AI untuk Risiko Keganasan Acara Besar Akhir Tahun

Pada 15/12/2025, pendakwa persekutuan Amerika melaporkan penahanan empat individu yang didakwa merancang serangan pengeboman berkoordinasi di California bermula malam Tahun Baharu. Plot ini—walaupun dipatahkan—menggambarkan satu realiti yang syarikat insurans dan pengurus risiko tak boleh lagi anggap “luar biasa”: tarikh berisiko tinggi seperti Malam Tahun Baharu memampatkan pendedahan (exposure) ke dalam beberapa jam, di lokasi yang padat orang, pendapatan, dan operasi.

Bila sesuatu ancaman muncul—sama ada berlaku atau hanya cukup serius untuk mencetuskan kawalan keselamatan—kesannya cepat merebak: pembatalan acara, kos keselamatan tambahan, penutupan kawasan oleh pihak berkuasa, dan gangguan perniagaan (business interruption/BI) yang tak semestinya datang bersama kerosakan fizikal. Ini tepat pada titik di mana AI dalam insurans dan pengurusan risiko boleh memberi kelebihan: bukan sekadar “automasi”, tetapi membuat keputusan underwriting dan pengurusan pendedahan lebih cepat, lebih tepat, dan lebih konsisten.

Saya berpendapat kebanyakan organisasi masih buat silap yang sama: mereka fokus pada senario serangan “besar dan ikonik”, sedangkan ancaman moden lebih cenderung kepada sel kecil, sasaran ‘soft target’, dan lokasi sekunder. AI sangat sesuai untuk menangani corak ancaman seperti ini—terutama apabila data yang relevan berselerak dan berubah mengikut masa.

Kenapa Malam Tahun Baharu “menggila” dari sudut risiko insurans

Jawapan ringkasnya: Malam Tahun Baharu menggabungkan tiga faktor yang paling memburukkan profil risiko—kepadatan manusia, kepekatan hasil perniagaan, dan ketergantungan operasi pada masa tertentu.

Di bandar besar (dan kini juga bandar sekunder), sambutan ambang tahun bermaksud:

• Penganjuran acara awam dan komersial serentak (konsert, kira detik, hotel, F&B, pusat beli-belah, pengangkutan)
• Margin masa yang sempit: jika acara dibatalkan 6 jam sebelum bermula, pemulihan hampir mustahil
• Kesan domino: penutupan jalan, kawalan orang ramai, atau arahan pihak berkuasa boleh menjejaskan banyak premis sekali gus

Daripada perspektif polisi, episod seperti plot California menyorot beberapa pendedahan utama:

Pembatalan acara, kos keselamatan, dan liabiliti pihak penganjur

Jika ancaman dianggap kredibel, penganjur mungkin membatalkan atau mengecilkan acara. Ini boleh mengaktifkan event cancellation insurance, dan dalam situasi tertentu, tuntutan boleh berkait dengan:

• kos yang telah dibelanjakan (deposit, vendor, logistik)
• kehilangan pendapatan tiket/penajaan
• kos keselamatan tambahan yang terpaksa dibuat pada saat akhir

BI tanpa kerosakan fizikal (non-damage BI) dan “civil authority”

Ramai pemilik perniagaan terkejut bila tahu BI bukan selalu mudah dituntut. Jika tiada kerosakan fizikal, keputusan bergantung pada perkataan (wording) dan lanjutan (extension) seperti civil authority—contohnya apabila pihak berkuasa menutup kawasan atas faktor keselamatan.

Pendedahan agregat (accumulation) yang kerap dipandang ringan

Pada malam yang sama, satu daerah hiburan boleh menempatkan puluhan risiko di bawah pembawa (carrier) yang sama—hotel, restoran, operator acara, vendor keselamatan, kontraktor, malah armada kenderaan. Satu insiden boleh jadi “banyak tuntutan kecil” yang terkumpul menjadi besar.

Kenapa model risiko keganasan tradisional makin ketinggalan

Intinya: Model tradisional cenderung mengutamakan serangan tunggal di lokasi ikonik; ancaman hari ini lebih bersifat tersebar, cepat berubah, dan banyak bergantung pada perancangan “low-tech, high-impact” seperti IED buatan sendiri.

