AI Kesan Penipuan Tuntutan: Iktibar Kes $2.7J GEICO

Pada 12/12/2025, sebuah kes di Amerika Syarikat mengingatkan industri insurans tentang realiti yang ramai cuba nafikan: penipuan tuntutan bukan kerja “kecil-kecilan”, dan pelakunya semakin teratur. GEICO mendakwa wujud rangkaian pembekal peralatan perubatan yang memanipulasi sistem insurans no-fault New York sehingga menghasilkan caj palsu melebihi USD 2.7 juta—dan sebahagiannya sudah pun dibayar.

Yang menarik (dan membimbangkan) bukan sekadar jumlahnya. Coraknya. Dua syarikat beralamat sama di Brooklyn didakwa beroperasi seperti baton lari berganti-ganti: satu kumpul tuntutan dalam tempoh tertentu, kemudian “tutup”, dan satu lagi menyambung—seolah-olah cuba memadam jejak.

Bagi siri “AI dalam Insurans dan Pengurusan Risiko”, kes ini sesuai dijadikan cermin. AI bukan sekadar automasi tuntutan; AI ialah enjin integriti tuntutan—mengesan corak halus yang mata manusia hampir pasti terlepas, terutama bila data datang dari ratusan klinik, ribuan preskripsi, dan puluhan variasi kod bil.

Apa yang kes GEICO ajar tentang “penipuan moden”

Jawapan ringkas: penipuan tuntutan hari ini jarang berlaku secara tunggal; ia biasanya berbentuk ekosistem—pembekal, klinik, preskripsi, dokumen sokongan, dan masa penyerahan tuntutan bergerak selari.

Dalam dakwaan GEICO, penipuan didorong oleh beberapa taktik klasik yang disusun kemas:

1. “Swap” produk: bilkan peralatan mahal (contohnya bone growth stimulator bernilai kira-kira USD 3,300 seunit), tetapi berikan peranti murah atau berbeza.
2. Peralatan tidak relevan: tilam udara khas untuk pesakit terlantar dibekalkan kepada individu yang masih mampu hadir fisioterapi beberapa kali seminggu.
3. Preskripsi seragam: beberapa penumpang dari kemalangan sama menerima preskripsi identik untuk peralatan mahal, walaupun kecederaan dan posisi tempat duduk berbeza.
4. Isu tarikh rawatan: preskripsi bertarikh hari pesakit didakwa tidak bertemu doktor.
5. Pihak tidak bertauliah: dakwaan preskripsi dikeluarkan oleh staf tanpa lesen perubatan.
6. Model “relay” syarikat: satu entiti menjana tuntutan, kemudian berhenti; entiti baharu meneruskan corak dari alamat sama.

Jika anda pernah mengurus operasi tuntutan, anda tahu masalahnya: setiap satu tanda ini mungkin nampak “boleh jadi kebetulan”. Tapi bila digabungkan, ia jadi isyarat risiko yang sangat kuat.

Kenapa pengesanan manual mudah kecundang

Jawapan terus: kerana skala dan kelajuan. Penipuan yang terancang bergantung pada satu kelemahan utama—manusia tak mampu menilai beribu-ribu hubungan data serentak.

Dalam ekosistem tuntutan perubatan dan kemalangan motor, data yang terlibat biasanya meliputi:

• identiti pesakit, sejarah rawatan, tarikh kemalangan
• kod diagnosis, kod prosedur, nota klinikal
• preskripsi, pembekal peralatan, penghantaran, penerimaan
• pola lawatan fisioterapi, rujukan, pengesahan doktor
• sejarah tuntutan, amaun, kelulusan, pembatalan

Pengurusan risiko tradisional sering bersandar pada:

• semakan sampel (audit rawak)
• peraturan statik (contoh: tuntutan melebihi ambang X → semak)
• pengalaman adjuster (yang tak ternilai, tapi terhad)

Masalahnya, penipuan seperti yang didakwa GEICO bukan “melompat pagar” dengan satu tuntutan besar. Ia sering mengalir stabil dalam banyak tuntutan kecil hingga sederhana—cukup untuk lepas radar, tetapi cukup banyak untuk jadi jutaan.

Di sinilah AI benar-benar berguna: mengesan corak, bukan satu tuntutan

Jawapan jelas: AI mengesan pattern-of-life penipuan—gabungan tingkah laku, hubungan, dan masa—bukan sekadar anomali pada satu invoice.

Berikut cara praktikal AI membantu syarikat insurans (dan pengurus risiko) mengesan penipuan peralatan perubatan dan klinik:

1) Analitik rangkaian (network analytics): siapa berhubung dengan siapa

AI boleh membina graf hubungan antara:

• klinik → doktor → pesakit
• pesakit → kemalangan yang sama
• preskripsi → pembekal → alamat penghantaran
• pembekal A “tutup” → pembekal B muncul di alamat sama

Dalam kes seperti ini, alamat yang sama bagi dua pembekal dan peralihan tuntutan mengikut bulan ialah isyarat yang sangat “senyap” tapi kuat. Analitik rangkaian menonjolkan hubungan yang biasanya hanya ditemui selepas siasatan panjang.

One-liner yang saya suka gunakan: “Penipuan yang teratur meninggalkan jejak sosial, bukan jejak tunggal.”

2) Model skor risiko tuntutan: lebih awal, lebih murah

Sasaran paling bernilai bukan menolak tuntutan yang sudah dibayar, tetapi menghalang pembayaran sebelum keluar.

