AI & Liabiliti Produk: Pengajaran Kes Monsanto–AIG

Pada 17/12/2025, satu pertikaian yang nampak “hanya” isu undang-undang sebenarnya membuka tingkap besar tentang realiti underwriting insurans liabiliti yang paling rumit: Monsanto memfailkan saman terhadap penanggung insurans liabiliti excess yang berkaitan dengan AIG untuk mendapatkan perlindungan ratusan juta dolar bagi tuntutan kecederaan tubuh dan kerosakan harta berkaitan produk kimia lama, termasuk herbisid Roundup.

Nombor yang menampar: menurut dokumen saman itu, Monsanto telah membayar lebih USD10 bilion di bawah program penyelesaian global berkaitan litigasi glifosat, dan masih berdepan kos pembelaan yang besar dengan kira-kira 50,000 tindakan undang-undang masih belum selesai. Ini bukan cerita tentang satu tuntutan. Ini cerita tentang tail risk berdekad-dekad—jenis risiko yang boleh memakan kapasiti pasaran, memanjangkan litigasi, dan menjadikan frasa “polisi lama” sebagai bahan letupan kewangan.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka ambil kes sebenar yang memaksa kita jujur: banyak organisasi (dan kadang-kadang penanggung insurans) masih menilai risiko liabiliti produk dan alam sekitar dengan kaedah yang terlalu manual, terlalu berpecah-pecah, dan terlalu lambat. Realitinya? AI boleh menjadikan penilaian, pemantauan, dan strategi tuntutan jauh lebih konsisten—kalau kita bina dengan disiplin data dan tadbir urus yang betul.

Apa yang kes Monsanto–AIG ajar tentang risiko “legacy” dan polisi excess

Intinya begini: pertikaian seperti ini biasanya bukan sekadar “ada perlindungan atau tiada”. Ia tentang siapa bayar, bila bayar, dan berapa banyak.

Monsanto mendakwa ia membeli polisi liabiliti excess AIG di bawah struktur korporat lama untuk melindungi tuntutan kerosakan harta dan kecederaan peribadi yang timbul daripada produk “Old Monsanto”, dengan tempoh polisi 06/1967 hingga 04/1986. Tuntutan yang dibangkitkan melibatkan produk yang mengandungi PCB dan glifosat (bahan aktif yang dikaitkan dengan Roundup). Walaupun entiti lama dikatakan mengeluarkan produk dan membeli perlindungan, entiti Monsanto hari ini menanggung kos pembelaan dan bayaran indemniti.

Dalam banyak program liabiliti excess, pertikaian tertumpu pada perkara seperti:

• Pencetus perlindungan (trigger): adakah kecederaan/kerosakan “berlaku” dalam tempoh polisi? Untuk pendedahan kimia berpanjangan, jawapan jarang hitam-putih.
• Pengagihan kerugian merentas tahun polisi: siapa menanggung bahagian mana bila pendedahan berlaku bertahun-tahun.
• Titik lekatan (attachment point): bila excess mula membayar selepas lapisan asas/primer habis.
• Bahasa pengecualian & tafsiran terma: termasuk isu “produk”, “pencemaran”, “expected/intentional”, dan definisi “occurrence”.

Satu pengajaran besar: risiko liabiliti produk dan alam sekitar bukan hanya tentang kebarangkalian tuntutan, tetapi tentang ketidakpastian tafsiran polisi. Dan ketidakpastian ini adalah kos.

Kos tersembunyi liabiliti produk: bukan hanya bayaran tuntutan

Ayat yang saya selalu ulang kepada pengurus risiko: yang membunuh bajet bukan semestinya indemniti—tetapi geseran. Geseran ini datang daripada kos guaman, pakar, masa pengurusan, dan pertikaian liputan.

Dalam kes Monsanto, walaupun sudah ada penyelesaian global bernilai berbilion dolar, litigasi masih berjalan dan kos pembelaan terus “makan meter”. Itu sebabnya pertikaian dengan penanggung insurans excess jadi kritikal: jika syarikat menanggung semua kos sementara menunggu keputusan mahkamah atau rundingan, aliran tunai dan rizab kewangan boleh tertekan lama.

