AI dalam Insurans: Elak Hype, Kejar ROI Nyata

Banyak syarikat insurans sedang “berlari” mengejar AI—tetapi ramai juga yang berlari tanpa peta. Minggu ini (Disember 2025), topik AI generatif masih mendominasi bilik mesyuarat dan pembentangan vendor. Masalahnya, keterujaan itu sering mendahului business case.

Saya setuju dengan amaran yang semakin kerap kita dengar daripada pemimpin produk dan teknologi dalam industri: AI memang ada nilai yang nyata, cuma syarikat insurans mudah terperangkap dengan hype. Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, post ini fokus pada cara yang lebih praktikal—AI untuk underwriting, tuntutan, dan pengesanan penipuan—dengan satu soalan mudah: adakah ini mengurangkan kos, memendekkan masa proses, atau menurunkan risiko?

Kenapa syarikat insurans masih mudah terperangkap dengan hype AI

Jawapan ringkas: kerana AI kelihatan seperti penyelesaian segera kepada masalah lama—data berselerak, proses manual, dan sistem legasi. Tapi realitinya, AI yang bagus bukan bermula dengan model. Ia bermula dengan data, ukuran (measurement), dan disiplin operasi.

Dalam banyak organisasi, ada corak yang sama:

• Projek AI dimulakan kerana “pesaing pun buat”, bukan kerana KPI yang jelas.
• Pasukan cuba bina semuanya dari kosong, lalu makan masa dan belanja.
• Tiada definisi kejayaan: bila AI dianggap berjaya—3 bulan? 6 bulan? turun berapa peratus?

“AI tanpa ukuran yang ketat akan jadi hobi mahal.”

Hype juga memerangkap kerana AI generatif nampak hebat dalam demo: boleh menulis laporan, meringkaskan dokumen, atau menjawab soalan. Namun insurans ialah industri yang dikawal selia dan sangat sensitif kepada ketepatan, audit, privasi, dan keadilan (fairness). Demo tidak sama dengan produksi.

Asas yang selalu dipandang ringan: data lakehouse dan ‘data readiness’

Jawapan terus: jika data anda tidak tersusun dan boleh dipercayai, AI hanya akan mempercepatkan kekeliruan.

Banyak insurer kini melabur dalam pemodenan infrastruktur data—termasuk pendekatan data lakehouse, iaitu gabungan kekuatan data warehouse (struktur dan tadbir urus) dengan data lake (fleksibel untuk data separa berstruktur). Kelebihannya untuk insurans sangat praktikal:

Apa yang lakehouse buat dengan baik untuk operasi insurans

• Pemusatan data: polisi, sejarah tuntutan, interaksi pelanggan, telematik/IoT (jika ada), data pihak ketiga.
• Pembersihan dan penyelarasan: mengurangkan isu medan tidak konsisten, pendua pelanggan, atau dokumen hilang.
• Kitaran analitik lebih pantas: pasukan boleh uji model risiko dan pantau prestasi dengan lebih kerap.

Ini penting kerana AI dalam underwriting dan tuntutan perlukan single source of truth. Kalau “jumlah premium” dalam sistem A berbeza dengan sistem B, model AI akan belajar perkara yang salah.

Cara menilai ‘data readiness’ dalam 30 hari

Kalau anda mahu mula secara berdisiplin, buat semakan pantas:

1. Kualiti data: kadar medan kosong (missingness), pendua, ralat format.
2. Garis keturunan data (lineage): data datang dari mana, siapa ubah, bila.
3. Akses dan keselamatan: siapa boleh lihat PII, bagaimana log audit disimpan.
4. Definisi data: adakah “tuntutan ditutup” bermaksud sama merentas unit?

Kalau 4 perkara ini kabur, AI generatif bukan keutamaan. Anda perlukan kerja asas dulu—yang nampak membosankan, tapi itulah yang memberi ROI.

Gunakan AI yang sudah terbukti: 4 kes guna paling cepat beri impak

Jawapan terus: pilih kes guna yang dekat dengan aliran kerja harian dan boleh diukur dalam minggu, bukan tahun.

Ada kecenderungan untuk mengejar “AI paling canggih”. Saya lebih suka pendekatan “AI yang menjimatkan masa dan menurunkan risiko”. Berikut 4 kes guna yang sering memberi hasil lebih cepat dalam insurans.

1) Underwriting: triage risiko dan cadangan dokumen

AI boleh membantu pre-underwriting melalui:

• Klasifikasi risiko awal (contoh: rendah/sederhana/tinggi) berdasarkan ciri pemohon dan sejarah.
• Semakan kelengkapan: mengesan dokumen yang belum dihantar.
• Cadangan soalan susulan untuk kes yang “kelihatan ganjil” (outlier).

KPI yang senang diukur:

• masa kitaran underwriting (contoh: turun dari 3 hari ke 1.5 hari),
• kadar manual touch,
• kadar kesilapan input.

2) Tuntutan: ekstraksi data dokumen dan ‘next best action’

Dalam tuntutan, AI paling berguna apabila ia mengurangkan kerja membaca dokumen.

• Ekstrak tarikh kejadian, lokasi, jenis kerosakan, anggaran kos daripada PDF/gambar.
• Susun dokumen ikut kronologi.
• Cadang langkah seterusnya: perlukan laporan polis? perlu pemeriksa? cukup untuk kelulusan cepat?

KPI sesuai:

• masa dari notifikasi ke keputusan awal,
• kadar tuntutan “straight-through processing”,
• kepuasan pelanggan selepas tuntutan.

3) Pusat panggilan: analisis sentimen untuk kurangkan eskalasi

Satu contoh yang makin stabil ialah analisis sentimen semasa panggilan.

