AI Underwriting Insurans: Apa Makna Kerjasama TMHCC–Cytora

Kerjasama antara syarikat insurans global dan insurtech bukan lagi “projek eksperimen”. Ia kini jadi cara paling praktikal untuk menurunkan kos operasi, mempercepat keputusan underwriting, dan mengawal risiko dengan lebih tepat.

Walaupun artikel RSS asal yang dirujuk tidak dapat diakses (halangan keselamatan/403), tajuk dan konteksnya jelas: Tokio Marine HCC (TMHCC) mengumumkan kolaborasi dengan Cytora, sebuah insurtech yang terkenal dengan penggunaan AI untuk analitik risiko. Bagi saya, berita seperti ini lebih menarik pada hujung 2025 kerana ia mengesahkan satu realiti: AI dalam insurans bergerak dari “pilot” ke “production”, terutama dalam underwriting dan risk assessment.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, post ini memecahkan apa yang biasanya berlaku dalam kolaborasi seperti TMHCC–Cytora, apa impaknya kepada pengunderaitan, tuntutan, dan pengesanan penipuan—serta apa yang patut dilakukan oleh organisasi yang nak ikut langkah sama.

Kenapa kerjasama insurans–insurtech makin agresif pada 2025

Jawapan ringkas: syarikat insurans perlukan kelajuan dan ketepatan serentak, dan sistem legacy jarang boleh beri kedua-duanya.

Dalam insurans komersial dan specialty (ruang yang TMHCC kuat), keputusan underwriting sering melibatkan data yang berselerak: maklumat syarikat, operasi, lokasi, pendedahan rantaian bekalan, rekod insiden, serta pelbagai isyarat luaran. Proses manual boleh jadi lambat—dan lebih buruk, tak konsisten antara underwriter.

Pada akhir 2025, tekanan juga datang dari beberapa arah:

• Pelanggan korporat mahukan keputusan lebih cepat (kitaran pembelian semakin pendek, bajet ditutup mengikut suku).
• Risiko iklim dan bencana menambah volatiliti (banjir, ribut, gangguan operasi) dan menuntut penilaian pendedahan yang lebih granular.
• Ancaman siber terus meningkat; risiko berubah mengikut minggu, bukan tahun.

Kolaborasi dengan platform AI seperti Cytora biasanya menjadi jalan tengah: syarikat insurans kekalkan kepakaran underwriting, tetapi automasi pengambilan data, pemarkahan risiko, dan “triage” diserahkan kepada teknologi.

Apa sebenarnya AI buat dalam underwriting moden

AI dalam underwriting bukan menggantikan underwriter; ia menyusun fakta, mengurangkan kerja remeh, dan membantu keputusan jadi lebih konsisten.

1) Automasi ingest data & “enrichment” risiko

Dalam dunia sebenar, borang permohonan (proposal form) jarang lengkap. AI membantu dengan:

• Menyusun data dalaman (sejarah polisi, tuntutan) dan data luaran (profil perniagaan, lokasi, industri).
• Mengesan ketidakselarasan (contoh: pendapatan dilapor rendah tetapi bilangan cawangan besar).
• Menandakan keperluan bukti tambahan (dokumen keselamatan, laporan audit, SOP).

Kesannya mudah: kurang e-mel ulang-alik dan lebih banyak masa untuk pertimbangan risiko sebenar.

2) Risk scoring dan keputusan “straight-through” untuk kes tertentu

Tidak semua risiko perlu “dibedah” oleh manusia. AI underwriting biasanya membahagi aliran kerja kepada:

1. Terima automatik (low-risk, data lengkap, dalam appetite)
2. Rujuk underwriter (risiko sederhana, perlu semakan)
3. Tolak/keluar appetite (risiko tinggi, luar kriteria)

Jika dibuat dengan betul, syarikat boleh mempercepat keputusan untuk kes mudah—tanpa kompromi kawalan.

3) Konsistensi polisi dan pematuhan

Dalam banyak organisasi, cabaran terbesar ialah variasi keputusan: dua underwriter boleh menilai kes sama dengan hasil berbeza. AI membantu dengan decision support:

• Cadangan terma/limit/deductible berdasarkan polisi dalaman
• “Guardrails” pematuhan: ambang tertentu memerlukan kelulusan
• Audit trail: kenapa keputusan dibuat (lebih telus untuk governance)

Ayat yang saya suka guna untuk jelaskan ini: “AI yang bagus bukan buat keputusan untuk anda—ia pastikan anda buat keputusan yang sama untuk fakta yang sama.”

Apa yang kerjasama seperti TMHCC–Cytora biasanya cuba capai

Jawapannya: mempercepat kitaran underwriting sambil menaikkan kualiti penilaian risiko.

Walaupun butiran rasmi dalam sumber asal tidak dapat dipetik, corak kolaborasi insurer–platform AI lazimnya fokus pada beberapa hasil berikut.

Kelajuan quote/bind yang lebih kompetitif

Dalam specialty lines, masa adalah kelebihan. Jika pesaing boleh beri indikasi harga dalam jam, proses berhari-hari akan kehilangan peluang.

AI membantu mempercepat:

• Pengumpulan maklumat risiko
• Pemetaan appetite
• Penyediaan ringkasan risiko untuk underwriter

Keputusan yang lebih tepat untuk risiko kompleks

Risiko kompleks bukan sekadar “tinggi atau rendah”. Ia melibatkan kombinasi faktor: lokasi, rantaian pembekal, keselamatan siber, jenis kontrak, volum transaksi, dan sejarah insiden.

