AI Tutup Jurang Perlindungan: Strategi E&S & Underwriting

Disember biasanya bulan syarikat menyemak semula angka setahun—tuntutan, kerugian, pembaharuan polisi, dan satu perkara yang makin kerap muncul dalam mesyuarat risiko: jurang perlindungan (protection gap). Ia bukan sekadar “pelanggan tak beli insurans”. Ia juga bermaksud risiko sebenar wujud, tetapi produk, harga, atau proses underwriting tak sempat mengejar realiti baharu.

Dalam ruang insurans khusus, terutamanya E&S (Excess & Surplus), jurang perlindungan ini lebih jelas. E&S bergerak pantas, menerima risiko yang sukar “masuk” ke pasaran admitted/standard, dan sering berurusan dengan profil risiko yang datanya tak kemas atau jarang berlaku. Di sinilah AI dalam insurans dan pengurusan risiko bukan sekadar hiasan teknologi—ia menjadi alat kerja harian untuk underwriting, pengedaran (distribution), dan keputusan yang perlu dibuat cepat.

Saya pegang satu pendirian: AI paling bernilai bila ia membantu kita membuat keputusan yang lebih konsisten, lebih cepat, dan lebih boleh diaudit—bukan bila ia cuba menggantikan pertimbangan manusia. Artikel asal menyentuh kesan AI terhadap distribution dan underwriting, serta kelebihan MGA dan bagaimana E&S boleh “mendahului” pasaran admitted. Kita akan bawa idea itu lebih jauh dengan contoh praktikal dan langkah pelaksanaan yang boleh terus dicuba.

Kenapa jurang perlindungan makin membesar (dan kenapa E&S jadi tumpuan)

Jawapan ringkas: Jurang perlindungan membesar kerana risiko berubah lebih cepat daripada kebolehan pasaran standard menilai dan menetapkan harga; E&S mengisi ruang itu dengan fleksibiliti dan kelajuan.

Beberapa punca yang konsisten kita lihat dalam 2–3 tahun kebelakangan ini:

• Risiko iklim dan bencana lebih kerap dan lebih mahal. Apabila kekerapan/keparahan berubah, model tradisional mudah tersasar.
• Risiko siber berkembang dalam bentuk baharu (rantaian bekalan, ransomware, pihak ketiga), sedangkan data tuntutan yang boleh dipercayai masih “berlubang”.
• Risiko liabiliti baharu (teknologi, media, AI, influencer, dan produk digital) tak selalu sesuai dengan borang polisi standard.

Dalam konteks E&S, “jurang” ini muncul sebagai:

1. Risiko yang ditolak oleh pasaran standard kerana guideline ketat.
2. Risiko yang diterima tetapi underinsured (had perlindungan tak cukup, pengecualian terlalu banyak).
3. Risiko yang tak dinilai dengan tepat kerana data manual/terpecah-pecah.

E&S biasanya lebih cepat kerana ia:

• lebih fleksibel dari segi struktur perlindungan,
• lebih bergantung pada kepakaran underwriting niche,
• lebih terbuka kepada pendekatan data alternatif.

Dan di sinilah AI boleh “mengikat” semua itu supaya keputusan bukan hanya laju—tetapi juga konsisten.

Bagaimana AI mengubah underwriting: dari “rule of thumb” ke keputusan boleh diaudit

Jawapan terus: AI mempercepat triage risiko, memperkemas pengumpulan data, dan menstandardkan penilaian supaya jurang perlindungan dapat dikenal pasti lebih awal.

AI untuk triage & kelulusan pantas (tanpa hilang kawalan)

Dalam E&S, masa adalah mata wang. Permohonan datang dengan data tak lengkap, broker mahukan sebut harga cepat, dan underwriter perlu “rasa” sama ada risiko ini patut diteruskan.

AI boleh menyusun permohonan kepada beberapa laluan, contohnya:

• Straight-through: risiko rendah dalam kategori niche yang jelas.
• Underwriter review: risiko sederhana yang perlukan semakan.
• Specialist escalation: risiko kompleks (contoh: operasi multi-lokasi, sejarah tuntutan bercampur, atau pendedahan siber tinggi).

