AI dalam Underwriting: Model Sidecar Lloyd’s Makin Pintar

Angka ini patut buat kita berhenti sekejap: kerugian bencana yang diinsuranskan pada 2025 diunjurkan mencecah AS$107 bilion, tahun keenam berturut-turut melepasi AS$100 bilion. Bila kos risiko makin mahal dan tidak menentu, industri insurans tak boleh lagi bergantung pada “rasa-rasa” atau kitaran pasaran semata-mata. Struktur modal mesti lebih cekap, dan keputusan underwriting mesti lebih tepat.

Sebab itu berita AIG menubuhkan Syndicate 2479 di Lloyd’s bersama Blackstone dan Amwins, dengan AI generatif Palantir sebagai enjin analitik, bukan sekadar cerita korporat di London. Ia isyarat yang jelas: AI sedang bergerak masuk ke jantung pengurusan risiko—di tempat kapasiti, modal, dan selera risiko ditentukan.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko” ini, saya nak kupas apa sebenarnya yang berlaku, kenapa model “sidecar-style syndicate” makin popular, dan apa pengajaran praktikal untuk syarikat insurans, reinsurer, broker, serta pengurus risiko di Malaysia.

Mengapa syndicate “sidecar-style” di Lloyd’s makin mendapat tempat

Jawapan ringkas: ia cara paling cepat untuk menambah kapasiti tanpa membebankan kunci kira-kira, sambil mengekalkan disiplin underwriting.

Lloyd’s menyediakan ekosistem yang unik—lesen, rangka kerja kawal selia, rangkaian pengedaran global, dan keupayaan membina struktur khas seperti Special Purpose Vehicle (SPV). Dalam kes AIG, Syndicate 2479 ditubuhkan sebagai SPV di Lloyd’s dan diuruskan oleh Talbot Underwriting Limited.

Model “sidecar” (secara konsep) membenarkan penanggung insurans:

• Mengambil modal pihak ketiga (contohnya dana institusi) untuk menyokong portfolio risiko tertentu.
• Menjana pendapatan yuran dan mengembangkan kapasiti tanpa menambah terlalu banyak risiko pada modal sendiri.
• Mensasarkan portfolio (contohnya program delegated authority) yang boleh diskalakan.

Yang menarik, urus niaga ini disokong melalui struktur London Bridge 2 PCC untuk menyalurkan komitmen modal daripada Blackstone, Amwins dan AIG. Maksudnya: bukan sahaja underwriting, malah pembiayaan kapasiti juga disusun supaya lebih pantas dan cekap.

Apa yang Syndicate 2479 cuba capai dari segi kapasiti

AIG menyatakan syndicate ini akan mula underwriting pada 01/01/2026 dengan AS$300 juta premium yang diuruskan oleh AIG. Portfolio awalnya datang daripada bahagian yang luas dan pelbagai daripada ~AS$6 bilion delegated authority premiums milik Amwins.

Ini penting kerana program delegated authority biasanya melibatkan:

• banyak program dan sub-program,
• variasi terma polisi,
• kualiti data yang tidak seragam antara program,
• keperluan semakan pantas untuk pastikan ia selari dengan risk appetite.

Di sinilah AI menjadi “orang tengah” yang sangat berguna antara data mentah dan keputusan underwriting.

AI generatif dalam underwriting: bukan chatbot, tetapi “mesin selera risiko”

Jawapan ringkas: AI digunakan untuk mencari, menyusun, dan menilai risiko pada skala portfolio—lebih cepat daripada pasukan manusia, tetapi masih perlu kawalan manusia.

AIG, Amwins dan Palantir bekerjasama menggunakan generative AI untuk:

• carian data yang lebih pantas (data retrieval),
• analisis portfolio yang lebih menyeluruh,
• semakan keserasian portfolio terhadap selera risiko syndicate.

