AI dalam Insurans: Apa Makna Pertukaran CEO & EVP?

Peralihan kepimpinan dalam syarikat insurans jarang berlaku “sekadar tukar nama di kad bisnes”. Ia biasanya petanda: strategi akan dikemas kini, bajet akan dialih, dan keutamaan operasi akan disusun semula. Berita pada 12/12/2025 tentang dua langkah kepimpinan di FM dan Penn National di AS nampak ringkas—lantikan EVP, perancangan pertukaran CEO, dan pelantikan senior VP. Tapi bagi sesiapa yang serius dengan AI dalam insurans dan pengurusan risiko, ini isyarat yang lebih besar.

Saya berpandangan begini: bila organisasi besar mengumumkan transisi kepimpinan dengan garis masa yang jelas (contohnya Penn National bermula 05/01/2026), mereka sedang menyediakan “ruang perubahan”. Ruang inilah yang selalunya paling sesuai untuk mempercepat automasi tuntutan, AI underwriting, serta pengesanan penipuan—kerana struktur keputusan dan mandat kerja sedang disusun semula.

Fokus artikel ini bukan gosip korporat. Kita akan gunakan perkembangan FM dan Penn National sebagai cermin untuk memahami bagaimana perubahan kepimpinan boleh mempercepat penerapan AI, apa yang patut dilakukan oleh pengurus risiko, broker, dan pemimpin operasi—dan bagaimana untuk mengelakkan perangkap biasa bila AI dimasukkan ke proses teras.

Mengapa pertukaran kepimpinan sering jadi pemangkin AI

Jawapan terus: pemimpin baharu biasanya membawa KPI baharu, dan KPI baharu perlukan cara kerja baharu. Dalam insurans, cara kerja baharu yang paling cepat memberi impak ialah AI—sebab ia menyentuh tiga pusat kos/hasil paling besar: pemilihan risiko, pengurusan tuntutan, dan pencegahan kerugian.

Bila FM melantik Johnell Holly (EVP operasi AS & Amerika Latin) dan James O’Brien (EVP perniagaan specialty), organisasi sedang menghantar mesej bahawa operasi serantau, broker relations, dan specialty lines diberi perhatian tinggi. Specialty lines pula lazimnya “data-heavy” dan kompleks—tempat AI memberi pulangan pantas jika dibuat betul.

Untuk Penn National, pelan transisi yang jelas—Robert Brandon jadi CEO sebelum bersara pada 01/07/2026 dan John Foster mengambil alih selepas itu—memberi masa untuk projek transformasi yang biasanya sukar dijalankan tanpa kestabilan. Tambah pula pelantikan Randal Mancini sebagai SVP operasi insurans (meliputi underwriting, field ops, distribution, claims). Itu struktur yang sangat sesuai untuk menyatukan AI merentasi hujung-ke-hujung rantaian nilai.

3 sebab AI “senang” bergerak bila kepimpinan bertukar

1. Mandat standardisasi proses Pemimpin baharu kerap mahu kurangkan variasi proses antara unit/region. AI perlukan data yang konsisten; standardisasi membuka jalan.

2. Tekanan untuk bina kelebihan operasi Dalam pasaran premium yang kompetitif, penjimatan minit dalam tuntutan atau ketepatan underwriting boleh jadi perbezaan margin.

3. Kesediaan untuk ubah struktur data & sistem Pembaharuan platform (core, data lake, integrasi) selalunya hanya lulus bila ada “momentum” organisasi.

FM: pendekatan berteras kejuruteraan + peluang AI untuk pencegahan risiko

Jawapan terus: FM terkenal dengan engineering-driven underwriting; AI boleh memperluas kekuatan itu daripada pemeriksaan fizikal semata-mata kepada ramalan risiko operasi yang lebih luas.

Dalam berita tersebut, FM turut mendapat pengesahan penarafan kekuatan kewangan (AA- dengan unjuran stabil) dan disebut mempunyai kapitalisasi yang cemerlang serta pendapatan operasi konsisten. Bila syarikat berada dalam posisi kewangan yang kukuh, mereka ada dua pilihan: selesa dengan status quo, atau melabur untuk jadi lebih tangkas. Saya akan pilih yang kedua—terutamanya pada 2026, bila tekanan risiko iklim, gangguan rantaian bekalan, dan risiko siber semakin menyatu.