Yang penting: laluan ini bukan autopilot. Ia ialah sistem isyarat (signal) yang membantu underwriter fokus pada fail yang betul.

AI untuk “data intake”: berhenti menyalin-paste

Banyak friction underwriting datang daripada kerja remeh:

• membaca borang PDF,
• mengekstrak maklumat dari e-mel,
• menyemak lampiran,
• membandingkan pendedahan lokasi.

Model NLP (pemprosesan bahasa semula jadi) boleh:

• mengeluarkan medan penting (alamat, pendapatan, jenis operasi, kawalan keselamatan),
• menanda percanggahan (contoh: jumlah pekerja berbeza antara borang dan penyata),
• membina ringkasan risiko 1 halaman untuk underwriter.

Kesan praktikalnya: masa pusingan sebut harga turun, dan konsistensi penilaian naik.

AI untuk penilaian risiko: skor yang “bersebab”, bukan angka misteri

Masalah biasa dalam AI underwriting ialah “black box”. Untuk E&S, ini bahaya kerana portfolio memang unik; audit dalaman dan pematuhan memerlukan sebab yang jelas.

Pendekatan yang lebih selamat:

• guna model yang boleh diterangkan (explainable),
• paparkan faktor utama yang memacu skor,
• simpan jejak keputusan (decision trail) untuk audit.

Satu ayat yang saya suka guna: “AI yang baik ialah AI yang boleh dipersoal.”

Kelebihan MGA dalam era AI: kelajuan + kepakaran + data yang rapat

Jawapan terus: MGA cenderung bergerak lebih pantas kerana mereka dekat dengan niche, mempunyai aliran submission yang fokus, dan mudah membina automasi pada proses sempit tetapi kerap.

Dalam perbualan industri, MGA sering disebut kerana mereka:

• menguasai segmen khusus (contoh: siber SME, kontraktor tertentu, hospitality, media),
• membina playbook underwriting yang jelas,
• menstandardkan data masuk melalui portal/broker workflow.

AI menaikkan lagi kelebihan ini melalui:

1. Model mikro (micro-models) mengikut niche, bukan satu model untuk semua.
2. Kitaran maklum balas cepat: setiap pembaharuan/tuntutan boleh menajamkan guideline.
3. Pengagihan pintar (smart distribution): mengenal pasti broker/klien yang lebih sesuai dengan appetite.

Bagi syarikat yang bukan MGA, pelajarannya mudah: pilih 1–2 lini perniagaan untuk “pilot AI” dulu, bukan cuba menukar semua serentak.

AI untuk menutup jurang perlindungan: 4 kegunaan paling “boleh pegang”

Jawapan terus: AI menutup jurang perlindungan dengan mengesan risiko yang tak dilindungi, mencadangkan struktur perlindungan, dan membolehkan harga yang lebih tepat untuk risiko sukar.

1) Mengesan underinsurance & pengecualian yang memakan diri

Contoh praktikal: syarikat kecil beli polisi, tetapi had liabiliti tak sepadan dengan kontrak pelanggan, atau pengecualian siber terlalu luas.

AI boleh:

• membandingkan polisi sedia ada vs profil operasi,
• mengesan “gap” tipikal mengikut industri,
• mencadangkan endorsement/limit tambahan.

Ini bukan sekadar upsell. Ini pengurusan risiko yang betul—kurangkan kejutan bila tuntutan berlaku.

2) Menstrukturkan perlindungan untuk risiko baharu

E&S kerap memerlukan polisi “disesuaikan”. AI generatif boleh membantu menyediakan draf awal:

• ringkasan pendedahan,
• cadangan klausa,
• senarai soalan susulan untuk broker.

Tetapi kawalan mesti ketat: draf AI ialah bahan kerja, bukan dokumen akhir tanpa semakan.

3) Harga yang lebih tepat untuk risiko yang datanya nipis

Bila data tuntutan terhad, underwriter guna proksi: industri, saiz, lokasi, kawalan, vendor.