Model machine learning boleh memberi skor risiko berdasarkan gabungan ciri seperti:

• keseragaman preskripsi dalam kemalangan sama
• pola amaun bil berulang pada peralatan tertentu
• ketidakselarasan mobiliti pesakit vs peralatan dibekalkan
• masa penyerahan tuntutan yang “berombak” mengikut entiti pembekal

Dalam dakwaan GEICO, jumlah yang sudah dibayar lebih kurang USD 455,000, dan baki yang cuba dielak sekitar USD 2 juta. Ini contoh nyata kenapa early warning penting: lebih cepat model mengangkat bendera, lebih besar nilai penjimatan.

3) NLP (pemprosesan bahasa semula jadi) pada nota klinikal

Bila nota klinikal wujud, NLP boleh memeriksa:

• ketiadaan justifikasi klinikal untuk peralatan mahal
• frasa klise yang diulang antara pesakit berbeza
• “copy-paste signature” pada laporan susulan
• jurang antara diagnosis dan peralatan (contoh: pesakit aktif tetapi dibekalkan tilam untuk pesakit terlantar)

Dalam banyak organisasi, nota klinikal disimpan sebagai PDF, imej, atau teks tidak seragam. NLP membantu menukar “dokumen” kepada “data yang boleh dianalisis”.

4) Pengesanan anomali masa (temporal anomalies)

Kes GEICO menyebut preskripsi bertarikh hari pesakit didakwa tidak bertemu doktor. Ini mudah dikesan apabila AI memadankan:

• tarikh lawatan sebenar
• jadual klinik/rekod kehadiran
• urutan rawatan (contoh: preskripsi dikeluarkan sebelum pemeriksaan)

AI tak penat menilai kronologi. Manusia cepat terlepas, terutama bila fail bertimbun.

Playbook praktikal: 7 kawalan anti-penipuan berasaskan AI yang saya cadangkan

Jawapan terus: gabungkan AI + kawalan proses. AI mengesan, proses menguatkuasa.

1. Skor risiko pra-pembayaran (pre-payment triage)

   • Tuntutan berisiko tinggi dipindah ke laluan semakan pakar.

2. Senarai pantau pembekal/klinik dinamik

   • Bukan “blacklist” kekal, tapi watchlist yang berubah mengikut bukti data.

3. Pengesanan “alamat berkongsi” dan pertukaran entiti

   • Sama ada alamat, nombor telefon, e-mel domain, pemegang saham, atau akaun bank.

4. Validasi klinikal automatik untuk peralatan mahal

   • Peraturan pintar: peralatan tertentu memerlukan bukti mobiliti/diagnosis tertentu.

5. Audit tertumpu (targeted audit) berdasarkan graf rangkaian

   • Audit 30 kes yang betul lebih berguna daripada audit 300 kes rawak.

6. Pemadanan kemalangan sama (same-loss event matching)

   • Keseragaman preskripsi/amaun antara penumpang berbeza jadi isyarat utama.

7. Gelung maklum balas siasatan → model

   • Keputusan siasatan (sah/penipuan/keliru) mesti masuk semula untuk meningkatkan ketepatan model.

Soalan biasa: Adakah AI akan “menzalimi” tuntutan yang sah?

Jawapan jujur: boleh jadi, jika model dibina tanpa tadbir urus dan kawalan bias. Tetapi itu masalah reka bentuk, bukan alasan untuk elak AI.

Cara yang lebih selamat ialah:

• guna AI sebagai sistem saringan, bukan hakim muktamad
• tetapkan ambang risiko mengikut toleransi organisasi
• pastikan ada auditability: kenapa model menaikkan bendera?
• pantau kadar false positive dan perbaiki ciri model

AI yang baik tidak menggantikan adjuster. Ia memberi mereka senarai kerja yang lebih tepat—supaya masa manusia digunakan pada kes yang benar-benar meragukan.

Apa yang organisasi di Malaysia boleh ambil daripada kes ini

Jawapan terus: jangan tunggu penipuan jadi viral atau jadi kes mahkamah besar. Bina kemampuan pengesanan awal sekarang.

Walaupun konteks undang-undang New York berbeza, bentuk penipuan—peralatan/servis tak perlu, preskripsi meragukan, kolusi pihak berkaitan—boleh muncul di mana-mana sistem yang mempunyai:

• pembayaran pihak ketiga
• dokumentasi yang kompleks
• tekanan kelajuan penyelesaian tuntutan

Musim hujung tahun (Disember) juga biasanya periode operasi sibuk: cuti, staf bercuti, backlog meningkat. Penipu suka suasana begini kerana semakan cenderung longgar. Itulah sebabnya automasi kawalan dan real-time monitoring makin kritikal.

“Bila operasi makin laju, kawalan perlu jadi lebih pintar—bukan lebih ramai orang.”

Jika anda memimpin unit tuntutan, SIU (special investigation), pengurusan risiko, atau transformasi digital, langkah paling realistik ialah memulakan pilot 8–12 minggu: pilih satu kategori (contoh: peralatan perubatan mahal), bina skor risiko, uji pada data sejarah, dan ukur penjimatan kebocoran.

Akhirnya, persoalan yang patut kita fikirkan untuk 2026 ialah: adakah organisasi anda mahu mengesan penipuan selepas duit keluar, atau sebelum duit keluar?