Di mana AI paling “kena” untuk FM dan pemain serupa

1) AI untuk pencegahan kerugian (loss prevention) yang lebih pintar

• Menggabungkan data audit keselamatan, laporan pemeriksaan, dan rekod penyelenggaraan untuk mengesan pola awal.
• Model ramalan boleh memberi “amaran awal” sebelum kerosakan besar berlaku.

2) Underwriting specialty yang lebih konsisten Specialty (contohnya tenaga boleh diperbaharui, cargo, boiler & machinery) biasanya perlukan penilaian yang mendalam. AI boleh:

• Menyusun dokumen submission (PDF, e-mel, laporan) kepada data berstruktur.
• Menyeragamkan faktor risiko utama supaya keputusan underwriting tak terlalu bergantung pada individu.

3) Pengoptimuman hubungan broker & jualan Holly mengekalkan fokus pada broker relations dan sales. AI boleh membantu di sini tanpa “mengganggu” hubungan manusia:

• Cadangan next-best-action (contohnya dokumen apa yang kurang, risiko apa yang perlu ditanya)
• Skor kesediaan submission untuk mempercepat sebut harga

Satu ayat yang saya selalu pegang: AI yang baik dalam insurans bukan menggantikan jurutera risiko—ia mengurangkan kerja remeh supaya mereka sempat fokus pada risiko yang betul.

Penn National: transisi CEO yang tersusun = masa terbaik kemas proses tuntutan

Jawapan terus: bila organisasi menetapkan tarikh transisi (05/01/2026) dan garis penggantian CEO (01/07/2026), itu membuka ruang untuk program 6–12 bulan yang fokus pada AI dalam pengurusan tuntutan dan automasi operasi.

Dalam berita, Penn National menyatakan beberapa angka penting: penarafan A pada 2023, melepasi USD1 bilion premium langsung tahunan pada 2024, dan surplus USD906.6 juta setakat 30/09/2025. Angka ini bukan sekadar “megah”—ia menunjukkan skala operasi yang cukup besar untuk mendapat manfaat besar daripada automasi.

4 kegunaan AI yang biasanya beri pulangan cepat (90–180 hari) di pihak insurer berskala sederhana-besar

1) Triaging tuntutan secara automatik

• Mengelas tuntutan: mudah / sederhana / kompleks
• Menghala kepada adjuster yang sesuai
• Mengurangkan masa menunggu pelanggan (masa ini yang selalu jadi punca aduan)

2) Semakan dokumen dan ekstraksi data

• AI OCR + NLP untuk mengeluarkan maklumat daripada laporan polis, invois, gambar kerosakan
• Kurangkan ralat input manual

3) Pengesanan penipuan (fraud detection) berasaskan pola

• Skor risiko penipuan (bukan “menghukum”, tapi mencadangkan semakan tambahan)
• Menandakan tuntutan yang ada ciri-ciri aneh: masa kejadian, lokasi, sejarah tuntutan, hubungan pihak terlibat

4) Analitik ramalan untuk pengurusan rizab (reserving)

• Menjangka kos akhir tuntutan lebih awal
• Membantu pengurusan modal dan perancangan hasil

Untuk pelantikan Randal Mancini yang meliputi underwriting, field ops, distribution, dan claims—ini sangat penting. Banyak projek AI gagal kerana dibina “dalam silo”. Bila satu pemimpin memegang keseluruhan rantai operasi, integrasi AI hujung-ke-hujung jadi lebih realistik.

Dari berita ke tindakan: pelan 6 langkah AI yang praktikal untuk insurer & pengurus risiko

Jawapan terus: mulakan dengan satu proses bernilai tinggi, ukur impak, kemudian skala—bukan beli 10 alat AI sekaligus.

