AI untuk Risiko Captive: Isyarat Besar Dari Gallagher Re

Pada 19/12/2025, sebuah berita “people move” dalam dunia reinsurans sebenarnya membawa mesej yang lebih besar daripada sekadar pertukaran jawatan: Gallagher Re menubuhkan pasukan baharu Captive Risk Transfer di bawah amalan Global Facultative, dan melantik Martin Hughes (sebelum ini memimpin Specialty Risk Transfer di Artex) sebagai peneraju berkuat kuasa 01/01/2026. Pada masa yang sama, Joshua Cryer turut menyertai pasukan tersebut sebagai Divisional Director.

Saya lihat perkembangan ini sebagai satu isyarat yang jelas: pemilik captive dan broker reinsurans sedang bergerak ke arah pemindahan risiko yang semakin bersandar pada data, analitik, dan automasi—dan di sinilah AI masuk dengan peranan yang sangat praktikal. Kalau dulu ramai anggap captive hanya “alat kewangan” untuk mengurus premium dan retensi, realitinya sekarang captive jadi platform strategik untuk mengurus volatiliti risiko, akses kapasiti, dan reka bentuk perlindungan yang lebih kreatif.

Artikel ini sebahagian daripada siri “AI dalam Insurans dan Pengurusan Risiko”. Fokusnya mudah: apa yang boleh dipelajari daripada langkah Gallagher Re ini, dan bagaimana AI (termasuk analitik ramalan dan automasi underwriting) boleh membantu organisasi yang mengurus captive—sama ada anda CFO, risk manager, broker, atau pengurus captive.

Apa maksud “Captive Risk Transfer team” kepada pasaran?

Pasukan khusus ini menunjukkan satu perkara: pemindahan risiko untuk captive makin kompleks, dan perlu kepakaran khusus—bukan sekadar beli reinsurance standard dan siap.

Menurut pengumuman, pasukan baharu ini akan menyediakan penyelesaian facultative dan structured reinsurance yang “tailored” untuk single parent captives pelbagai saiz dan tahap kerumitan, merentas pasaran Amerika Utara dan antarabangsa.

Secara ringkas, pasukan ini wujud untuk membantu captive:

• memilih struktur retensi yang masuk akal (bukan “asal murah”),
• mencampurkan kapasiti tradisional dan alternatif,
• membina program yang lebih tahan terhadap kejutan (shock losses) dan trend kerugian.

Kenapa langkah ini muncul sekarang (akhir 2025)?

Hujung tahun biasanya musim “renewal” reinsurans. Dalam banyak pasaran, risiko bencana, litigasi, dan risiko siber menekan reka bentuk program dan harga. Dalam keadaan begini, captive owners perlukan lebih daripada “quote”—mereka perlukan strategi.

Dan strategi yang boleh bertahan sekarang hampir pasti memerlukan:

• data yang bersih,
• model yang boleh diaudit,
• senario stres yang realistik,
• dan keputusan yang cepat.

Itu semua padang permainan AI.

Kenapa pelantikan Martin Hughes ini penting (bukan sekadar berita HR)

Pelantikan Martin Hughes sebagai Executive Vice President, Captives, bukan kebetulan. Rekod beliau: lima tahun memimpin Specialty Risk Transfer di Artex dan membina penyelesaian berasaskan reinsurans untuk klien captive di Amerika Utara—termasuk kerjasama dengan Gallagher Re.

Bila seseorang yang sudah lama bekerja dalam alternative risk dipilih untuk mengetuai pasukan baharu, saya baca mesejnya begini:

“Captive owners mahu akses modal yang lebih luas, dan mereka mahu ia distruktur dengan lebih bijak.”

Pablo Muñoz (CEO Facultative, Gallagher Re) menyebut pasukan ini akan menghubungkan pemilik captive dengan sumber modal tradisional dan alternatif di peringkat global—membuka peluang yang “beyond the reach of most captives”.

AI sebagai pemecut untuk “beyond the reach”

“Beyond the reach” bukan magik. Biasanya ia maksud:

• struktur perlindungan yang lebih kompleks (contoh: multi-year, aggregate, layered, quota share hibrid),
• akses kepada kapasiti yang menuntut ketelusan data (investor/penyedia modal alternatif),
• serta keupayaan membuktikan risiko anda difahami dan diurus.

AI membantu di tiga titik kritikal:

1. Menstandardkan data risiko dari pelbagai sumber (claim system, ERP, HR, telematics/IoT, vendor risk, dll.).
2. Menjana insight yang boleh dipertahankan (predictive loss drivers, loss severity predictors, frequency patterns).
3. Mempercepat keputusan semasa reka bentuk program dan renewal.

Di mana AI benar-benar “membayar balik” dalam pemindahan risiko captive

AI dalam konteks ini bukan tentang menggantikan aktuari atau broker. AI ialah mesin untuk buat kerja yang selama ini memakan masa: menyemak data, mengesan corak, menguji senario, dan mengurangkan blind spot.

1) Underwriting captive: dari pengalaman ke bukti

Underwriting untuk captive selalunya berdepan masalah klasik: data terpecah-pecah, definisi tidak konsisten, dan laporan kerugian yang lambat. AI boleh bantu dengan:

• pembersihan dan penyatuan data (contoh: memadankan kategori kerugian yang berbeza antara TPA, internal risk, dan broker),
• pengelasan punca tuntutan menggunakan NLP (contoh: analisis naratif adjuster untuk klasifikasi punca kerosakan),
• pengesanan anomali pada claim development (contoh: claim yang tiba-tiba melonjak severity pada bulan ke-9).