Plot yang dilaporkan melibatkan persediaan bahan letupan di kawasan luar bandar untuk sasaran bandar/berprofil tinggi. Corak ini menyukarkan pemodelan kerana:

• Signal ancaman tersembunyi: aktiviti persediaan mungkin berlaku jauh dari lokasi sasaran
• Sasaran lembut: acara sivik, kawasan hiburan, venue perbandaran—lokasi yang “nampak biasa” tetapi padat
• Kesan psikologi dan operasi: walaupun serangan gagal, tindakan balas (penutupan, kawalan) masih boleh memicu kerugian

Untuk penaja jamin (underwriter), cabarannya ialah menilai risiko yang bukan statik. Profil risiko venue pada hari biasa tak sama dengan 31/12.

Di sinilah AI buat kerja yang manusia susah buat konsisten

Jawapan terus: AI membantu dengan menggabungkan data pelbagai sumber, mengesan corak dan anomali lebih awal, dan mengira pendedahan agregat secara masa nyata—sesuatu yang sukar dibuat secara manual menjelang musim puncak.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya selalu tekankan satu prinsip: AI bukan menggantikan pertimbangan manusia—AI memaksa disiplin keputusan. Untuk risiko keganasan dan gangguan acara, disiplin itu sangat diperlukan.

1) Analitik ramalan untuk “tarikh tumpu” dan lokasi panas

AI boleh menilai risiko bukan hanya berdasarkan lokasi, tetapi berdasarkan masa. Ini penting untuk tarikh seperti 31/12.

Contoh praktikal yang pembawa/TPA/broker boleh buat:

• membina skor risiko mengikut kalendar acara (perayaan, konsert besar, acara politik)
• menggabungkan data operasi seperti kapasiti venue, sejarah kepadatan, akses keluar/masuk, dan laluan kecemasan
• menanda kawasan dengan risiko penutupan pihak berkuasa yang tinggi semasa “high alert”

Hasilnya, underwriting boleh membezakan:

• restoran biasa vs restoran dalam zon acara
• hotel 3 km dari venue vs hotel dalam radius 500 m
• acara tertutup bertiket vs acara jalanan terbuka

2) Pemodelan pendedahan agregat (portfolio view) secara automatik

Masalah paling mahal sering datang daripada aggregation blind spot—apabila banyak polisi “kecil” berkumpul pada tempat dan masa yang sama.

AI boleh:

• memetakan lokasi insured pada grid geospatial
• mengira jumlah had (limit) dan nilai terdedah pada radius tertentu (contoh: 250 m/500 m/1 km)
• mencetuskan amaran jika penambahan polisi baharu menaikkan agregat melebihi appetite

Ini bukan sekadar untuk keganasan; ia juga relevan untuk bencana lain. Tetapi untuk keganasan, ia lebih kritikal kerana insiden boleh tertumpu pada “soft target corridor”.

3) Underwriting berasaskan senario: dari ‘satu serangan’ ke ‘banyak gangguan’

Plot California menekankan risiko “coordinated” dan “multi-location”. AI membantu membina senario yang lebih realistik:

• gangguan di 3 lokasi pada malam yang sama
• kesan kepada rangkaian perniagaan (contoh: beberapa outlet F&B di kawasan sama)
• peningkatan kos keselamatan dan logistik yang mendadak

Dengan AI, underwriter boleh menguji soalan yang lebih tajam:

• Polisi ini ada lanjutan civil authority? Hadnya berapa hari?
• Event cancellation: adakah “threat” termasuk dalam trigger atau mesti ada insiden sebenar?
• Adakah insured punya pelan respons krisis yang terbukti (vendor keselamatan, SOP evakuasi)?

4) Triage tuntutan dan pengesanan penipuan selepas insiden

Selepas ancaman besar, tuntutan biasanya datang dalam gelombang—ada yang sah, ada yang keliru, ada yang oportunis.

AI boleh membantu dengan:

• mengelompokkan tuntutan mengikut lokasi/masa dan punca (closure vs pembatalan vs kerosakan)
• menanda pola yang pelik (contoh: jumlah tuntutan jauh melebihi purata lokasi sama)
• mempercepat komunikasi pelanggan (status tuntutan, dokumen diperlukan)

Saya suka pendekatan ini kerana ia mengurangkan satu perkara yang paling merosakkan reputasi insurans: kelewatan dan ketidakpastian.

Apa yang pengurus risiko patut buat sebelum 31/12 (dan kenapa AI membantu)

Jawapan terus: Gunakan AI untuk membina “pre-event readiness” yang boleh diaudit—bukan sekadar senarai semak, tetapi keputusan yang disokong data.

