AI Tangani Krisis ‘Silver Tsunami’ Pengetahuan Insurans

Hampir separuh tenaga kerja insurans P&C (harta & liabiliti) dijangka bersara dalam lima tahun akan datang. Ini bukan sekadar isu kekurangan orang—ini isu kehilangan ingatan organisasi: cara underwriter senior “membaca” risiko, naluri penyiasat tuntutan yang terbina puluhan tahun, dan pengetahuan operasi yang tak pernah ditulis.

Pada 21/12/2025, ramai organisasi sedang menutup tahun dengan “post-mortem” projek digital. Di sinilah realitinya: banyak program AI gagal bukan sebab model lemah, tetapi sebab pengetahuan asas tak kemas. Bila pakar bersara, syarikat bukan saja kehilangan kepakaran—mereka kehilangan “jawapan betul” yang sepatutnya menjadi rujukan untuk automasi, pematuhan, dan pengalaman pelanggan.

Artikel asal menyebut dua nombor yang patut mengganggu tidur sesiapa yang memimpin insurans: 93% CxO bimbang tentang kebocoran pengetahuan, tetapi 93% juga tidak menangkap pengetahuan secara konsisten sebelum staf keluar. Jurang bimbang–buat ini yang mencetuskan krisis. Saya berpandangan, jalan keluar yang praktikal ialah membina infrastruktur pengetahuan dipercayai dan menggunakan AI sebagai mesin menangkap pengetahuan harian, bukan sekadar chatbot cantik.

‘Silver Tsunami’ dalam insurans: masalah sebenar bukan headcount

Jawapan ringkas: yang hilang ialah konteks dan pertimbangan, bukan hanya tenaga kerja.

Bila underwriter berpengalaman bersara, yang pergi bersama mereka termasuk:

• “Pattern recognition” untuk risiko kompleks (contoh: gabungan lokasi, jenis pembinaan, sejarah kerugian, dan perlindungan tambahan).
• Cara membuat keputusan bila data tak lengkap—situasi paling kerap dalam dunia sebenar.
• Taktik pengendalian tuntutan: apa yang perlu disoal dulu, dokumen mana kritikal, bila perlu eskalasi.
• Pengetahuan pematuhan: apa yang boleh/ tak boleh dinyatakan kepada pelanggan, skrip yang selamat, dan sebab di sebalik prosedur.

Kesan langsung kepada pengurusan risiko:

1. Underwriting jadi tidak konsisten (risiko “standard” diluluskan/ditolak mengikut siapa yang bertugas).
2. Tuntutan jadi lambat (lebih banyak rujukan kepada supervisor yang semakin kurang).
3. Pematuhan terdedah (jawapan atau tindakan bercanggah dengan polisi dalaman/keperluan regulator).
4. CX jatuh (pelanggan rasa “kena ulang cerita” dan staf frontliner nampak ragu-ragu).

Dalam siri AI dalam Insurans dan Pengurusan Risiko, ini titik penting: AI paling bernilai bila ia memendekkan jurang pengalaman—bukan menggantikan manusia, tetapi memastikan staf baharu boleh membuat keputusan yang setanding dengan “orang lama” lebih cepat.

Kenapa tangkap pengetahuan secara manual memang akan tewas

Jawapan terus: kaedah manual tak skala, dan ia tak boleh mengalahkan kelajuan persaraan.

Menurut dapatan yang dikongsi dalam artikel, 83% organisasi masih guna kaedah manual seperti pemindahan orang-ke-orang dan dokumentasi yang memakan masa. Halangan terbesar pula ialah masa (62%) dan sumber (41%). Itu logik—operasi insurans sentiasa sibuk; siapa ada masa menulis “buku panduan” sempurna?

Masalah tambahan yang jarang dibincang secara jujur:

Pengetahuan insurans banyak yang “tacit” (tersirat)

Pengetahuan terbaik bukan ayat dalam SOP; ia muncul bila staf menangani kes sebenar. Contoh mudah: adjuster berpengalaman tahu bila sesuatu tuntutan nampak normal di atas kertas tetapi “bau dia lain”—dan mereka tahu soalan susulan yang tepat.

Dokumen statik cepat lapuk

Polisi berubah, garis panduan pematuhan dikemas kini, appetite risiko bertukar ikut keadaan pasaran. Dokumen yang ditulis bulan ini boleh jadi “bahaya” tiga bulan kemudian.

Silos memusnahkan nilai AI

Banyak syarikat cuba letak AI di atas repositori yang berselerak. Hasilnya “garbage in, garbage out”: AI jawab laju, tapi salah—dan salah dalam insurans boleh jadi kos tuntutan, aduan regulator, atau litigasi.

AI bukan bermula dengan chatbot—ia bermula dengan pengetahuan yang boleh dipercayai

Jawapan jelas: AI dalam insurans hanya selamat bila organisasi ada ‘trusted knowledge’.

Artikel asal menyebut 87% carrier belum mengoperasikan AI untuk automasi pengetahuan. Dua sebab utama: pematuhan (59%) dan ketepatan jawapan (38%). Ini bukan alasan—ini isu sebenar.

Bagi saya, pendekatan yang menang ialah membina trusted knowledge infrastructure dengan prinsip berikut:

1. Satu sumber kebenaran (single source of truth) untuk jawapan operasi kritikal.
2. Jejak audit: siapa meluluskan kandungan, bila ia dikemas kini, versi mana digunakan.
3. Peraturan pematuhan ‘in the workflow’: semakan automatik pada frasa/kenyataan berisiko.
4. Kandungan boleh dicari dan “AI-ready”: struktur jelas, istilah konsisten, metadata tepat.

