AI Risiko Iklim: Pengajaran Zillow untuk Insurans

Pada 12/2025, Zillow—platform hartanah yang sangat bergantung pada data—menarik balik penarafan risiko iklim (banjir, kebakaran hutan, angin, haba dan kualiti udara) daripada senarai rumah mereka. Yang menarik, model yang digunakan dilaporkan mempunyai prestasi yang baik dalam mengenal pasti rumah yang akhirnya terjejas dalam kejadian besar. Tetapi Zillow tetap berundur.

Bagi saya, ini bukan cerita “AI gagal”. Ini cerita yang lebih sukar: AI boleh betul, tetapi pasaran tak semestinya sedia menerima kebenaran yang tak selesa. Dan dalam insurans, perkara yang sama berlaku—terutamanya bila kita bercakap tentang penilaian risiko, harga premium, underwriting, dan pengesanan penipuan.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, episod Zillow ini jadi amaran awal: tanpa strategi komunikasi, tadbir urus data, dan reka bentuk produk yang betul, model risiko yang bagus pun boleh dibunuh oleh tekanan komersial.

Zillow berundur bukan sebab model “tak berfungsi”, tetapi sebab insentif pasaran

Jawapan paling ringkas: pendedahan risiko menjejaskan urus niaga. Penjual rumah dan ejen yang bergantung pada kelajuan jualan tak suka bila risiko disebut jelas di hadapan pembeli.

Dalam hartanah, “ketelusan risiko” boleh menurunkan minat, memanjangkan rundingan, dan akhirnya menekan harga. Walaupun itu mungkin lebih jujur, ia bercanggah dengan insentif jangka pendek.

Dalam insurans, konflik insentif ini nampak dalam bentuk berbeza:

• Pelanggan mahukan premium rendah, tapi juga mahu perlindungan maksimum.
• Pengedar (agen/broker) mahukan proses cepat, tapi underwriting mahukan ketelitian.
• Syarikat mahukan pertumbuhan, tapi juga perlu mengawal nisbah kerugian.

Realitinya: model risiko yang telus akan mengubah tingkah laku pasaran. Sesetengah pihak akan menolak, bukan kerana model salah, tetapi kerana model “mengganggu” cara duit bergerak.

Risiko kebarangkalian: manusia bukan mesin kira

Satu poin penting daripada kes Zillow: manusia sering gagal memproses kebarangkalian.

Jika model kata ada peluang 1-dalam-50 kebakaran setahun, kebanyakan orang akan menilai model itu begini:

• “Tahun ni tak terbakar, maknanya model mengarut.”

Itu cara otak kita memudahkan dunia—dengan keputusan binari (jadi/tak jadi), bukan kebarangkalian jangka panjang.

Dalam insurans, ini persis masalah literasi risiko pelanggan. Bila tiada tuntutan, pelanggan rasa premium “membazir”. Bila berlaku bencana, pelanggan rasa syarikat “tak adil” jika ada pengecualian atau premium naik.

Apa kaitan Zillow dengan AI dalam insurans dan pengurusan risiko?

Jawapannya: cabaran Zillow sama dengan cabaran insurtech—data, ketidakpastian, dan kepercayaan.

Tiga jambatan yang paling jelas:

1. Had AI dalam ramalan: AI bagus menganggar risiko, tetapi tidak boleh menjamin kejadian tahunan pada individu.
2. Volatiliti pasaran: reaksi pasaran kepada maklumat risiko sering lebih kuat daripada risiko itu sendiri.
3. Masalah data: data hartanah (lokasi, ketinggian, bahan binaan, mitigasi) sama messy seperti data polisi, tuntutan dan telematik.

Kalau Zillow—yang terkenal sebagai syarikat data—pun terpaksa undur, bayangkan syarikat insurans yang masih bergelut dengan data silo, definisi medan yang tak seragam, dan sejarah data tuntutan yang tak lengkap.

4 pengajaran insurtech daripada “fiasco” Zillow (dan cara elak perkara sama)

Jawapan paling praktikal: jangan fokus pada model sahaja—fokus pada penerimaan, proses, dan tadbir urus.

1) Ketelusan tanpa “cerita” akan dianggap ancaman

Papar skor risiko semata-mata biasanya mencetus defensif:

• “Rumah saya selamat.”
• “Kawasan ini okay.”
• “Kenapa premium saya naik?”

Dalam insurans, cara yang lebih berkesan ialah ketelusan + konteks + tindakan.

Contoh format yang lebih diterima:

• Risiko banjir anda: tinggi
• Punca utama: jarak ke sungai 400m, kecerunan rendah
• 3 tindakan yang menurunkan risiko (dan potensi diskaun):
  1. Pasang penghadang air pintu
  2. Tinggikan soket elektrik aras lantai
  3. Servis saliran berkala (setiap 6 bulan)

Orang boleh terima berita buruk jika anda beri jalan untuk baiki. Zillow memaparkan risiko, tetapi pasaran tetap melihatnya sebagai “label menakutkan” yang menjejaskan jualan.

2) Model yang tepat pun boleh “kalah” jika UX dan komunikasi lemah

Dalam pengunderaitan automatik, kita selalu terlalu bangga dengan AUC/accuracy. Tetapi pelanggan tak hidup dalam AUC.

Apa yang pelanggan mahu:

• penjelasan ringkas,
• sebab yang masuk akal,
• rasa adil.

