AI Insurans: Automasi Underwriting & Tuntutan Lebih Pantas

Seorang pelanggan yang menunggu lebih 10 minit biasanya tak tunggu dengan sabar—kepuasan pelanggan boleh jatuh daripada 95% kepada 70% apabila masa menunggu melebihi 10 minit. Dalam insurans, angka macam ini bukan sekadar statistik servis pelanggan; ia terus memberi kesan pada kadar pengekalan pelanggan, kos operasi, dan paling penting, risiko E&O (errors & omissions) apabila komunikasi lambat atau maklumat tercicir.

Sebab itu saya suka melihat AI dari sudut yang praktikal: bukan “AI yang nampak canggih”, tetapi AI yang mengurangkan kerja pentadbiran, menambah ketepatan keputusan, dan memendekkan masa dari lead → sebut harga → polisi → tuntutan. Kajian kes daripada pemain teknologi agensi seperti EZLynx (melalui pembantu maya dan makmal AI yang dibina khusus untuk ejen) menunjukkan satu perkara: apabila AI diserap terus ke aliran kerja harian, ia mula mempengaruhi penilaian risiko, underwriting, pengurusan tuntutan dan pengesanan penipuan—bukan hanya “buat email lebih cepat”.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, artikel ini memfokuskan bagaimana pendekatan seperti EZLynx boleh dijadikan model untuk organisasi insurans di Malaysia: apa yang patut diautomasi dahulu, bagaimana nak urus risiko pematuhan, dan metrik apa yang patut dikejar.

AI dalam operasi insurans: masalah sebenar yang AI selesaikan

AI paling berguna apabila ia memotong bottleneck yang semua orang rasa, tetapi susah nak selesaikan dengan menambah staf.

Dalam operasi insurans (terutama agensi dan broker), bottleneck biasa ialah:

• Data pelanggan berselerak: email, WhatsApp/SMS, nota panggilan, dokumen lampiran.
• Kitaran komunikasi yang panjang: pelanggan ulang cerita, ejen cari rekod lama, supervisor semak semula.
• Kerja salin-tampal untuk follow-up, status polisi, permintaan dokumen.
• Keputusan risiko yang tak konsisten bila maklumat tidak lengkap atau tak sempat disemak.

Pendekatan yang ditunjukkan EZLynx jelas: letakkan AI pada tempat yang paling kerap berlaku—peti masuk email, ringkasan akaun, draf komunikasi, dan respons pantas. Ini nampak “operasi”, tapi impaknya sebenarnya mengalir ke tiga teras:

1. Underwriting: data lebih kemas dan cepat sampai → risiko boleh dinilai lebih awal.
2. Tuntutan: kronologi interaksi lebih jelas → siasatan lebih pantas, keputusan lebih konsisten.
3. Fraud detection: corak komunikasi/aktiviti luar biasa lebih mudah dikesan bila data distrukturkan.

Kajian kes: Pembantu Maya (EVA) sebagai enjin produktiviti agensi

AI yang berfungsi dalam insurans biasanya bukan satu model besar yang “buat semua benda”. Ia gabungan beberapa keupayaan kecil yang fokus pada tugas.

Di EZLynx, pembantu maya EVA (EZLynx Virtual Assistant) direka untuk mengurangkan kerja pentadbiran dan mempercepat servis. Empat fungsi ini relevan untuk kita baca sebagai template transformasi AI.

Ringkasan akaun pelanggan: asas kepada penilaian risiko yang konsisten

Jawapan terus: Ringkasan akaun automatik menjadikan data pelanggan “boleh guna” untuk underwriting dan tuntutan dalam masa minit, bukan jam.

EVA boleh menganalisis rantaian komunikasi (email, mesej, nota ejen) dan menghasilkan ringkasan yang padat. Dalam konteks pengurusan risiko, ringkasan ini sebenarnya membina:

• Kronologi peristiwa (timeline) yang lebih jelas
• Fakta utama yang konsisten antara ejen
• “Single source of truth” untuk akaun pelanggan

Bila underwriting atau tuntutan bergantung pada manusia yang menatal ratusan mesej, risiko salah tafsir meningkat. Dengan ringkasan automatik, pasukan boleh fokus pada semakan substantif: adakah dedahan risiko dinyatakan? adakah perubahan peril dikomunikasikan?.

