AI Kesan Penipuan Tuntutan: Iktibar Kes $2.5 Juta

Pada 17/12/2025, satu tindakan undang-undang di New York mendedahkan bagaimana skim bil “no-fault” boleh mencecah lebih AS$2.5 juta—dan itu belum termasuk AS$2.2 juta tuntutan yang masih menunggu keputusan. Angka ini bukan sekadar tajuk berita. Ia isyarat jelas bahawa penipuan tuntutan insurans kenderaan kini bergerak laju, tersusun, dan memanfaatkan ruang proses yang masih banyak bergantung pada semakan manual.

Bagi saya, pengajaran paling besar daripada kes ini bukan “siapa salah siapa betul” (itu kerja mahkamah). Pengajaran sebenarnya: apabila penipuan disusun sebagai operasi berulang dengan pola halus, audit manual akan sentiasa lambat. Di sinilah AI—terutamanya anomaly detection dan analitik rangkaian—jadi alat pengurusan risiko yang praktikal, bukan sekadar topik teknologi.

Kes GEICO ini sesuai dijadikan case study dalam siri “AI dalam Insurans dan Pengurusan Risiko”: bagaimana penipuan berlaku dalam tuntutan, mengapa ia terlepas pandang, dan apa yang patut dilakukan oleh organisasi yang mahu melindungi margin, reputasi, dan pemegang polisi.

Apa yang kes $2.5 juta ini beritahu tentang realiti penipuan tuntutan

Jawapan ringkas: penipuan tuntutan jarang berlaku sebagai satu transaksi besar—ia berlaku sebagai ribuan transaksi kecil yang nampak “normal”.

Dalam saman yang difailkan pada 11/12/2025 di Mahkamah Daerah Persekutuan (Eastern District of New York), GEICO mendakwa beberapa pembekal peralatan perubatan tahan lama (durable medical equipment, DME) bersama individu tertentu menjalankan operasi bil tuntutan “no-fault”. Dakwaan utama berlegar pada corak yang kita selalu lihat dalam penipuan tuntutan:

• Bil dihantar dalam jumlah besar dan berulang (skala “ribuan” bil).
• Item yang dituntut didakwa tidak perlu dari sudut klinikal, “illusory” (seolah-olah wujud di kertas tetapi meragukan dari segi realiti), atau tidak boleh dibayar.
• Penggunaan kod bil (contohnya kod HCPCS) yang didakwa tidak mencerminkan item sebenar.
• Taktik “mengurangkan kecurigaan” seperti memecahkan bil kepada beberapa tuntutan pada tarikh sama.

Perincian dalam kes ini juga menunjukkan satu perkara yang ramai organisasi terlepas pandang: penipuan tuntutan bukan semata-mata isu dokumen—ia isu rangkaian (network) dan insentif. Apabila wujud hubungan antara klinik, preskripsi, pembekal DME, dan aliran bil, penipuan boleh “disamarkan” sebagai rutin operasi.

Kenapa semakan manual sering kalah (dan kosnya bukan setakat duit)

Jawapan terus-terang: manual processing bagus untuk kes terpencil, tetapi lemah untuk pola bersiri dan berlapis.

Dalam operasi tuntutan, semakan manual biasanya bergantung pada:

1. Peraturan statik (contoh: semak dokumen wajib, semak had manfaat, semak kelayakan).
2. Sampel audit (bukan semakan 100% tuntutan).
3. Bendera merah tradisional (contoh: nilai tuntutan terlalu tinggi, dokumen tak lengkap).

Masalahnya, skim seperti yang didakwa dalam kes GEICO boleh mengelak semua ini dengan strategi mudah:

1) “Nilai sederhana, jumlah banyak”

Tuntutan tak semestinya luar biasa besar. Tetapi bila dikumpul—AS$2.5 juta—baru nampak parah. Banyak pasukan tuntutan hanya nampak “pokok”, bukan “hutan”.

2) Kod dan borang nampak sah

New York menggunakan borang piawai dan rangka kerja no-fault (had tertentu, proses tertentu). Bila penipu pandai bermain dalam format yang betul, semakan manusia akan fokus pada pematuhan borang, bukan kebenaran klinikal.

3) “Pecahkan bil” untuk kurangkan perhatian

Bila item dibahagi kepada beberapa bil pada tarikh sama, ia nampak seperti aktiviti pentadbiran biasa—sedangkan itu boleh jadi teknik menyamarkan corak.

