AI Tangani Krisis Ilmu Insurans: ‘Silver Tsunami’

Hampir separuh tenaga kerja insurans am (P&C) dijangka bersara dalam tempoh lima tahun akan datang. Itu bukan sekadar isu HR. Itu isu operasi, pematuhan, dan kualiti keputusan risiko—terutama bila keputusan underwriting dan pengendalian tuntutan banyak bergantung pada “ilmu orang lama” yang jarang didokumenkan.

Yang lebih merisaukan, ada jurang yang pelik tapi nyata: tinjauan APQC menunjukkan 93% eksekutif insurans mengaku bimbang tentang kebocoran pengetahuan, tetapi 93% organisasi juga gagal menangkap pengetahuan secara konsisten sebelum staf berpengalaman melangkah keluar. Realitinya, industri sedang berdepan “silver tsunami” — gelombang persaraan yang boleh menghakis daya saing jika pengetahuan institusi tak diurus sebagai aset strategik.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat krisis ini sebagai peluang yang jelas: AI boleh memindahkan kepakaran daripada kepala manusia kepada sistem—bukan untuk menggantikan profesional, tetapi untuk memastikan keputusan lebih konsisten, audit-ready, dan boleh diskalakan.

Kenapa ‘Silver Tsunami’ lebih bahaya daripada yang ramai sangka

Jawapan ringkas: bila pengetahuan hilang, risiko meningkat—dan kosnya muncul dalam cara yang senyap.

Banyak proses penting dalam insurans (underwriting, penilaian risiko, triage tuntutan, siasatan penipuan) bergantung pada corak yang dipelajari melalui pengalaman bertahun-tahun: “dokumen mana patut disemak dulu”, “frasa apa dalam laporan yang jadi petunjuk”, “produk mana perlu pengecualian tertentu”, dan “bagaimana nak jawab pelanggan tanpa langgar garis panduan”. Bila orangnya bersara, kebijaksanaan itu ikut hilang.

Kesan paling cepat biasanya bukan kerugian besar yang dramatik—tetapi kemerosotan kecil yang berterusan:

• Keputusan underwriting jadi tidak konsisten antara underwriter baharu dan senior.
• Masa pemprosesan tuntutan meningkat kerana staf baharu perlu ‘trial and error’.
• Pendedahan pematuhan naik bila skrip jawapan/penjelasan manfaat tidak seragam.
• Pengalaman pelanggan merosot: jawapan lambat, bercanggah, atau terlalu umum.

Ada satu perangkap biasa dalam organisasi: bila masalah masih “boleh jalan”, kita tangguh. Ini yang orang panggil sindrom “katak dalam air panas”—perlahan-lahan sampai dah terlambat.

Kenapa kaedah manual gagal (dan AI bukan sekadar ‘chatbot’)

Jawapan ringkas: kaedah manual tak skalabel; AI hanya berkesan bila pengetahuan dipercayai dan tersusun.

Tinjauan APQC mendapati 83% organisasi masih bergantung pada kaedah manual seperti pemindahan ilmu orang-ke-orang dan dokumentasi yang memakan masa. Tak hairan, halangan utama ialah masa (62%) dan sumber (41%). Dalam operasi insurans, “masa” bukan sekadar jam bekerja—ia berkait terus dengan SLA, pengalaman pelanggan, dan kos.

Namun, angka yang paling ‘menghentak’ ialah ini: 87% syarikat insurans belum mengoperasikan AI untuk automasi penangkapan dan pengurusan pengetahuan. Dua sebab besar yang muncul:

1. Pematuhan (59%) – takut jawapan AI tersasar daripada keperluan regulator.
2. Ketepatan (38%) – takut AI “mereka-reka” jawapan.

Di sinilah ramai tersilap. Masalahnya bukan “AI tak bagus”. Masalahnya AI diletakkan di atas pengetahuan yang berselerak. Bila asas pengetahuan bersepah, hasil AI pun bersepah. Prinsipnya mudah: garbage in, garbage out.

Malah satu dapatan yang sering dipetik dalam industri teknologi: hanya 5% pelaksanaan AI benar-benar menghasilkan nilai perniagaan. Ini berlaku apabila organisasi mengejar demo, bukan membina asas.

Asas yang menang: ‘Trusted Knowledge’ sebagai infrastruktur risiko

Jawapan ringkas: AI yang selamat untuk insurans bermula dengan repositori pengetahuan yang boleh diaudit.