AIG menyebut mereka menggunakan platform Palantir Foundry dan beberapa agen model bahasa besar (Large Language Model agents). Secara praktikal, ini biasanya bermaksud:

• AI “membaca” dokumen program, nota underwriting, lampiran, sejarah tuntutan,
• memetakan maklumat kepada struktur yang seragam,
• menandakan risiko yang bercanggah dengan parameter,
• menghasilkan ringkasan dan alasan yang boleh disemak semula oleh underwriter.

Ontologi data: bahagian yang ramai terlepas pandang

AIG juga menyatakan mereka membangunkan ontologi data yang membantu LLM mengakses lebih 4 juta titik data industri.

Jika anda pernah jalankan projek AI dalam insurans, anda akan tahu: model AI bukan masalah utama—data yang berselerak dan definisi yang tidak selaras itu masalahnya.

Ontologi di sini boleh difahami sebagai “kamus + peta hubungan” yang menyatakan:

• apa itu “kerugian”, “tuntutan”, “deductible”, “limit”, “peril”, “program”,
• bagaimana ia saling berkait,
• bagaimana ia perlu dibaca merentas sistem.

Satu ayat yang saya suka pegang: AI yang bagus bukan yang paling bijak, tetapi yang paling konsisten membaca data. Ontologi memaksa konsistensi itu.

Kenapa gabungan AIG + Amwins + Blackstone ini masuk akal

Jawapan ringkas: ia menyatukan tiga komponen yang selalu terpisah—pengedaran, underwriting, dan modal—dengan AI sebagai penghubung.

Struktur ini digambarkan AIG sebagai gabungan “pengedar specialty, insurer dan syndicate Lloyd’s yang disokong modal pihak ketiga.” Bila kita pecahkan:

1. Amwins (pengedaran / program business)
   • Membawa aliran premium yang besar dan pelbagai.
   • Ada keperluan kapasiti yang stabil untuk membina program jangka panjang.

1. AIG (underwriting & pengurusan portfolio)

   • Membawa kepakaran penilaian risiko, tadbir urus underwriting, dan operasi.
   • Mengurus portfolio agar seimbang mengikut line of business.

2. Blackstone (modal institusi)

   • Membawa modal yang mencari pulangan berkaitan insurans/reinsurans.
   • Mahu struktur yang telus, boleh diskalakan, dan terkawal.

3. AI (Palantir + agen LLM + ontologi AIG)

   • Mengurangkan geseran analitik antara pihak-pihak ini.
   • Mempercepat proses “fit check” antara portfolio dan risk appetite.

Bagi saya, ini bukan sekadar “AI dimasukkan dalam proses.” Ini contoh AI sebagai infrastruktur keputusan—peranan yang jauh lebih bernilai.

Apa implikasinya kepada pengurusan risiko dan reinsurans pada 2026

Jawapan ringkas: lebih banyak struktur modal cekap akan muncul, dan pasukan pengurusan risiko perlu bersedia dengan standard data, tadbir urus AI, dan metrik prestasi yang jelas.

Menjelang pembaharuan 2026, kita akan melihat tekanan serentak:

• Kerugian bencana berulang (banjir besar, ribut, kebakaran hutan, taufan—ikut rantau).
• Permintaan kapasiti yang konsisten daripada program komersial.
• Pelabur institusi mahukan akses kepada pulangan insurans dengan kawalan risiko yang kuat.

AI membantu menggerakkan pasaran ke arah:

• Underwriting di peringkat individu risiko (lebih granular, bukan sekadar agregat).
• Penetapan harga yang lebih konsisten merentas program.
• Pemantauan portfolio hampir masa nyata (bukan tunggu suku tahun).

Namun ada sisi tegas: AI juga membuatkan kelemahan anda lebih cepat terdedah. Jika definisi data tak kemas, AI akan memproses kekeliruan itu pada skala besar.

“People also ask”: Adakah AI boleh menggantikan underwriter?