Berikut pelan yang saya cadangkan (sesuai untuk insurer, TPA, broker besar, atau unit pengurusan risiko korporat):

1) Pilih “use case” yang jelas dan boleh diukur

Contoh paling mudah untuk bermula:

• Automasi triage tuntutan
• Ekstraksi data submission underwriting
• Skor risiko penipuan untuk semakan tambahan

Tetapkan metrik sebelum mula:

• Masa pusingan tuntutan (cycle time)
• Kadar rujukan semula (rework)
• Ketepatan klasifikasi
• Kepuasan pelanggan (CSAT/NPS)

2) Audit data: kualiti mengalahkan kuantiti

AI underwriting dan AI tuntutan hidup-mati pada data. Cari isu ini:

• Medan penting kosong (contohnya punca kerugian, jenis aset, tarikh efektif)
• Format tidak konsisten antara cawangan
• Dokumen tidak berlabel (tiada ground truth)

3) Tentukan “human-in-the-loop” dari awal

Dalam insurans, keputusan perlu boleh dijelaskan. Tetapkan:

• AI buat cadangan, manusia putuskan
• Ambang skor untuk semakan manual
• Log keputusan untuk audit

4) Bina kawalan risiko model (model risk management)

AI juga membawa risiko: bias, drift, dan salah tafsir.

• Uji model pada segmen pelanggan berbeza
• Pantau drift setiap bulan
• Sediakan proses override dan eskalasi

5) Susun perubahan kerja (change management), bukan sekadar sistem

Ramai orang takut AI sebab mereka nampak ia sebagai “pemotong kerja”. Cara yang lebih sihat:

• Letakkan AI sebagai pembantu untuk kerja berulang
• Latih adjuster/underwriter membaca output model
• Wujudkan KPI baharu yang adil (bukan semata-mata laju)

6) Skala hanya selepas 1–2 kejayaan kecil yang nyata

Satu projek yang berjaya akan memudahkan pembiayaan projek kedua.

Soalan yang biasa ditanya tentang AI dalam insurans (dan jawapan terus)

“Kalau ada AI, adakah keputusan underwriting jadi automatik sepenuhnya?”

Tidak sepatutnya—sekurang-kurangnya untuk risiko kompleks. Automasi penuh sesuai untuk risiko standard; untuk risiko besar/specialty, AI patut mempercepat analisis dan konsistenkan penilaian, bukan menggantikan pertimbangan profesional.

“Adakah AI akan buat tuntutan dibayar lebih lambat sebab banyak semakan?”

Kalau direka dengan betul, biasanya lebih cepat. AI patut mempercepat tuntutan mudah (straight-through processing) dan hanya menambah semakan pada kes yang benar-benar ada bendera risiko.

“Apa kesilapan paling mahal bila syarikat mula projek AI?”

Mula dengan alat, bukan masalah. Bila vendor dipilih dulu tanpa definisi proses, organisasi akan dapat dashboard cantik tetapi operasi tak berubah.

Apa maksud semua ini untuk 2026: kepimpinan baharu, mandat baharu, disiplin baharu

Pertukaran kepimpinan di FM dan Penn National menunjukkan satu perkara yang ramai terlepas pandang: transformasi digital dalam insurans bukan bermula dari IT—ia bermula dari mandat operasi. Lantikan EVP dan rancangan penggantian CEO selalunya datang bersama keperluan untuk menurunkan kos, mempercepat perkhidmatan, dan menambah ketepatan risiko. AI ialah cara paling praktikal untuk capai ketiga-tiganya jika disokong data dan tadbir urus yang betul.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya akan terus tegas tentang satu prinsip: jangan kejar AI kerana trend. Kejar AI kerana ia menyelesaikan titik sakit yang spesifik—underwriting lambat, tuntutan tertunggak, penipuan yang licik, atau penilaian risiko yang tak konsisten.

Kalau anda sedang menilai projek AI untuk underwriting atau tuntutan pada 2026, ini masa yang sesuai untuk bertindak: pilih satu use case, ukur impak dalam 90 hari, dan bina pelan skala. Bila kepimpinan sedang menyusun semula keutamaan, organisasi yang datang dengan cadangan yang jelas dan boleh diukur akan menang.

Jadi persoalan yang patut anda bawa ke mesyuarat seterusnya bukan “kita nak guna AI atau tidak?”.

Persoalan yang lebih berguna: proses mana yang paling patut dibantu AI supaya keputusan risiko kita lebih cepat, lebih konsisten, dan lebih adil?