AI Underwriting: Dari Data Berselerak ke Keputusan Pantas

Pada 24/10/2025, Applied Systems mengumumkan pemerolehan Cytora—sebuah langkah yang jelas menunjukkan hala tuju industri: AI bukan lagi “projek digital”, tetapi enjin utama operasi insurans. Bila pemain teknologi insurans yang sudah lama membina infrastruktur (Applied) bergabung dengan pakar pendigitalan risiko berasaskan AI (Cytora), mesejnya mudah: syarikat insurans, agensi, MGA dan broker yang masih bergantung pada proses manual akan rasa tekanan semakin kuat.

Ini penting dalam konteks AI dalam Insurans dan Pengurusan Risiko kerana kebanyakan kelewatan dan ralat dalam rantaian nilai insurans bermula daripada satu punca yang sama—data risiko yang berselerak. PDF, e-mel, borang tidak seragam, nota panggilan, lampiran laporan, dan dokumen sokongan yang “bercerita” tetapi sukar dianalisis. Realitinya, underwriting yang baik jarang gagal kerana underwriter tak bijak; ia gagal kerana data masuk lambat, tidak lengkap, atau tidak boleh dibandingkan.

Pemerolehan ini boleh dibaca sebagai kajian kes: bagaimana AI diintegrasikan secara strategik ke setiap fasa kitaran insurans (submission → underwriting → polisi → endorsement → tuntutan → pembaharuan). Bukan sekadar automasi, tapi pembinaan “pusingan digital penuh” yang konsisten.

Kenapa pemerolehan Applied–Cytora ini patut diberi perhatian

Jawapan terus: ia menunjukkan model yang semakin dominan—gabungan AI inovatif + infrastruktur operasi sedia ada untuk mempercepatkan keputusan dan mengurangkan kos pemprosesan.

Applied Systems sudah lama berada dalam “tulang belakang” operasi agensi dan pengedaran insurans melalui sistem pengurusan agensi, integrasi aliran kerja dan kesalinghubungan pihak pembawa (carrier). Cytora pula dikenali sebagai pakar pendigitalan risiko—mengambil data tidak berstruktur dan menukarnya menjadi data berstruktur yang boleh digunakan terus untuk keputusan underwriting.

Apabila kedua-duanya bergabung, nilai sebenar bukan pada slogan AI, tetapi pada perkara yang biasanya paling sukar dibuat oleh organisasi besar:

• Mengurangkan kerja input data yang berulang-ulang
• Menyatukan “bahasa data” antara agensi, broker, MGA dan carrier
• Memendekkan masa kitaran quote tanpa mengorbankan kualiti penilaian risiko
• Meningkatkan ketepatan dengan pengayaan data (data enrichment) yang konsisten

Pada hujung 2025, trend kos tuntutan dan jangkaan pelanggan (respon cepat, pengalaman digital, ketelusan) makin menekan margin. Jadi, pemerolehan seperti ini bukan “berita korporat”; ia petunjuk bahawa kelajuan dan ketepatan underwriting akan jadi medan persaingan utama.

Dari “data chaos” ke “insights”: apa sebenarnya pendigitalan risiko

Jawapan terus: pendigitalan risiko ialah proses menukar maklumat risiko yang tidak seragam (PDF, e-mel, teks bebas) kepada data yang tersusun, boleh disemak, dan boleh dipadankan—supaya keputusan underwriting lebih cepat dan konsisten.

Masalah sebenar di meja underwriting

Kalau anda pernah melihat proses submission komersial, anda tahu coraknya:

1. Broker hantar submission dalam format berbeza
2. Underwriter/pegawai operasi salin tampal data ke sistem
3. Ada medan tertinggal, ralat ejaan, atau unit tak seragam
4. Minta dokumen tambahan (berulang kali)
5. Akhirnya quote lambat—pelanggan dah hilang minat atau pergi pesaing

Isunya bukan “tiada sistem”. Isunya sistem memerlukan data yang kemas, sedangkan data yang masuk jarang kemas.