Insurans ialah industri yang hidup dengan bukti: bukti dokumen, bukti keputusan, bukti pematuhan. Jadi, “pengetahuan” yang mahu diaktifkan dengan AI perlu mempunyai ciri-ciri berikut:

• Sumber jelas: datang daripada polisi, prosedur, guideline underwriting, dan rekod kes yang disahkan.
• Versi terkawal: siapa ubah, bila, dan kenapa.
• Jejak audit: boleh tunjuk asas jawapan/keputusan.
• Konteks peranan: jawapan untuk ejen tidak semestinya sama untuk adjuster atau underwriter.

Dalam konteks pengurusan risiko, saya suka anggap trusted knowledge sebagai “kawalan dalaman” versi digital. Bila ia kukuh, AI boleh berfungsi sebagai enjin pengagihan kepakaran: cepat, konsisten, dan mematuhi.

Apa yang AI patut automasikan (secara praktikal)

Organisasi yang lebih matang tidak tunggu staf nak bersara baru buat exit interview. Mereka guna AI untuk menangkap pengetahuan daripada kerja harian. Antara automasi bernilai tinggi:

1. Menangkap soalan berfrekuensi tinggi (daripada pusat panggilan, ejen, adjuster) dan mengenal pasti “soalan mahal” — soalan yang kerap mencetuskan eskalasi, kesilapan, atau risiko pematuhan.
2. Menggali jawapan standard emas daripada interaksi staf berprestasi tinggi dan perbualan SME (subject matter experts) dalam organisasi.
3. Menukar flowchart prosedur menjadi panduan ‘in-band’ semasa panggilan atau semasa membuat keputusan underwriting.
4. Menjana draf artikel pengetahuan mengikut gaya bahasa jenama, kemudian disahkan oleh manusia (human-in-the-loop).
5. Menganalisis jurang pengetahuan: topik mana yang sering mengelirukan, dokumen mana yang sering menyebabkan rujukan semula, dan di mana kesilapan berulang.

Ini bukan kerja glamor, tapi inilah kerja yang betul-betul menjimatkan kos dan mengurangkan risiko.

3 cara AI mengisi jurang dalam underwriting, tuntutan & risiko

Jawapan ringkas: fokus pada keputusan, bukan alat—AI perlu memendekkan masa mencari jawapan dan menstandardkan tindakan.

1) Underwriting: konsistensi keputusan dan ‘reasoning’ yang boleh dijelaskan

Underwriting yang kuat bukan hanya tentang kadar (pricing). Ia tentang konsistensi polisi penerimaan risiko.

Bila kepakaran senior hilang, organisasi biasanya nampak dua simptom:

• Underwriter baharu jadi terlalu konservatif (premium naik, penutupan jualan turun).
• Atau terlalu longgar (loss ratio naik secara senyap).

AI boleh membantu dengan:

• Cadangan soalan tambahan berdasarkan profil risiko (contoh: dokumentasi keselamatan kebakaran, rekod penyelenggaraan, atau bukti mitigasi banjir).
• Ringkasan risiko yang mengambil maklumat daripada dokumen permohonan, lampiran, dan nota ejen.
• Rasional keputusan yang merujuk kepada guideline dalaman (bukan “intuisi”).

Bagi saya, ukuran kejayaan di sini mudah: underwriter baharu boleh membuat keputusan yang hampir setara dengan senior—dengan jejak audit yang jelas.

2) Pengurusan tuntutan: triage lebih tepat, masa penyelesaian lebih singkat

Dalam tuntutan, masa ialah wang—dan juga emosi pelanggan.

AI membantu bukan dengan “meluluskan tuntutan secara automatik” semata-mata, tetapi dengan:

• Triage pintar: kes mudah dipercepat, kes kompleks terus ke adjuster yang betul.
• Panduan langkah demi langkah semasa semakan dokumen.
• Cadangan ayat komunikasi yang konsisten dan patuh (terutama untuk kes sensitif).

Dengan pengetahuan yang dipercayai, adjuster baharu tak perlu menggali folder lama atau tanya sana-sini setiap kali.

3) Pengurusan risiko & pematuhan: kurangkan ‘compliance exposure’

Kebimbangan utama industri ialah pematuhan—dan itu wajar.

