Gergasi Teknologi Mahu Hapus Kos Insurans—AI Ada Jawapan

Kos insurans jarang diraikan. Dalam banyak organisasi, ia duduk dalam bajet sebagai “perlu bayar” — sama seperti bil elektrik. Sebab itu apabila ada pandangan bahawa syarikat teknologi melihat insurans sebagai kos yang patut dihapuskan, saya tak terkejut. Mereka memang dibina untuk membuang geseran, memendekkan proses, dan menukar perkara yang lambat menjadi automatik.

Cuma ada satu masalah: risiko tak boleh dihapuskan, ia cuma boleh diurus. Bila kos insurans cuba “dihilangkan” tanpa menambah keupayaan mengurus risiko, yang hilang biasanya bukan risiko — tapi ketahanan (resilience) organisasi. Di sinilah AI patut masuk, bukan sebagai alat untuk memotong kos semata-mata, tetapi untuk menjadikan insurans dan pengurusan risiko pencipta nilai.

Bagi siri “AI dalam Insurans dan Pengurusan Risiko”, artikel ini memusingkan naratif: daripada “hapus kos insurans”, kepada “jadikan insurans lebih tepat, lebih pantas, dan lebih adil — dengan AI”.

Kenapa syarikat teknologi anggap insurans itu kos yang perlu dihapuskan?

Jawapan ringkas: mereka benci pembaziran proses. Jika satu proses boleh dijadikan pantas, telus, dan boleh diramal, ia akan dioptimumkan sampai kosnya menghampiri sifar.

Dalam insurans tradisional, banyak kos datang daripada:

• Ketidakpastian maklumat (data tak lengkap, dokumen bercampur-campur)
• Kerja manual (semakan borang, panggilan, e-mel berulang)
• Masa menunggu (underwriting, pengesahan, kelulusan)
• Penipuan dan salah nyata (fraud/misrepresentation)
• Proses tuntutan yang tidak standard (setiap kes “lain macam”)

Syarikat teknologi biasanya melihat semua ini sebagai “latency”. Mereka akan tanya: kenapa keputusan ambil masa 5 hari kalau data boleh diproses dalam 5 minit?

Salah faham yang biasa: “hapus insurans” vs “hapus pembaziran insurans”

Ada beza besar antara menghapuskan insurans dengan menghapuskan punca kos dalam insurans.

“Kalau risiko tak boleh dibuang, yang boleh dibuang ialah kebocoran kos: kerja manual, penipuan, dan keputusan yang dibuat tanpa data.”

AI membolehkan syarikat melakukan perkara kedua — dan di situlah nilai sebenar tercipta.

AI boleh menukar insurans daripada pusat kos kepada pencipta nilai

Jawapan terus: AI menjadikan keputusan risiko lebih tepat dan lebih pantas, lalu menurunkan kos operasi sambil meningkatkan pengalaman pelanggan dan kualiti portfolio.

Bila underwriting lebih tepat, syarikat:

• Menolak risiko yang memang bermasalah lebih awal
• Menawarkan harga yang lebih adil untuk risiko yang baik
• Mengurangkan kerugian tuntutan jangka panjang
• Mengurangkan kos servis pelanggan dan back-office

Bila tuntutan lebih pantas dan betul, syarikat:

• Mengurangkan kebocoran pembayaran (leakage)
• Mengurangkan penipuan
• Menguatkan kepercayaan pelanggan

Ini bukan teori semata-mata. Dalam industri, amalan seperti automasi dokumen, pengesanan anomali tuntutan, dan triage kes tuntutan (kes mudah vs kompleks) sudah menjadi standard bagi pemain yang agresif dalam transformasi.

“Value creator” dalam bahasa pengurusan risiko

Kalau nak praktikal, AI menjadikan insurans pencipta nilai melalui 3 bentuk:

1. Pencegahan: kurangkan insiden (contoh: amaran awal, pengesanan risiko)
2. Ketepatan harga: premium sepadan risiko sebenar
3. Ketahanan operasi: proses tetap berjalan walaupun volum tuntutan melonjak

Ini penting pada hujung tahun seperti Disember — musim perjalanan, penghantaran e-dagang meningkat, cuaca ekstrem di beberapa rantau, dan aktiviti komersial menutup akaun tahunan. Volum tuntutan tertentu cenderung naik, dan sistem manual mudah sesak.

