AI Underwriting: Rahsia Lonjakan Premium 50% pada 2025

Lonjakan premium 50% dalam suku keempat (Q4) bukan sekadar berita kewangan yang sedap dibaca—ia petanda cara syarikat insurans yang agresif mengemas kini pendekatan underwriting sedang “menang” dalam pasaran yang makin ketat. Slide Insurance menjangkakan premium bertulis kasar (gross written premiums) sekitar US$590–600 juta untuk Q4 2025, dan US$1.77–1.78 bilion untuk setahun penuh 2025. Ini bersamaan kira-kira 50% pertumbuhan tahun ke tahun untuk Q4 dan 33% untuk setahun penuh.

Saya nampak satu mesej yang jelas: pertumbuhan premium yang besar tak berlaku hanya kerana jualan kuat. Ia biasanya datang bersama enjin keputusan risiko yang lebih baik—dan pada 2025, enjin itu selalunya bermaksud AI dalam underwriting dan penilaian risiko. Dalam siri “AI dalam Insurans dan Pengurusan Risiko” ini, kita guna kes Slide sebagai cermin: apa yang boleh ditiru, apa yang perlu dielakkan, dan bagaimana organisasi di Malaysia boleh mula menggerakkan langkah yang realistik.

Apa yang lonjakan premium 50% sebenarnya beritahu tentang pengurusan risiko

Jawapan ringkasnya: lonjakan premium besar biasanya menandakan syarikat berjaya mengimbangi tiga perkara serentak—pemilihan risiko yang tepat, harga yang betul, dan kapasiti (modal + reinsurans) yang mencukupi.

Dalam kemas kini prestasi 2025, Slide turut mengunjurkan pendapatan bersih Q4 sekitar US$115–125 juta dan US$389–399 juta untuk setahun penuh. Ini penting kerana pertumbuhan premium tanpa keuntungan selalunya bermaksud underwriting “longgar” atau harga tidak memadai. Bila top-line dan bottom-line naik bersama, selalunya ada disiplin risiko di belakang tabir.

Lebih menarik, portfolio Slide berkembang dengan polisi berkuat kuasa 348,439 setakat 30/06/2025 berbanding 275,178 setahun sebelumnya. Pertambahan polisi yang besar meningkatkan beban operasi (quote, bind, servis pelanggan, tuntutan). Kalau proses masih manual, organisasi akan “semput”. Di sinilah automasi berasaskan AI—atau sekurang-kurangnya analitik ramalan yang matang—jadi pemecut yang realistik.

Kenapa Q4 selalunya “menguji” kecekapan underwriting

Q4 biasanya masa banyak syarikat mengejar sasaran tahunan, memuktamadkan pembaharuan (renewals), dan menutup pipeline. Risiko di sini: orang jadi terlalu fokus pada volum. Bila AI digunakan dengan betul, ia bertindak sebagai “pagar keselamatan” — memastikan kelajuan tak mengorbankan kualiti risiko.

Di mana AI betul-betul memberi kesan dalam underwriting (bukan sekadar hype)

Jawapan paling praktikal: AI memberi kesan apabila ia membantu underwriter membuat keputusan lebih cepat dan lebih tepat dengan data yang lebih luas daripada apa yang manusia boleh semak dalam masa singkat.

Berikut 4 titik impak yang paling nyata dalam underwriting insurans am (terutamanya hartanah/homeowners) yang relevan dengan naratif pertumbuhan premium seperti kes Slide:

1) Skor risiko yang lebih granular (bukan sekadar “postcode”)

Model AI boleh membina skor risiko lebih halus dengan menggabungkan pelbagai isyarat: ciri bangunan, sejarah kejadian setempat, jarak ke zon risiko, corak kerugian mikro, dan faktor persekitaran.

Kesan langsung kepada premium:

• Risiko rendah dikenal pasti dengan lebih yakin → boleh ditawarkan harga kompetitif untuk menang dalam pasaran.
• Risiko tinggi dikesan awal → boleh dikenakan syarat tambahan, had perlindungan, atau ditolak dengan alasan yang lebih konsisten.

2) Ketepatan harga (pricing) melalui ramalan kekerapan & keterukan tuntutan

Dalam pengurusan risiko, dua nombor yang mengubah segalanya ialah:

• Kekerapan (berapa kerap tuntutan berlaku)
• Keterukan (berapa besar kos tuntutan)

AI (termasuk model pembelajaran mesin) membantu meramal kedua-dua komponen dengan lebih stabil apabila data mencukupi. Ini bukan “magic”. Ini kerja statistik yang dibuat lebih pantas dan lebih adaptif.

Hasilnya: harga premium lebih rapat kepada realiti risiko. Bila harga makin tepat, margin underwriting lebih terjaga—dan pertumbuhan premium lebih “sihat”.

3) Automasi keputusan untuk kes standard, manusia fokus kes kompleks

Banyak permohonan polisi sebenarnya standard—profil risiko yang jelas dan dokumentasi lengkap. AI boleh membantu:

• pra-saring (pre-screen)
• cadangan harga
• pengesanan anomali

Underwriter pula fokus pada kes yang perlukan pertimbangan: risiko unik, pendedahan besar, atau maklumat bercanggah.

4) Pengesanan penipuan dan “signal leakage” lebih awal

Kualiti portfolio rosak apabila penipuan masuk dari pintu depan (permohonan) atau ketika tuntutan. AI yang memantau corak data boleh mengesan:

• ketidakselarasan maklumat
• corak tuntutan yang pelik
• rangkaian pihak yang berulang (contoh: vendor/kontraktor tertentu)

Ini berkait langsung dengan keuntungan bersih—dan membantu menjelaskan kenapa sesetengah syarikat boleh tumbuh pantas tanpa “meletup” nisbah tuntutan.

