AI Underwriting: Rahsia Lonjakan Untung Insurans

Angka ini susah nak diabaikan: industri insurans harta & kasualti (P&C) di AS mencatat keuntungan underwriting bersih AS$34.9 bilion bagi 9 bulan pertama 2025, melonjak daripada AS$3.7 bilion pada tempoh sama tahun lalu. Kesan dominonya besar—pendapatan operasi sebelum cukai naik 51.9% kepada AS$102.4 bilion, walaupun keuntungan modal direalisasi jatuh teruk.

Bila saya tengok data macam ini, satu perkara jadi jelas: untung bukan datang daripada “nasib baik” semata-mata. Ia datang daripada disiplin underwriting—harga yang tepat, pemilihan risiko yang tepat, dan tindak balas pantas bila corak kerugian berubah. Dan di sinilah naratif siri “AI dalam Insurans dan Pengurusan Risiko” jadi sangat relevan.

Underwriting rebound yang dilaporkan itu memberi isyarat bahawa organisasi yang mampu membaca risiko dengan lebih pantas dan tepat akan menang. Tahun 2026 pun hampir bermula; untuk pasaran Malaysia dan rantau ini, pengajarannya mudah: AI dalam underwriting bukan “projek teknologi”, ia strategi margin.

Apa sebenarnya yang memacu “underwriting rebound” 2025?

Jawapan ringkasnya: margin underwriting pulih kerana premium naik, volatiliti bencana menurun pada suku tertentu, dan pengurusan rizab membantu keputusan kalendar. Tetapi jika kita kupas, ada beberapa pendorong yang boleh ditiru.

AM Best melaporkan:

• Premium bersih diperoleh (net premiums earned) naik 7%
• Nisbah gabungan (combined ratio) bertambah baik kepada 94.0 untuk 9 bulan pertama 2025
• Kerugian bencana menyumbang 8.0 mata kepada nisbah gabungan, turun daripada 8.7 pada tempoh setahun lalu
• Jika dikecualikan AS$18.0 bilion pelepasan rizab (favorable reserve development), accident-year combined ratio ialah 96.5—masih dalam zon menguntungkan

Kalau anda bukan orang aktuari: combined ratio di bawah 100 bermaksud operasi underwriting (premium vs tuntutan + perbelanjaan) adalah untung.

Nisbah gabungan 94.0: satu nombor yang bawa banyak cerita

94.0 bukan sekadar “bagus”. Ia menunjukkan beberapa perkara serentak:

1. Harga semakin selari dengan risiko (pricing adequacy)
2. Pemilihan risiko semakin kemas (portfolio/selection discipline)
3. Kawalan kos tuntutan dan perbelanjaan lebih ketat
4. Variasi bencana lebih terkawal dalam tempoh tertentu

Bagi saya, ini “hasil akhir”. Persoalan sebenar: bagaimana syarikat mampu mengekalkan ketepatan keputusan underwriting bila persekitaran risiko berubah cepat? Jawapannya semakin kerap: automasi dan analitik—iaitu AI.

Di mana AI masuk dalam cerita keuntungan P&C?

AI menyokong rebound underwriting dengan mempercepat keputusan, menambah ketepatan penilaian risiko, dan mengurangkan kebocoran margin (margin leakage). Dalam insurans, kebocoran margin biasanya berlaku bila:

• risiko dinilai terlalu “kasar” (rating terlalu general)
• data pelanggan tidak lengkap/berselerak
• fraud dan misrepresentation tidak dikesan awal
• perubahan risiko (contoh: kawasan makin kerap banjir) lambat diterjemah kepada harga

AI tidak “menghapuskan risiko”. AI membantu syarikat membuat keputusan yang lebih konsisten pada skala besar.

1) AI untuk pemarkahan risiko (risk scoring) yang lebih granular

Dalam P&C, dua pelanggan nampak sama pada borang permohonan, tapi realitinya berbeza. Contohnya:

• dua rumah teres dengan nilai hampir sama
• dua kenderaan model sama
• dua perniagaan F&B dengan jumlah pekerja sama

AI boleh menggabungkan pemboleh ubah yang lebih halus (micro-features) seperti:

• pola tuntutan sejarah mengikut segmen
• ciri lokasi dan pendedahan bencana
• tingkah laku pembayaran
• isyarat risiko daripada data dalaman (contoh: kekerapan pertanyaan sebut harga)

Hasilnya: pricing lebih tepat, dan buku perniagaan (book) lebih seimbang.

2) Analitik ramalan untuk “cat load” dan volatiliti

AM Best menunjukkan sumbangan bencana kepada nisbah gabungan turun dari 8.7 kepada 8.0 mata. Walaupun faktor cuaca dan bencana berada di luar kawalan, organisasi boleh mengawal:

• pendedahan agregat di kawasan tertentu
• kepekatan portfolio (concentration risk)
• had perlindungan, deductible, dan terma polisi

AI membantu dengan model ramalan dan simulasi senario untuk menjawab soalan seperti:

• “Jika dua kejadian banjir besar berlaku dalam 12 bulan, apa impaknya pada margin?”
• “Jika kita tambah 10% polisi di Zon A, adakah modal (surplus) cukup?”

Ini bukan teori semata-mata. Ia mekanik asas untuk mengurangkan turun naik dan menstabilkan margin underwriting.

3) AI mengurangkan “friction” tanpa mengorbankan kawalan

Banyak syarikat terperangkap dalam dilema: nak cepat atau nak ketat? Realitinya, AI boleh buat kedua-duanya melalui:

• straight-through processing untuk risiko standard
• rujukan automatik kepada underwriter kanan untuk risiko kompleks
• semakan dokumen dan konsistensi data secara automatik

Bila proses lebih laju dan konsisten, kos operasi turun, dan itu menyokong combined ratio.

