AI & Insurtech: Cara Bina Kepercayaan Pelanggan

Pada 05/12/2025, sebuah tinjauan industri tentang kepercayaan terhadap insurtech mengajak pemain insurans berkongsi pandangan: sejauh mana syarikat benar-benar percaya pada teknologi yang mereka gunakan. Ia nampak ringkas—isi survei 5 minit—tetapi mesej di sebaliknya besar: kepercayaan kini jadi mata wang utama dalam transformasi AI sektor insurans.

Kita sedang masuk hujung tahun, dan kebanyakan organisasi sedang menutup KPI 2025 serta menyusun bajet 2026. Dalam fasa ini, saya perasan satu corak yang konsisten: bila projek AI tak capai ROI, puncanya jarang “model tak cukup bagus”. Selalunya puncanya ialah kepercayaan pecah—antara bisnes dan IT, antara insurer dan vendor, dan paling kritikal, antara insurer dan pelanggan.

Artikel ini berada dalam siri “AI dalam Insurans dan Pengurusan Risiko”. Fokusnya jelas: bagaimana AI dan insurtech boleh meningkatkan underwriting, tuntutan, pengesanan penipuan, dan analisis ramalan—tanpa mengorbankan kepercayaan. Kita akan pecahkan apa yang “buat orang percaya”, kenapa ia mudah runtuh, dan apa tindakan praktikal yang boleh anda buat pada suku pertama 2026.

Kenapa isu “trust” jadi penentu ROI AI dalam insurans

Jawapan ringkasnya: AI hanya bernilai bila ia digunakan secara konsisten—dan penggunaan konsisten perlukan kepercayaan.

Dalam insurans, keputusan AI bukan sekadar automasi kerja pejabat. Ia menyentuh perkara sensitif:

• harga premium,
• kelulusan atau penolakan polisi,
• kelulusan tuntutan,
• siasatan penipuan,
• penilaian risiko kesihatan atau risiko harta.

Kalau pengguna dalaman (underwriter, adjuster, agen) tak percaya pada cadangan model, mereka akan “override” secara manual. Kalau pelanggan tak percaya, mereka akan:

• rasa data mereka dieksploitasi,
• pertikai keputusan,
• buat aduan,
• atau berpindah kepada pesaing.

Kepercayaan dalam insurtech bukan soal “suka” atau “tak suka”

Kepercayaan ialah keupayaan untuk bergantung—dalam operasi harian, ketika insiden berlaku, dan ketika audit/regulator datang mengetuk.

Dalam konteks insurtech dan AI, kepercayaan biasanya dibina melalui 3 komponen (ini selari dengan cara banyak organisasi menilai vendor):

1. Kecekapan (competence): sistem betul-betul berfungsi, tepat, stabil.
2. Integriti (integrity): jelas apa yang sistem buat, tidak memanipulasi keputusan.
3. Benevolence (niat baik): pelanggan yakin mereka tidak “diambil kesempatan”.

Komponen ketiga sering dipandang remeh. Sedangkan dalam insurans, persepsi “kena tipu” atau “kena perangkap terma halus” boleh rosakkan jenama bertahun.

Apa yang biasanya meruntuhkan kepercayaan pada AI & insurtech

Kepercayaan jarang runtuh sebab satu bug besar; ia runtuh sebab banyak “kecacatan kecil” yang berulang.

Berpandukan pengalaman implementasi AI dalam operasi insurans, ini punca yang paling kerap:

1) ROI kabur: “Kita automasi, tapi kos naik”

Banyak organisasi mengukur produktiviti AI hanya pada masa proses, tetapi lupa kira:

• kos pematuhan (compliance),
• kos semakan manual tambahan,
• kos data quality,
• kos integrasi sistem legasi.

Hasilnya: AI nampak laju di demo, tetapi di production ia menambah langkah semakan. Bila itu berlaku 2–3 bulan berturut-turut, trust jatuh mendadak.

2) “Black box” dalam keputusan underwriting dan tuntutan

Bila pelanggan ditolak atau premium naik, ayat paling berisiko ialah: “Sistem kata macam tu.”

AI yang tak boleh diterangkan (explainable AI) akan memindahkan beban psikologi kepada manusia di front line—agen, CS, adjuster—untuk “menjual” keputusan yang mereka sendiri tak faham.

3) Data pelanggan terasa terlalu “mengintai”

Penggunaan data alternatif (contoh: corak peranti, lokasi, telematik, gaya hidup) boleh membantu penilaian risiko, tapi mudah meleret jadi isu privasi.

Jika pelanggan tak diberi pilihan yang jelas, atau tak faham mengapa data itu relevan, mereka akan anggap syarikat mengumpul data untuk memaksimumkan premium, bukan untuk pengurusan risiko.

4) Vendor bertukar, pasukan bertukar—pengetahuan hilang

Insurtech berkembang cepat, vendor masuk-keluar, kontrak berubah. Tanpa dokumentasi keputusan model, log audit, dan tata kelola yang ketat, organisasi hilang “memori” kenapa sesuatu peraturan wujud. Bila audit berlaku, barulah panik.

Cara AI sebenarnya boleh menguatkan kepercayaan (bukan melemahkan)

AI meningkatkan kepercayaan bila ia menaikkan ketelusan, konsistensi, dan keadilan—bukan sekadar kelajuan.

Berikut 4 aplikasi yang saya anggap paling “trust-positive” dalam insurans.

1) Pengesanan penipuan yang lebih adil dan bersasar

AI dalam pengesanan penipuan berkesan bila ia:

• fokus kepada signal yang relevan (pola tuntutan, rangkaian entiti, anomali dokumen),
• mengurangkan false positive yang menyusahkan pelanggan jujur,
• menyediakan justifikasi yang boleh disemak.