AI yang dibina atas trusted knowledge boleh memasukkan kawalan seperti:

• Semakan pematuhan automatik dalam aliran kerja pengetahuan: sebelum artikel/skrip dipublish.
• Sekatan konteks: AI hanya menjawab dalam skop polisi dan bidang kuasa yang relevan.
• Log pertanyaan: siapa tanya apa, jawapan apa diberikan—mudah untuk audit dalaman.

“AI yang selamat dalam insurans bukan AI yang paling petah, tetapi AI yang paling boleh diaudit.”

Pelan tindakan 90 hari: daripada risau kepada sistem yang berfungsi

Jawapan ringkas: mulakan kecil, pilih kes guna yang betul, dan bina ‘knowledge pipeline’ yang berulang.

Ramai organisasi terperangkap dalam fasa perbincangan. Kalau anda mahu hasil yang nyata, buat begini dalam 90 hari:

Fasa 1 (Hari 1–30): Pilih kes guna bernilai tinggi

Pilih satu proses yang memenuhi 3 kriteria: volume tinggi, risiko tinggi, dan kerap eskalasi.

Contoh yang biasa menang:

• Soalan manfaat dan pengecualian produk tertentu
• Prosedur dokumentasi tuntutan motor/rumah
• Garis panduan underwriting untuk segmen SME

Tetapkan metrik sebelum mula:

• Masa mencari jawapan (AHT)
• Kadar eskalasi
• Kadar kesilapan pematuhan

Fasa 2 (Hari 31–60): Bina ‘trusted knowledge’ versi minimum viable

Ini bukan masa untuk kemas semua dokumen organisasi.

Buat versi minimum yang kemas:

• 50–100 soalan utama
• Jawapan yang disahkan SME
• Tagging mudah (produk, negeri/bidang kuasa, peranan)
• Aliran kelulusan ringkas + rekod versi

Fasa 3 (Hari 61–90): Automasi penangkapan dan ‘human-in-the-loop’

Masukkan AI untuk:

• Menjana draf artikel
• Mencadangkan pembetulan berdasarkan interaksi pengguna
• Mengesan jurang topik yang belum wujud artikel

Latih staf secara praktikal:

• AI sebagai pembantu kerja, bukan “pemeriksa”
• Cara bertanya soalan yang betul
• Cara melaporkan jawapan meragukan

Bila asas ini stabil, barulah skala ke underwriting dan tuntutan yang lebih kompleks.

Soalan yang orang selalu tanya tentang AI untuk pengetahuan insurans

Jawapan ringkas: ya, AI boleh membantu—kalau kawal skop, data, dan pematuhan.

“Bukankah AI akan beri jawapan salah dan membahayakan pelanggan?”

AI jadi berisiko bila ia dibiarkan menjawab tanpa rujukan. Cara selamat: hadkan AI kepada sumber yang diluluskan, gunakan confidence threshold, dan pastikan ada laluan eskalasi kepada manusia.

“Kenapa tak buat dokumentasi sahaja?”

Dokumentasi statik cepat jadi usang. AI yang disambungkan kepada aliran kerja boleh mengemas kini pengetahuan melalui penggunaan harian—dan itu lebih realistik untuk operasi besar.

“Adakah ini hanya projek IT?”

Tidak. Ini projek operasi + risiko + pematuhan. IT penting, tetapi pemilik sebenar biasanya ketua operasi tuntutan/underwriting bersama risk & compliance.

Pengetahuan sebagai aset: langkah seterusnya untuk 2026

Kita sedang masuk tahun baharu, dan ramai organisasi sedang membuat perancangan 2026. Kalau ada satu keputusan strategik yang saya akan pertahankan, ia ini: letakkan pengurusan pengetahuan sebagai teras transformasi AI, bukan aksesori.

Apabila AI digunakan dengan betul, organisasi boleh mempercepat penciptaan dan kurasi pengetahuan sehingga 10x, dan memendekkan masa mendapatkan nilai sehingga 3x. Tapi syaratnya tegas: bina trusted knowledge, masukkan pematuhan dalam aliran kerja, dan latih orang supaya AI jadi rakan kerja.

Kalau “silver tsunami” ialah gelombang yang tak boleh dihentikan, pilihan sebenar kita cuma dua: biarkan ia menyapu operasi, atau guna AI untuk membina benteng pengetahuan yang boleh diskalakan. Organisasi anda nak berada di sisi yang mana?