AI Kurangkan Risiko Liabiliti dalam Insurans Bas

Angka penyelesaian AS$5.85 juta untuk satu kematian pejalan kaki akibat dilanggar bas bandar Detroit bukan sekadar berita mahkamah. Ia ialah bil risiko yang datang kemudian, bila sistem pengurusan risiko gagal mengesan corak yang sebenarnya sudah “menjerit” lebih awal—seorang pemandu yang terlibat dalam 19 kemalangan lain, dan insiden maut kedua sejak 2015.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat kes seperti ini sebagai amaran jelas: data sejarah tanpa tindakan hanyalah arkib. Masalahnya bukan kekurangan maklumat, tetapi kegagalan mengubah maklumat menjadi keputusan operasi—siapa patut memandu, di laluan mana, pada syif bila, dengan latihan apa, dan dengan pemantauan bagaimana.

Berita ini relevan untuk pengendali pengangkutan awam, broker, penanggung insurans liabiliti, dan pasukan tuntutan. Musim cuti hujung tahun (kita sekarang 21/12/2025) biasanya meningkatkan mobiliti bandar dan kesesakan—dan itu bermakna eksposur risiko juga naik. Ketika trafik padat, satu keputusan kecil yang salah boleh jadi tuntutan berjuta.

Apa yang kes Detroit beritahu tentang kegagalan pengurusan risiko

Intinya mudah: risiko liabiliti dalam pengangkutan awam biasanya berpunca daripada gabungan “orang + proses + persekitaran”. Dalam kes Detroit, naratifnya bukan sekadar “pemandu tak nampak pejalan kaki”. Ia juga tentang rekod pemanduan yang konsisten bermasalah, dan bagaimana organisasi menilai (atau mengabaikan) risiko itu dari masa ke masa.

Penyelesaian hampir AS$6 juta menunjukkan beberapa realiti penting dalam insurans dan pengurusan tuntutan:

1. Kos tuntutan maut bukan hanya pampasan: ia merangkumi kos guaman, masa pengurusan, reputasi, tekanan operasi, dan risiko litigasi berpanjangan.
2. Sejarah kemalangan ialah isyarat underwriting: bila rekod menunjukkan pola, underwriter dan risk engineer perlu bertanya—adakah kawalan risiko sudah memadai?
3. Tanggungjawab majikan/agensi awam lebih tinggi: terutama bila wujud dakwaan bahawa pemandu “dikenali” sebagai risiko.

Satu ayat yang patut ditampal di bilik mesyuarat: Kalau corak risiko berulang, itu bukan “nasib buruk”—itu ialah kegagalan kawalan.

AI dalam penilaian risiko pemandu: dari rekod lama kepada amaran awal

Jawapan paling praktikal yang AI boleh beri di sini ialah: AI mengesan corak risiko lebih cepat dan lebih konsisten daripada penilaian manual. Bukan sebab manusia tak bijak, tetapi sebab manusia penat, sibuk, dan mudah terlepas “trend” bila data bersepah.

Bagaimana AI menilai risiko pemandu secara lebih tepat

AI untuk penilaian risiko pemandu (driver risk scoring) biasanya menggabungkan beberapa jenis data:

• Rekod kemalangan/insiden (kekerapan, keterukan, lokasi, masa)
• Pelanggaran trafik (jenis kesalahan, pengulangan)
• Data operasi (syif panjang, overtime, laluan berisiko tinggi)
• Telematik/IoT jika ada (brek mengejut, kelajuan, lencongan tajam)
• Laporan penyelenggaraan (isu brek, tayar, kamera, pintu)
• Laporan “near miss” dan aduan orang awam

Dengan data ini, model boleh mengeluarkan skor risiko yang boleh ditindak. Contohnya:

• Skor tinggi → wajib coaching, semakan kompetensi, atau penempatan semula laluan
• Skor meningkat mendadak → audit punca (keletihan, perubahan laluan, isu kenderaan)
• Skor konsisten sederhana tetapi di lokasi tertentu → intervensi di “hotspot” (lampu isyarat, lintasan pejalan kaki, jadual syif)

“Kenapa tak guna Excel saja?”

Excel bagus untuk laporan, tapi lemah untuk:

• mengesan pola kompleks (contoh: kemalangan kecil berulang pada waktu senja di persimpangan tertentu)
• menggabungkan data berformat berbeza (teks laporan, imej CCTV, telematik)
• memberi amaran masa nyata

AI bukan menggantikan penyelia. AI jadi “radar”—penyelia masih buat keputusan akhir.

AI dalam underwriting insurans pengangkutan awam: harga risiko dengan lebih adil

Dalam underwriting, jawapan terus-terang ialah: AI membantu penanggung insurans membezakan antara operator yang mengurus risiko secara disiplin dan yang sekadar “menunggu berlaku”.

Bila sebuah organisasi ada pemandu dengan sejarah insiden tinggi, risiko bukan semata-mata pada individu—ia mencerminkan:

• polisi pengambilan dan pemantauan
• budaya keselamatan
• ketegasan latihan dan disiplin
• keupayaan audit dalaman

Apa yang AI boleh ubah pada proses underwriting

AI boleh menyokong underwriting melalui:

1. Segmentasi risiko laluan
   • Laluan pusat bandar, sekolah, hospital, kawasan pembinaan—semuanya ada profil risiko berbeza.
2. Model ramalan tuntutan (predictive claims)
   • Menganggarkan kebarangkalian tuntutan besar berdasarkan gabungan pemandu, laluan, masa, dan keadaan operasi.
3. Pemantauan dinamik (bukan setahun sekali)
   • Underwriting tradisional cenderung “snapshot” tahunan. AI membolehkan mid-term adjustments atau intervensi risiko tanpa menunggu pembaharuan polisi.

