AI untuk Underwriting: Apa Makna Akuisisi Cytora

Kos pentadbiran dalam insurans bukan sekadar “gangguan kecil”—ia sering jadi punca sebenar sebut harga lambat, kesilapan input data, dan pengalaman pelanggan yang terasa ketinggalan zaman. Akhir 2025, satu berita menarik perhatian industri: Applied Systems mengakuisisi Cytora, syarikat yang terkenal dengan pendigitalan risiko berasaskan AI. Ini bukan cerita “M&A biasa”. Ini isyarat jelas bahawa AI dalam insurans sedang beralih daripada eksperimen kepada infrastruktur operasi.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya melihat akuisisi ini sebagai contoh yang sangat praktikal tentang ke mana hala tuju industri: underwriting lebih pantas, penilaian risiko lebih tepat, pengesanan penipuan lebih sistematik, dan aliran kerja (workflow) yang akhirnya bersambung dari hujung ke hujung.

Kenapa akuisisi Applied–Cytora patut diberi perhatian

Intinya mudah: siapa yang menguasai data risiko, dia menguasai kelajuan dan kualiti underwriting. Applied sudah lama kuat di sisi agensi, broker, dan ekosistem pengedaran (distribution) melalui sistem pengurusan agensi dan sambungan pasaran. Cytora pula fokus pada satu masalah yang ramai orang insurans kenal sangat—data risiko yang bersepah.

Borang permohonan, lampiran PDF, e-mel panjang, laporan pemeriksaan, dokumen kewangan, foto tapak, catatan broker—semuanya datang dalam bentuk tidak seragam. Bila underwriter atau pasukan operasi perlu “menjahit” maklumat itu secara manual, tiga benda berlaku:

1. Masa pusingan (turnaround time) jadi panjang.
2. Kadar ralat meningkat (terutama bila kerja berulang dan dikejar KPI).
3. Konsistensi penilaian risiko menurun kerana input bergantung pada siapa yang memproses.

Akuisisi ini menunjukkan Applied mahu menjadikan AI bukan aksesori, tetapi “enjin” yang menyokong keseluruhan kitaran—daripada submission sampai renewal.

“Digital roundtrip” bukan slogan—ini reka bentuk operasi

Konsep digital roundtrip of insurance (kitaran digital insurans dari hujung ke hujung) sebenarnya tentang satu perkara: mengurangkan geseran (friction) dalam proses.

Dalam dunia sebenar, geseran ini muncul sebagai:

• submission tersekat sebab dokumen tak lengkap
• data dimasukkan berulang kali dalam sistem berbeza
• underwriter fokus pada kerja menaip, bukan analisis
• renewal dibuat dengan data lama kerana tiada mekanisme kemas kini risiko yang baik

Cytora terkenal dengan keupayaan menstruktur data tidak berstruktur. Bila keupayaan ini disatukan dengan rangkaian dan workflow yang Applied sudah ada, ia membuka ruang untuk operasi underwriting yang lebih berterusan—bukan sekadar “proses sekali jalan”.

Bagaimana AI Cytora boleh mempercepat penilaian risiko

Jawapan ringkas: AI menukar input kotor menjadi data yang boleh digunakan untuk keputusan.

Cytora membina platform yang mengekstrak maklumat daripada dokumen dan sumber data, menormalisasi medan (field) penting, kemudian memperkayakan (enrich) dengan konteks risiko. Bila dilakukan dengan baik, pasukan underwriting dapat bergerak daripada “mengumpul” kepada “menilai”.

1) Pendigitalan risiko: daripada PDF kepada data keputusan

Dalam underwriting komersial, fail submission sering tebal dan tidak konsisten. AI pendigitalan risiko boleh:

• mengenal pasti entiti perniagaan, lokasi, jenis operasi
• mengekstrak nilai harta, had perlindungan, sejarah tuntutan (jika dinyatakan)
• mengesan percanggahan (contoh: alamat berbeza antara dokumen)

Nilai sebenarnya bukan sekadar OCR. Nilainya ialah struktur + kebolehkesanan (traceability). Bila data menjadi teratur, anda boleh bina peraturan underwriting, model risiko, dan audit trail yang lebih kemas.

2) Underwriting berasaskan AI: lebih cepat tanpa kompromi kualiti

Underwriting yang baik bukan paling laju—tetapi laju yang terkawal. Saya berpendapat ramai organisasi tersilap di sini: mereka automasi tanpa membina “pagar keselamatan” (guardrails).

Dengan pendekatan AI yang betul, workflow boleh dipecahkan kepada tiga lapisan:

• Triage automatik: asingkan risiko rendah/sederhana/tinggi untuk laluan berbeza
• Cadangan (recommendation): AI beri ringkasan risiko dan bendera merah
• Keputusan manusia (human-in-the-loop): underwriter sahkan, ubah, atau tolak

Ini menjadikan SLA lebih konsisten, dan underwriter fokus pada kes yang benar-benar perlukan kepakaran.

3) Analisis ramalan dalam insurans: dari reaktif kepada proaktif

Bila data submission dan renewal menjadi konsisten, barulah analisis ramalan ada “bahan mentah” yang cukup. Ini membuka pintu kepada:

• ramalan kebarangkalian tuntutan (claim propensity)
• amaran awal perubahan risiko (contoh: pertambahan lokasi operasi)
• strategi harga lebih tepat mengikut segmen risiko

Dan untuk hujung tahun seperti Disember 2025, bila banyak syarikat merancang bajet 2026, ini masa paling sesuai untuk menilai: data underwriting kita cukup bersih untuk menyokong ramalan?