Case study Slide: apa yang boleh ditiru oleh insurer dan broker di Malaysia

Jawapannya: bukan meniru angka mereka, tapi meniru logik operasinya—mengikat pertumbuhan kepada disiplin risiko dan kapasiti.

Slide menyatakan IPO pada Jun 2025 (mengumpul sekitar US$408 juta, penilaian kira-kira US$2.62 bilion) memberi modal kekal untuk menyokong pertumbuhan premium, pembelian reinsurans dan keperluan korporat lain.

Ini memberi pengajaran penting untuk pasaran kita:

1) AI tanpa strategi kapasiti akan tersekat

Kalau model AI anda boleh meluluskan lebih banyak polisi, tetapi:

• had modal tidak mencukupi
• program reinsurans tidak bersedia
• kawalan akumulasi risiko lemah

… anda akan berhenti di tengah jalan. AI mempercepatkan keputusan. Ia juga mempercepatkan kesilapan jika kawalan risiko tak ikut.

2) Data operasi yang kemas lebih bernilai daripada “AI paling hebat”

Saya selalu lihat organisasi membeli alat AI sebelum data asas stabil. Untuk underwriting, data perlu:

• konsisten (definisi medan seragam)
• lengkap (kurang missing)
• boleh diaudit (lineage)

Tanpa ini, model akan nampak cantik dalam demo tetapi lemah dalam produksi.

3) Pertumbuhan premium yang sihat memerlukan “guardrails”

Guardrails yang patut ada dalam sistem underwriting berasaskan AI:

• had automasi (contoh: hanya auto-approve risiko skor < X)
• semakan manusia wajib untuk segmen tertentu
• pemantauan drift (bila corak risiko berubah)
• log keputusan untuk audit dan pematuhan

Pelan 90 hari: mula guna AI underwriting tanpa merosakkan operasi

Jawapan paling berguna: mulakan dengan satu produk/segmen, satu aliran kerja, dan satu metrik kewangan yang jelas.

Berikut pelan ringkas 90 hari yang saya cadangkan untuk insurer, TPA, MGA, atau broker besar yang nak buktikan nilai AI dalam pengurusan risiko.

Hari 1–30: Kemas data & pilih kes guna (use case) yang sempit

Pilih satu fokus, contohnya:

• pra-saring permohonan motor komersial
• skor risiko kebakaran untuk SME
• automasi ringkas untuk pembaharuan polisi yang bersih

Keluaran (deliverables):

• kamus data underwriting
• set KPI awal: kadar kelulusan, masa quote, loss ratio awal, kadar rujukan kepada underwriter

Hari 31–60: Bina model ringkas + peraturan (rules) yang boleh diterangkan

Untuk fasa ini, gabungkan:

• model ML yang sederhana (mudah dijaga)
• peraturan underwriting sedia ada

Sasaran: lebih cepat 20–30% dalam masa quote bagi kes standard (angka tepat bergantung proses semasa).

Hari 61–90: Uji A/B dan bina dashboard risiko

Jalankan ujian A/B:

• Kumpulan A: proses biasa
• Kumpulan B: dibantu AI

Pantau metrik:

• kadar bind
• premium purata
• kadar pembatalan awal
• indikator tuntutan awal

Satu prinsip yang saya pegang: “AI underwriting yang bagus bukan yang meluluskan paling banyak, tapi yang meluluskan risiko yang betul.”

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

“AI akan gantikan underwriter?”

Tidak dalam masa terdekat. AI lebih sesuai jadi co-pilot: urus kerja rutin, cadang keputusan, dan naikkan konsistensi. Underwriter masih penting untuk kes kompleks, rundingan, dan pertimbangan komersial.

“Macam mana nak pastikan model tak bias?”

Wajib ada proses:

• semakan pemboleh ubah (feature review)
• ujian fairness mengikut segmen yang relevan
• audit berkala bila data dan pasaran berubah

“Apa risiko terbesar bila guna AI dalam insurans?”

Risiko terbesar ialah keyakinan palsu—model nampak tepat dalam data lama, tetapi gagal bila berlaku perubahan pasaran (contoh: perubahan corak bencana, inflasi kos pembaikan, atau perubahan tingkah laku tuntutan).

Apa maksud semua ini untuk 2026: pertumbuhan premium akan “memihak” kepada yang lebih pintar risiko

Lonjakan premium 50% yang diunjurkan Slide pada Q4 2025 menunjukkan pasaran sedang memberi ganjaran kepada organisasi yang boleh mengembangkan portfolio sambil menjaga keuntungan. Pada pendapat saya, sebab utama banyak pemain ketinggalan bukan kerana mereka tak ada data—tetapi kerana mereka tak menukar data itu menjadi keputusan underwriting yang konsisten dan pantas.

Kalau anda mengurus underwriting, pricing, tuntutan, atau pengurusan risiko, langkah paling bernilai untuk minggu ini ialah memilih satu proses underwriting yang paling “bocor masa”—kemudian tentukan bagaimana AI boleh mengurangkan masa itu tanpa menambah risiko tersembunyi.

Bila 2026 bermula, organisasi yang paling cepat belajar (dan paling disiplin memantau model) akan berada di depan. Anda nak jadi yang mengejar, atau yang menetapkan tempo?