Hasil yang paling bernilai: bila anda masuk ke meja rundingan reinsurans, anda bawa cerita yang disokong angka, bukan sekadar “tahun lepas ok”.

2) Analitik ramalan untuk strategi retensi dan struktur program

Soalan besar pemilik captive biasanya begini:

• Berapa retensi optimum untuk 12 bulan akan datang?
• Patut saya beli layer tambahan atau aggregate?
• Apa jadi kalau kerugian frekuensi naik 15%?

AI + model statistik membolehkan simulasi senario yang lebih cepat dan kerap. Bukan sekali setahun masa renewal sahaja.

Contoh praktikal (mudah tetapi realistik):

• Anda ada 10 tahun data tuntutan.
• Model meramal severity meningkat kerana kos pembaikan dan inflasi perubatan.
• AI mengesan bahawa 20% punca tuntutan datang dari 2 lokasi operasi yang sama.

Keputusan yang lahir daripada ini bukan “beli reinsurans lebih banyak”, tetapi:

• ubah retensi untuk layer tertentu,
• tambah syarat keselamatan/mitigasi di lokasi punca,
• dan gunakan reinsurans untuk melindungi tail risk, bukan menutup kelemahan operasi.

3) Tuntutan dan kebocoran (leakage): tempat paling senang rugi senyap-senyap

Dalam pengurusan tuntutan, AI boleh mengurangkan:

• pembayaran tidak konsisten,
• “reserve drift” yang terlalu lambat dibaiki,
• potensi penipuan atau pembaziran,
• dan masa kitaran tuntutan.

Untuk captive, ini penting sebab captive biasanya menanggung lebih banyak risiko “ground-up”. Kebocoran kecil yang berulang akan jadi besar.

Pendekatan yang saya selalu cadangkan untuk mula:

1. bina dashboard ringkas: frequency, severity, paid-to-incurred, closure time,
2. tambah modul anomali: claim outliers vs peer group,
3. kemudian barulah masuk ke automasi (triage, rekomendasi reserve, routing vendor).

Apa yang patut dibuat oleh pemilik captive di Asia Tenggara (termasuk Malaysia)

Walaupun berita ini berpusat di Amerika Utara, mesejnya relevan di rantau kita: organisasi yang ada captive (atau sedang menilai captive) perlu bersedia dengan “asas data” sebelum mencari struktur pemindahan risiko yang lebih canggih.

Checklist 90 hari: “AI-ready” untuk program captive

Berikut langkah yang boleh dibuat dalam 90 hari tanpa mengganggu operasi:

1. Audit data tuntutan (5–10 tahun)

   • Pastikan tarikh loss, tarikh report, paid, reserve, lokasi, punca—lengkap.

2. Standardkan taksonomi risiko

   • Satu definisi untuk “water damage”, “equipment breakdown”, “bodily injury”, dll.

3. Kenal pasti 3 metrik kawalan

   • contoh: claim closure time, severity per lokasi, litigious rate.

4. Wujudkan proses governance

   • siapa pemilik data, siapa lulus perubahan, siapa audit.

5. Mulakan satu use case AI yang sempit tetapi bernilai

   • contoh: anomali tuntutan atau klasifikasi punca tuntutan menggunakan NLP.

Satu pendirian saya: jangan mulakan AI dengan projek besar yang kabur. Mulakan dengan satu titik sakit yang jelas dan ukur hasilnya.

Soalan lazim: Adakah AI sesuai untuk captive kecil?

Ya—kalau anda pilih skop yang betul. Captive kecil tak perlukan “AI mega”. Mereka perlukan automasi kerja berulang dan analitik ringkas tetapi tepat.

Skop yang biasanya paling berbaloi untuk captive kecil:

• pembersihan data tuntutan dan pelaporan,
• pengesanan anomali untuk tuntutan besar,
• analisis punca kerugian mengikut lokasi/unit operasi,
• ramalan frekuensi untuk perancangan premium dalaman.

AI yang baik bukan yang paling kompleks. AI yang baik ialah yang membantu keputusan lebih cepat dan kurang silap.

Kenapa 2026 akan jadi tahun “data discipline” untuk risk transfer

Dengan Martin Hughes memimpin pasukan Captive Risk Transfer bermula 01/01/2026, tumpuan industri jelas: gabungan kepakaran struktur reinsurans + analitik maju.

Bagi saya, ini trend yang tak akan berpatah balik. Pemilik captive yang menang bukan yang paling besar, tetapi yang paling kemas dari segi:

• kualiti data,
• disiplin governance,
• dan kebolehan membuktikan risiko mereka difahami.

Kalau anda sedang merancang renewal, mengkaji captive baharu, atau menilai semula retensi untuk 2026, langkah seterusnya mudah: nilai kesiapsiagaan data anda dan pilih satu inisiatif AI yang boleh menunjukkan pulangan dalam 3–6 bulan.

Apa satu keputusan risk transfer yang anda tangguh selama ini kerana data tak cukup jelas—dan apa jadi kalau AI boleh beri jawapan dalam masa seminggu, bukan sebulan?