AI & Analitik untuk Risiko Bencana: Belajar dari HDI

Kerugian bencana alam bukan lagi isu bermusim—ia sudah jadi pola baharu yang memaksa industri insurans menilai semula cara kita mengukur risiko. Bila banjir kilat, ribut, kebakaran hutan atau taufan semakin kerap dan pendedahan aset makin kompleks, satu perkara jadi jelas: pengurusan risiko tak boleh bergantung pada pengalaman semata-mata, dan tak boleh juga diserah bulat-bulat kepada AI.

Kes yang menarik datang daripada pendekatan HDI Global melalui alat penilaian bencana alam mereka, HDI ARGOS 4.0. Fokusnya bukan “AI buat keputusan underwriting”, tetapi AI membantu kerja data yang memenatkan—sementara pakar masih memegang stereng. Untuk siri AI dalam Insurans dan Pengurusan Risiko, ini contoh praktikal bagaimana organisasi boleh guna AI untuk jadi lebih pantas, lebih konsisten, dan lebih telus tanpa mengorbankan tadbir urus.

Apa yang saya suka tentang pendekatan ini ialah ia berterus terang tentang realiti di lapangan: masalah terbesar selalunya bukan model, tetapi data lokasi yang bersepah, standard yang tak sekata, dan keputusan yang perlu boleh dijelaskan kepada pelanggan, pengawal selia, dan pihak pengurusan.

Risiko bencana alam makin sukar—bukan sebab cuaca sahaja

Jawapan ringkas: risiko bencana alam makin sukar dinilai kerana pendedahan (exposure) dan data berubah lebih cepat daripada proses tradisional. Bukan sekadar “lebih banyak kejadian”, tetapi juga perubahan pada apa yang dilindungi: rantaian bekalan global, aset tenaga boleh baharu, operasi maritim, gudang automasi, pusat data, dan kawasan perindustrian baharu.

Ada tiga punca utama yang kerap saya lihat dalam portfolio komersial bila organisasi cuba memperkemas pemodelan risiko:

1. Kualiti data lokasi – alamat tak lengkap, koordinat tak tepat, nama tapak berubah, atau format berlainan antara cawangan.
2. Skala portfolio – puluhan ribu lokasi menjadikan kerja semakan manual hampir mustahil.
3. Keperluan ketelusan – keputusan harga, syarat, dan had perlindungan mesti ada “jejak logik” yang boleh diaudit.

Di sinilah analitik dan AI sepatutnya masuk—bukan untuk menggantikan pakar bencana alam, tetapi untuk menjadikan kerja pakar lebih bernilai.

Data baharu (remote sensing) ubah cara risiko dipetakan

Satu perkembangan besar yang dibangkitkan oleh pakar HDI Global, Dr Melanie Fischer, ialah kemunculan set data global baharu terutama dalam remote sensing. Secara praktikal, ini bermaksud:

• resolusi peta bahaya (hazard) lebih halus
• liputan global lebih konsisten
• kemas kini lebih kerap

Bila resolusi meningkat, perbezaan “sebelah sungai vs 800 meter dari sungai” boleh jadi signifikan untuk banjir. Bagi kebakaran hutan, perubahan guna tanah (land use) dan vegetasi boleh mengubah profil risiko dari tahun ke tahun.

Pelajaran dari HDI ARGOS 4.0: AI patut bermula pada data, bukan keputusan

Jawapan ringkas: nilai AI paling cepat dalam Nat Cat ialah membersih, menyusun, dan menstandardkan data lokasi—sebelum apa-apa skor risiko dikira. HDI ARGOS 4.0 digambarkan sebagai alat penilaian pendedahan bencana alam global yang memudahkan pelanggan menilai portfolio.

Yang menarik, komponen AI yang disebut jelas menyasarkan masalah yang paling kerap melambatkan projek: importer untuk data lokasi yang tidak berstruktur.

“AI-supported importer” dan realiti data lokasi

Dalam operasi underwriting komersial, data lokasi sering datang dari:

• borang pelanggan (format tak konsisten)
• senarai aset (Excel berbeza template)
• data broker (gabungan pelbagai sumber)
• sistem dalaman lama (field tak lengkap)

Jika pasukan perlu habiskan masa berhari-hari untuk membetulkan alamat, meneka poskod, atau semak koordinat, organisasi sedang membayar kos tinggi untuk kerja yang kurang strategik.