Apa yang sering terlepas pandang oleh organisasi

Berikut antara “kos senyap” yang biasanya tidak muncul dalam laporan risiko tahunan secara jelas:

1. Kos data & dokumentasi: mencari polisi lama, endorsement, surat-menyurat broker, dan rekod tuntutan puluhan tahun.
2. Kos pembuktian saintifik & kausaliti: memerlukan pakar toksikologi, epidemiologi, dan rekod pendedahan.
3. Kos pengurusan reputasi: setiap gelombang tuntutan baharu memberi tekanan pada jenama dan hubungan pemegang taruh.
4. Kos ketidakselarasan definisi: satu perkataan dalam polisi boleh mengubah trajektori litigasi.

Di sinilah saya ambil pendirian: organisasi yang masih mengurus risiko liabiliti kompleks dengan fail PDF berselerak dan spreadsheet berlapis sedang menjemput litigasi yang lebih panjang dan lebih mahal.

Di mana AI benar-benar membantu: underwriting, tuntutan dan pertikaian liputan

AI bukan “alat ajaib” untuk menghapus risiko litigasi, tetapi ia sangat baik untuk satu perkara: menjadikan keputusan lebih pantas, lebih konsisten, dan lebih boleh dijejak. Dalam risiko kimia/alam sekitar dan liabiliti produk, itu sangat bernilai.

1) Underwriting: membina profil risiko yang lebih tajam

Jawapan terus: AI meningkatkan underwriting dengan menggabungkan data teknikal, sejarah tuntutan, dan isyarat luar untuk menghasilkan skor risiko yang lebih tepat serta justifikasi yang lebih jelas.

Contoh aplikasi praktikal:

• NLP untuk dokumen teknikal: AI boleh membaca SDS/MSDS, label produk, laporan audit EHS, dan sejarah perubahan formulasi untuk kenal pasti bahan, penggunaan, dan potensi pendedahan.
• Pemetaan rantaian bekalan & produk: model boleh mengesan risiko dari pembekal bahan mentah hingga aplikasi di lapangan (contoh: penggunaan pertanian berskala besar).
• Model ramalan “frequency–severity”: bukan sekadar “berapa kerap tuntutan”, tetapi “berapa teruk bila ia berlaku”, termasuk faktor litigasi dan trend keputusan mahkamah.

Poin penting untuk pasaran: liabiliti jangka panjang memerlukan pembelajaran daripada sejarah, tetapi juga peka kepada perubahan sains dan sentimen litigasi. AI memudahkan kedua-duanya.

2) Pengurusan tuntutan: triage kes berskala besar tanpa hilang kawalan

Untuk portfolio dengan ribuan tuntutan, kelewatan triage ialah pembaziran kos paling cepat.

AI boleh menyokong:

• Pengelasan tuntutan automatik mengikut jenis pendedahan, lokasi, tempoh, dan profil plaintif.
• Pengesanan corak litigasi (contoh: firma guaman tertentu, daerah tertentu, strategi tuntutan berulang).
• Anggaran rizab dinamik dengan kemas kini berdasarkan dokumen baharu (laporan perubatan, keputusan interlokutori, penemuan baharu).

Bila dibuat dengan betul, hasilnya bukan “kurang tuntutan”, tetapi kurang kejutan.

3) Pertikaian liputan: audit polisi lama dengan lebih sistematik

Kes Monsanto menekankan satu realiti: polisi legacy sering berada dalam arkib, format berbeza, terma berbeza, dan interpretasi berbeza.

AI (NLP + carian semantik) boleh:

• Mengekstrak klausa penting seperti pengecualian pencemaran, definisi occurrence, notice, cooperation, dan had.
• Membandingkan variasi klausa merentas tahun polisi untuk melihat di mana risiko litigasi tafsiran paling tinggi.
• Membina “peta liputan” untuk menunjukkan lapisan primer–excess, titik lekatan, dan potensi jurang.

Satu baris yang mudah dipetik: Jika anda tak boleh ‘search’ polisi anda, anda belum betul-betul faham perlindungan anda.

Rangka kerja yang saya cadangkan: “AI + Tadbir Urus Risiko” untuk liabiliti kompleks

AI tanpa tadbir urus hanya mempercepatkan kekeliruan. Untuk risiko alam sekitar dan liabiliti produk, saya cadangkan rangka kerja 5 langkah yang praktikal.

1) Satukan data yang betul (bukan semua data)

Fokus pada sumber yang memberi nilai underwriting dan tuntutan:

• Polisi dan endorsement (termasuk polisi lama)
• Sejarah tuntutan dan kos pembelaan
• Rekod EHS, audit tapak, SDS/MSDS
• Data produk: formulasi, perubahan label, amaran, pasaran sasaran

2) Bentuk taksonomi risiko yang standard

Tanpa bahasa yang seragam, AI akan belajar daripada kekacauan.

