AI dalam Insurans: Kenapa ROI Tersekat oleh Sistem Lama

Pada 2024, beberapa kajian industri menunjukkan lebih separuh organisasi global sudah menggunakan AI dalam sekurang-kurangnya satu fungsi perniagaan, dan sektor insurans antara yang paling agresif mencuba automasi untuk underwriting dan tuntutan. Tapi ada satu pola yang saya nampak berulang kali: AI bergerak laju, ROI bergerak perlahan.

Masalahnya jarang bermula pada model AI itu sendiri. Ia biasanya tersekat pada tempat yang kurang glamor—sistem legasi, data bersepah, dan integrasi yang rapuh. Syarikat insurans boleh ada pasukan data saintis yang hebat, model ramalan yang tepat di makmal, dan PoC yang nampak “menjadi”. Namun bila nak masuk produksi, proses jadi lambat, kos naik, dan akhirnya AI hanya jadi “projek sampingan” yang tak mengubah operasi teras.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko” ini, saya nak ambil pendirian jelas: kalau anda serius tentang AI untuk underwriting, pengurusan tuntutan, penilaian risiko, dan pengesanan penipuan, anda perlukan pendekatan berasaskan platform—bukan tampalan integrasi satu demi satu.

Apa sebenarnya yang menahan AI dalam insurans?

Jawapan paling tepat: AI tersekat bila ia tak boleh “hidup” dalam aliran kerja (workflow) sebenar. Insurans bukan sekadar analitik; ia operasi harian—quote, bind, endorsement, tuntutan, siasatan, pembayaran, pemulihan (recovery), dan audit.

Apabila AI tak terintegrasi secara natif dalam sistem teras (core system), ia jadi:

• Model yang hanya wujud di dashboard, bukan di keputusan.
• Automasi yang perlukan “manual handoff” (staf perlu salin data dari satu sistem ke sistem lain).
• Inisiatif AI yang terhenti di PoC kerana risiko pematuhan dan keselamatan.

1) Sistem legasi: “hutang teknikal” yang memakan ROI

Banyak insurer masih bergantung pada mainframe, sistem polisi/tuntutan lama, dan integrasi point-to-point yang dibina bertahun-tahun. Masalah utama bukan usia sistem semata-mata—tetapi cara sistem itu menyimpan dan mengekspos data.

Kesan langsung kepada ROI AI:

• Kos integrasi tinggi: setiap model baru perlukan saluran data baru.
• Kitaran pelepasan (release cycle) perlahan: perubahan kecil mengambil minggu/bulan.
• Data tak konsisten: definisi “tarikh kejadian”, “tarikh notis”, “reserve”, “status tuntutan” berbeza antara sistem.

“AI yang terbaik pun tak bernilai kalau ia tak sampai ke skrin adjuster atau underwriter pada masa keputusan dibuat.”

2) Data berpecah: banyak sumber, satu kebenaran tiada

AI underwriting dan AI tuntutan memerlukan gabungan data:

• Data polisi (coverage, limit, endorsement)
• Data tuntutan (FNOL, nota adjuster, invois, gambar)
• Data pihak ketiga (contoh: telematik, geospatial, rekod perniagaan)
• Data risiko (pendedahan bencana, sejarah kerugian)

Bila data ini berada dalam silo, pasukan AI terpaksa bina pipeline khas yang rapuh. Akhirnya, masa 80% habis pada penyediaan data, 20% pada pembinaan model—dan bila ada perubahan kecil pada sumber data, semuanya rosak.

3) Jurang operasi: AI wujud, tetapi tidak “actionable”

Ramai organisasi berhenti pada skor ramalan.

Contoh: model fraud memberi skor 0–1. Tetapi soalan sebenar dalam operasi ialah:

• Bila skor melepasi ambang, siapa menerima tugasan?
• Apakah tindakan standard (minta dokumen tambahan, rujuk SIU, hold payment)?
• Bagaimana kita jejak outcome untuk latihan semula (retraining)?

Tanpa closed-loop workflow, AI tidak membina pembelajaran organisasi. Ia kekal sebagai alat “cadangan”, bukan enjin keputusan.

Kenapa PoC AI nampak berjaya, tapi produksi gagal?

Jawapan ringkas: PoC hanya menguji ketepatan model; produksi menguji realiti organisasi.