Di mana AI paling memberi impak: Underwriting, tuntutan, fraud, dan ramalan

Jawapan ringkas: AI paling berbaloi bila ia menyentuh keputusan berulang yang mahal.

1) Underwriting pintar: dari “rule-based” kepada “risk-based”

Underwriting tradisional banyak bergantung pada peraturan statik dan pengalaman individu. AI (terutama machine learning) boleh menilai corak risiko dari data sejarah, data transaksi, dan data perilaku.

Contoh aplikasi praktikal:

• Skor risiko dinamik untuk SME: gabungkan data kewangan, aliran tunai, corak invois, dan sejarah tuntutan
• Pengesanan salah nyata pada permohonan: semak ketekalan maklumat merentas dokumen
• Segmentasi risiko lebih halus: bukan sekadar “kategori A/B/C”, tetapi berpuluh mikro-segmen yang lebih tepat

Kesan perniagaan yang saya selalu nampak: bila ketepatan underwriting naik, syarikat berhenti “subsidi silang” — pelanggan risiko rendah tak lagi membayar untuk pelanggan risiko tinggi.

2) Pengurusan tuntutan automatik: cepat untuk kes mudah, teliti untuk kes kompleks

Tuntutan ialah tempat reputasi insurans diuji. AI boleh membantu dengan dua cara: automasi dan triage.

• Automasi: OCR + NLP untuk membaca borang, laporan polis, resit, dan surat doktor
• Triage: model mengklasifikasikan tuntutan kepada “lulus cepat”, “perlukan semakan”, “berisiko penipuan”

Hasilnya, kes mudah boleh diselesaikan dalam jam (bukan hari), manakala adjuster manusia fokus pada kes yang benar-benar perlukan pertimbangan.

“AI bukan menggantikan adjuster. AI menggantikan kerja yang membuat adjuster hilang masa.”

3) Pengesanan penipuan (fraud detection) yang lebih tajam

Penipuan jarang datang dengan label “ini fraud”. Ia muncul sebagai pola kecil: kekerapan tuntutan, lokasi, bengkel tertentu, masa kejadian, rangkaian pihak terlibat.

AI boleh:

• Mengesan anomali (nilai tuntutan luar biasa untuk profil pelanggan)
• Mencari rangkaian (graph analytics): hubungan antara bengkel, pemegang polisi, saksi
• Menentukan skor kebarangkalian fraud untuk keutamaan siasatan

Yang menarik: pengesanan fraud yang baik juga melindungi pelanggan jujur kerana ia menekan kos kerugian yang akhirnya mempengaruhi premium.

4) Analisis ramalan untuk pengurusan risiko: dari reaktif kepada proaktif

Dalam pengurusan risiko, nilai besar datang apabila kita boleh bertindak sebelum kerugian berlaku.

Aplikasi biasa:

• Ramalan lonjakan tuntutan mengikut musim/zon
• Amaran awal risiko pembatalan polisi (lapse prediction)
• Risiko bencana dan gangguan rantaian bekalan (untuk komersial)

Untuk organisasi besar, ini mengubah peranan insurans daripada “bayar selepas kejadian” kepada “kurangkan kejadian”.

Jika gergasi teknologi mahu hapus kos insurans, apa maknanya untuk industri?

Jawapan terus: ia memaksa industri membezakan antara insurans sebagai produk dan insurans sebagai keupayaan (capability).

Gergasi teknologi jarang “menjadi insurer” secara penuh pada hari pertama. Yang mereka buat ialah:

• Membina pengalaman pengguna yang licin (aplikasi, onboarding, pembayaran)
• Mengautomasikan keputusan mikro (kelulusan, verifikasi)
• Mengambil margin proses (bukan semestinya margin risiko)

Ini menekan pemain tradisional kerana pelanggan mula membandingkan pengalaman tuntutan insurans dengan pengalaman e-dagang: pantas, telus, status masa nyata.