AI analitik risiko biasanya menukar data besar kepada isyarat yang boleh digunakan:

• Pendedahan geografi (contoh: lokasi operasi vs zon banjir)
• Risiko industri (contoh: sektor dengan kadar insiden tinggi)
• Isyarat operasi (contoh: perubahan aktiviti yang mendadak)

Mengurangkan “leakage” dan kesilapan manusia

Kebocoran margin sering datang daripada perkara kecil: salah kod industri, salah interpretasi maklumat, dokumen tertinggal, atau pengecualian polisi tidak dimasukkan.

Apabila AI jadi lapisan semakan, kesilapan yang “nampak remeh” boleh dikurangkan—dan itu terus mempengaruhi loss ratio dalam jangka masa panjang.

AI bukan hanya underwriting: kesan pada tuntutan & pengesanan penipuan

Jawapannya: data dan model yang digunakan semasa underwriting boleh menguatkan pengurusan tuntutan dan pengesanan penipuan, dari awal hingga akhir.

Dalam kempen “AI dalam Insurans dan Pengurusan Risiko”, saya selalu tekankan: nilai AI meningkat bila ia menghubungkan proses—bukan setakat satu jabatan.

1) Triage tuntutan yang lebih cepat

Bila tuntutan masuk, AI boleh mengagihkan kes berdasarkan kompleksiti:

• Kes mudah → laluan pantas
• Kes sederhana → semakan adjuster
• Kes berisiko tinggi → pasukan siasatan/rujuk pakar

Ini mengurangkan backlog dan memperbaiki pengalaman pelanggan.

2) Pengesanan penipuan berasaskan corak

Penipuan jarang datang sebagai “satu tanda besar”. Ia biasanya gabungan tanda kecil: kekerapan tuntutan luar biasa, butiran berulang, rangkaian pihak terlibat, atau timing yang mencurigakan.

Model AI yang baik akan mencari:

• Anomali dalam data tuntutan
• Corak rangkaian (hubungan antara pihak)
• Ketidakpadanan dengan profil risiko yang diunderwrite

3) Analisis ramalan untuk pencegahan (bukan sekadar bayar)

Organisasi yang matang guna AI untuk “shift left”—kurangkan insiden sebelum berlaku. Contoh praktikal:

• Cadangan langkah mitigasi untuk pelanggan berisiko
• Pemeriksaan keselamatan tambahan untuk segmen tertentu
• Polisi harga dan terma yang lebih responsif kepada risiko semasa

Risiko sebenar bila organisasi “terlalu ghairah” dengan AI

Jawapannya: kegagalan bukan pada model semata-mata, tapi pada data, governance, dan perubahan cara kerja.

Saya berpendapat ramai syarikat gagal bukan sebab AI “tak bagus”, tetapi sebab mereka mengabaikan asas.

Kualiti data dan definisi yang tak seragam

Jika definisi “insiden”, “loss”, atau “exposure” berbeza antara unit, model akan keliru. Selesaikan:

• Taksonomi data yang konsisten
• Data dictionary yang jelas
• Proses pembersihan dan deduplication

Bias dan ketelusan keputusan

AI underwriting mesti boleh dijelaskan, terutama bila melibatkan penolakan atau terma berat. Praktik yang patut ada:

• Explainability pada faktor utama keputusan
• Semakan berkala terhadap bias
• Keupayaan “override” oleh underwriter dengan justifikasi

Pengurusan perubahan (ini yang paling susah)

Sistem baru yang laju boleh ditolak jika underwriter rasa “hilang kawalan”. Cara realistik:

• Mulakan dengan co-pilot, bukan autopilot
• KPI seimbang: kelajuan + kualiti + pematuhan
• Latihan berasaskan kes sebenar, bukan teori

Checklist 90 hari untuk syarikat yang nak mula AI underwriting

Jawapannya: fokus pada satu produk, satu aliran kerja, dan metrik yang boleh diukur.

Berikut pelan yang saya guna bila bincang dengan pasukan insurans yang nak mula.

1. Pilih 1 line of business yang ada volum mencukupi (supaya data mencukupi) dan pain point jelas.
2. Tetapkan 3 metrik utama sebelum mula:
   • Masa dari submission → quote
   • Kadar “rework” (kes perlu dibuka semula)
   • Kadar rujukan manual (berapa banyak kes benar-benar perlu underwriter)
3. Petakan proses sedia ada dan cari 2–3 langkah yang paling melambatkan (contoh: semakan dokumen, pengesahan maklumat).
4. Bina “risk appetite rules” yang boleh diuji (jangan terlalu kompleks pada fasa awal).
5. Mulakan dengan human-in-the-loop: AI cadang, manusia sahkan.
6. Rancang governance: siapa pemilik model, bila retraining dibuat, bagaimana audit.

Jika ini dilakukan dengan disiplin, 90 hari cukup untuk capai versi awal yang berguna—bukan sekadar demo.

Apa yang pembaca patut buat selepas baca ini

Kerjasama seperti TMHCC–Cytora ialah isyarat pasaran bahawa AI dalam insurans dan pengurusan risiko kini menjadi standard operasi—bukan aksesori.

Jika anda berada dalam underwriting, operasi, tuntutan, atau risk management, langkah paling bernilai ialah audit kecil: di bahagian mana keputusan anda lambat kerana data tak lengkap, dan di mana kesilapan kerap berlaku kerana kerja manual? Itulah tempat AI memberi pulangan paling cepat.

Saya jangka pada 2026, organisasi yang menang bukan yang mempunyai model paling “canggih”, tetapi yang berjaya menjadikan AI sebagai rutin kerja harian—terbukti, boleh diaudit, dan mudah dioperasikan. Persoalannya: adakah proses underwriting anda sudah bersedia untuk standard itu?