AI dalam Underwriting: Model Sidecar Lloyd’s 2026

Kerugian bencana yang diinsuranskan di peringkat global kini kerap melepasi AS$100 bilion setahun—dan 2025 sendiri sering disebut sebagai tahun yang sekali lagi berada dalam zon itu. Bila angka macam ini jadi “normal baharu”, syarikat insurans dan reinsurans tak boleh lagi bergantung pada naluri, spreadsheet, dan kitaran pembaharuan yang lambat. Mereka perlukan dua perkara serentak: modal yang boleh digerakkan dengan pantas dan keputusan underwriting yang lebih tepat.

Sebab itu langkah AIG menubuhkan Syndicate 2479 di Lloyd’s (bermula underwriting 01/01/2026) bersama Blackstone dan Amwins, sambil memasukkan GenAI melalui kerjasama dengan Palantir, patut dibaca sebagai satu kajian kes sebenar tentang hala tuju pasaran. Ini bukan sekadar “projek AI”. Ini gabungan struktur modal (sidecar/SPV), saluran agihan (delegated authority), dan enjin analitik (GenAI) untuk menapis risiko dengan lebih halus.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya anggap cerita ini relevan kerana ia menunjukkan bagaimana AI bergerak daripada sekadar automasi dokumen kepada alat keputusan strategik—siap dibungkus dalam struktur yang memberi kesan terus pada kapasiti, harga, dan selera risiko.

Apa yang AIG buat di Lloyd’s—dan kenapa ia penting

AIG menubuhkan Syndicate 2479 sebagai Special Purpose Vehicle (SPV) di pasaran Lloyd’s, diuruskan oleh Talbot Underwriting Limited. Kenderaan ini bermula dengan sekitar AS$300 juta premium (untuk permulaan) dan dibina untuk menyediakan kapasiti risiko bagi “portfolio solutions”.

Yang menarik, struktur pembiayaan menggunakan London Bridge 2 PCC, dan modal disokong oleh komitmen daripada Amwins serta dana yang diuruskan oleh Blackstone (selain penglibatan AIG). Ini memberi isyarat jelas: Lloyd’s semakin menjadi “platform pantas” untuk menyatukan kepakaran underwriting + agihan + modal alternatif.

Sidecar/SPV: ‘jalan pintas’ untuk tambah kapasiti

Sidecar dalam konteks ini boleh difahami sebagai kenderaan yang membenarkan pihak ketiga memasukkan modal untuk menyokong underwriting portfolio tertentu. Kesan praktikalnya:

• Kapasiti boleh ditambah tanpa perlu membesarkan neraca syarikat induk secara agresif.
• Risiko boleh “dipaketkan” mengikut selera modal (investor) dan selera underwriting (insurer).
• Syarikat insurans berpotensi menjana pendapatan yuran sambil mengekalkan kawalan ke atas proses underwriting.

Bagi pasaran yang memasuki musim pembaharuan awal tahun, “kelajuan menubuhkan kapasiti” ini sangat bernilai.

Delegated authority: kuasa agihan yang besar, risiko yang kompleks

Portfolio yang disokong Syndicate 2479 datang daripada cross-section yang luas dan terpelbagai dalam delegated authority premiums Amwins yang bernilai sekitar AS$6 bilion. Delegated authority memang laju dari segi pertumbuhan premium—tetapi ia juga mencabar kerana data dan variasi program boleh jadi sangat berbeza antara satu sama lain.

Di sinilah AI mula “masuk gelanggang” bukan sebagai aksesori, tetapi sebagai alat untuk menilai kesesuaian portfolio dengan selera risiko syndicate.

Di mana AI benar-benar digunakan (bukan sekadar slogan)

AIG, Amwins dan Palantir bekerjasama menggunakan GenAI untuk meningkatkan carian data dan analisis portfolio risiko insurans. AIG menyatakan mereka menggunakan platform Palantir Foundry serta beberapa ejen Large Language Model (LLM) untuk:

1. Mendapatkan data dengan pantas merentas set data yang besar.
2. Menilai ciri risiko yang ditetapkan (defined risk characteristics).
3. Memadankan portfolio program Amwins dengan risk appetite Syndicate 2479.