Tidak. Dalam struktur seperti syndicate/SPV, underwriter masih memegang:

• kelulusan akhir,
• pertimbangan konteks yang tidak ditulis dalam data,
• rundingan terma,
• tadbir urus risiko (termasuk isu reputasi dan pematuhan).

Apa yang AI buat dengan baik ialah kerja yang memenatkan tetapi kritikal: menyusun bukti, mengesan percanggahan, dan mempercepat analisis.

“People also ask”: Apa risiko utama AI underwriting?

Tiga risiko yang paling kerap saya nampak dalam organisasi:

1. Halusinasi atau ralat ringkasan bila LLM membaca dokumen yang kompleks.
2. Bias data (contohnya data tuntutan yang tidak lengkap atau terpilih).
3. Model drift bila corak risiko berubah (iklim, inflasi pembaikan, litigasi).

Semua ini boleh dikawal jika organisasi ada guardrails yang jelas.

Langkah praktikal untuk organisasi insurans di Malaysia

Jawapan terus: mulakan dengan data dan tadbir urus, kemudian barulah automasi underwriting.

Jika anda underwriter, pengurus risiko, atau pemegang mandat transformasi digital, ini langkah yang realistik (dan tidak memeningkan):

1) Tentukan “risk appetite” dalam bentuk yang boleh dibaca mesin

Ramai organisasi menulis risk appetite sebagai dokumen polisi. Itu bagus, tapi AI perlukan ia sebagai parameter yang jelas.

Contoh hasil yang patut ada:

• senarai larangan (hard stops)
• had pendedahan mengikut industri/lokasi
• toleransi deductible/limit
• definisi risiko tinggi dan rasionalnya

2) Bina kamus data + hubungan (mini-ontologi)

Tak perlu sebesar AIG pada hari pertama. Mulakan dengan 30–50 istilah utama underwriting dan tuntutan yang paling kerap dipertikaikan.

3) Fokus pada “data retrieval” sebelum “auto-approve”

Kes penggunaan yang cepat memberi hasil:

• carian dokumen polisi dan lampiran
• ringkasan sejarah tuntutan
• pengekstrakan maklumat terma dan pengecualian

Bila retrieval stabil, barulah masuk ke analisis lebih berat seperti pemarkahan risiko.

4) Wujudkan kawalan manusia yang jelas

Tetapkan:

• apa yang AI boleh cadangkan,
• apa yang mesti disemak oleh underwriter,
• bila perlu eskalasi (contohnya risiko besar, risiko baharu, atau data tidak lengkap).

5) Ukur kejayaan dengan metrik underwriting sebenar

Saya lebih percaya metrik ini berbanding “masa dipercepatkan” semata-mata:

• kadar quote-to-bind
• perubahan loss ratio untuk segmen sasaran
• ketepatan pengelasan risiko (audit sampel)
• pengurangan ralat terma (misquote, salah limit/deductible)

Apa yang patut kita belajar daripada kes Lloyd’s ini

AIG tidak hanya menambah satu lagi syndicate. Mereka menunjukkan corak baharu: modal pihak ketiga + platform pasaran (Lloyd’s) + pengedaran program + AI untuk ketepatan underwriting.

Bagi saya, mesejnya jelas. Pengurusan risiko moden bukan sekadar “lindung risiko”; ia tentang bagaimana anda membina kapasiti dengan disiplin data. Dan AI sedang menjadi cara paling praktikal untuk mengekalkan disiplin itu apabila skala portfolio makin besar.

Jika anda sedang merancang inisiatif AI untuk underwriting atau pengurusan risiko pada 2026, jangan mulakan dengan demo chatbot. Mulakan dengan soalan yang lebih tegas: adakah risk appetite kita boleh diuji secara konsisten pada ribuan risiko—dengan bukti yang boleh diaudit?

Kalau jawapannya belum, itu tempat paling bernilai untuk bermula.