AI Automasi Kerja, Bukan Hakimi: Pelajaran untuk SME

Kebanyakan syarikat bukan kekurangan data. Mereka kekurangan masa untuk berfikir dengan betul.

Itu “truth bomb” yang muncul daripada kisah Kevin Lee (bekas ketua risk di PayPal) dan platform TrustPlus AI: masalah sebenar dalam underwriting kredit bukanlah kurang maklumat, tetapi “judgment deficit”—pakar yang dibayar mahal akhirnya menghabiskan majoriti masa untuk kerja persediaan yang melelahkan (spreadsheets, salin-paste PDF, carian berita buruk), bukan membuat keputusan.

Dalam siri AI dalam Insurans dan Pengurusan Risiko, kisah ini penting bukan sekadar untuk bank. Ia adalah cermin untuk banyak SME di Singapura—termasuk pasukan pemasaran yang sibuk “buat report” sampai lewat malam, lalu keputusan strategik dibuat ketika tenaga mental sudah habis.

“Judgment deficit” ialah masalah proses, bukan masalah orang

Jawapan ringkas: bila kerja persediaan memakan 70–80% masa, kualiti keputusan jatuh—walaupun data makin banyak.

Dalam artikel asal, Lee menyatakan underwriting enterprise masih boleh mengambil 16+ jam untuk satu kes: kira-kira 2 jam kumpul data, 6 jam spreading kewangan, dan 8 jam penyelidikan serta penulisan memo. Yang ironinya, industri kredit global berkembang, tetapi aliran kerja “era 1990-an” masih hidup.

Yang saya setuju dengan keras: manual tak semestinya lebih selamat. Manual sering bermaksud:

• Lebih banyak ralat (copy-paste, format berbeza, versi fail bercampur)
• Lebih banyak keletihan kognitif
• Keputusan “ikut template” sebab otak dah tepu

Dalam insurans dan pengurusan risiko, ini sama. Sama ada underwriting polisi komersial, semakan tuntutan, atau audit pematuhan—bila pasukan terperangkap dalam kerja pra-proses, risiko sebenar meningkat.

Prinsip 80/20 yang ramai lupa

Lee petik idea penting: 20% kes memacu 80% risiko portfolio. Bila staf penilai sampai ke kes “kritikal”, mereka sudah letih kerana kerja persediaan, bukan kerana kerja berfikir.

Untuk SME, versi pemasaran ialah:

20% kempen dan 20% saluran biasanya memacu majoriti leads dan revenue—tapi kita habiskan masa pada kerja admin yang tak mengubah keputusan.

AI yang berbaloi bukan yang “paling bijak”, tapi yang menjaga fokus manusia

Jawapan ringkas: AI paling berguna ialah AI yang mengambil alih kerja persediaan, kemudian manusia buat keputusan dengan audit trail.

TrustPlus AI membuat “inversion” yang menarik: AI automasikan persediaan (spreading, adverse media, draf memo, analisis industri) dan memendekkan 16 jam kepada bawah 2 jam, tetapi mengekalkan audit trail dan kuasa manusia untuk meluluskan.

Ini selari dengan trend dalam AI underwriting, AI risk assessment, dan fraud detection: organisasi yang menang bukan yang “auto-approve semuanya”, tetapi yang:

1. Mengautomasi rutin (data hygiene, pengumpulan bukti, ringkasan)
2. Menyimpan jejak bukti (siapa ubah apa, sumber dari mana)
3. Meletakkan manusia sebagai “final authority”

Kenapa “trust before speed” patut jadi standard

Dalam kewangan/insurans, satu keputusan buruk boleh jadi kerugian besar. Jadi TrustPlus tekankan process trust:

• Audit trail lengkap
• Explainability (petikan muka surat/URL untuk bukti)
• Human approval
• Keselamatan tahap enterprise

Untuk SME, risikonya berbeza (bukan NPL berbilion), tapi konsep sama:

• Kalau AI buat keputusan iklan tanpa kawalan, anda boleh bakar bajet 2 minggu dalam 2 hari.
• Kalau AI hasilkan laporan tanpa sumber, anda akan buat strategi berdasarkan “halusinasi data”.

AI yang baik ialah AI yang boleh anda audit.

Dari underwriting kredit ke digital marketing SME: analogi yang sangat praktikal

Jawapan ringkas: pemasaran SME juga ada “judgment deficit”—bukan sebab tiada dashboard, tapi sebab masa habis pada kerja prep.

Kalau anda pemilik SME atau ketua pemasaran di Singapura, ini senarai kerja yang biasanya makan masa tetapi tak patut memakan “otak strategik”:

• Tarik data dari Meta/Google/Shopify/CRM secara manual
• Bersihkan data lead (duplicate, format nombor, sumber tak konsisten)
• Sediakan slaid laporan mingguan
• Baca 20 artikel competitor dan cuba ringkaskan sendiri
• Menulis 10 variasi copy iklan dari kosong setiap kali

Semua ini ialah prep work. Berguna, ya. Tapi ia tak patut menelan 80% tenaga.