AI boleh menggabungkan:

• data dalaman (tuntutan, pembaharuan, penolakan),
• data operasi (contoh: posture keselamatan siber, audit pematuhan, rekod penyelenggaraan),
• isyarat risiko (contoh: perubahan kekerapan kerugian mengikut zon).

Hasil yang dicari: pricing yang konsisten dan kurang “swing” antara underwriter.

4) Pencegahan tuntutan (loss prevention) sebagai produk, bukan brosur

AI jadi lebih bernilai bila ia “hidup” selepas polisi dikeluarkan:

• amaran awal risiko (contoh: perubahan pola transaksi mencurigakan),
• cadangan kawalan (contoh: MFA, backup, latihan phishing),
• pengukuran pematuhan kawalan sepanjang tempoh polisi.

Ini cara paling realistik untuk mengurangkan kerugian: ubah tingkah laku risiko, bukan sekadar menunggu tuntutan.

Soalan lazim yang bos/board akan tanya (dan jawapan yang meyakinkan)

Jawapan terus: AI dalam underwriting boleh dibuat selamat jika ada tadbir urus data, metrik prestasi yang jelas, dan pagar keselamatan (guardrails) yang ketat.

“Kalau AI salah, siapa tanggung?”

Letakkan struktur akauntabiliti:

• AI bagi cadangan + sebab,
• underwriter buat keputusan akhir untuk kes tertentu (terutama high severity),
• audit trail disimpan.

“Macam mana nak elak bias dan isu pematuhan?”

Amalkan:

• semakan fairness (contoh: bandingkan kadar kelulusan dan harga mengikut segmen yang relevan),
• data minimization (guna data yang perlu sahaja),
• pemisahan data sensitif.

“ROI dia apa—bukan sekadar ‘nampak canggih’?”

Saya cadangkan KPI yang tegas (90 hari pertama pun boleh nampak):

• masa pusingan sebut harga (TAT) turun,
• kadar hit ratio naik,
• kebocoran underwriting (underwriting leakage) turun,
• ketepatan kelas risiko meningkat (kurang pembetulan semasa pembaharuan),
• kadar tuntutan awal (early claims incidence) lebih terkawal.

Pelan 90 hari untuk mula guna AI dalam E&S dan risiko khusus

Jawapan terus: Mulakan kecil pada satu aliran submission, bina data pipeline yang kemas, dan ukur impak dengan metrik operasi—bukan metrik “AI”.

1. Pilih satu segmen E&S yang jelas (contoh: siber SME atau liabiliti profesional niche).
2. Tetapkan keputusan yang mahu dipercepat: triage, data extraction, atau pricing assist.
3. Bersihkan 20 medan data paling kritikal (bukan semua). Fokus pada apa yang underwriter benar-benar guna.
4. Bina guardrails: apa yang AI boleh buat, apa yang mesti disemak manusia.
5. Uji pada submission sebenar selama 4–6 minggu, kemudian betulkan.
6. Kembangkan ke segmen kedua hanya selepas metrik operasi stabil.

Prinsipnya: automation tanpa disiplin data cuma mempercepat kekeliruan.

Penutup: E&S akan terus mendahului—AI jadikan ia lebih selamat

AI dalam insurans dan pengurusan risiko paling kuat bila ia membantu menutup jurang perlindungan secara praktikal: mengenal pasti risiko yang tercicir, mempercepat underwriting, dan membina perlindungan yang sesuai untuk dunia yang berubah cepat. E&S memang sudah biasa bergerak laju; AI menjadikan kelajuan itu lebih konsisten dan lebih boleh diaudit.

Kalau organisasi anda masih bergantung pada proses manual untuk submission kompleks, 2026 akan terasa lebih “mahal”—bukan sebab premium semata-mata, tetapi sebab peluang yang terlepas dan risiko yang tersalah harga.

Langkah seterusnya yang saya sarankan: pilih satu lini E&S, jalankan pilot 90 hari, dan ukur impaknya pada masa pusingan serta kualiti keputusan underwriting. Dari situ, barulah skala.

Dan satu soalan yang patut dibawa ke mesyuarat awal tahun nanti: jurang perlindungan mana yang paling merugikan portfolio anda—dan AI patut mula di situ dulu, atau di tempat lain?