Pelajaran Metaverse: AI Kukuhkan Risiko Insurans

Kerugian kira-kira AS$70 bilion yang dikaitkan dengan eksperimen metaverse sebuah syarikat teknologi besar bukan sekadar kisah “trend yang tak menjadi”. Bagi industri insurans, ia adalah amaran yang sangat praktikal: inovasi yang memaksa perubahan tabiat pengguna secara radikal biasanya gagal—walaupun teknologinya nampak hebat di atas kertas.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya selalu nampak pola yang sama bila berbincang dengan pengurus risiko, pasukan underwriting, dan pemimpin operasi: projek digital yang berjaya bukan yang paling canggih, tetapi yang paling mudah diserap dalam aliran kerja sedia ada. Metaverse mengajar perkara itu dengan cara yang mahal.

Artikel ini memecahkan apa yang metaverse “salah langkah”, dan lebih penting: bagaimana syarikat insurans boleh menggunakan AI (termasuk AI generatif) untuk menguatkan asas pengurusan risiko—tanpa mengulangi kesilapan membina sesuatu yang pelanggan dan pekerja “tak sempat nak hidupkan”.

1) Metaverse gagal bukan sebab teknologi—tetapi sebab tabiat

Jawapan ringkasnya: metaverse tersasar kerana ia meminta orang menukar rutin harian untuk manfaat yang kecil.

Kegagalan metaverse boleh diringkaskan begini: ia memerlukan pengguna mencipta avatar, belajar cara berinteraksi dalam dunia 3D, dan memakai/perlu menggunakan perkakasan serta persekitaran baharu—sedangkan alternatif seperti panggilan video dan aplikasi mudah alih sudah cukup baik. Dalam bahasa inovasi, ia melanggar prinsip mudah: produk baharu mesti “menumpang” rutin sedia ada sebelum cuba mengubahnya.

Ada satu peraturan tidak rasmi dalam dunia teknologi: sesuatu inovasi mesti terasa jauh lebih baik (orang selalu sebut “10x lebih baik”) daripada apa yang digantikan. Metaverse bukan 10x lebih baik daripada alatan sedia ada untuk bekerja, berbincang, membeli-belah, atau membuat transaksi. Malah, untuk ramai orang, ia terasa lebih susah.

Dalam insurans, pelajaran ini sangat relevan. Banyak projek digital gagal bukan kerana model tak tepat, tetapi kerana:

• ejen/broker terpaksa buka terlalu banyak sistem
• underwriter perlu salin-tampal data berulang kali
• pasukan tuntutan tak dapat “percaya” cadangan model kerana tiada penjelasan
• pelanggan diminta buat langkah tambahan yang tak nampak nilai segera

Metaverse menjadi contoh ekstrem bagi masalah yang sama.

“Fit-to-workflow” lebih penting daripada “wow factor”

Kalau AI anda memerlukan 7 klik tambahan dan 3 skrin baharu, jangan terkejut kalau pengguna buat-buat lupa.

Sebaliknya, bila AI muncul dalam bentuk ringkas—contohnya ringkasan kes tuntutan, cadangan dokumen yang perlu, amaran fraud, atau semakan risiko automatik—pengguna akan rasa ia membantu, bukan membebankan.

2) AI dalam insurans menang bila ia “tidak mengganggu”

Jawapan terus: AI paling berkesan bila ia bekerja di belakang tabir dan menambah baik keputusan tanpa memaksa perubahan besar.

Berbanding metaverse yang meminta perubahan tingkah laku besar-besaran, banyak aplikasi AI yang berjaya dalam insurans berkongsi ciri sama: integrasi ke dalam proses sedia ada. Ini yang saya maksudkan dengan AI sebagai “penguat asas”.