AI tidak menggantikan ejen. Ia jadi “papan pemuka emosi” secara masa nyata:

• menandakan pelanggan marah/tekan,
• mencadangkan skrip ringkas (contoh: mulakan dengan menenangkan),
• mengesan risiko aduan atau churn.

KPI sesuai:

• kadar eskalasi,
• purata masa kendalian (AHT),
• skor CSAT.

4) Pengesanan penipuan: rangkaian, corak, dan anomali

Untuk fraud, AI memberi kelebihan pada skala.

• Kenal pasti tuntutan yang berkongsi nombor telefon/alamat/bank yang sama.
• Mengesan corak tuntutan luar biasa (jumlah, masa, lokasi).
• Skor risiko fraud untuk keutamaan siasatan.

KPI sesuai:

• kadar false positive (ini kritikal),
• nilai kerugian dicegah,
• masa siasatan per kes.

Jangan lompat bahagian paling susah: measurement yang betul

Jawapan terus: tanpa measurement, AI akan kelihatan “sibuk”, tapi tidak membawa nilai.

Measurement memang memenatkan kerana ia memaksa kita membuat keputusan jelas: apa definisi berjaya, siapa pemilik KPI, dan bagaimana data prestasi dikumpul.

Rangka kerja measurement yang saya cadangkan (mudah tapi tegas)

Tetapkan 6 perkara ini sebelum projek bermula:

1. Objektif tunggal: contoh “kurangkan masa pemprosesan tuntutan sebanyak 20% dalam 90 hari”.
2. Baseline: berapa masa sekarang? jangan teka.
3. KPI utama + 2 KPI sampingan: contoh KPI utama masa kitaran; sampingan kualiti keputusan & aduan.
4. Kos sebenar: lesen, integrasi, latihan, pemantauan, kerja data.
5. Risiko & kawalan: bias, privasi, halusinasi AI generatif, audit.
6. Kriteria hentikan projek: kalau tak capai sasaran minimum, berhenti atau ubah skop.

Ayat yang saya selalu ulang dalam organisasi: “Kalau kita tak setuju cara mengukur, kita belum sedia untuk automasi.”

AI generatif: tambah nilai, tetapi tambah risiko operasi

AI generatif boleh mempercepat ringkasan, cadangan teks, dan Q&A dalaman. Tetapi ia juga membawa isu:

• Halusinasi (jawapan yakin tapi salah),
• kebocoran data jika kawalan akses lemah,
• konsistensi keputusan yang sukar dijamin.

Jadi, gunakan AI generatif di tempat yang sesuai: copilot untuk pekerja (human-in-the-loop), bukan autopilot untuk keputusan kritikal—sekurang-kurangnya pada fasa awal.

Pilih strategi ‘bina vs beli’ yang waras untuk insurans

Jawapan terus: kebanyakan insurer patut bermula dengan penyelesaian yang sudah diuji, kemudian barulah bina komponen tersuai.

Membina dari kosong nampak menarik, tapi ia biasanya melibatkan:

• integrasi sistem legasi yang rumit,
• kekurangan data latihan yang bersih,
• kos pematuhan dan audit,
• keperluan pemantauan model sepanjang masa.

Pendekatan lebih selamat:

Fasa 1 (0–12 minggu): beli + integrasi minimum

• pilih 1 kes guna (contoh: ekstraksi dokumen tuntutan),
• integrasi dengan aliran kerja sedia ada,
• ukur KPI mingguan.

Fasa 2 (3–6 bulan): optimum + automasi separa

• tambah peraturan, kawalan, dan feedback loop,
• latih semula model dengan data dalaman,
• bina papan pemuka ROI.

Fasa 3 (6–12 bulan): bina komponen unik

• bina model khusus produk/segmen,
• tambah orkestrasi proses,
• perluas ke unit lain.

Ini juga selari dengan tema siri AI dalam Insurans dan Pengurusan Risiko: mulakan pada proses yang memberi kesan kepada risiko dan kos, bukan sekadar nampak moden.

Soalan lazim (yang patut dijawab sebelum projek AI bermula)

“Boleh tak AI menggantikan underwriter atau adjuster?”

Boleh menggantikan sebahagian tugas rutin, ya. Menggantikan peranan sepenuhnya? Bukan pilihan yang bijak untuk kebanyakan produk insurans sekarang. Kombinasi terbaik ialah AI + manusia untuk keputusan berkualiti dan boleh diaudit.

“Apa punca paling biasa projek AI insurans gagal?”

Tiga punca utama: data tidak bersih, KPI kabur, dan projek tidak tertanam dalam proses harian (akhirnya jadi pilot yang tak naik produksi).

“Patut mula dengan AI generatif atau analitik tradisional?”

Mulakan dengan masalah. Kalau masalah ialah klasifikasi, skor risiko, dan anomali—analitik dan ML klasik selalunya lebih stabil. AI generatif sesuai untuk kerja bahasa: ringkasan, carian dokumen, bantuan ejen.

Penutup: AI yang berguna ialah AI yang boleh diukur

AI dalam insurans memang menjanjikan peningkatan ketara pada underwriting, tuntutan, dan pengesanan penipuan. Tapi janji itu hanya menjadi realiti bila organisasi berhenti mengejar trend dan mula mengejar ukuran: masa proses, kos operasi, kualiti keputusan, dan pengurangan kerugian.

Jika anda sedang merancang inisiatif AI untuk 2026, saya akan mulakan dengan satu langkah yang tidak glamor tetapi paling menguntungkan: pilih satu kes guna, kemaskan data minimum yang diperlukan, dan tetapkan measurement yang tegas. Dari situ barulah skala.

Anda nak AI yang nampak canggih, atau AI yang betul-betul menurunkan risiko dan menaikkan margin? Pilihan itu biasanya ditentukan oleh disiplin, bukan teknologi.