1) “Data makmal” lebih bersih daripada data sebenar

Dalam PoC, data biasanya telah dibersihkan, disampel, dan disusun. Dalam produksi, realiti termasuk:

• Medan kosong
• Format berlainan antara cawangan
• Nota bebas (free text) dalam pelbagai bahasa/campuran bahasa
• Dokumen tidak standard (PDF, imej kabur)

2) Pematuhan, audit, dan kebolehan jelaskan keputusan

Insurans sangat sensitif: keputusan underwriting dan tuntutan perlu boleh dipertahankan.

Soalan yang akan muncul:

• Model gunakan ciri apa untuk menolak permohonan?
• Adakah ada bias terhadap segmen tertentu?
• Boleh audit semula keputusan 6–12 bulan kemudian?

Bila organisasi tiada platform yang menyokong governance, model sering “dibekukan” walaupun prestasinya bagus.

3) AI bertembung dengan KPI operasi

Adjuster diukur pada masa penyelesaian, underwriter pada pertumbuhan & loss ratio, SIU pada hit rate. Kalau AI menambah langkah kerja (contoh: lebih banyak semakan manual) tanpa reka bentuk proses yang kemas, staf akan mengelak menggunakannya.

AI perlu menjimatkan masa, bukan menambah beban.

Pendekatan berasaskan platform: cara paling realistik untuk capai ROI

Jawapannya bukan sekadar beli lebih banyak alat. Jawapannya ialah platform AI untuk insurans yang menyatukan data, integrasi, governance, dan automasi workflow.

Platform yang baik menjadikan AI sebahagian daripada “sistem saraf” operasi.

Apa maksud “platform-based” dalam konteks insurans?

Secara praktikal, pendekatan platform bermaksud anda bina (atau guna) lapisan yang konsisten untuk:

1. Integrasi data standard (API, event stream, connectors)
2. Data model bersama (definisi seragam untuk polisi, tuntutan, risiko)
3. Model lifecycle (deployment, monitoring, retraining, versioning)
4. Governance (audit trail, akses, fairness checks)
5. Workflow orchestration (tugasan, approval, SIU routing, dokumentasi)

Bila ini wujud, setiap kes guna (use case) baru—fraud detection, triage tuntutan, penilaian risiko, pricing—tidak bermula dari kosong.

ROI yang lebih cepat datang daripada “reuse”, bukan satu model

Insurer yang berjaya biasanya nampak ROI kerana mereka:

• Guna semula data pipeline untuk banyak use case
• Guna semula modul document AI (OCR, klasifikasi dokumen) untuk tuntutan berbeza
• Standardkan cara model masuk workflow (contoh: “skor risiko” sentiasa ada tindakan seterusnya)

ROI AI bukan magis. Ia matematik operasi: kurangkan minit kerja per kes, kurangkan kebocoran tuntutan, kurangkan ralat, percepat keputusan.

Contoh use case: bagaimana platform menjadikan AI “melekat” pada proses

Berikut beberapa contoh yang biasa membawa impak paling cepat dalam AI dalam insurans—terutamanya bila disokong platform.

1) Underwriting: penilaian risiko automatik + semakan pintar

Jawapan terus: AI underwriting berkesan bila ia membezakan kes mudah vs kompleks, dan menghantar kes kompleks kepada underwriter bersama sebabnya.

Apa yang platform buat:

• Tarik data polisi, pendedahan risiko, dan sejarah kerugian dalam satu paparan
• Jana skor risiko + penjelasan (contoh: lokasi banjir, okupansi berisiko)
• Auto-flag untuk semakan (contoh: mismatch alamat, limit luar kebiasaan)

Kesan yang biasanya dicari:

• Masa pemprosesan quote lebih cepat
• Konsistensi keputusan underwriting
• Pengurangan leakage akibat maklumat tak lengkap

2) Tuntutan: triage FNOL dan “next best action”

Jawapan terus: AI tuntutan memberi ROI bila ia mengurangkan kerja awal—pengelasan kes, keutamaan, dan kelengkapan dokumen.