“AI sebagai sous-chef” untuk pemasaran

Saya suka analogi dapur profesional dalam artikel: chef hebat tak habiskan shift memotong sayur. Dalam pemasaran:

• AI jadi “prep team”: susun data, ringkaskan insight, cadangkan draf
• Manusia jadi “chef”: pilih positioning, membuat trade-off bajet, menilai risiko jenama

Ini juga sepadan dengan tema siri kita: dalam underwriting insurans, AI boleh pre-fill dokumen, mengesan anomali, dan memadankan data—tetapi manusia menentukan toleransi risiko.

Playbook 7 langkah: guna AI untuk kurangkan kerja prep (tanpa hilang kawalan)

Jawapan ringkas: mula dengan automasi persediaan, tetapkan standard audit, kemudian barulah naikkan tahap automasi keputusan.

Berikut playbook yang saya sarankan untuk SME (terutama yang fokus lead generation)—diadaptasi daripada falsafah “workflow > model” dalam artikel.

1) Audit masa: kira jam “prep” vs “judgment”

Buat kiraan mudah untuk 2 minggu:

• Berapa jam pasukan habiskan untuk kumpul/bersih data?
• Berapa jam untuk menulis laporan?
• Berapa jam untuk buat keputusan (strategi, eksperimen, creative review)?

Kalau nisbah “judgment” anda bawah 30%, itu tanda jelas judgment deficit.

2) Standardkan input sebelum automasi

AI gagal bila input bersepah. Standard minimum:

• Nama sumber lead konsisten (contoh: Meta_LeadAds, Google_Search, Organic_Web)
• Definisi MQL/SQL jelas
• Template laporan yang sama setiap minggu

3) Automasi pengumpulan data dan “data hygiene” dulu

Sasaran pertama bukan AI yang menulis iklan. Sasaran pertama ialah menghapuskan kerja tarik data & bersihkan data.

Hasil cepat yang biasa saya lihat:

• Laporan mingguan turun dari 3 jam ke 30–45 minit
• “Perang angka” antara platform berkurang sebab definisi diselaraskan

4) Gunakan AI untuk ringkasan ber-sumber (bukan ringkasan kosong)

Amalkan peraturan: no citation, no decision.

Untuk analisis pesaing atau trend industri:

• Minta AI beri ringkasan berserta sumber (dokumen dalaman, transkrip call, nota sales, atau artikel yang dibekalkan)
• Simpan ringkasan bersama tarikh dan input

Ini meniru cara TrustPlus menekankan jejak bukti.

5) Jadikan AI pembantu draf, bukan “pelulus”

AI boleh:

• Cadangkan 10 variasi copy iklan
• Susun struktur landing page
• Tulis draf e-mel nurture

Tetapi manusia mesti:

• Semak claim (harga, jaminan, compliance)
• Pastikan tone jenama konsisten
• Nilai risiko reputasi

6) Bina “workflow moat”: integrasi kerja, bukan tambah tool

Ramai SME buat silap: tambah tool sampai pasukan jadi operator.

Ambil stance ini: kalau tool baru menambah tab dan menambah kerja, ia bukan automasi—ia beban.

Pilih aliran kerja yang jadi “satu tempat bekerja”:

• Satu pipeline lead (CRM)
• Satu sumber kebenaran untuk KPI
• Satu tempat simpan creative + keputusan eksperimen

7) Ukur metrik yang melindungi kualiti keputusan

Terinspirasi daripada metrik Lee (jam analyst), SME patut ukur:

• Cycle time: masa dari idea → live campaign
• Hours saved: jam laporan/pembersihan data yang dihapuskan
• Decision quality proxies: contoh, peratus eksperimen dengan hipotesis jelas, atau peratus kempen yang ada post-mortem
• Lead quality: bukan hanya CPL, tetapi MQL rate dan SQL rate

Kalau anda jimat masa tetapi lead makin buruk, anda cuma memecut ke arah yang salah.

Soalan lazim (yang biasanya orang cari di Google)

Adakah AI akan gantikan underwriter/marketer?

Tidak kalau anda gunakan AI dengan betul. AI paling bernilai bila ia mengalih kerja clerical dan mengangkat kerja manusia ke tahap penilaian.

Apa risiko terbesar bila guna AI untuk proses risiko atau pemasaran?

Risiko terbesar ialah automasi keputusan tanpa audit. Anda bergerak lebih laju, tetapi anda tak tahu kenapa.

Macam mana nak mula kalau pasukan kecil?

Mulakan dengan satu use case: automasi laporan prestasi mingguan + pembersihan data lead. Bila itu stabil, barulah tambah AI untuk content draft dan insight.

Apa yang SME Singapura patut ambil daripada kes PayPal ini

Kisah TrustPlus AI bukan “AI hebat menang”. Ia kisah workflow yang betul melindungi judgment.

Dalam insurans dan pengurusan risiko, halatuju 2026 jelas: lebih banyak AI akan masuk underwriting, tuntutan, dan pematuhan. Tetapi yang akan menang ialah organisasi yang meletakkan peraturan mudah ini:

Automasi persediaan dahulu. Pastikan boleh diaudit. Biarkan manusia buat keputusan.

Kalau pasukan anda masih habiskan malam untuk salin data, buat deck, atau kejar KPI yang tak seragam, AI bukan lagi “nice to have”. Ia cara paling praktikal untuk mendapatkan balik masa berfikir—dan masa berfikir ialah aset paling mahal.

Apa satu kerja “prep” dalam pemasaran atau operasi anda yang anda paling mahu hapuskan bulan ini?