AI Underwriting: Iktibar Florida untuk Pasaran Rumah

Angka ini patut buat mana-mana pengurus risiko berhenti sekejap: bilangan polisi Citizens Property Insurance Corp. di Florida jatuh daripada 1,407,805 (09/2023) kepada 427,097 (11/2025)—susut hampir 1 juta polisi dalam lebih kurang setahun.

Citizens ialah insurer of last resort (penanggung insurans pilihan terakhir) yang disokong kerajaan negeri. Bila enrolmen merudum sedemikian rupa, itu bukan sekadar berita tempatan. Ia isyarat besar tentang satu realiti: pasaran insurans harta benda boleh berubah “kelip mata” apabila undang-undang, litigasi dan kapasiti pembawa (carrier) bergerak serentak.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka guna contoh yang keras dan jelas. Florida memberi contoh terbaik: apabila kos risiko dipacu oleh litigasi, dan kemudian peraturan mahkamah/undang-undang dirombak, seluruh pasaran berubah. AI bukan hiasan. AI ialah alat untuk bertahan dan berkembang dalam perubahan mendadak macam ini.

Apa sebenarnya berlaku di Florida—dan kenapa ia penting

Intinya mudah: pembaharuan undang-undang 2022–2023 di Florida menurunkan insentif litigasi dan menekan kos tuntutan “dibesar-besarkan”. Apabila kos litigasi turun, penanggung insurans swasta mula kembali mengambil risiko yang sebelum ini “lari” ke Citizens.

Beberapa data penting daripada laporan:

• Litigasi insurans pemilik rumah turun ~30% selepas reform.
• Jumlah saman melibatkan Citizens turun hampir 50%.
• Florida sebelum reform: kira-kira 8% tuntutan harta A.S. tetapi 78% litigasi berkaitan.
• Harga reinsurans terlaras risiko pada pembaharuan 01/06/2025 turun 10.7%.
• Syarikat domestik Florida kembali untung underwriting pada 2024 buat kali pertama sejak 2015.

Bagi pengamal insurans, broker, pemilik perniagaan, dan pasukan risiko: ini contoh hidup bahawa “harga insurans” bukan isu tunggal. Ia hasil daripada kos risiko—dan kos risiko dipengaruhi oleh undang-undang, tingkah laku tuntutan, penipuan, cuaca ekstrem, dan kitaran reinsurans.

“Depopulation” Citizens: tanda pasaran kembali bernafas

Depopulation dalam konteks Citizens bermaksud polisi dipindahkan dari penanggung pilihan terakhir ke pasaran sukarela (voluntary market). Bila ini berlaku secara besar-besaran, dua mesej utama muncul:

1. Kapasiti pasaran bertambah – lebih banyak carrier sanggup menulis risiko.
2. Profil risiko menjadi lebih “boleh diharga” – bukan semestinya risiko fizikal turun, tetapi risiko kewangan (litigasi/penipuan) lebih terkawal.

Yang menarik, Citizens pernah berada di bawah 500,000 polisi (2016–09/2020) sebelum melonjak semula apabila berlaku kegagalan carrier, pengetatan underwriting, dan nonrenewal. Sekarang ia kembali ke paras rendah, walaupun populasi Florida membesar.

Satu ayat yang saya setuju: cara terbaik turunkan kos insurans ialah turunkan kos risiko—bukan sekadar menekan harga.

Ini juga mengajar kita sesuatu tentang pasaran Malaysia/Asia Tenggara: bila rangka kerja undang-undang, penguatkuasaan, dan data tuntutan berubah, model risiko lama cepat jadi lapuk.

Di sinilah AI jadi “alat kerja”, bukan projek sampingan

Jawapan terus terang: perubahan mendadak macam Florida susah diurus dengan spreadsheet, aturan manual, dan model statik setahun sekali. AI (khususnya machine learning dan analitik ramalan) membolehkan penanggung insurans membaca perubahan lebih awal, menyesuaikan harga/terma lebih cepat, dan mengesan tuntutan meragukan secara konsisten.

1) Underwriting dinamik bila undang-undang berubah

Bila reform undang-undang mengurangkan litigasi, “loss cost” sebenar boleh turun walaupun hazard fizikal (taufan) kekal.

AI underwriting yang berkesan biasanya menggabungkan:

• Data tuntutan granular (jenis kerosakan, vendor, garis masa, corak dokumen)
• Data litigasi (kekerapan saman, tempoh penyelesaian, kos guaman)
• Ciri hartanah (umur bumbung, bahan, sejarah pembaikan)
• Pemetaan risiko bencana (banjir, angin, kebakaran, jarak pantai)

Dengan ini, syarikat boleh:

• Mengemas kini risk score mengikut zon dan jenis bangunan
• Menetapkan underwriting appetite yang lebih tepat
• Membezakan pelanggan yang benar-benar rendah risiko daripada yang “kelihatan sama” di permukaan

2) Analitik ramalan untuk faham tingkah laku pelanggan bila pasaran berubah

Kemerosotan polisi Citizens hampir 1 juta bukan sekadar urusan undang-undang; ia juga perubahan tingkah laku:

• Pelanggan mula mencari pilihan swasta bila harga/terma masuk akal
• Broker menukar strategi placement
• Carrier menawarkan program depopulation dengan syarat tertentu

Di sinilah analitik ramalan membantu:

• Ramalkan siapa yang akan berpindah (churn atau take-up)
• Kenal pasti segmen yang sensitif harga vs sensitif perlindungan
• Uji “what-if”: apa jadi jika deductible naik, atau jika perlindungan tertentu diubah

Untuk pasukan pemasaran dan produk, ini emas: anda boleh reka tawaran yang selari dengan perubahan pasaran, bukan mengejar selepas terlambat.