Pelajaran paling penting: bezakan untung operasi vs untung pasaran

Pendapatan operasi sebelum cukai naik 51.9%, tetapi pendapatan bersih industri turun 23.3% kepada AS$100.9 bilion kerana kejatuhan besar dalam keuntungan modal direalisasi (net realized capital gains), sebahagiannya berkait penyusutan ketara di beberapa syarikat besar.

Ini mesej yang ramai CFO dan CRO suka lupa bila pasaran saham rancak:

“Untung pelaburan boleh naik-turun. Untung underwriting lebih boleh diurus—kalau disiplin prosesnya betul.”

Untuk strategi leads (dan strategi bisnes), ini penting kerana ia mengubah perbualan daripada “kita harap pasaran membantu” kepada “kita bina enjin margin yang stabil.” AI ialah komponen enjin itu.

Surplus pemegang polisi mencecah AS$1.2 trilion: kenapa modal jadi isu AI juga?

AM Best melaporkan policyholder surplus meningkat 6.8% kepada AS$1.2 trilion. Modal yang kukuh membolehkan syarikat menulis lebih banyak risiko, tetapi modal juga perlu dilindungi daripada kejutan.

AI boleh menyokong pengurusan modal melalui:

• pemantauan pendedahan hampir masa nyata
• amaran awal bila portfolio mula “lari” dari appetit risiko
• pengoptimuman reinsurance (contoh: struktur retensi mengikut volatiliti segmen)

Kalau anda mengurus risiko perusahaan (ERM), ini titik pertemuan AI dengan governance.

Case mini: bagaimana AI membantu “rebalancing” selepas kerugian besar

Laporan juga menyentuh bagaimana prestasi homeowners bertambah baik pada suku kedua, membantu merapatkan jurang antara personal dan commercial lines selepas kerugian kebakaran besar pada awal 2025.

Bayangkan senario yang setara di mana-mana pasaran:

• awal tahun: kejadian kerugian besar (kebakaran, banjir kilat, ribut)
• suku berikutnya: syarikat perlu “betulkan semula” buku perniagaan

Dengan AI, rebalancing boleh jadi lebih pantas melalui:

1. pengesanan corak tuntutan (claim pattern shift) lebih awal
2. pengenalpastian segmen yang rosak margin (loss-making cohorts)
3. cadangan tindakan: laras harga, ubah underwriting guidelines, tambah syarat perlindungan, atau hadkan pendedahan kawasan

Tanpa AI, tindakan ini sering bergantung pada laporan berkala dan mesyuarat yang lambat—masa itulah margin “bocor”.

Cara praktikal mulakan AI underwriting (tanpa menunggu sistem sempurna)

Mulakan dengan use-case yang jelas dan data yang anda memang ada. Saya lebih suka pendekatan 90 hari: kecil tapi nyata.

1) Pilih 1-2 metrik yang paling “dekat” dengan margin

Contoh metrik untuk underwriting P&C:

• kadar kelulusan vs kadar rujukan (referral rate)
• quote-to-bind ratio
• loss ratio mengikut segmen (produk, kawasan, saluran)
• time-to-quote dan kos pemprosesan

Fokus pada metrik yang boleh gerakkan combined ratio.

2) Bina “decisioning layer” sebelum bina model paling canggih

Ramai organisasi terus lompat kepada model ML kompleks, lalu tersekat bila proses tak bersedia.

Mulakan dengan:

• peraturan keputusan yang jelas (rules + thresholds)
• audit trail (kenapa keputusan dibuat)
• aliran kerja rujukan (human-in-the-loop)

Bila asas ini stabil, barulah model ramalan memberi impak maksimum.

3) Urus risiko model: ini bukan pilihan

AI dalam insurans kena bertanggungjawab. Minimum yang saya cadangkan:

• ujian bias dan keadilan (fairness) mengikut segmen relevan
• pemantauan drift (bila data dunia sebenar berubah)
• semakan berkala oleh underwriter dan fungsi risiko
• dokumentasi model yang boleh diaudit

Jika AI “pandai” tapi tak boleh dijelaskan, ia akan jadi masalah pematuhan dan reputasi.

Soalan lazim yang selalu timbul (dan jawapan terus-terang)

“AI akan gantikan underwriter?”

Tidak. AI menggantikan kerja berulang dan keputusan standard. Underwriter manusia kekal penting untuk risiko kompleks, rundingan, dan pertimbangan konteks.

“Bila masa sesuai melabur?”

Sekarang—sebab kitaran pasaran insurans berubah cepat. Organisasi yang menunggu “data sempurna” biasanya mula ketika pesaing sudah pun stabilkan margin.

“Apa tanda AI underwriting berjaya?”

Tanda paling jujur: combined ratio bertambah baik secara konsisten dan volatiliti kerugian (loss volatility) menurun untuk segmen sasaran.

Apa yang patut dibuat menjelang 2026?

Rebound underwriting di AS menunjukkan satu realiti industri: apabila penilaian risiko bertambah tepat dan tindakan dibuat lebih cepat, keuntungan operasi boleh melonjak—walaupun pasaran pelaburan tidak menyebelahi.

Kalau anda berada dalam insurans, broker korporat, atau pengurusan risiko, langkah seterusnya ialah menilai proses underwriting semasa dan tanya soalan yang lebih tajam: bahagian mana keputusan masih bergantung pada “rasa” dan spreadsheet—dan bahagian mana yang patut dipacu data?

Siri AI dalam Insurans dan Pengurusan Risiko akan terus bincangkan cara praktikal melaksanakan AI tanpa mengorbankan kawalan, pematuhan, dan pengalaman pelanggan. Anda nak jadi syarikat yang mengejar margin, atau syarikat yang membina margin?