampir dengan “kos kebocoran” hari ini.

Berikut pelan 90 hari yang biasanya masuk akal untuk insurer, broker, TPA, atau unit pengurusan risiko korporat:

1. Peta kerja berulang (2 minggu)
   • Senarai proses yang paling banyak guna masa: semakan dokumen, kemas kini status, rekonsiliasi data
2. Pilih 2 kes guna (2 minggu)
   • Satu untuk “kelajuan” (contoh: triage tuntutan)
   • Satu untuk “ketepatan” (contoh: pengesanan anomali penipuan)
3. Bersihkan data minimum yang perlu (3–4 minggu)
   • Fokus pada medan kritikal, bukan “kemaskan semua sekali gus”
4. Pilot tertutup + metrik jelas (4–6 minggu)
   • Metrik contoh: masa pusingan turun 20%, kes ralat turun 15%, kepuasan pelanggan naik
5. Bina guardrails (serentak)
   • Polisi semakan manusia, log keputusan, dan prosedur eskalasi

Sasaran yang realistik: bukan “AI sepenuhnya”. Sasaran yang menang: kurangkan beban kerja rutin dan naikkan konsistensi keputusan.

Penutup: AI dalam insurans ialah strategi kepimpinan, bukan projek IT

Pemimpin insurans yang menonjol dalam 12 bulan kebelakangan ini menang kerana mereka menggabungkan dua perkara yang ramai pisahkan: teknologi dan kemanusiaan. Mereka modernkan sistem untuk tarik bakat muda, percepat latihan, dan pada masa sama jaga amanah pelanggan melalui pengawasan manusia.

Jika anda sedang memikirkan langkah seterusnya dalam siri “AI dalam Insurans dan Pengurusan Risiko”, ini pendirian saya: mulakan pada tempat yang paling menyakitkan (tuntutan, underwriting, penipuan), kemudian skala dengan tadbir urus yang ketat. AI yang tak dikawal akan jadi liabiliti. AI yang dibina dengan proses yang betul akan jadi kelebihan operasi.

Apa satu proses dalam organisasi anda yang paling kerap “tersangkut”—underwriting, tuntutan, atau pengesanan penipuan—dan jika kita automasikan 30% daripadanya, berapa banyak kapasiti manusia yang boleh dibebaskan untuk kerja yang lebih bernilai?