Lebih spesifik, AIG membangunkan ontology data yang direka untuk membantu LLM mengakses lebih 4 juta data point industri.

Kenapa “ontology” lebih penting daripada ramai sangka

Ramai organisasi cuba guna AI untuk underwriting, tetapi tersangkut pada masalah yang sama: data tak seragam, istilah tak konsisten, dan definisi risiko bercampur-aduk. Ontology membantu dengan membuat “peta makna” data—contohnya, memastikan istilah seperti limit, attachment, deductible, territory, class of business, atau delegated authority binding difahami secara konsisten merentas sumber.

Ayat mudahnya: LLM yang bijak masih akan bagi jawapan mengarut kalau data tak tersusun.

Bila ontology wujud, barulah GenAI sesuai untuk kerja yang kritikal seperti:

• menyemak konsistensi pendedahan (exposure) mengikut geografi/industri,
• mengesan “kluster risiko” yang tak seimbang,
• memberi ringkasan portfolio yang boleh diaudit semula.

“Underwriting portfolio” ialah masalah AI yang tepat

AI paling berguna bukan bila ia cuba menggantikan underwriter. AI paling berguna bila ia mengurangkan dua beban utama:

• Beban carian & semakan (mencari dokumen, endorsement, sejarah kerugian, pengecualian, klaus, rekod broker)
• Beban perbandingan (membandingkan ratusan program vs risk appetite yang ditetapkan)

Untuk sidecar/SPV, keperluan ini jadi lebih ketara kerana:

• investor mahu ketelusan dan disiplin risiko,
• sindiket perlu bina portfolio seimbang merentas line of business,
• keputusan perlu dibuat cepat sebelum “window” pasaran berubah.

Apa maksud gabungan AIG + Blackstone + Amwins untuk strategi pengurusan risiko

Kerjasama ini menunjukkan satu corak yang saya nampak makin jelas: pengurusan risiko kini digerakkan oleh ekosistem, bukan satu syarikat.

• AIG membawa kepakaran underwriting, kerangka risk appetite, dan keupayaan mengurus sindiket.
• Amwins membawa pipeline agihan (program delegated authority) dan pengetahuan pasaran specialty.
• Blackstone membawa modal alternatif—mencari pulangan yang berkaitan insurans/reinsurans.
• Palantir/GenAI membawa keupayaan analitik untuk menilai risiko dengan lebih granular.

Sidecar + AI = modal lebih yakin, underwriting lebih tajam

Bila AI boleh menghurai portfolio pada tahap individu (lebih granular), dua benda berlaku:

1. Modal lebih yakin untuk masuk kerana proses penilaian risiko nampak lebih tersusun dan boleh diterangkan.
2. Underwriting lebih tajam kerana sindiket boleh menolak program yang tak selari, atau menetapkan syarat (terms) yang lebih tepat.

Ini bukan tentang “AI menurunkan harga premium”. Ini tentang AI memperkemas seleksi risiko supaya harga yang ditetapkan selari dengan pendedahan sebenar.

Benda yang pembaca di Malaysia boleh pelajari

Walaupun Lloyd’s jauh, logiknya sangat dekat dengan realiti tempatan—terutamanya untuk:

• insurer yang ada portfolio SME/perniagaan dengan variasi risiko tinggi,
• broker atau MGA tempatan yang mengurus program secara delegated authority,
• syarikat yang guna reinsurans untuk lindung volatiliti kerugian.

Prinsipnya: bila data program banyak dan heterogen, GenAI lebih masuk akal di “lapisan portfolio”, bukan semata-mata di “lapisan dokumen”.

Cara praktikal meniru pendekatan ini (tanpa bajet gergasi)

Tak semua orang ada Palantir atau akses Lloyd’s. Tetapi corak pelaksanaannya boleh diadaptasi. Ini yang biasanya berkesan bila saya bantu pasukan risiko memulakan AI underwriting.