4) Risiko operasi: beban kerja hujung tahun

Disember biasanya bulan “sibuk” untuk banyak organisasi—penutupan KPI, cuti, kekangan tenaga kerja. Penipu tahu bila proses dalaman lebih mudah longgar. Ini sebabnya AI yang berjalan 24/7 menjadi relevan dalam konteks bermusim.

Kosnya pula bukan setakat pembayaran tuntutan:

• Kebocoran tuntutan (claims leakage) yang menekan nisbah kerugian
• Kos siasatan dan litigasi (masa, pakar, dokumentasi)
• Pengalaman pelanggan (tuntutan sah mungkin jadi lambat kerana pengetatan kawalan)
• Risiko reputasi dan pematuhan jika proses kawalan lemah

Di mana AI lebih laju: mengesan anomali, bukan menunggu bukti “jelas”

Jawapan yang praktikal: AI menang kerana ia menilai pola merentas masa, pembekal, klinik, pesakit, dan kod—bukan satu tuntutan pada satu masa.

Bila kita sebut AI dalam pengesanan penipuan insurans, ramai bayangkan chatbot atau automasi dokumen. Yang lebih memberi impak biasanya tiga kelas keupayaan berikut:

1) Anomaly detection untuk pola bil yang “tak kena gaya”

AI boleh belajar corak bil biasa bagi pembekal tertentu (baseline), kemudian mengesan deviasi seperti:

• Lonjakan mendadak jumlah bil selepas tempoh stabil
• Nisbah item tertentu (contoh ortotik) yang terlalu tinggi berbanding populasi serupa
• Kekerapan bil pada tarikh sama yang luar biasa
• Perubahan campuran kod (code mix) yang selari dengan kadar bayaran lebih tinggi

Yang menarik: AI tak perlukan “tuntutan terlalu besar” untuk bertindak. Ia bertindak pada corak kecil yang konsisten.

2) Analitik rangkaian (graph analytics) untuk “pemilik sebenar” dan kolusi

Dalam kes GEICO, wujud dakwaan tentang syarikat “dimiliki di atas kertas” tetapi dikawal pihak lain, termasuk “Secret Owner” dan pengawal klinik. Ini jenis masalah yang graph analytics boleh bantu—bukan untuk menentukan salah atau betul, tetapi untuk meningkatkan kebarangkalian risiko.

Contoh isyarat rangkaian yang AI boleh kesan:

• Pembekal A dan B berkongsi corak alamat, nombor telefon, atau e-mel domain tertentu
• Kumpulan pesakit yang sama berulang-alik antara klinik dan pembekal tertentu
• Doktor/pemberi preskripsi dengan corak preskripsi yang terlalu seragam

AI tidak “menuduh”. AI menyusun peta hubungan supaya pasukan SIU (Special Investigations Unit) tahu mana yang patut disiasat dahulu.

3) Skor risiko masa nyata dalam aliran kerja tuntutan

Nilai AI meningkat bila ia masuk terus dalam workflow:

• Tuntutan masuk → AI beri skor risiko (0–100)
• Skor tinggi → laluan siasatan pantas (fast-track SIU)
• Skor sederhana → minta dokumen tambahan / semakan klinikal
• Skor rendah → pembayaran dipercepat untuk lindungi pengalaman pelanggan

Hasilnya: kawalan lebih ketat tanpa memperlahankan semua orang.

“AI yang bagus bukan yang banyak ‘flag’ tuntutan. AI yang bagus ialah yang menapis bising, dan memusatkan perhatian pasukan pada 1% kes yang paling mahal.”

“Boleh ke AI kesan skim ini lebih awal?” Ya—jika data dan proses disediakan

Jawapan terus: boleh, biasanya dalam minggu atau bulan pertama pola terbentuk—bukan selepas angka mencecah jutaan.

Namun, AI hanya sekuat data dan disiplin operasi. Untuk kes seperti ini, organisasi perlu bersedia dengan minimum berikut:

Data yang patut ada (dan sering berselerak)

• Data tuntutan: tarikh servis, kod, kuantiti, amaun, pembekal
• Data pihak terlibat: klinik, pembekal DME, prescriber, adjuster
• Data dokumentasi: borang (contoh NF-3, CMS-1500), lampiran, nota
• Sejarah pembayaran dan penolakan
• Senarai “watchlist” pembekal / entiti berisiko (dalaman)

Proses yang patut jelas

1. Definisi “fraud”, “waste”, “abuse” berbeza dari segi tindakan—AI perlu label yang konsisten.
2. Protokol eskalasi: skor berapa masuk SIU? siapa buat keputusan akhir?
3. Maklum balas model: bila siasatan sahkan penipuan/tiada isu, hasil itu kembali ke model.