Berikut langkah yang praktikal, terutama untuk penganjur acara, pemilik venue, hospitaliti, dan pihak berkuasa tempatan:

Audit pendedahan acara (72 jam sebelum)

• semak perubahan kapasiti, pelan laluan, vendor baharu, dan jadual VIP
• pastikan kontrak vendor menyatakan tanggungjawab keselamatan dan liabiliti
• jalankan simulasi ringkas: apa berlaku kalau kawasan ditutup 4 jam? 12 jam? 48 jam?

AI boleh membantu dengan menganalisis perubahan last-minute (contoh: pertambahan tiket, crowd density, atau perubahan lokasi pentas) dan menilai impak kepada risiko.

Semak wording polisi yang paling kerap “mengecewakan”

Ini bahagian yang ramai tak suka baca, tapi di sinilah kerugian sebenar.

Fokus pada:

• definisi “terrorism / political violence” dalam polisi
• trigger pembatalan: ancaman vs insiden vs arahan pihak berkuasa
• tempoh menunggu (waiting period) dan had hari bagi business interruption

AI (terutama NLP) boleh digunakan untuk:

• mengekstrak klausa penting daripada dokumen polisi dan kontrak
• membandingkan wording antara pembawa
• menghasilkan ringkasan risiko “boleh tuntut / tak boleh tuntut” untuk pengurusan

Koordinasi operasi: satu ‘war room’, satu sumber kebenaran

Jika berlaku ancaman, organisasi yang paling cepat bertindak biasanya yang paling kurang rugi.

• tetapkan pusat arahan (fizikal atau maya)
• pastikan data masa nyata (kamera, sensor, laporan keselamatan) mengalir ke satu dashboard
• tetapkan protokol komunikasi kepada pelanggan dan kakitangan

AI membantu dengan menyatukan data dan mengurangkan “bunyi” (noise) semasa krisis.

Soalan lazim: adakah AI benar-benar boleh “meramal” keganasan?

Jawapannya: AI tak meramal individu akan buat serangan. Tapi AI boleh meramal pendedahan, mengesan anomali operasi, dan membantu organisasi bertindak lebih cepat bila risiko meningkat.

AI paling berguna apabila ia digunakan untuk:

• mengukur risiko mengikut masa dan lokasi
• mengurus agregasi portfolio
• menghubungkan polisi, operasi, dan respons krisis dalam satu aliran kerja

Jika organisasi mengharapkan AI menjadi “bola kristal”, itu salah guna. Kalau organisasi menggunakannya untuk membuat keputusan underwriting dan mitigasi yang boleh dipertahankan, itu penggunaan yang betul.

Apa maksudnya untuk pasaran insurans di rantau kita

Plot di California ialah contoh dari AS, tetapi coraknya relevan di mana-mana negara yang ada sambutan besar, lokasi tumpuan pelancong, dan acara awam padat. Di Malaysia, Singapura, Indonesia—perayaan hujung tahun, festival, dan acara berskala besar juga mempunyai dinamik pendedahan yang sama: ramai orang, banyak transaksi, dan toleransi gangguan yang rendah.

Bagi pembawa dan broker, saya melihat dua langkah yang wajar dibuat pada 2026:

1. Naik taraf model risiko acara daripada ‘static location rating’ kepada ‘time-and-event exposure rating’.
2. Wujudkan tadbir urus AI (AI governance) untuk memastikan skor risiko boleh dijelaskan, diaudit, dan tak menghasilkan keputusan berat sebelah.

Satu ayat yang saya selalu ulang pada pasukan risiko: ancaman tak perlu berjaya untuk mencipta kerugian—cukup sekadar meyakinkan pihak berkuasa untuk menutup kawasan.

Penahanan dan dakwaan terhadap plot Malam Tahun Baharu di California menekankan bahawa struktur perlindungan (coverage) dan proses underwriting perlu lebih peka kepada gangguan, bukan hanya kerosakan.

Jika anda sedang menilai semula polisi pembatalan acara, perlindungan keganasan/political violence, atau mahu membina dashboard pendedahan agregat menggunakan AI, langkah paling baik ialah bermula dengan satu projek kecil: pilih satu bandar, satu tarikh tumpu, satu segmen industri (hospitaliti atau venue), dan bina model yang boleh diuji.

Soalan terakhir untuk dibawa ke mesyuarat pengurusan minggu ini: kalau 31/12 ditutup separuh bandar selama 12 jam, adakah polisi dan pelan operasi anda benar-benar “fit for purpose”?