Implikasi kepada syarikat insurans dan pengurus risiko di Malaysia

Saya berpendapat tekanan terbesar ada pada 4 perkara:

1. Kelajuan keputusan: pelanggan tak sabar dengan proses yang “senyap”
2. Keupayaan data: data bersepah = AI tak boleh bekerja dengan baik
3. Tadbir urus model: AI mesti boleh diaudit, terutama untuk penolakan tuntutan/underwriting
4. Pematuhan & etika: bias dalam data boleh jadi risiko reputasi dan regulatori

Jika organisasi hanya mengejar automasi tanpa tadbir urus, ia akan memindahkan risiko kepada tempat lain: aduan pelanggan, litigasi, atau penalti pematuhan.

Pelan tindakan 90 hari: mula kecil, ukur hasil, kemudian skala

Jawapan ringkas: mulakan dengan 1–2 kes penggunaan (use case) yang jelas ROI, bukan “projek AI besar”.

Berikut pendekatan yang biasanya berkesan untuk pasukan insurans dan pengurusan risiko.

Langkah 1 (Minggu 1–2): Pilih masalah yang mahal dan kerap

Pilih satu proses yang memenuhi 3 kriteria:

• Volum tinggi
• Banyak kerja manual
• Keputusan boleh distandardkan

Contoh yang sesuai: klasifikasi tuntutan awal, ekstraksi dokumen, atau pengesanan anomali tuntutan.

Langkah 2 (Minggu 3–6): Kemas data minimum yang “cukup untuk menang”

Anda tak perlu data sempurna. Anda perlu data yang:

• Konsisten (format, definisi medan)
• Boleh dijejak (audit trail)
• Relevan dengan keputusan

Tentukan juga definisi metrik dari awal: masa proses, kadar rujukan ke manusia, ketepatan pengesanan, leakage.

Langkah 3 (Minggu 7–10): Bangunkan model + kawalan (guardrails)

AI untuk insurans mesti ada kawalan:

• Had kuasa automasi (contoh: auto-lulus hanya untuk tuntutan bawah ambang tertentu)
• Penjelasan keputusan (reason codes)
• Pemantauan drift (prestasi berubah bila corak tuntutan berubah)

Langkah 4 (Minggu 11–13): Jalankan pilot dan kira ROI sebenar

Nilai pilot bukan pada “model cantik”, tetapi pada kesan operasi:

• Berapa jam kerja manual dijimatkan?
• Berapa hari masa tuntutan dipendekkan?
• Berapa banyak kes berisiko ditangkap awal?

“Kalau AI tak mengubah KPI operasi, ia cuma demo.”

Soalan yang biasa ditanya (dan jawapan terus)

Adakah AI akan menaikkan risiko penolakan tuntutan yang tidak adil?

Boleh berlaku jika model dilatih dengan data berat sebelah atau tiada proses semakan. Penyelesaiannya ialah tadbir urus model, semakan manusia untuk kes sensitif, dan ujian bias secara berkala.

AI sesuai untuk syarikat kecil atau hanya pemain besar?

Sesuai untuk kedua-dua. Syarikat kecil patut fokus pada automasi dokumen dan triage tuntutan kerana ia cepat memberi kesan. Pemain besar boleh tambah analitik rangkaian fraud dan ramalan portfolio.

Apa risiko terbesar projek AI insurans?

Bukan teknologi. Risiko terbesar ialah data bersepah, objektif kabur, dan pemilikan proses yang lemah (siapa “owner” keputusan).

Insurans bukan kos yang patut dihapuskan—pembaziranlah yang patut dibuang

Gergasi teknologi betul tentang satu perkara: banyak kos insurans hari ini datang daripada proses yang boleh dibaiki. Tetapi pendekatan “hapus kos” tanpa strategi pengurusan risiko hanya menghasilkan organisasi yang rapuh.

Untuk saya, jalan yang lebih waras ialah menjadikan AI sebagai enjin disiplin: underwriting yang konsisten, tuntutan yang cepat, pengesanan fraud yang tajam, dan ramalan risiko yang boleh ditindak.

Jika anda mengurus insurans korporat, operasi tuntutan, atau fungsi risiko, ini masa yang sesuai untuk bertanya: di bahagian mana keputusan masih dibuat tanpa data yang cukup — dan apa yang boleh diautomasi tanpa mengorbankan keadilan?