Satu ayat yang saya pegang: AI yang laju tapi tak boleh dipercayai akan menambah risiko, bukan mengurangkannya.

Apa yang AI patut automasikan (secara realistik)

AI bukan sekadar menjawab soalan; ia patut membantu anda “mencetak” pengetahuan dari kerja harian:

• Mengenal pasti soalan pelanggan/agen yang paling kerap dan paling berimpak (volume, nilai, kompleksiti).
• Mencari jawapan “gold-standard” daripada interaksi ejen terbaik dan perbualan SME.
• Menukar flowchart prosedur menjadi panduan langkah demi langkah dalam sistem tuntutan/underwriting.
• Menghasilkan draf artikel pengetahuan mengikut nada jenama untuk disemak manusia (human-in-the-loop).
• Menganalisis jurang: topik mana banyak eskalasi, mana paling banyak salah faham.

Ini selari dengan sasaran kempen: AI menguatkan underwriting, penilaian risiko, dan pengurusan tuntutan dengan memastikan pengetahuan organisasi tidak “bocor”.

Pelan 90 hari: cara mula tanpa memecahkan operasi

Jawapan ringkas: mula kecil, ukur, kemudian kembangkan—dengan pematuhan dari hari pertama.

Ramai pemimpin terperangkap antara dua ekstrem: buat projek AI besar-besaran atau tak buat langsung. Ada cara tengah yang praktikal.

Fasa 1 (Hari 1–30): Pilih “use case” yang senang menang

Pilih satu proses yang:

• kerap berlaku,
• ada risiko pematuhan jika silap,
• menyebabkan masa menunggu pelanggan,
• dan ada data perbualan/rekod yang wujud.

Contoh dalam insurans (umum):

• Soalan perlindungan/pengecualian polisi yang sering mengelirukan.
• Semakan dokumen awal untuk tuntutan tertentu.
• Garis panduan underwriting untuk kelas risiko popular.

Hasil yang perlu ada pada hujung bulan pertama:

• Senarai 30–50 soalan utama.
• “Jawapan rujukan” yang diluluskan SME.
• Struktur artikel pengetahuan yang standard.

Fasa 2 (Hari 31–60): Automasi tangkapan pengetahuan + semakan manusia

Di sini AI berperanan menghasilkan draf, mengklasifikasi isu, dan mencadangkan jawapan—tetapi:

• SME meluluskan kandungan.
• Pematuhan menandakan frasa sensitif.
• Versi kandungan dikawal.

KPI yang saya suka (mudah dan bermakna):

• Penurunan masa mencari jawapan (contoh: dari 6 minit ke 2 minit).
• Kadar eskalasi (berapa banyak kes perlu supervisor).
• Kadar pembetulan (berapa kerap jawapan AI perlu diperbetul).

Fasa 3 (Hari 61–90): “Embed” pengetahuan ke dalam sistem kerja

Nilai paling besar datang bila pengetahuan muncul dalam skrin kerja—bukan dalam portal berasingan.

• Dalam sistem tuntutan: cadangan soalan susulan, checklist dokumen, amaran pematuhan.
• Dalam underwriting: panduan appetite, faktor risiko utama, rujukan klausa.
• Dalam khidmat pelanggan/agen: jawapan ringkas yang konsisten dengan polisi.

Jika dibuat kemas, organisasi boleh menghampiri manfaat seperti yang disebut dalam artikel: pecutan besar dalam penciptaan/kurasi pengetahuan dan masa untuk melihat nilai.

Soalan lazim (yang orang betul-betul tanya bila nak guna AI)

Jawapan ringkas: kebimbangan utama ialah risiko—jadi urus risiko itu secara reka bentuk.

“Macam mana nak pastikan jawapan AI tak menipu atau mengarut?”

Gunakan kandungan yang diluluskan (trusted knowledge), hadkan AI kepada sumber tersebut, dan wajibkan mod rujukan dalaman. Untuk topik sensitif, pastikan AI hanya memberi jawapan bila keyakinan tinggi—yang lain terus eskalasi.

“Adakah ini akan buat staf rasa terancam?”

Kalau dibawa sebagai alat pemantauan, ya. Kalau dibawa sebagai assistant untuk kurangkan kerja remeh, biasanya staf lega. Latihan perlu fokus pada: bila percaya, bila semak, bila eskalasi.

“Apa risiko pematuhan paling besar?”

Jawapan yang tidak konsisten dan tidak boleh diaudit. Sebab itu jejak audit, kawalan versi, dan kelulusan SME/compliance perlu jadi teras—bukan aksesori.

Penutup: AI sebagai ‘insurans’ untuk pengetahuan organisasi

Krisis ‘Silver Tsunami’ pengetahuan insurans bukan menunggu 2026—ia sudah bermula. Bezanya, ada organisasi yang akan hilang pengalaman dan ulang kesilapan yang sama, dan ada organisasi yang memilih untuk menangkap kepakaran ketika kerja sedang berlaku.

Dalam konteks AI dalam Insurans dan Pengurusan Risiko, saya melihat AI bukan sekadar automasi. Ia ialah cara paling praktikal untuk memastikan underwriting kekal konsisten, tuntutan bergerak pantas, dan pematuhan kekal terkawal walaupun tenaga pakar berubah.

Kalau anda sedang merancang bajet dan keutamaan awal 2026, letakkan satu sasaran yang jelas: bina pengetahuan dipercayai dan uji AI pada satu aliran kerja kritikal dalam 90 hari. Soalannya sekarang bukan “perlu atau tidak”. Soalannya: adakah organisasi anda akan sempat menangkap ilmu sebelum ia berjalan keluar pintu?