Di underwriting: AI sebagai pembantu keputusan, bukan pengganti manusia

Dalam underwriting, AI yang praktikal biasanya melakukan tiga perkara:

1. Mengumpul data (contoh: rekod kerugian, profil risiko, indikator pendedahan) secara automatik
2. Membina ringkasan risiko yang mudah dihadam (contoh: “3 faktor utama yang menaikkan risiko + bukti”)
3. Mencadangkan tindakan (contoh: semak perlindungan tambahan, laraskan syarat, minta dokumen tertentu)

Hasilnya: underwriter kekal membuat keputusan, tetapi dengan konteks yang lebih lengkap dan pantas.

Di tuntutan: AI percepat keputusan, kurangkan “ping-pong” dokumen

Dalam pengurusan tuntutan, AI boleh:

• mengklasifikasikan tuntutan (mudah/sederhana/kompleks)
• mengesan anomali (tanda-tanda penipuan atau tuntutan berisiko tinggi)
• menjana ringkasan perbualan pelanggan untuk pegawai tuntutan
• mencadangkan langkah seterusnya berdasarkan polisi dan sejarah kes

Kuncinya: semua ini berlaku dalam sistem yang pegawai tuntutan memang sudah guna—bukan platform “baharu” yang memerlukan latihan berbulan-bulan.

Di pengurusan risiko: AI ramal dan cegah, bukan sekadar lapor

Pendekatan “predict & prevent” semakin kuat kerana ia selari dengan tabiat pengguna: orang tak mahu buat kerja tambahan, tetapi mereka mahu rasa selamat.

Contoh yang mudah difahami:

• peranti pemantauan elektrik yang hanya perlu dipasang pada soket
• bateri pintar untuk pengesan asap yang menghantar notifikasi ke telefon

Ini bukan sekadar IoT. Nilainya menjadi nyata bila data itu dipadankan dengan analitik ramalan—AI mengesan corak awal, lalu memacu tindakan pencegahan.

3) Risiko digital: metaverse sebagai amaran, AI sebagai “pengawal”

Jawapan jelas: bila anda mencipta ruang digital baharu, anda juga mencipta permukaan serangan baharu—AI diperlukan untuk menilai risiko sebelum insiden berlaku.

Metaverse (dan mana-mana ekosistem digital imersif) memperluas risiko:

• identiti digital (avatar, akaun, akses)
• transaksi digital (aset maya, pembayaran, pertukaran)
• privasi & data (pergerakan, biometrik, interaksi sosial)
• penipuan & manipulasi (scam, social engineering, deepfake)

Dalam konteks insurans, ini bermaksud produk dan perlindungan baharu mesti disokong oleh keupayaan menilai risiko yang lebih tajam. Di sinilah AI menjadi senjata yang realistik.

Kerangka praktikal: “Uji rutin” sebelum uji pasaran

Sebelum melancarkan inovasi digital (sama ada portal baharu, aplikasi tuntutan, atau perlindungan aset digital), uji ini dulu:

• Berapa minit tambahan pengguna perlu buat kerja?
• Berapa langkah baharu yang tak wujud sebelum ini?
• Adakah pengguna boleh dapat nilai dalam 60 saat pertama?
• Jika AI memberi cadangan, adakah ia disertakan alasan yang boleh difahami?

Kalau jawapannya membebankan, risiko projek anda bukan teknikal—ia risiko penerimaan (adoption risk).

AI untuk penilaian risiko digital (sebelum polisi dijual)

AI boleh membantu menilai risiko digital secara lebih konsisten melalui:

• pemarkahan risiko berdasarkan corak pendedahan (exposure scoring)
• analisis tingkah laku transaksi untuk mengesan risiko fraud
• pemetaan kawalan keselamatan vs risiko (control-to-risk mapping)
• pemantauan berterusan (continuous risk monitoring) untuk pelanggan korporat

Untuk pasaran Malaysia, kes penggunaan ini makin relevan kerana organisasi semakin bergantung pada platform awan, pembayaran digital, dan operasi jarak jauh—dan serangan siber pula semakin “bisnes as usual”.