3) Pengesanan penipuan dan tuntutan “direka” dengan AI

Florida pernah terkenal dengan isu tuntutan yang dipertikaikan—termasuk dakwaan tuntutan dibesar-besarkan dan litigasi agresif. Walaupun reform mengurangkan ruang itu, risiko penipuan tak hilang.

AI untuk pengesanan penipuan (fraud detection) biasanya menilai:

• Corak tuntutan berulang pada kontraktor/vendor sama
• Tuntutan yang “kaya dokumen” tetapi miskin bukti fizikal
• Kejanggalan masa (contoh: lapor lambat, atau lonjakan tuntutan selepas nonrenewal)
• Analisis teks pada nota adjuster/korespondensi untuk red flags

Hasil praktikal:

• Tuntutan tulen dibayar lebih cepat (pengalaman pelanggan naik)
• Tuntutan meragukan disalurkan ke semakan mendalam (kos bocor turun)

4) Tuntutan & triage automatik: kelajuan sebagai strategi risiko

Bila pasaran harta terdedah bencana (taufan/banjir), kelajuan urus tuntutan menentukan:

• kos penyelesaian akhir,
• kepuasan pelanggan,
• dan risiko litigasi.

AI boleh bantu triage:

1. Klasifikasi tuntutan (ringan/sederhana/teruk)
2. Anggaran awal guna imej kerosakan dan data sejarah
3. Cadangan laluan: bayar cepat, hantar adjuster, atau SIU (Special Investigation Unit)

Ini bukan sekadar “cepat”. Ini mengurangkan peluang konflik yang membawa saman.

Apa yang boleh dipelajari oleh pemain insurans di luar Florida

Florida unik—taufan, pasaran besar, dan sejarah litigasi. Tapi coraknya universal: bila kos perundangan dan kos tuntutan tak terkawal, kapasiti swasta lari ke pasaran residual. Bila kos itu dibaiki, kapasiti kembali.

Untuk pemimpin insurans dan pengurusan risiko, saya cadangkan 4 langkah yang praktikal:

1) Audit “punca kos risiko”, bukan hanya kadar premium

Buat pecahan:

• kos kerugian fizikal (perils sebenar),
• kos operasi tuntutan,
• kos litigasi/pertikaian,
• kebocoran akibat penipuan.

AI membantu sebab ia boleh membezakan punca kos dengan lebih tepat berbanding purata agregat.

2) Bina model yang boleh bertindak balas dalam 30–60 hari

Jika model risiko anda hanya dikemas kini setahun sekali, anda akan lambat.

Sasaran realistik:

• kemas kini skor risiko suku tahunan,
• semakan appetite bulanan untuk segmen berisiko,
• amaran awal mingguan untuk lonjakan tuntutan/pertikaian.

3) Selaraskan underwriting, tuntutan, dan pematuhan dalam satu “papan pemuka”

Silo ialah punca keputusan bercanggah: underwriting kejar pertumbuhan, tuntutan cuba kawal kos, pematuhan risau litigasi.

Satu papan pemuka bersama (AI-driven) boleh memaparkan:

• trend tuntutan mengikut sebab dan lokasi,
• kadar pertikaian,
• masa kitaran tuntutan,
• isyarat penipuan,
• impak perubahan polisi (endorsement/deductible).

4) Gunakan AI secara bertanggungjawab (dan boleh diaudit)

Dalam insurans, AI mesti boleh dijelaskan. Pastikan:

• ciri model tidak diskriminatif,
• keputusan boleh dijejak (audit trail),
• ada kawalan manusia untuk kes berimpak tinggi,
• metrik model dipantau (drift, bias, false positives).

Ini bukan isu teknikal semata-mata. Ini isu reputasi dan pematuhan.

Soalan lazim yang selalu muncul (dan jawapan terus)

Adakah reform undang-undang sahaja cukup untuk turunkan premium?

Tak semestinya. Reform boleh turunkan kos litigasi, tetapi premium masih dipengaruhi oleh bencana, inflasi pembaikan, dan reinsurans. Reform membantu kestabilan; AI membantu ketepatan dan kelajuan menyesuaikan diri.

Kenapa AI relevan bila isu utamanya undang-undang?

Sebab undang-undang mengubah tingkah laku pasaran, dan tingkah laku ialah data. AI paling berguna bila corak berubah cepat—tepat seperti yang berlaku di Florida.

Apa tanda organisasi saya perlukan AI underwriting sekarang?

Jika anda ada salah satu ini:

• kadar pertikaian/tuntutan meningkat tanpa sebab jelas,
• masa proses underwriting terlalu lama,
• banyak keputusan bergantung pada “rasa pengalaman”,
• kebocoran kos tuntutan sukar dikesan.

Langkah seterusnya: jadikan AI sebagai enjin pengurusan risiko

Kejatuhan enrolmen Citizens daripada 1.4 juta kepada 0.43 juta dalam tempoh singkat menunjukkan satu perkara: apabila persekitaran undang-undang dan pasaran berubah, pemenang ialah pihak yang paling cepat menilai risiko dan melaras tindakan.

Dalam konteks AI dalam Insurans dan Pengurusan Risiko, saya melihat AI sebagai “radar” yang memberi amaran awal—bukan sekadar alat automasi. Ia membantu underwriting yang lebih adil, tuntutan yang lebih pantas, dan kawalan penipuan yang lebih tepat.

Jika pasaran anda tiba-tiba berubah kerana peraturan baharu, trend litigasi, atau kejutan bencana, soalan sebenar bukan “adakah kita patut guna AI?” tetapi berapa lama lagi kita sanggup buat keputusan risiko dengan data yang lambat dan model yang statik?