Implikasi besar untuk agensi, broker, MGA dan syarikat insurans

Akuisisi ini jelas mensasarkan dua sisi: pengedaran (agensi/broker) dan pembawa risiko (carrier/MGA). Kesan paling ketara ialah masa pusingan dan pengalaman pelanggan.

Untuk agensi & broker: kurang kerja ulang, lebih masa jualan

Agensi biasanya tersepit antara pelanggan yang mahukan jawapan cepat dan carrier yang perlukan dokumen lengkap. Bila AI boleh:

• semak kelengkapan submission secara automatik
• susun data mengikut keperluan carrier
• jana ringkasan risiko yang mudah difahami

…agensi dapat mengurangkan kerja “admin” yang memakan jam, dan memberi tumpuan pada hubungan pelanggan, cross-sell, dan pengekalan (retention).

Untuk carrier & MGA: onboarding submission lebih “frictionless”

Carrier menanggung kos terbesar bila submission masuk tapi tidak berkualiti. AI yang menstruktur dan menyemak data di pintu masuk (ingestion) boleh:

• mempercepat quoting
• meningkatkan ketepatan pemilihan risiko (risk selection)
• menurunkan kos pemprosesan per submission

Kesan rantaian ini biasanya berakhir pada satu tempat: profitability underwriting.

Apa kaitannya dengan pengesanan penipuan (fraud detection)?

Ramai orang fikir pengesanan penipuan hanya bermula di tuntutan (claims). Itu separuh benar. Penipuan yang mahal biasanya meninggalkan jejak lebih awal—di submission, endorsement, atau perubahan maklumat.

Bila AI pendigitalan risiko menjadi standard, anda boleh bina isyarat penipuan yang lebih kuat, contohnya:

• Ketidakselarasan dokumen: nombor pendaftaran/alamat/jenis perniagaan tidak sepadan antara lampiran
• Corak perubahan: kekerapan perubahan had perlindungan atau lokasi yang luar biasa
• Anomali data: nilai aset tidak munasabah berbanding profil perniagaan

Penting: ini bukan menggantikan penyiasat. Ini mengutamakan kes untuk semakan mendalam. Dalam operasi besar, keutamaan (prioritization) ialah separuh kemenangan.

Pelan tindakan 90 hari: cara organisasi di Malaysia boleh ambil manfaat

Tidak semua orang akan membeli platform besar esok. Tapi anda masih boleh meniru prinsip yang sama: kurangkan geseran dengan AI pada titik yang paling menyakitkan.

Minggu 1–2: Audit “bottleneck” underwriting dan data

Pilih satu lini perniagaan (contoh: SME komersial). Ukur tiga metrik asas:

• masa dari submission diterima → sebut harga dihantar
• kadar submission tidak lengkap (%)
• bilangan sentuhan manusia (hand-offs) per kes

Minggu 3–6: Mulakan dengan satu kegunaan AI yang jelas

Antara kegunaan paling cepat nampak hasil:

• ekstraksi medan utama daripada PDF/email
• semakan kelengkapan dokumen submission
• ringkasan risiko automatik untuk underwriter

Pastikan ada human-in-the-loop. Sasaran anda bukan automasi 100%. Sasaran anda ialah kelajuan + kawalan.

Minggu 7–12: Standardkan data dan bina “rulebook”

Bila data sudah konsisten, bina peraturan yang boleh diaudit:

• peraturan rujukan automatik (contoh: risiko tertentu wajib semak senior)
• ambang nilai (threshold) untuk minta dokumen tambahan
• definisi medan data yang seragam antara agensi dan carrier

Saya selalu tekankan: AI tanpa standard data cuma mempercepat kekeliruan.

Soalan lazim: “Adakah AI akan menggantikan underwriter?”

Jawapan paling jujur: AI akan menggantikan kerja underwriter yang bersifat menaip, menyalin, dan mencari-cari dokumen—bukan menggantikan pertimbangan profesional.

Underwriter yang akan menang pada 2026 ialah yang:

• faham data risiko dan konteks perniagaan
• tahu bila perlu percaya pada cadangan AI, dan bila perlu cabar
• boleh menerangkan keputusan kepada broker/pelanggan dengan jelas

AI yang baik menjadikan underwriter lebih “mahal nilainya” kerana masa mereka digunakan untuk analisis sebenar.

Apa yang patut dibuat seterusnya

Akuisisi Applied–Cytora mengukuhkan satu realiti: AI dalam underwriting dan pengurusan risiko sedang menjadi standard operasi, bukan projek inovasi hujung minggu. Organisasi yang bergerak awal akan menikmati dua kelebihan yang sukar dikejar—data yang lebih bersih dan kitaran kerja yang lebih cekap.

Kalau anda memimpin operasi underwriting, pengurusan risiko, atau transformasi digital, mula dengan soalan yang praktikal: di mana 30% masa pasukan anda habis untuk kerja yang tidak menambah nilai keputusan? Itulah titik mula AI yang paling menguntungkan.

Dan untuk siri “AI dalam Insurans dan Pengurusan Risiko”, saya nak tinggalkan satu persoalan yang patut dibawa ke mesyuarat perancangan 2026: bila pelanggan boleh dapat sebut harga dalam minit, adakah organisasi anda bersedia dari segi data, proses, dan tadbir urus AI?