AI pada peringkat ini boleh membantu untuk:

• mengenal pasti pola alamat dan menyusun semula medan
• mencadangkan pembetulan ejaan dan standardisasi
• memadankan lokasi kepada koordinat (geocoding) dengan tahap keyakinan
• menandakan rekod “berisiko tinggi ralat” untuk semakan manusia

Ini contoh penggunaan AI yang mudah dipertahankan dari sudut tadbir urus: AI bantu mempercepat proses, tetapi bukan membuat keputusan underwriting.

100k+ tapak: bila skala memaksa automasi

Di rantau Asia-Pasifik, HDI Risk Consulting menyebut keupayaan geocoding pada skala 100k+ sites. Pada skala begini, “semak manual” bukan lagi pilihan realistik. Yang masuk akal ialah pendekatan hibrid:

• automasi untuk majoriti rekod standard
• eskalasi untuk kes kompleks (lokasi bercampur, kawasan baharu, aset kritikal)
• audit berkala untuk pastikan kualiti kekal stabil

AI dalam pemodelan risiko perlukan “human in the loop” untuk dipercayai

Jawapan ringkas: tanpa pengawasan manusia, AI dalam pemodelan risiko akan gagal dari segi ketelusan, kebolehjelasan, dan pematuhan. Pasaran memang skeptikal—dan skeptikal itu sihat.

Tiga kebimbangan paling biasa bila organisasi mula guna AI untuk penilaian risiko bencana alam:

1. Ketelusan model – “Kenapa lokasi ini dinilai lebih berisiko?”
2. Kebolehjelasan keputusan – “Faktor mana yang mengubah premium/syarat?”
3. Tadbir urus & data protection – “Data pelanggan digunakan di mana, dan siapa akses?”

Pendekatan HDI menekankan human oversight: AI menyokong tugas berasaskan data, pakar menilai, mengesahkan, dan membuat keputusan.

Ayat yang patut jadi prinsip kerja: AI mempercepat kerja yang rutin; manusia melindungi kualiti dan kepercayaan.

Rangka kerja praktikal: 5 kawalan untuk AI dalam pengurusan risiko

Jika organisasi anda sedang merancang AI untuk underwriting atau portfolio risk management, saya cadangkan mula dengan lima kawalan ini:

1. Model card / dokumentasi ringkas: input, output, had penggunaan, dan risiko.
2. Confidence threshold: AI hanya auto-lulus untuk kes melepasi ambang keyakinan.
3. Audit trail: simpan log perubahan data (sebelum/selepas) dan siapa yang sahkan.
4. Segregation of duties: pihak yang membina model ≠ pihak yang meluluskan keputusan komersial.
5. Ujian bias & drift: semak prestasi model berkala, terutama selepas kemas kini dataset.

Ini bukan teori. Ini yang biasanya membezakan “pilot AI yang cantik” dengan sistem yang boleh hidup lama dalam operasi.

Data senario iklim: daripada laporan tahunan kepada keputusan harian

Jawapan ringkas: memasukkan data senario iklim ke dalam alat penilaian menjadikan portfolio lebih bersedia, bukan sekadar lebih ‘aware’. HDI merancang integrasi data berinformasi senario iklim untuk membandingkan pendedahan semasa dengan keadaan masa depan.

Dalam konteks 21/12/2025, banyak syarikat sudah ada komitmen ESG dan laporan risiko iklim. Masalahnya, laporan itu sering terpisah daripada keputusan harian seperti:

• lokasi mana patut diberi syarat mitigasi tambahan
• aset mana perlu had perlindungan berlainan
• sektor mana yang perlu penetapan harga lebih granular

Bila senario iklim dibawa masuk ke persekitaran yang sama dengan peta hazard dan data lokasi, perbualan berubah daripada “apa kemungkinan” kepada “apa tindakan minggu ini”.

Contoh aplikasi ringkas (boleh guna terus)

Bayangkan portfolio kilang dan gudang di beberapa negara Asia Tenggara:

• Dengan data semasa: anda nampak 20 lokasi dalam zon banjir 1-dalam-100 tahun.
• Dengan senario iklim: angka itu mungkin naik (contohnya, zon risiko meluas atau intensiti meningkat).