Bila dilakukan betul, pelanggan jujur rasa dilindungi, bukan disyaki.

2) Automasi tuntutan dengan “human-in-the-loop” yang bijak

Tuntutan kecil (contoh: kemalangan ringan, kerosakan kecil) boleh dipercepat dengan AI—tetapi jangan buang manusia terus.

Reka bentuk yang lebih dipercayai:

• AI buat triage dan cadangan pembayaran,
• kes risiko sederhana/tinggi naik kepada adjuster,
• pelanggan nampak status dan sebab keputusan dengan jelas.

Ini bukan “melambatkan”. Ini mengurangkan kesilapan mahal dan meningkatkan rasa adil.

3) Underwriting yang konsisten, bukan ‘ikut mood’

Underwriter manusia bagus, tetapi boleh berubah ikut beban kerja dan pengalaman.

AI boleh bantu dengan:

• penyeragaman faktor risiko,
• cadangan harga dan syarat,
• amaran apabila keputusan menyimpang daripada polisi risiko.

Kepercayaan naik bila pelanggan dan agen nampak keputusan lebih konsisten merentas cawangan dan masa.

4) Analitik ramalan untuk pencegahan risiko (bukan hanya bayar selepas berlaku)

Pengurusan risiko moden bergerak kepada “predict & prevent”. Contohnya:

• amaran risiko banjir/angin kuat untuk portfolio tertentu,
• cadangan langkah mitigasi untuk SME,
• program keselamatan pemanduan berasaskan telematik.

Bila insurer membantu pelanggan mengurangkan risiko, persepsi “insurans cuma cari premium” berubah menjadi “insurans bantu saya elak kerugian”. Itu membina trust dengan cepat.

Rangka kerja praktikal: 7 langkah bina kepercayaan AI dalam 90 hari

Kalau anda nak hasil cepat pada Q1 2026, fokus pada tata kelola + pengalaman pengguna, bukan model semata-mata.

Berikut pelan 7 langkah yang realistik untuk 90 hari:

1. Tetapkan “Trust KPI” selain KPI operasi

   • contoh: kadar override underwriter, kadar rayuan tuntutan, masa penyelesaian aduan.

2. Wujudkan “model card” untuk setiap model AI

   • apa data digunakan, tujuan model, had penggunaan, siapa pemilik model.

3. Audit bias & fairness minimum untuk 2 keputusan paling sensitif

   • biasanya underwriting harga dan kelulusan tuntutan.

4. Bina penjelasan keputusan dalam bahasa manusia

   • 3 sebab utama yang paling boleh difahami pelanggan/agen.

5. Perketatkan kualiti data pada 10 medan teratas

   • bukan semua data. Pilih medan yang paling banyak mempengaruhi keputusan.

6. Buat proses eskalasi yang jelas

   • bila AI ragu-ragu, siapa yang semak, SLA berapa lama.

7. Latih front line dengan skrip dan contoh kes

   • bukan training teori. Gunakan 10 senario sebenar dari operasi.

Satu ayat yang saya selalu gunakan dalam bengkel: “Kepercayaan tak boleh diautomasi, tapi ia boleh direka bentuk.”

Soalan lazim (yang pelanggan dan regulator sebenarnya peduli)

Bahagian ini sengaja saya tulis dalam format jawapan-terus kerana ia kerap muncul dalam mesyuarat risk dan compliance.

“Adakah AI boleh buat keputusan muktamad untuk tuntutan?”

Boleh untuk kes berisiko rendah dan nilai kecil—dengan syarat ada log audit, had yang jelas, dan saluran rayuan yang mudah.

“Macam mana nak pastikan data pelanggan digunakan secara beretika?”

Mulakan dengan 3 perkara: persetujuan yang jelas, minimisasi data (ambil yang perlu sahaja), dan kebolehan pelanggan untuk faham kenapa data itu digunakan.

“Apa tanda awal trust sedang runtuh?”

Tiga indikator awal:

• kadar override meningkat,
• aduan ‘tak adil’ meningkat,
• staf mula cipta jalan pintas (bypass sistem).

Apa kaitan survei kepercayaan insurtech dengan strategi 2026 anda

Survei tentang kepercayaan insurtech (yang dipromosikan pada Disember 2025) menunjukkan satu realiti: industri sedang cuba mengukur sesuatu yang selama ini dianggap “abstrak”. Saya setuju dengan arah ini kerana tanpa ukuran, kita hanya berdebat berdasarkan rasa.

Kalau organisasi anda bergantung pada vendor insurtech—untuk AI tuntutan, underwriting, CRM, telematik, atau data enrichment—mengukur trust membantu anda:

• membuat keputusan pembelian yang lebih matang,
• mengurangkan risiko vendor,
• dan merancang roadmap AI yang tahan audit.

Hujung tahun begini, anda mungkin sedang memuktamadkan projek 2026. Cadangan saya: jangan letak “AI adoption” sebagai matlamat. Letak “AI yang boleh dipercayai” sebagai matlamat.

Langkah seterusnya: pilih satu aliran kerja (contoh: tuntutan motor atau underwriting SME) dan jalankan penilaian ringkas—di mana trust dibina, dan di mana ia mudah pecah. Kalau anda boleh jawab itu dengan jujur, anda sudah lebih maju daripada kebanyakan organisasi.

Pelanggan akan terus bertanya satu perkara yang sama, walaupun dengan ayat berbeza: “Boleh saya percaya pada keputusan ini?” Pada 2026, syarikat insurans yang menang ialah yang boleh menjawabnya tanpa defensif—dengan bukti, proses, dan empati.