Dengan platform:

• Sistem auto-klasifikasikan jenis tuntutan
• Cadangkan laluan (straight-through processing vs siasatan)
• “Checklist” dokumen dijana automatik berdasarkan jenis kerugian

Hasil yang praktikal:

• Kurang ping-pong antara pelanggan dan adjuster
• Masa kitaran tuntutan turun
• Pengalaman pelanggan lebih konsisten—penting menjelang musim hujung tahun bila volum tuntutan tertentu boleh meningkat

3) Pengesanan penipuan: daripada skor kepada tindakan SIU

Jawapan terus: Fraud detection hanya berbaloi bila skor membawa tindakan yang terurus dan boleh diaudit.

Platform memastikan:

• Skor fraud trigger tugasan SIU
• Simpan bukti/penjelasan ciri utama (audit trail)
• Jejak keputusan siasatan untuk latihan semula model

Penipuan insurans bukan semata-mata “tangkap”. Ia juga soal mencegah kebocoran dan mengekalkan pemegang polisi yang jujur daripada proses yang menyusahkan.

4) Analisis ramalan: dari laporan bulanan ke keputusan harian

Ramai organisasi ada predictive analytics, tapi hanya untuk laporan.

Platform membolehkan:

• Amaran awal kenaikan severity di portfolio tertentu
• Pelarasan strategi (contoh: underwriting rules, semakan dokumen, rujukan pakar)
• Pemantauan drift (bila corak risiko berubah, model perlu dilaras)

Pelan 90 hari: langkah praktikal untuk buka laluan ROI AI

Kalau anda berada di pihak insurer (IT, data, operasi, risiko), ini urutan yang saya rasa paling realistik.

Hari 1–30: pilih 1 use case yang “teras” dan ukur baseline

Pilih use case yang:

• Menyentuh volum tinggi (contoh: tuntutan motor/kemalangan kecil)
• Ada proses jelas
• Ada metrik boleh diukur

Tetapkan baseline:

• Purata masa kitaran (hari)
• Kos per kes
• Kadar rujukan manual
• Kadar kebocoran (leakage) atau ralat

Hari 31–60: bina lapisan platform minimum (MVP)

Fokus pada asas:

• Integrasi API ke sistem teras (walaupun hanya beberapa endpoint kritikal)
• Data model ringkas tetapi konsisten
• Logging + audit trail untuk keputusan AI

Hari 61–90: tutup gelung (closed loop) dalam workflow

Ini yang membezakan AI “demo” vs AI “operasi”:

• Skor AI mesti memicu tindakan
• Outcome mesti direkod (betul/salah, diteruskan/ditolak, pulangan siasatan)
• Monitoring drift dan prestasi dimulakan sejak hari pertama

Jika AI anda tak ada butang tindakan dan tak ada outcome, itu bukan transformasi. Itu analitik hiasan.

Apa yang patut anda tanya vendor/partner platform AI insurans?

Soalan ini membantu tapis penyelesaian yang cantik di slaid tetapi rapuh di lapangan:

1. Bagaimana integrasi dengan sistem legasi dibuat—API, batch, atau event-driven?
2. Bagaimana audit trail disimpan untuk setiap keputusan AI?
3. Bagaimana model dipantau (drift, bias, performance) dan bila retraining berlaku?
4. Boleh tak platform menyokong workflow: tugasan, approval, routing SIU?
5. Berapa cepat satu use case baru boleh dilancarkan menggunakan komponen sedia ada?

Penutup: AI yang memberi ROI ialah AI yang masuk ke operasi

AI dalam insurans bukan kekurangan idea. Sektor ini sudah penuh dengan PoC untuk underwriting, pengurusan tuntutan, penilaian risiko, pengesanan penipuan, dan analisis ramalan. Yang menahan ROI ialah sistem lama dan integrasi yang tak berskala.

Pendekatan berasaskan platform memberi jalan keluar yang paling praktikal: satukan data, standardkan integrasi, urus governance, dan jadikan AI sebahagian daripada workflow harian. Bila itu berlaku, ROI tak lagi bergantung pada satu model “hebat”—ia datang daripada penambahbaikan kecil yang berulang di ribuan kes.

Kalau anda sedang merancang roadmap 2026, soalan yang patut dibawa ke mesyuarat bukan “model apa kita nak bina?”. Soalannya: platform apa yang membolehkan model masuk ke proses teras tanpa memecahkan sistem legasi setiap kali?