4) Cara elak “projek metaverse” dalam organisasi insurans

Jawapan terus: jangan mulakan dengan teknologi; mulakan dengan kerja yang benar-benar berlaku di meja pengguna.

Banyak inisiatif AI dalam insurans tersangkut pada tempat sama: demo nampak cantik, tetapi operasi harian tak berubah. Ini pendekatan yang lebih selamat—dan saya memang cenderung menyokongnya.

4 ujian realiti sebelum melabur besar

1) Ujian aliran kerja (workflow test)

• Integrasi ke sistem utama (underwriting/claims/CRM) wajib, bukan pilihan.

2) Ujian data (data readiness test)

• Jika data asas kotor, AI hanya mengautomasikan kekeliruan.
• Fokus awal: standardisasi medan, kamus data, dan kualiti input.

3) Ujian kepercayaan (trust test)

• Pengguna perlu tahu “kenapa” model cadangkan sesuatu.
• Gunakan penjelasan ringkas: faktor utama, bukti, dan tahap keyakinan.

4) Ujian nilai (value test)

• Tetapkan metrik yang orang peduli:
  • masa pemprosesan tuntutan turun (contoh sasaran: 20–30%)
  • kadar rujukan manual berkurang
  • penemuan fraud meningkat
  • kepuasan pelanggan meningkat (CSAT/NPS)

Jika anda tak boleh nyatakan metrik nilai sebelum membina, anda sedang membeli “metaverse versi anda sendiri”.

“Mulakan kecil” bukan alasan untuk kekal kecil

Projek AI yang berjaya biasanya bermula dengan kes penggunaan kecil tetapi boleh diskalakan:

• ringkasan automatik fail tuntutan
• semakan dokumen hilang
• cadangan pertanyaan susulan untuk ejen
• triage tuntutan berdasarkan kerumitan

Lepas itu barulah tambah automasi keputusan yang lebih sensitif.

5) Soalan lazim: apa maksudnya untuk pelanggan dan pengendali insurans?

Jawapan ringkas: pelanggan mahukan pengalaman lebih mudah; pengendali mahukan keputusan lebih tepat—AI boleh beri kedua-duanya jika reka bentuknya berasaskan rutin.

“Adakah AI akan menggantikan underwriter atau adjuster?”

Dalam realiti operasi, AI yang paling berguna ialah AI yang mengurangkan kerja remeh dan meningkatkan konsistensi—bukan mengambil alih pertimbangan profesional. Underwriter dan adjuster berurusan dengan nuansa: pengecualian polisi, konteks pelanggan, bukti, dan rundingan. AI membantu mereka sampai ke keputusan lebih cepat.

“Bagaimana nak pastikan AI tak tambah risiko pematuhan?”

Gunakan tatakelola (governance) yang jelas:

• log keputusan (audit trail)
• kawalan akses data
• semakan bias dan ketaksamarataan (fairness)
• proses kelulusan model (model approval) dan pemantauan drift

AI tanpa governance ialah risiko operasi yang menyamar sebagai inovasi.

Penutup: Jangan kejar dunia baharu kalau asas masih rapuh

Pelajaran metaverse yang paling tajam ialah ini: orang takkan ubah rutin semata-mata kerana kita teruja dengan teknologi. Industri insurans yang menang pada 2026 bukan yang paling bising tentang trend, tetapi yang paling konsisten menguatkan asas—data, aliran kerja, keputusan, dan pengalaman pelanggan.

Kalau anda sedang merancang inisiatif AI dalam underwriting, tuntutan, atau penilaian risiko digital, saya cadangkan mulakan dengan satu soalan yang tegas: adakah AI ini memudahkan kerja yang sudah berlaku, atau memaksa cara kerja baharu yang tiada siapa minta?

Untuk kempen AI dalam Insurans dan Pengurusan Risiko, inilah peluangnya: jadikan AI “penjaga risiko digital” yang benar-benar digunakan setiap hari—bukan projek pameran yang cantik di slaid.