Bagi pembeli insurans (operator), ini boleh bermakna satu perkara yang semua orang suka: premium yang lebih sejajar dengan prestasi risiko sebenar, bukan semata-mata “kadar rata”.

AI dalam pengurusan tuntutan liabiliti: kurangkan kos, cepatkan resolusi

Untuk tuntutan liabiliti melibatkan kematian atau kecederaan serius, masa dan ketepatan adalah segalanya. AI dalam pengurusan tuntutan bukan tentang “melawan mangsa”. Ia tentang mengurus fakta dengan cepat, konsisten, dan telus supaya keputusan pampasan lebih tepat dan proses lebih manusiawi.

Di mana AI paling kuat dalam tuntutan

Jawapan ringkas: triage, pengumpulan bukti, dan ramalan kos.

1. Triage tuntutan
   • Mengelas kes berisiko tinggi (contoh: kecederaan parah, saksi ramai, lokasi berprofil tinggi) untuk tindakan pantas.
2. Automasi pengumpulan dokumen
   • Menyusun laporan polis, CCTV, jadual syif, rekod latihan pemandu, rekod penyelenggaraan bas—supaya pasukan tuntutan tak bermula dari kosong.
3. Analisis teks & percanggahan
   • Mengimbas laporan insiden dan kenyataan saksi untuk mengesan ketidakselarasan awal.
4. Anggaran rizab (claims reserving) yang lebih tepat
   • Mengurangkan risiko under-reserving yang boleh “meletup” di hujung tahun.

Bila organisasi lambat bertindak, kos meningkat: bayaran guaman, tekanan litigasi, dan risiko keputusan yang tidak konsisten antara kes.

Pelan tindakan 90 hari: mula guna AI tanpa huru-hara operasi

Kalau anda mengurus armada bas, logistik, atau apa-apa operasi “pemandu + orang awam”, pendekatan paling selamat ialah mulakan kecil, ukur, kemudian skala.

Hari 1–30: kemaskan data dan definisikan “risiko”

• Satukan data insiden dalam satu format (tarikh, masa, lokasi, jenis insiden, keterukan)
• Tetapkan definisi keterukan (contoh: near miss, kerosakan kecil, kecederaan ringan, kecederaan serius, fatal)
• Pastikan setiap pemandu ada ID unik (elak duplikasi)

Hari 31–60: bina skor risiko pemandu & laluan

• Mulakan dengan model ringkas: skor berdasarkan kekerapan dan keterukan insiden
• Tambah faktor konteks: waktu puncak, cuaca (jika ada), tempoh syif
• Bentuk “dashboard” untuk pengurus operasi dan keselamatan

Hari 61–90: intervensi yang boleh dibuktikan

• Coaching wajib untuk pemandu skor tinggi
• Semak penempatan syif/laluan
• Audit kenderaan untuk pemandu yang terlibat dalam insiden berulang
• Wujudkan proses semakan bulanan bersama pihak insurans/broker

Ukuran kejayaan yang realistik (pilih 3):

• masa respon terhadap insiden turun (contoh: dari 72 jam ke 24 jam)
• pengurangan insiden berulang pada pemandu yang sama
• pengurangan insiden pada 3 lokasi paling berisiko
• ketepatan rizab tuntutan meningkat (varian turun)

Soalan lazim yang selalu muncul (dan jawapan terus)

“Adakah AI akan menggantikan penyelia keselamatan?”

Tidak. AI mengangkat kerja analisis berulang dan memberi amaran awal. Penyelia masih perlu menilai konteks, empati, dan tindakan disiplin/latihan.

“Macam mana dengan isu privasi pemandu?”

Bina tadbir urus data dari awal: akses terhad, tujuan jelas (keselamatan), tempoh simpanan, dan audit. Tanpa tadbir urus, AI jadi liabiliti baru.

“Kalau kesatuan pekerja bantah pemantauan?”

Fokus pada reka bentuk program yang adil: AI sebagai alat coaching, bukan hukuman automatik. Tetapkan proses rayuan dan semakan manusia.

Penutup: liabiliti tak berlaku tiba-tiba—ia terkumpul

Kes Detroit menunjukkan bagaimana risiko yang berulang akhirnya menjadi tuntutan besar. Bila rekod insiden terkumpul, organisasi sebenarnya sudah ada “amaran” — cuma amaran itu tidak diterjemahkan menjadi keputusan operasi.

Dalam konteks AI dalam insurans dan pengurusan risiko, pendirian saya jelas: operator pengangkutan awam yang serius tentang keselamatan patut anggap AI sebagai komponen asas kawalan risiko, sama penting dengan latihan, SOP, dan penyelenggaraan. AI membantu nampak corak yang manusia mudah terlepas—dan dalam dunia liabiliti, corak itulah yang membezakan antara “insiden” dan “bencana kewangan”.

Kalau anda sedang menilai pembaharuan polisi, menstruktur program insurans liabiliti, atau mahu kurangkan kos tuntutan pada 2026, soalan yang patut dibawa ke mesyuarat seterusnya ialah: data apa yang kita ada hari ini—dan keputusan apa yang kita gagal buat daripadanya?