Praktikal untuk Malaysia: bayangkan agensi yang urus pembaharuan polisi SME hujung tahun (Disember–Januari). Ringkasan akaun membantu staf baharu atau staf “cover” mengambil alih akaun tanpa hilang konteks—ini mengurangkan risiko janji yang tak selari atau terlepas maklumat.

Bantuan kandungan email: kurangkan masa, naikkan standard komunikasi

Jawapan terus: AI draf email mempercepat tindak balas dan mengurangkan variasi kualiti komunikasi yang boleh membawa risiko E&O.

EVA menjana draf email berdasarkan nada, panjang, dan butiran utama. Ini bukan sekadar “mudah”—ini soal kawalan risiko. Saya pernah lihat organisasi yang ada 15 ejen; setiap orang tulis email dengan gaya berbeza, dan kadang-kadang terlepas disclaimer penting.

Gunakan AI untuk:

• Draf follow-up sebut harga yang konsisten
• Permintaan dokumen yang jelas (senarai semak)
• Peringatan pembaharuan polisi
• Penjelasan ringkas tentang pengecualian/terma (dengan semakan manusia)

Kunci di sini: AI tulis draf, manusia memutuskan. Ini mengekalkan kepakaran ejen sebagai penasihat.

Bantuan produk & panduan kerja: percepat onboarding dan kurangkan kesilapan proses

Jawapan terus: AI sebagai “jurulatih dalam sistem” menurunkan kesilapan proses yang biasanya jadi punca tuntutan E&O.

EVA juga digunakan untuk membantu pengguna menavigasi sistem pengurusan agensi, memberi arahan langkah demi langkah untuk tugasan tertentu. Dalam bahasa mudah: staf tak perlu tanya senior untuk benda rutin.

Kesan langsung:

• Onboarding staf lebih cepat
• Standard kerja lebih seragam
• Kurang “shortcut” yang berisiko (contoh: tersalah kodkan perlindungan, tersilap lampir dokumen)

Respons mesej automatik: servis 24/7 tanpa menambah staf

Jawapan terus: Automasi mesej menutup jurang masa respons dan mengurangkan friksi pelanggan—terutama di luar waktu pejabat.

EVA boleh membantu menjawab soalan lazim, kongsi maklumat polisi, hantar kad ID, atau arahkan pelanggan ke portal.

Bila pelanggan dapat jawapan pantas, dua perkara berlaku:

1. Kepuasan meningkat (dan statistik masa menunggu tadi jadi relevan)
2. Beban call/email menurun, jadi staf boleh fokus pada kes yang betul-betul perlukan analisis

Dalam tuntutan, respons awal yang pantas juga membantu mengumpul maklumat ketika memori pelanggan masih segar—ini mempercepat semakan dan mengurangkan pertikaian.

Dari automasi ke underwriting pintar: bagaimana AI memodenkan penilaian risiko

AI bukan underwriting automatik semata-mata. Underwriting pintar bermaksud: data betul masuk awal, isyarat risiko dikesan cepat, dan keputusan lebih konsisten.

Walaupun artikel asal menekankan produktiviti agensi, kesannya pada underwriting boleh dirangka begini:

1) Data intake yang lebih bersih

Ringkasan akaun dan struktur komunikasi membantu menukar data tidak berstruktur (email/nota) kepada poin yang boleh dibandingkan.

Contoh aplikasi:

• Kenal pasti perubahan alamat risiko, tambahan aset, perubahan penggunaan (komersial ↔ kediaman)
• Jejak siapa kata apa, bila (berguna jika berlaku pertikaian semasa tuntutan)

2) “Pre-underwriting” yang lebih cepat

Bila sistem boleh mengekstrak butiran utama, ejen boleh lakukan semakan awal sebelum hantar kepada underwriter:

• Dokumen lengkap?
• Dedahan risiko dinyatakan?
• Sejarah tuntutan dinyatakan dengan konsisten?

Ini menurunkan kitaran ulang-alik ejen–underwriter.

3) Konsistensi keputusan

AI yang memaksa format komunikasi dan ringkasan membantu organisasi membina standard kerja. Underwriting yang konsisten bukan sahaja baik untuk nisbah kerugian; ia baik untuk audit dalaman dan pematuhan.

Implikasi pada pengurusan tuntutan & pengesanan penipuan

Di lapangan, tuntutan yang “lambat dan kabur” biasanya jadi tuntutan yang “mahal dan gaduh”. AI membantu dengan dua cara: mempercepat pemprosesan dan menambah ketelusan kronologi.