Kawal risiko model (supaya AI tak jadi liabiliti)

AI dalam insurans perlu ada tadbir urus:

• Audit bias (elak diskriminasi tidak sengaja)
• Jejak keputusan (explainability untuk sebab “kenapa dikepilkan?”)
• Pemantauan drift (pola tuntutan berubah mengikut masa)
• Polisi akses data (privasi dan pematuhan)

Pendekatan ini selari dengan tema siri kita: AI bukan semata-mata automasi; ia alat pengurusan risiko yang memerlukan kawalan risiko juga.

Pelan 90 hari: langkah realistik untuk syarikat insurans & TPA

Jawapan ringkas: mulakan kecil pada kebocoran terbesar—pembekal dan kod yang paling kerap disalahguna—kemudian besarkan.

Berikut rangka kerja yang saya biasanya cadangkan untuk 90 hari pertama (sesuai untuk insurer, TPA, atau broker yang mengurus portfolio motor/kemalangan):

Hari 1–30: “Nampak dulu kebocoran”

• Kenal pasti 10 pembekal/klinik dengan bayaran tertinggi dan kadar penolakan tertinggi
• Bentuk metrik ringkas: jumlah tuntutan, purata amaun, kekerapan bil tarikh sama, campuran kod
• Wujudkan senarai 20–30 red flags yang boleh diuji cepat (rules + statistik)

Hari 31–60: Model risiko minimum boleh guna (MVP)

• Bina skor risiko berasaskan gabungan:
  • peraturan (rules)
  • anomali statistik
  • ciri rangkaian asas (contoh: perkongsian pesakit/klinik)
• Uji di “shadow mode” (tak ubah keputusan pembayaran, hanya banding ramalan vs hasil siasatan)

Hari 61–90: Masuk ke workflow tuntutan

• Tetapkan laluan eskalasi SIU
• Standardkan sebab “flag” (contoh: code mismatch, billing frequency anomaly, network cluster risk)
• Buat laporan mingguan: jumlah flag, hit rate, jumlah kebocoran dicegah

Kalau organisasi berjaya capai hit rate yang stabil (contoh: lebih baik daripada audit rawak), barulah masuk fasa seterusnya: automasi dokumentasi, NLP untuk semak nota klinikal, dan integrasi dengan sistem pengurusan tuntutan penuh.

Apa makna kes ini untuk pasaran Malaysia (walaupun ia berlaku di New York)

Jawapan terus: modus operandi berbeza, tetapi prinsip risiko sama—bila rantaian pihak ketiga wujud, peluang penipuan meningkat.

Malaysia mungkin tidak menggunakan struktur “no-fault” yang sama seperti New York, tetapi kita ada ekosistem yang serupa dari segi risiko:

• Tuntutan motor yang melibatkan bengkel panel, pihak ketiga, dan dokumen sokongan
• Tuntutan perubatan/kemalangan diri yang bergantung pada rujukan, preskripsi, invois
• Vendor dan pembekal yang berinteraksi berulang dengan insurer

Jika organisasi masih bergantung pada semakan manual semata-mata, isu yang sama akan muncul: penipuan kecil-kecil yang terkumpul jadi besar.

Langkah seterusnya: bina pertahanan tuntutan yang lebih pintar

Kes GEICO—AS$2.5 juta dibayar dan AS$2.2 juta cuba dihentikan—menggambarkan kos sebenar apabila kawalan tuntutan tak mampu mengejar pola penipuan yang tersusun. Saya berpihak pada pendekatan yang jelas: AI untuk pengesanan penipuan tuntutan bukan projek “nice to have”; ia projek perlindungan margin.

Jika anda mengurus tuntutan motor, perubatan, atau portfolio yang banyak pihak ketiga, langkah paling bernilai ialah bermula dengan satu soalan operasi: “Di mana kebocoran paling konsisten berlaku, dan bagaimana kita boleh kesan pola itu lebih awal?”

Nak mula? Bentukkan inventori data tuntutan anda, pilih satu garis produk, dan uji model skor risiko dalam 30 hari. Bila sistem sudah stabil, barulah skala.

Akhirnya, persoalan yang patut duduk dalam mesyuarat pengurusan risiko minggu ini: jika skim bernilai jutaan boleh nampak hanya selepas bertahun, apa yang sedang berlaku sekarang—yang masih belum nampak?