Contoh taksonomi:

• Jenis bahan (kimia tertentu)
• Laluan pendedahan (dermal, inhalasi, oral)
• Tempoh pendedahan (akut vs kronik)
• Jenis kerugian (bodily injury, property damage)
• Status litigasi (pre-suit, filed, discovery, trial)

3) Pilih model mengikut keputusan yang mahu dibuat

• Untuk ringkasan dokumen: model NLP + RAG (carian semantik)
• Untuk ramalan kos: model statistik/ML dengan ciri yang telus
• Untuk konsistensi keputusan: aturan (rules) + model (hybrid)

4) Letak pagar keselamatan (guardrails)

AI mesti ada kawalan:

• Semakan manusia untuk keputusan bernilai tinggi
• Log audit: siapa ubah apa, bila, dan kenapa
• Ujian bias: elak model menghukum populasi tertentu atau lokasi tertentu tanpa sebab sah

5) Ukur kejayaan dengan metrik yang masuk akal

Untuk program liabiliti kompleks, metrik yang saya suka:

• Masa triage tuntutan (hari) menurun
• Ketepatan rizab (deviasi antara rizab vs kos sebenar)
• Kadar “coverage position consistency” merentas kes serupa
• Kos guaman per kes (mengikut fasa litigasi)

Soalan lazim: “Adakah AI akan kurangkan pertikaian seperti ini?”

Jawapan terus: AI tidak menghapus pertikaian liputan, tetapi ia mengurangkan ruang untuk salah faham dan mempercepatkan kejelasan posisi. Bila dokumen polisi mudah dianalisis, sejarah tuntutan mudah diringkaskan, dan pemandu kos dikenal pasti awal, kedua-dua pihak (insured dan insurer) boleh membuat keputusan lebih rasional.

Satu lagi soalan yang saya kerap dengar: “AI boleh ganti underwriter?” Saya tak setuju. Untuk risiko berprofil tinggi, underwriter yang bagus masih diperlukan—cuma peranannya berubah menjadi pengarah strategi risiko yang diperkukuh oleh analitik.

Apa maknanya untuk pasaran Malaysia dan serantau

Walaupun kes ini berlaku di AS, pengajarannya dekat:

• Banyak syarikat di rantau ini mempunyai operasi pembuatan, bahan kimia, pertanian, dan eksport yang terdedah kepada standard litigasi dan tuntutan rentas sempadan.
• Polisi liabiliti dan program excess semakin kompleks apabila syarikat berkembang melalui penggabungan/ambil alih.
• Pengawal selia dan pemegang taruh semakin menuntut ketelusan ESG, yang berkait rapat dengan risiko alam sekitar.

Jika anda mengurus risiko korporat, atau anda underwriter/ broker liabiliti, 2026 akan terus menekan satu perkara: kualiti data + kelajuan analisis.

Langkah seterusnya untuk organisasi: audit kecil yang beri kesan besar

Jika anda mahu bergerak minggu ini (bukan “tahun depan”), buat tiga perkara ini:

1. Audit polisi & dokumen liputan: senaraikan semua polisi primer dan excess, tahun, had, dan lokasi simpanan dokumen.
2. Bina “kamus tuntutan” dalaman: standardkan kategori tuntutan, status litigasi, dan medan data yang wajib.
3. Kenal pasti 1 proses untuk automasi AI: contohnya ringkasan tuntutan baharu, ekstraksi klausa polisi, atau triage kos pembelaan.

Musim hujung tahun seperti Disember biasanya masa organisasi menyusun bajet dan pelan risiko 2026. Saya suka gunakan masa ini untuk satu keputusan yang pragmatik: pilih satu “use case” AI yang jelas ROI dalam 90 hari, bukan projek mega yang kabur.

Kes Monsanto–AIG mengingatkan kita bahawa liabiliti produk dan alam sekitar boleh “hidup” selama beberapa dekad dan menelan berbilion dolar. Cara lama—manual, berpecah, reaktif—menjadikan kos itu lebih tinggi. Cara yang lebih kemas ialah gabungkan AI dalam insurans dengan tadbir urus data dan disiplin keputusan.

Kalau litigasi berskala besar boleh berlarutan bertahun-tahun, soalan yang patut kita tanya untuk 2026 ialah: adakah organisasi anda sedang membina sistem yang mempercepatkan kejelasan, atau sistem yang mengumpul kekeliruan?