AI & Insurans: Risiko Metaverse Tanpa ‘Hype’

Kerugian sekitar AS$70 bilion yang ditanggung unit Metaverse sebuah gergasi teknologi sejak beberapa tahun lepas bukan sekadar cerita “trend yang tak menjadi”. Bagi industri insurans, ini isyarat besar: teknologi baharu gagal bila ia memaksa orang ubah rutin hidup tanpa manfaat yang jelas. Dan bila penerimaan pengguna gagal, model risiko yang dibina atas andaian “ramai akan guna” juga runtuh.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, saya suka melihat metaverse dari sudut yang lebih praktikal: bukan “adakah metaverse akan popular?”, tetapi bagaimana syarikat insurans boleh menilai, mengesan, dan mengurus risiko dalam ekosistem digital yang kompleks—walaupun adoption naik-turun. Di sinilah AI (termasuk analitik lanjutan dan AI generatif) jadi alat kerja yang masuk akal, bukan gimik.

Pelajaran paling mahal metaverse: Inovasi mesti ikut rutin pengguna

Jawapannya mudah: inovasi yang menang biasanya menggantikan tabiat sedia ada, bukannya mencipta tabiat baharu dari kosong.

Metaverse (dalam versi yang dipromosi secara besar-besaran) meminta pengguna buat terlalu banyak perubahan: bina avatar, belajar cara berinteraksi dalam ruang 3D, gunakan peranti tertentu, dan habiskan masa yang panjang “hidup” dalam talian. Masalahnya, majoriti orang dah ada alternatif yang lebih senang—mesyuarat video, aplikasi chat, e-dagang, dan telefon pintar. Kalau pengalaman baharu itu bukan 10 kali lebih baik, pengguna akan undur.

Bagi insurans, prinsip ini terpakai secara langsung pada projek teknologi dalaman:

• Jika alat underwriting AI memerlukan underwriter keluar dari sistem teras dan masuk portal lain, adoption biasanya jatuh.
• Jika chatbot berfungsi sebagai saluran “asing” yang tak disambung dengan sejarah polisi/tuntutan pelanggan, pelanggan cepat hilang sabar.
• Jika automasi tuntutan menambah langkah baharu untuk adjuster (bukannya kurangkan), kualiti keputusan merosot.

Pendirian saya: kebanyakan “projek AI gagal” bukan sebab model lemah—tetapi sebab rekabentuk aliran kerja yang tak hormat rutin kerja.

Prinsip 10x yang patut jadi checklist insurans

Di dunia teknologi, ada peraturan ibu jari: inovasi mesti 10 kali lebih berguna daripada apa yang diganti. Untuk insurans, “10x” jarang bermaksud 10 kali lebih canggih. Ia biasanya bermaksud:

1. 10x lebih cepat (contoh: keputusan kelulusan risiko dalam minit, bukan hari)
2. 10x kurang ralat (contoh: data pra-isi + semakan automatik)
3. 10x lebih jelas (contoh: alasan keputusan underwriting yang boleh diaudit)

Kalau AI anda tak memberi 1–2 “10x” ini, pengguna dalaman akan kembali kepada Excel dan e-mel. Itu realiti.

Metaverse bukan mati—risikonya cuma berubah bentuk

Jawapan ringkas: walaupun hype metaverse menurun, risiko digital yang diinspirasikan oleh metaverse tetap meningkat.

Hari ini (21/12/2025), landskap yang lebih “realistik” ialah gabungan:

• ruang sosial/komuniti 3D yang niche,
• permainan atas talian dengan ekonomi maya,
• aset digital (item permainan, skin, tiket digital),
• identiti digital, dan
• pengalaman AR yang lebih ringkas (contohnya peranti boleh pakai).

Bagi insurans, ini melahirkan kategori risiko baharu yang tak semestinya memerlukan metaverse penuh:

• Penipuan identiti digital (akaun dipintas, deepfake untuk KYC)
• Kecurian/kehilangan aset digital (akses dompet, item bernilai, akaun permainan)
• Liabiliti kandungan (fitnah, gangguan, pelanggaran IP dalam ruang maya)
• Gangguan perniagaan digital (platform down, serangan siber, kegagalan pihak ketiga)
• Risiko reputasi akibat insiden komuniti (contoh: acara maya yang dicemari troll)

Metaverse “cara lama” mungkin tak menjadi, tetapi ekosistem digital yang kompleks—yang memerlukan model risiko baharu—memang sedang berkembang.