Apa yang AI boleh buat di sini (secara praktikal)

Dalam konteks Cytora, kekuatan AI biasanya berada pada 3 kebolehan ini:

• Ekstraksi: membaca dokumen/borang dan menangkap medan penting (contoh: jenis operasi, nilai aset, lokasi, rekod kerugian)
• Penyeragaman: menukar variasi istilah kepada format standard (contoh: “RM 1.5 juta” vs “1,500,000”)
• Pengayaan: menambah isyarat risiko daripada sumber dalaman/luaran (contoh: kategori industri, corak kerugian mengikut segmen, faktor lokasi)

Hasilnya bukan semata-mata “lebih cepat”. Yang lebih besar ialah konsistensi keputusan. Bila data masuk seragam, anda boleh bandingkan epal dengan epal—dan itulah asas pengurusan risiko yang waras.

“AI yang paling berguna dalam insurans ialah AI yang mengurangkan kerja remeh, bukan yang menggantikan pertimbangan profesional.”

“Digital roundtrip”: kenapa pendekatan hujung-ke-hujung menang

Jawapan terus: AI yang memberi ROI tertinggi dalam insurans bukan yang berdiri sendiri, tetapi yang melekat pada aliran kerja dari submission hingga pembaharuan.

Applied menggambarkan visi “digital roundtrip” sebagai pengalaman end-to-end yang mengurangkan titik geseran. Ini selari dengan apa yang saya lihat berkesan di organisasi insurans: bila AI hanya dipasang pada satu jabatan, manfaatnya terhenti di situ. Bila AI mengalir merentas fasa, barulah berlaku compounding effect.

Underwriting: lebih cepat, tapi juga lebih tajam

Dengan pendigitalan risiko, underwriter boleh mengalih fokus daripada menaip kepada menganalisis:

• Semakan kelengkapan submission dibuat awal (triage)
• Risiko boleh dipadankan dengan appetite dan peraturan (rules) dengan lebih konsisten
• Penilaian risiko menjadi lebih telus—mengapa sesuatu risiko ditolak/diterima

Pembaharuan (renewal): tempat “wang senyap” berada

Ramai fokus pada quote baharu, tetapi pembaharuan sering menjadi punca “kebocoran”:

• Maklumat risiko tak dikemas kini
• Perubahan operasi pelanggan tak dikesan
• Data tuntutan tidak dipautkan dengan baik

AI yang mengekalkan data risiko terkini membantu pembaharuan jadi lebih lancar dan mengurangkan kejutan pada harga atau syarat polisi. Dalam musim penutupan tahun kewangan dan perancangan bajet (Disember), organisasi biasanya menilai semula pembaziran masa—pembaharuan yang manual selalu tersenarai sebagai “pain point” teratas.

Tuntutan dan penipuan: jambatan yang sering dilupakan

Walaupun pemerolehan ini menonjolkan underwriting, implikasinya merentasi tuntutan:

• Data risiko yang bersih memudahkan semakan kesahihan tuntutan
• Corak tuntutan mengikut segmen lebih mudah dianalisis
• Isyarat awal untuk anomali (potensi penipuan) boleh dibina dengan lebih tepat

Maksudnya: pendigitalan risiko bukan “projek underwriting” sahaja; ia asas untuk analisis ramalan dan pengesanan penipuan yang lebih stabil.

Apa maknanya untuk agensi, broker, MGA dan carrier (secara operasi)

Jawapan terus: gabungan ini menyasarkan dua KPI yang semua orang peduli—masa pusingan (turnaround time) dan kos pemprosesan per submission.

Untuk agensi & broker: masa kembali untuk jualan dan servis

Apabila data ditangkap automatik dan dihantar dalam format yang carrier boleh gunakan:

• Kurang “ulang-alik” e-mel minta dokumen
• Kurang kerja kemas kini data merentas sistem
• Lebih cepat dapat quote → lebih tinggi peluang tutup jualan

Dalam bahasa mudah: lebih banyak masa untuk bina pipeline, bukan jadi kerani data.