1) Mulakan dengan “risk appetite yang boleh diuji”

Risk appetite bukan ayat umum seperti “kami elak risiko tinggi”. Ia patut jadi senarai peraturan dan ambang (threshold) yang boleh diuji, contohnya:

• had pendedahan per zon banjir / daerah,
• maksimum kepekatan industri tertentu,
• minimum data yang wajib ada (field completeness),
• toleransi kerugian mengikut kelas.

AI perlukan definisi yang jelas untuk menyaring portfolio secara konsisten.

2) Bina kamus data dan mini-ontology

Tak perlu sempurna dari hari pertama. Tetapi wajib ada:

• definisi medan yang standard (contoh: sum insured, limit, policy period),
• “mapping” istilah broker/produk yang berbeza kepada istilah standard,
• peraturan validasi (contoh: tarikh, unit, format).

Ini asas untuk AI yang boleh dipercayai.

3) Guna GenAI untuk “retrieval + ringkasan + semakan” dahulu

Tiga kegunaan yang cepat memberi ROI:

• Carian pantas dokumen dan klausa khusus dalam slip/polisi.
• Ringkasan risiko dan outlier dalam portfolio.
• Semakan ketidakselarasan data (contoh: geografi bercanggah, limit tak munasabah).

Bila ini stabil, barulah masuk fasa cadangan terma (terms) atau cadangan harga.

4) Pastikan audit trail: AI mesti boleh diterangkan

Untuk underwriting dan reinsurans, “AI kata boleh” tak cukup. Anda perlukan:

• log data yang digunakan,
• versi model/prompt,
• rasional cadangan (features / rules) yang boleh disemak.

Ini memudahkan governance, pematuhan, dan rundingan dengan rakan reinsurans.

Soalan lazim yang patut ditanya sebelum guna AI untuk underwriting

Adakah GenAI sesuai untuk keputusan harga automatik?

Untuk kebanyakan organisasi, jawapannya: bukan terus. Gunakan GenAI untuk mempercepat analisis dan meningkatkan kualiti input. Harga automatik memerlukan kawalan model risiko yang lebih ketat, pengujian bias, dan validasi aktuari.

Apa risiko terbesar bila guna GenAI dalam underwriting?

Risiko terbesar ialah keyakinan palsu: output nampak kemas, tetapi data asas salah atau tak lengkap. Sebab itu ontology, standard data, dan audit trail lebih penting daripada “model yang paling canggih”.

Bagaimana nak ukur kejayaan AI underwriting?

Tiga metrik yang praktikal:

• kitaran masa quote-to-bind (berapa cepat keputusan dibuat),
• kualiti portfolio (kepekatan risiko menurun, pematuhan risk appetite meningkat),
• ketepatan ramalan kerugian (loss ratio mengikut segmen menjadi lebih stabil dari masa ke masa).

Apa yang saya jangka akan berlaku pada 2026

Syndicate 2479 memberi petunjuk jelas untuk 2026: kapasiti akan bergerak mengikut data, bukan sekadar hubungan pasaran. Sidecar/SPV akan terus digunakan kerana ia pantas, dan AI akan jadi “lapisan wajib” untuk memberi keyakinan pada investor serta membantu underwriter memegang disiplin portfolio.

Kalau anda sedang memikirkan AI dalam insurans dan pengurusan risiko, ini masa yang sesuai untuk berhenti mengejar demo generik dan mula fokus pada satu perkara: membina sistem yang boleh menilai portfolio anda seperti seorang underwriter—tetapi pada skala yang manusia tak mampu buat sendiri.

Jika organisasi anda mahu membina kerangka GenAI untuk underwriting (daripada standard data, risk appetite yang boleh diuji, hingga governance), pasukan saya boleh bantu anda susun pelan 90 hari yang realistik—tanpa mengganggu operasi harian. Anda lebih selesa mula dari portfolio kecil atau terus pada program delegated authority yang besar?