Kronologi komunikasi sebagai bukti operasi

Apabila AI merangkum rantaian komunikasi, pasukan tuntutan boleh melihat:

• tarikh kejadian vs tarikh dilaporkan
• perubahan naratif dalam mesej berbeza
• dokumen yang diminta vs diterima

Ini memudahkan triage: kes mudah diproses cepat, kes kompleks disalur kepada adjuster/penyiasat.

Isyarat penipuan (fraud signals) yang lebih jelas

AI bukan “menuduh” penipuan. Tetapi AI boleh menandakan corak yang patut disemak:

• percanggahan fakta antara mesej dan borang
• permintaan luar biasa (contoh: mahu ubah butiran selepas diberitahu keperluan dokumen)
• kekerapan tuntutan/permintaan tertentu pada akaun yang sama

Bila organisasi mempunyai data komunikasi yang distrukturkan, analitik ramalan dan pengesanan penipuan jadi lebih realistik untuk dibina.

Model yang patut ditiru: Makmal AI yang dibina bersama pengguna

Jawapan terus: AI yang berjaya dalam insurans ialah AI yang dibina bersama ejen/operasi—bukan AI umum yang dipaksa masuk ke proses.

EZLynx menekankan pendekatan “Applied AI Lab”: pengguna (ejen) terlibat melalui perbualan dengan pasukan produk, kaji selidik, dan ujian aliran kerja. Saya setuju dengan falsafah ini.

Kenapa?

• Insurans penuh edge cases (kes terpencil) dan pengecualian
• Proses sebenar di agensi sering berbeza daripada SOP atas kertas
• Nilai AI datang daripada integrasi aliran kerja, bukan demo model bahasa

Untuk organisasi insurans yang nak bergerak pada 2026, saya akan ambil pendirian ini: mulakan dengan 2–3 “use case” yang paling kerap berlaku dan uji dalam 4–6 minggu, bukan projek mega 12 bulan.

Pelan tindakan 30-60-90 hari untuk organisasi insurans

Kalau anda nak jadikan AI sebagai alat pengurusan risiko (bukan projek IT semata-mata), ini kerangka yang praktikal.

30 hari: Pilih proses dan metrik yang jelas

Fokus pada satu aliran kerja yang banyak volum:

• ringkasan akaun untuk pembaharuan
• draf email follow-up sebut harga
• mesej automatik untuk soalan lazim

Metrik yang patut dipantau:

• purata masa respons (minit/jam)
• bilangan sentuhan (touchpoints) per kes
• masa kitaran sebut harga/pembaharuan
• kadar kesilapan proses (contoh: dokumen tak lengkap)

60 hari: Masukkan kawalan risiko dan tatakelola

AI dalam insurans mesti ada “guardrails”:

• templat komunikasi yang diluluskan
• log audit (siapa sunting apa)
• garis panduan data (apa yang boleh masuk, apa yang dilarang)
• semakan manusia untuk keputusan kritikal

90 hari: Sambung ke analitik ramalan dan fraud triage

Bila data sudah lebih kemas, barulah bina lapisan seterusnya:

• skor risiko akaun (risk scoring) untuk keutamaan review
• peraturan triage tuntutan (fast lane vs investigation lane)
• pengesanan anomali pada komunikasi dan dokumen

Langkah ini menyambung terus dengan tema siri ini: AI dalam underwriting, tuntutan, pengesanan penipuan dan analisis ramalan.

Apa yang patut anda buat minggu ini

AI insurans yang berbaloi biasanya bermula dengan perkara yang nampak remeh: ringkasan akaun, draf email, dan respons mesej. Tapi kesannya besar—kerana ia mengubah kualiti data dan kelajuan tindakan. Bila kelajuan naik dan data makin kemas, underwriting dan tuntutan jadi lebih konsisten. Risiko operasi turun.

Kalau anda mengurus agensi, insurer, atau unit risiko, pilih satu proses yang paling “membazir masa” dan cuba automasi yang masih mengekalkan semakan manusia. Sasarkan pengurangan masa kitaran yang jelas, contohnya 20–30% pada fasa komunikasi awal.

Suku pertama 2026 akan terus menekan industri dari segi kos dan jangkaan pelanggan. Persoalannya: adakah organisasi anda mahu AI sekadar alat menulis, atau anda mahu AI jadi mesin pengurusan risiko yang menguatkan underwriting, tuntutan, dan pengesanan penipuan?