Jika AI menolak permohonan atau menaikkan premium, pelanggan perlukan jawapan yang tidak memalukan mereka.

Tip praktikal untuk insurer: bina lapisan explainability yang sesuai untuk 3 audiens:

• pengguna/pelanggan (bahasa mudah),
• staf operasi (langkah semakan),
• audit/komplians (rekod faktor dan data sumber).

3) Data kualiti rendah akan membunuh kepercayaan lebih cepat daripada model lemah

Zillow mengajar satu perkara: bila maklumat risiko ada di hadapan pengguna, kesilapan kecil jadi besar.

Dalam insurans, contoh “kesilapan kecil” yang memberi kesan reputasi besar:

• alamat tersalah geokod → skor banjir jadi salah,
• rekod tuntutan tak lengkap → pelanggan nampak “dituduh menipu”,
• peranti telematik gagal merekod → pemandu baik dihukum.

Pendekatan yang saya percaya paling selamat: mulakan dengan “data minimum yang sangat dipercayai”, kemudian berkembang.

Beberapa amalan yang patut jadi standard:

• pengesahan alamat berlapis (poskod + koordinat + semakan manual untuk outlier),
• jejak audit data (bila, dari mana, siapa sahkan),
• pemantauan drift data dan drift model setiap bulan.

4) Risiko iklim dan penipuan berkongsi satu masalah: “signal” yang halus

Zillow cuba memberi skor risiko iklim—sesuatu yang jarang berlaku, tetapi impaknya besar.

Dalam insurans, pengesanan penipuan juga begitu:

• kebanyakan tuntutan adalah sah,
• penipuan hanya peratus kecil,
• tetapi kosnya boleh meletup.

Ini membuatkan AI mudah jadi “overfitted”:

• terlalu agresif → banyak false positive (pelanggan baik tersekat),
• terlalu longgar → penipuan lepas.

Pelajaran daripada Zillow: bila anda paparkan output model kepada manusia, toleransi terhadap ralat turun mendadak. Jadi, untuk fraud detection dan risiko bencana:

• gunakan skor sebagai triage, bukan hukuman automatik,
• gabungkan isyarat (claims history + dokumen + imej + rangkaian hubungan),
• tetapkan proses rayuan yang cepat dan bermaruah.

Bagaimana insurer boleh bina AI risiko yang “tahan tekanan pasaran”

Jawapan terus: pastikan nilai komersial dan nilai pelanggan bergerak seiring. Kalau tidak, orang dalam ekosistem akan menolak.

Reka bentuk produk: dari “skor risiko” ke “program ketahanan”

Untuk risiko iklim, strategi yang lebih mudah diterima ialah jadikan AI sebagai asas program:

• penilaian risiko (AI)
• cadangan mitigasi
• rangkaian vendor (kontraktor, audit rumah, sensor)
• insentif (diskaun, cashback, atau perlindungan tambahan)

Ini mengubah naratif dari “rumah anda bahaya” kepada “ini pelan untuk jadikan rumah anda lebih selamat”.

Tadbir urus: jangan tunggu isu reputasi baru buat polisi

Jika Zillow berundur kerana tekanan pihak berkepentingan, insurer perlu bersedia dengan:

• polisi penggunaan model (apa yang boleh/ tak boleh diautomasi),
• piawaian dokumentasi keputusan,
• protokol krisis (bila model dicabar di media atau oleh pihak pengedar).

Dalam 2026 nanti, tekanan pengguna terhadap ketelusan akan meningkat—bukan menurun. Syarikat yang tiada rangka kerja tadbir urus AI akan jadi reaktif, dan reaktif itu mahal.

“People Also Ask” versi insurans: soalan yang pelanggan betul-betul tanya

Adakah AI boleh meramal bencana dengan tepat? AI boleh menganggar kebarangkalian dengan baik pada skala populasi, tetapi tidak boleh menjamin apa berlaku pada satu rumah dalam satu tahun.

Kenapa premium naik walaupun saya tak pernah buat tuntutan? Kerana premium mencerminkan risiko masa depan (iklim, kos pembaikan, frekuensi bencana), bukan hanya sejarah individu.

Macam mana saya tahu skor AI itu adil? Cari ciri-ciri ini: data yang relevan, penjelasan faktor, peluang pembetulan data, dan proses rayuan.

Penutup: Ketelusan risiko bukan pilihan—cara kita buatnya yang menentukan hasil

Zillow menunjukkan satu hakikat yang ramai dalam industri enggan sebut: ketelusan risiko akan ditentang bila ia mengganggu transaksi. Dalam insurans, kita tak boleh mengelak isu ini. Risiko iklim meningkat, kos tuntutan naik, dan pelanggan menuntut jawapan yang lebih jelas.

Kalau anda sedang membina atau menilai inisiatif AI dalam insurans dan pengurusan risiko—sama ada untuk underwriting, tuntutan, atau pengesanan penipuan—anggap kisah Zillow sebagai latihan kebal tekanan: bukan sekadar “model betul”, tetapi “ekosistem sanggup terima”.

Langkah seterusnya yang saya cadangkan: audit 3 perkara minggu ini—kualiti data, cara anda menerangkan keputusan AI, dan proses rayuan. Anda akan cepat nampak sama ada AI anda benar-benar sedia dipertahankan bila pelanggan, broker, atau pasaran mula menekan.

Bila risiko makin tidak stabil, kelebihan kompetitif bukan AI yang paling canggih—tetapi AI yang paling dipercayai.