AI Bantu Insurans Urus Risiko Projek Stadium Mega

Pelaburan lebih US$10 bilion untuk projek stadium NFL yang sedang dirancang dan dibina sekarang bukan sekadar tajuk berita menarik—ia isyarat jelas bahawa industri pembinaan sedang memasuki fasa “projek mega” yang menuntut cara baharu menilai risiko. Dan bila projek bernilai berbilion bergerak serentak, satu perkara jadi nyata: insurans tak boleh lagi bergantung pada proses underwriting yang terlalu “manual” dan reaktif.

Stadium moden bukan lagi “mangkuk tempat duduk”. Ia gabungan kompleks kejuruteraan, teknologi pintar, operasi seperti bandar mini, serta pembangunan komersial dan kediaman yang menumpang nilai ekonomi di sekelilingnya. Risiko pun berlapis—daripada kelewatan rantaian bekalan, kerja semula kerana mutu kerja, hingga serangan siber pada sistem IoT sebelum pintu stadium pun dibuka.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka melihat isu stadium ini sebagai contoh paling mudah faham: AI bukan aksesori. Untuk projek mega, AI ialah cara paling praktikal untuk menilai pendedahan, meramal gangguan jadual, dan menyelaras strategi perlindungan (builders’ risk, liabiliti profesional, siber, alam sekitar) supaya tak bertindih atau tertinggal.

Kenapa projek stadium mega makin “menyakitkan” untuk underwriting

Jawapan ringkas: skala + kepadatan risiko + kesalingbergantungan membuatkan satu masalah kecil cepat bertukar menjadi tuntutan besar.

Bila beberapa stadium dibina serentak, kesannya bukan setakat tapak bina. Ia “menyedut” sumber serantau—tenaga kerja mahir, firma khusus, kren, keluli struktur, dan jadual penghantaran. Dalam konteks underwriting, ini mencipta risiko serentak (concurrent construction risk): kelewatan di satu komponen menolak domino kepada pakej kerja lain.

Tom Strong dari NFP menekankan realiti ini: permintaan tenaga kerja mahir memang sudah tinggi. Masuknya projek stadium berbilion dolar menjadikan ia vakum yang menyedut tenaga kerja. Lebih kritikal, banyak komponen stadium memerlukan kontraktor khusus yang bilangannya kecil.

Titik sempit paling biasa: keluli struktur, AV/IT, integrasi sistem

Untuk stadium, keluli struktur boleh mencecah 10%–20% nilai pembinaan kerana bentangan panjang dan reka bentuk kompleks. Firma yang mampu menyiapkan kerja pada skala ini terhad. Dalam masa yang sama, sistem audiovisual, rangkaian, 5G, akses kawalan, papan skor gergasi, dan sistem pengalaman peminat memerlukan integrator khusus.

Bila tenaga pakar terhad:

• jadual mudah tergelincir,
• mutu kerja berisiko turun (kerja tergesa-gesa, subkontrak yang tidak cukup matang),
• kos meningkat dan nilai diinsuranskan berubah di tengah projek.

Itulah titik di mana underwriter jadi lebih tegas: kena ada bukti kawalan risiko, bukan sekadar “kami akan urus”.

AI dalam underwriting pembinaan: daripada dokumen statik kepada risiko masa nyata

Jawapan ringkas: AI membolehkan underwriting yang hidup (living underwriting)—dinilai semula mengikut perubahan projek, bukan hanya pada hari polisi ditandatangani.

Kebanyakan proses underwriting projek besar masih bergantung pada dokumen: jadual, lukisan, method statement, rekod keselamatan, laporan geoteknikal, dan statement of values (SOV). Masalahnya, dokumen ini cepat lapuk. Untuk projek stadium, perubahan reka bentuk, variasi kerja, dan perubahan kos bahan berlaku kerap.

AI boleh “menghidupkan” data itu melalui tiga lapis:

1. AI membaca & menyusun dokumen secara automatik

   • Ekstrak risiko utama daripada kontrak, skop kerja, dan klausa pemindahan risiko.
   • Kenal pasti jurang: contohnya siapa tanggung integrasi sistem, siapa bertanggungjawab jika sistem keselamatan fizikal gagal.