Tindakan yang boleh dibuat:

• keutamaan lawatan risk engineering untuk 10 lokasi paling kritikal
• semakan pelan kesinambungan perniagaan (BCP) dan paras stok keselamatan
• keperluan flood barrier, peninggian peralatan, atau perubahan susun atur stor

AI dan analitik di sini bukan ‘ramalan magik’. Ia sistem amaran awal yang boleh dipertahankan.

Jurang perlindungan (protection gap): analitik sahaja tak cukup

Jawapan ringkas: jurang perlindungan bencana alam perlu gabungan insurans, mitigasi, dan kejuruteraan risiko di tapak. Fischer menekankan jurang besar di beberapa pasaran Asia dan Afrika, dengan perlindungan insurans bencana alam di sesetengah negara di bawah 10%.

Bila perlindungan rendah, beban kerugian jatuh kepada:

• isi rumah
• perniagaan kecil
• kerajaan (melalui bantuan dan pemulihan)

Insurans memang membantu dari sudut kewangan, tetapi untuk menutup jurang ini, organisasi perlu buat dua perkara serentak:

1. Memperluas akses (produk, pengagihan, literasi)
2. Mengurangkan risiko fizikal (mitigasi, standard binaan, operasi)

Risk engineering: tempat yang paling cepat nampak hasil

HDI menekankan peranan pasukan risk engineer yang “drill down” pada langkah mitigasi di tahap tapak. Ini penting kerana banyak risiko Nat Cat boleh dikurangkan dengan keputusan praktikal, contohnya:

• pelan saliran dan penyelenggaraan berkala
• penempatan semula aset kritikal dari aras bawah
• pengukuhan bumbung/struktur untuk ribut
• pengasingan bahan mudah terbakar dan zon penampan kebakaran
• latihan respons kecemasan dan ujian pemulihan operasi

Bila mitigasi dibuat, manfaatnya biasanya muncul dalam tiga cara: kerugian lebih rendah, masa henti (downtime) berkurang, dan rundingan perlindungan jadi lebih jelas.

Soalan lazim yang patut ditanya sebelum guna AI untuk Nat Cat

Jawapan ringkas: tanya soalan yang menguji data, tadbir urus, dan tindakan—bukan sekadar ‘model ini hebat ke?’.

Berikut soalan yang saya cadangkan untuk pengurus risiko, ketua underwriting, atau pemilik portfolio:

1. Data lokasi kita berapa peratus yang lengkap dan tepat? (alamat, poskod, koordinat, jenis binaan)
2. Bila AI salah, siapa yang bertanggungjawab membetulkan? (proses, bukan individu)
3. Apa ambang keyakinan untuk automasi?
4. Bolehkah kita jelaskan keputusan kepada pelanggan dalam 60 saat?
5. Apakah tindakan yang terhasil daripada output analitik? (mitigasi, syarat, prioriti lawatan)

Jika jawapan untuk soalan #5 kabur, AI anda sedang jadi “dashboard cantik”, bukan alat pengurusan risiko.

Langkah seterusnya: bina aliran kerja hibrid yang boleh diskalakan

AI dan analitik untuk penilaian risiko bencana alam sudah cukup matang untuk memberi impak cepat—terutama pada data, geocoding, dan pemetaan pendedahan. Pendekatan HDI Global menunjukkan hala tuju yang saya anggap paling sihat: AI sebagai enabler, manusia sebagai penjaga kualiti, dan risk engineering sebagai jambatan kepada tindakan.

Jika anda sedang memperkemas program AI dalam insurans dan pengurusan risiko, mula dengan projek yang paling mudah memberi ROI dan paling rendah risiko pematuhan: pembersihan data lokasi + standardisasi + audit trail. Lepas itu barulah naik ke integrasi senario iklim dan kerangka keputusan yang lebih canggih.

Akhirnya, soalan yang patut kekal di meja pengurusan: bila pendedahan berubah lebih cepat daripada polisi dan proses, adakah organisasi anda cukup pantas untuk mengemas kini pemahaman risiko—sebelum kejadian seterusnya menguji semuanya?