Di sinilah AI paling berguna: menilai risiko dalam ekosistem digital

Jawapan terus: AI sesuai untuk risiko digital kerana ia boleh belajar corak, mengesan anomali, dan menilai risiko secara dinamik.

Dalam insurans tradisional, risiko banyak bergantung pada data stabil: lokasi, umur aset, sejarah tuntutan. Dalam ekosistem digital, profil risikonya bergerak laju: akaun boleh diambil alih dalam 10 minit, penipuan boleh berlaku merentas negara, dan “kerugian” mungkin dalam bentuk akses atau reputasi.

1) Pengesanan anomali untuk penipuan metaverse/ekonomi maya

AI boleh mengesan pola aneh yang manusia susah nampak pada skala besar. Contoh praktikal yang saya pernah lihat dalam projek anti-penipuan (dalam pelbagai industri) ialah gabungan:

• graph analytics untuk rangkaian akaun/identiti yang berkait,
• model anomali untuk transaksi luar biasa,
• skor risiko masa nyata untuk membenarkan, menyekat, atau minta pengesahan tambahan.

Dalam konteks ekonomi maya (item digital, transaksi mikro, token utiliti), AI boleh menandakan:

• pembelian/penjualan berulang dengan corak “wash trading”,
• lonjakan aktiviti selepas pertukaran peranti atau lokasi,
• kumpulan akaun yang bertindak serentak (bot).

Satu ayat yang patut diingat: penipuan digital jarang “besar sekali”; ia biasanya kecil tetapi kerap—AI menang kerana ia konsisten.

2) Underwriting risiko digital yang berubah setiap hari

Underwriting untuk risiko metaverse/ruang digital memerlukan dua perkara: data telemetri dan model yang boleh dikemas kini.

Pendekatan yang lebih realistik ialah:

• Penilaian risiko berasaskan tingkah laku (contoh: tahap keselamatan akaun, MFA, sejarah insiden)
• Skor risiko vendor/pihak ketiga (API, platform pembayaran, penyedia identiti)
• Pemantauan berterusan (bukan semakan tahunan sahaja)

AI boleh membantu menghasilkan risk score yang dikemas kini, lalu membolehkan:

• premium yang lebih adil,
• syarat perlindungan yang lebih tepat,
• amaran awal sebelum insiden besar.

3) Tuntutan digital: bukti, kelajuan, dan audit

Tuntutan dalam ekosistem digital sering bergelut dengan soalan: “apa bukti kerugian?” dan “siapa sebenarnya pemilik?” AI membantu pada dua lapisan:

• Pengumpulan bukti automatik: log akses, perubahan peranti, sejarah transaksi, jejak aktiviti.
• Ringkasan kes untuk adjuster menggunakan AI generatif: kronologi, titik anomali, dan soalan susulan yang perlu ditanya.

Namun, syaratnya jelas: jejak audit mesti kukuh. AI generatif tak boleh jadi “kotak hitam” yang menentukan keputusan tuntutan tanpa justifikasi.

Cara elak “debacle” AI: bina AI yang melekat pada workflow

Jawapannya: integrasikan AI ke tempat orang sudah bekerja—bukan memaksa mereka pindah tempat kerja digital.

Kegagalan metaverse mengajar satu perkara yang ramai organisasi masih buat: mereka membina pengalaman baharu yang cantik, tetapi terpisah daripada rutin.

Berikut pendekatan yang lebih selamat untuk AI dalam insurans (termasuk risiko metaverse):

“AI di belakang tabir” untuk underwriter, adjuster, dan ejen

Bina AI yang:

• menarik data automatik,
• buat semakan konsistensi,
• cadangkan tindakan,
• tetapi keputusan akhir masih jelas, boleh diaudit, dan boleh dicabar.