2. Model ramalan (predictive analytics) untuk jadual & kos

   • AI memadankan corak kelewatan berdasarkan jenis kerja (keluli, MEP, low-voltage) dan kapasiti vendor.
   • Memberi amaran awal: “pakej keluli berisiko lewat 6–10 minggu jika vendor A terikat projek lain.”

3. Pemantauan tapak & IoT untuk bukti kawalan risiko

   • Sensor kebocoran air, pemantauan cuaca, getaran, dan kelembapan.
   • Analitik keselamatan: zon berbahaya, pematuhan PPE, corak hampir kemalangan.

Satu ayat yang saya pegang: Underwriting projek mega perlu bergerak pada kelajuan projek—bukan kelajuan kertas kerja.

Stadium pintar = permukaan serangan siber yang jauh lebih luas

Jawapan ringkas: stadium moden ialah infrastruktur kritikal berasaskan rangkaian—risiko siber wujud sejak fasa pembinaan.

Stadium hari ini dipenuhi IoT, rangkaian berkelajuan tinggi, sistem kawalan bangunan (HVAC, lampu), akses masuk, pembayaran tanpa tunai, kamera pintar, dan analitik pengalaman peminat. Strong menyebut ratusan batu pendawaian voltan rendah serta sistem saling berhubung—ini menambah attack surface secara dramatik.

Risiko siber yang sering dipandang ringan dalam pembinaan:

• Akaun vendor dikompromi (integrator AV/IT, subkontraktor low-voltage).
• Ransomware menutup akses kepada sistem commissioning, BMS, atau dokumentasi as-built.
• Manipulasi sistem keselamatan (akses pintu, CCTV) yang boleh memberi implikasi keselamatan fizikal.
• Kebocoran data (data pekerja, pelawat ujian, atau konfigurasi rangkaian).

Apa yang berubah pada struktur polisi

Isu besar bukan sekadar “ada polisi siber atau tidak”, tetapi sempadan perlindungan:

• Builders’ risk biasanya fokus kepada kerosakan fizikal.
• Liabiliti profesional (E&O) berkait reka bentuk/kejuruteraan.
• Polisi siber meliputi gangguan sistem, extortion, insiden data, dan kos tindak balas.

Dalam projek stadium, jurang boleh berlaku apabila insiden siber menyebabkan:

• kelewatan startup,
• kerosakan peralatan akibat manipulasi sistem,
• kerja semula konfigurasi,
• tuntutan pihak ketiga.

AI membantu di sini melalui pemetaan aset digital: inventori sistem, vendor, akses, dan ketergantungan—supaya broker dan insurer boleh menetapkan perlindungan yang tepat, bukan meneka.

Tapak bandar, tanah tercemar, geoteknikal: risiko “di bawah tanah” yang mahal

Jawapan ringkas: lokasi strategik dekat pusat bandar sering datang dengan risiko alam sekitar dan geoteknikal yang sukar dijangka, tetapi boleh diurus jika data digunakan awal.

Stadium lazimnya mahu dekat pengangkutan awam dan pusat ekonomi. Tanah yang tinggal biasanya bukan tanah “cantik”: ada sejarah industri, memerlukan perobohan, mungkin ada asbestos, dan masalah asas tanah.

Kesan underwriting:

• tuntutan alam sekitar (pencemaran tanah/air),
• kos remediation yang tiba-tiba,
• perubahan reka bentuk asas dan cerucuk,
• risiko banjir kilat bandar dan isu saliran.

Bagaimana AI menambah nilai dalam penilaian tapak

AI bukan pengganti jurutera geoteknikal, tapi ia mempercepat ketepatan keputusan:

• Menggabungkan data sejarah tapak, rekod perindustrian, dan corak banjir bandar.
• Menggunakan imej satelit/dron untuk mengesan perubahan tapak dan aliran air.
• Mengklasifikasikan risiko berdasarkan persamaan projek terdahulu: tapak perobohan + tanah tercemar + jadual ketat = kebarangkalian perubahan pesanan (variation order) tinggi.