Untuk carrier: onboarding submission yang lebih lancar

Carriers biasanya tersepit antara kelajuan dan kawalan risiko. AI membantu dengan:

• Triage automatik (submission lengkap vs tidak lengkap)
• Keutamaan pada risiko yang paling hampir dengan appetite
• Data yang lebih seragam untuk model harga dan garis panduan

Yang saya suka tentang pendekatan ini: ia bukan memaksa underwriter percaya pada “kotak hitam”. Ia memaksa proses menjadi lebih kemas supaya underwriter boleh buat keputusan lebih cepat dengan bukti lebih jelas.

Pelan tindakan: cara menilai AI untuk risk assessment & underwriting

Jawapan terus: jangan mula dengan “nak AI jenis apa”. Mula dengan bottleneck dan data.

Berikut checklist praktikal yang boleh anda gunakan untuk 30–60 hari penilaian awal (sesuai untuk pasukan operasi, underwriting, dan transformasi digital):

1. Ukur masa kitaran semasa

   • Berapa jam/hari dari submission masuk ke quote keluar?
   • Berapa peratus submission kembali kerana tak lengkap?

2. Kenal pasti 5 medan data paling kerap rosak

   • Contoh: pendapatan, lokasi, aktiviti perniagaan, nilai aset, rekod kerugian
   • Medan inilah sasaran ROI terpantas untuk ekstraksi & penyeragaman

3. Tetapkan standard “definition of complete”

   • Senarai dokumen wajib mengikut produk
   • Peraturan jelas untuk minimum data yang boleh diproses

4. Uji AI pada sampel sebenar (bukan demo cantik)

   • Ambil 100 submission rawak 3 bulan terkini
   • Nilai ketepatan ekstraksi, kadar ralat, dan masa dipendekkan

5. Rancang governance dari awal

   • Siapa pemilik data?
   • Bagaimana audit trail keputusan?
   • Bagaimana kawal bias dan pengecualian?

Kalau anda buat lima langkah ini dengan disiplin, anda akan nampak dengan cepat sama ada AI itu benar-benar menyelesaikan masalah, atau sekadar menambah satu lagi tool yang memerlukan kerja tambahan.

Soalan lazim yang selalu muncul (dan jawapan terus)

“Adakah AI akan menggantikan underwriter?”

Tidak dalam konteks yang memberi hasil terbaik. AI menggantikan kerja input dan saringan awal, supaya underwriter buat lebih banyak kerja bernilai tinggi: analisis, rundingan terma, dan struktur perlindungan.

“Kenapa integrasi dengan sistem sedia ada penting?”

Sebab ROI insurans bergantung pada aliran kerja harian. Kalau AI tidak berada dalam sistem yang orang guna setiap hari, ia akan jadi projek “pilot” yang tak pernah skala.

“Apa risiko terbesar bila guna AI untuk underwriting?”

Bukan teknologi semata-mata. Risiko terbesar ialah:

• Data latihan/rujukan yang tak konsisten
• Proses yang tidak standard antara pasukan
• Tiada audit trail yang boleh dipertahankan bila berlaku pertikaian

Penutup: AI dalam insurans bukan lagi pilihan “nanti-nanti”

Pemerolehan Applied terhadap Cytora menguatkan satu hakikat: AI untuk penilaian risiko dan underwriting sedang bergerak daripada eksperimen kepada infrastruktur. Bila AI dipadankan dengan ekosistem operasi yang sudah kukuh, barulah “pendigitalan” terasa di lapangan—kurang kerja manual, keputusan lebih cepat, dan pengalaman pelanggan lebih kemas.

Jika anda sedang memacu agenda AI dalam insurans dan pengurusan risiko, saya cadangkan fokus pada satu perkara: jadikan data risiko anda lebih tersusun dan mengalir dari hujung ke hujung. Teknologi yang cantik tanpa data yang kemas hanya memindahkan kekusutan dari satu tempat ke tempat lain.

Langkah seterusnya: pilih satu lini perniagaan, ambil sampel submission sebenar, dan ukur impak pendigitalan risiko terhadap masa quote, kadar ralat, dan kualiti pemilihan risiko. Selepas itu barulah bincang skala.

Bila proses underwriting mula bergerak dalam minit, bukan hari—apa yang anda akan ubah dalam strategi produk dan servis pelanggan anda pada 2026?