Contoh reka bentuk yang biasanya berjaya:

1. Underwriter buka fail pelanggan seperti biasa.
2. AI memaparkan 3 perkara: skor risiko, 5 punca utama, dan 2 cadangan syarat.
3. Underwriter klik “terima/ubah” dengan alasan ringkas.

Itu lebih dekat dengan realiti kerja berbanding portal AI yang berdiri sendiri.

“Chat” bukan chatbot: jadikan ia antaramuka kepada sistem

Ramai orang kecewa dengan chatbot kerana ia jadi dinding pemisah. Yang lebih berkesan ialah menjadikan chat sebagai antaramuka kepada proses:

• Semak status tuntutan,
• muat naik dokumen,
• jawab soalan susulan,
• buat pengesahan identiti,
• semuanya dalam satu aliran yang konsisten.

Untuk risiko digital, chat juga boleh digunakan untuk step-up verification bila AI kesan anomali.

Soalan lazim yang patut ditanya sebelum insurans masuk “metaverse”

Jawapan paling praktikal: jangan mula dengan produk; mula dengan pendedahan risiko dan data.

Berikut 6 soalan yang saya cadangkan untuk pasukan inovasi, aktuari, underwriting, dan risk management:

1. Apa aset yang dilindungi? Akaun, item digital, pendapatan, reputasi, atau liabiliti?
2. Apa peristiwa kerugian yang boleh dibuktikan? Log apa yang tersedia dan siapa pemilik log itu?
3. Siapa pihak ketiga kritikal? Identiti, pembayaran, platform, penyedia cloud.
4. Apa vektor penipuan utama? Bot, social engineering, pengambilalihan akaun, deepfake.
5. Bagaimana pemantauan berterusan dibuat? Harian, mingguan, masa nyata?
6. Bagaimana pelanggan akan guna perlindungan ini tanpa ubah rutin? Ini soalan paling penting.

Kalau jawapan kepada soalan (6) kabur, itu tanda amaran awal.

Apa patut dibuat pada 2026: pelan 90 hari yang realistik

Jawapannya: uji use-case kecil yang memberi nilai segera, kemudian skala.

Untuk kebanyakan syarikat insurans, langkah 90 hari yang masuk akal ialah:

1. Pilih satu risiko digital yang jelas (contoh: pengambilalihan akaun untuk produk tertentu, atau penipuan tuntutan digital).
2. Bina model anomali asas menggunakan data dalaman + log yang tersedia.
3. Letak AI dalam workflow sedia ada (dashboard underwriting/tuntutan), bukan aplikasi baharu.
4. Tetapkan metrik keras: masa pemprosesan, kadar ralat, kadar penipuan dicegah, kadar eskalasi manual.
5. Sediakan polisi tadbir urus AI: audit trail, pemantauan bias, dan proses rayuan.

Kalau anda boleh turunkan masa siasatan penipuan dari 3 hari ke 1 hari, itu sudah cukup untuk bina momentum dalaman.

Penutup: Metaverse mungkin tak ikut janji, AI masih perlu disiplin

Metaverse mengajar industri satu perkara yang pedih: teknologi tak menang kerana ia menarik; ia menang bila ia memudahkan hidup. Untuk insurans, ini bermakna AI mesti membantu keputusan underwriting, mempercepat tuntutan, dan mengurangkan penipuan—tanpa memaksa pekerja atau pelanggan belajar “cara hidup baharu”.

Bagi risiko metaverse dan ekosistem digital yang lebih luas, saya percaya peluang sebenar bukan pada dunia 3D yang serba lengkap. Peluangnya ialah model risiko yang hidup (dynamic), pemantauan anomali, dan proses tuntutan yang boleh diaudit—semuanya dibantu AI.

Jika organisasi anda sedang mempertimbangkan produk atau perlindungan berkaitan risiko digital/metaverse, langkah seterusnya ialah mudah: mulakan dengan satu use-case pengesanan penipuan atau penilaian risiko, bina prototaip dalam 90 hari, dan ukur hasilnya secara tegas. Anda sanggup mengubah proses dalaman—atau anda masih berharap pengguna akan berubah demi teknologi?