Bila insurer nampak pemilik projek menggunakan sensor kebocoran, pemantauan cuaca, dan pengesanan masa nyata di tapak, ia menjadi bukti disiplin risiko—sesuatu yang semakin dituntut dalam underwriting moden.

Kapasiti insurans masih ada—tetapi kawalan risiko jadi “mata wang” baharu

Jawapan ringkas: insurer masih berminat, cuma mereka mahu melihat kawalan risiko yang boleh diaudit dan pelaporan yang kerap.

Walaupun projek stadium besar, selera pasaran (terutamanya bila pasaran lebih lembut) masih wujud. Namun kapasiti biasanya diagihkan melalui quota share dan beberapa underwriter. Ini bermakna komunikasi dan konsistensi data sangat penting—jika satu pihak rasa tidak selesa dengan kawalan risiko, keseluruhan struktur boleh terganggu.

Di sinilah saya berpendapat AI memberi kelebihan praktikal kepada broker dan pemilik projek:

• SOV yang sentiasa dikemas kini apabila kos bahan naik atau skop berubah.
• Dashboard risiko: keselamatan, jadual, perubahan reka bentuk, insiden tapak.
• Pengesanan penipuan/pembaziran: tuntutan kecil yang berulang, anomali invois, atau kos kerja semula luar biasa.

Senarai semak “AI-ready” untuk pemilik projek & broker

Jika anda mengurus projek bernilai tinggi (stadium, hospital, pusat data, rel), ini amalan yang patut dibuat dari awal:

1. Bina satu sumber data projek (kontrak, jadual, perubahan skop, SOV) yang boleh diaudit.
2. Tetapkan inventori vendor & akses digital untuk integrator IT/AV/IoT.
3. Gunakan sensor berimpak tinggi: kebocoran air, cuaca, kelembapan, dan pemantauan tapak.
4. Definisikan sempadan polisi (builders’ risk vs E&O vs siber) dalam bahasa operasi, bukan bahasa undang-undang semata-mata.
5. Rutin laporan kepada insurer (contoh: mingguan untuk milestone kritikal, bulanan untuk SOV dan perubahan besar).

Ini bukan kerja tambahan untuk “cantikkan dokumen”. Ini cara mengurangkan kebarangkalian tuntutan besar—dan memudahkan rundingan premium serta kapasiti.

Soalan lazim: apa yang pembaca selalu tanya tentang AI & risiko projek mega

Adakah AI akan menggantikan underwriter?

Tidak. Yang berlaku ialah underwriter yang guna AI akan menggantikan underwriter yang tak guna AI. AI mempercepat analisis, tetapi keputusan tetap perlukan pertimbangan, pengalaman, dan konteks komersial.

Apakah data minimum untuk mula guna AI dalam underwriting pembinaan?

Mulakan dengan: jadual projek (baseline + kemas kini), SOV, struktur kontrak, senarai vendor utama, rekod keselamatan, dan pelan kawalan risiko tapak. Data ini sudah wujud—cabaran biasanya pada format dan disiplin kemas kini.

Risiko paling “senyap” dalam stadium moden?

Saya letakkan siber semasa pembinaan di tangga teratas—terutama bila banyak vendor berkongsi akses dan sistem sedang diuji/commissioning.

Langkah seterusnya untuk organisasi yang mahu menang lebih awal

AI dalam insurans dan pengurusan risiko bukan projek glamor; ia projek disiplin. Tapi untuk pembinaan stadium mega, disiplin itulah yang membezakan “projek siap ikut jadual” dengan “projek terbakar kos dan tuntutan”.

Jika anda pemilik projek, kontraktor utama, broker, atau insurer, sasaran realistik untuk 90 hari pertama ialah: pemetaan risiko berasaskan data, sempadan perlindungan yang jelas, dan pelaporan risiko yang konsisten. Bila asas ini kukuh, AI boleh digunakan untuk ramalan kelewatan, pengesanan anomali, dan pemantauan kawalan risiko secara berterusan.

Stadium yang paling selamat untuk diinsuranskan bukan yang paling mahal—tetapi yang paling telus dari segi data, kawalan risiko, dan tanggungjawab vendor. Persoalannya: bila projek anda berubah esok, adakah struktur insurans dan strategi risiko anda berubah bersama?