Casualty ILS Melonjak: Peranan AI Dalam Risiko 2026

Pasaran casualty insurance-linked securities (casualty ILS) sedang bergerak laju—dan angka yang paling susah untuk diabaikan ialah ini: saiz pasaran yang terdedah kepada umum dianggarkan sudah melepasi USD 5 bilion pada 2025, naik daripada kurang USD 1 bilion pada 2022. Ini bukan kenaikan “biasa-biasa”. Ini perubahan struktur cara risiko liabiliti dipindahkan daripada syarikat insurans kepada pelabur institusi.

Saya berpendapat ramai pemain insurans di rantau ini masih melihat ILS sebagai cerita “cat bond dan bencana alam” semata-mata. Itu pandangan lama. Realitinya, apabila casualty ILS makin matang, ia menolak industri untuk lebih teliti tentang data, ketepatan harga risiko, dan disiplin reserving. Dan di sinilah AI mula jadi penentu—bukan sebagai gimik teknologi, tapi sebagai enjin yang membuatkan risiko liabiliti yang panjang ekornya (long-tailed) boleh dinilai dengan lebih yakin.

Artikel ini sambung naratif siri “AI dalam Insurans dan Pengurusan Risiko”: apa maksud lonjakan casualty ILS untuk pengurusan risiko, mengapa ia berpotensi berkembang “eksponen”, dan bagaimana AI boleh membantu organisasi anda bersedia untuk 2026 dan seterusnya.

Mengapa casualty ILS tiba-tiba “meletup” pada 2025?

Jawapan paling terus: kapasiti tradisional semakin selektif, manakala pelabur mencari pulangan yang tidak bergerak seiring (uncorrelated) dengan pasaran saham dan bon. Casaulty ILS menjadi jambatan di tengah-tengah keperluan itu.

Menurut pemerhatian pasaran yang dilaporkan, 2025 menyaksikan banyak transaksi berlaku pada separuh kedua tahun. Antara pendorong yang kerap berulang dalam struktur pasaran ialah:

• Sidecar reinsurans (termasuk sindiket sidecar di Lloyd’s) yang mengambil sebahagian outwards cessions daripada syarikat penaja.
• Dana khusus yang menaja kontrak reinsurans tertentu melalui fronting reinsurer.
• Kemunculan platform insurtech yang memudahkan structuring, execution, dan servicing urus niaga casualty ILS pada skala besar.

Perincian yang membuatkan ramai risk leader perlu beri perhatian: sebahagian risiko yang dipindahkan melalui sidecar ini ialah jenis liabiliti ekor panjang—risiko yang tuntutannya boleh muncul, berkembang, dan selesai dalam tempoh bertahun-tahun.

“Eksponen” bukan sekadar hype

Istilah “pertumbuhan eksponen” kadang-kadang disalah guna. Dalam konteks casualty ILS, logiknya begini: apabila beberapa prasyarat dipenuhi serentak—standardisasi struktur, keyakinan pelabur, data yang lebih baik, dan rekod prestasi reserving yang meyakinkan—modal akan masuk dengan lebih pantas berbanding kadar pertumbuhan premium.

Willis Re menyifatkan proof-point casualty ILS makin hampir sebagai kelas aset yang berdaya maju dan sumber kapasiti yang serba boleh untuk salah satu jenis insurans paling asas di dunia: insurans liabiliti.

Apa beza casualty ILS dengan cat bond—dan kenapa ia sukar dianggarkan?

Jawapan paling jelas: cat bond biasanya “short-tail” dengan pemicu kejadian (event), casualty ILS banyak bermain di dunia “long-tail” yang bergantung kepada corak tuntutan dan litigasi.

Ini membawa dua implikasi besar.

1) Saiz pasaran sukar diukur

Saiz casualty ILS “pada bila-bila masa” sukar dianggarkan kerana:

• Banyak transaksi kekal private.
• Sidecar whole account kadang-kadang mencampurkan risiko harta, specialty, dan casualty—dan peratusan casualty tidak sentiasa didedahkan.

Walaupun begitu, berdasarkan pendedahan awam, anggaran melebihi USD 5 bilion pada 2025 memberi isyarat jelas: pasaran ini sudah keluar daripada fasa eksperimen.

2) Cabaran utama ialah “ketidakpastian masa”

Dalam long-tail, isu bukan hanya “berapa besar kerugian”, tetapi bila kerugian muncul dan bagaimana ia berkembang (inflasi sosial, trend litigasi, perubahan undang-undang, taktik guaman, kos perubatan).

Di sini, organisasi yang ada disiplin data dan model yang kukuh akan menang.

Di mana AI benar-benar membantu dalam casualty ILS

Jawapan ringkas: AI meningkatkan ketepatan ramalan (predictive analytics), mempercepat kerja aktuari/underwriting, dan menguatkan pemantauan portfolio selepas penempatan risiko. Tetapi untuk buat ia praktikal, kita kena pecahkan kepada beberapa “use case” yang jelas.

AI untuk pemodelan risiko liabiliti: daripada intuisi kepada kebarangkalian

Casualty ILS memerlukan keyakinan bahawa harga risiko munasabah untuk tempoh yang panjang. AI boleh menambah baik model aktuari tradisional (bukan menggantikannya sepenuhnya) melalui:

• Model ramalan kekerapan & keterukan tuntutan menggunakan gabungan data dalaman (sejarah tuntutan) dan data luaran (ekonomi, kos perubatan, geodemografi).
• Pengesanan drift: bila corak tuntutan berubah (contoh: lonjakan tuntutan tertentu selepas perubahan regulatori), model memberi amaran awal.
• Segmentasi risiko mikro: bukan sekadar kelas perniagaan, tetapi sub-segmen yang berbeza tahap litigasi dan kos penyelesaian.

Ayat yang saya suka guna dalam bengkel risiko: “Liabiliti jarang meletup semalaman—ia biasanya ‘menjadi besar’ perlahan-lahan, dan AI bagus untuk mengesan perlahan-lahan itu.”

AI untuk penentuan harga (pricing) dan reserving yang lebih tegas

Willis Re menekankan keperluan “carriers” dengan sejarah reserving yang kuat dan bakat menilai liabiliti dengan yakin. AI boleh menyokong disiplin ini melalui:

1. Nowcasting inflasi kos tuntutan (perubatan/baik pulih/guaman) untuk mengelakkan harga “ketinggalan”.
2. Analisis teks (NLP) pada nota adjuster & dokumen tuntutan untuk mengenal pasti pola kompleks—contoh: faktor yang kerap membawa kes ke litigasi.
3. Simulasi senario untuk tail risk (contoh: perubahan trend keputusan mahkamah yang menaikkan pampasan).

Di pasaran ILS, keyakinan pelabur naik bila mereka nampak bukti: metodologi yang konsisten, kawalan model, dan ketelusan anda menerangkan sumber ketidakpastian.

AI untuk operasi urus niaga: standardisasi yang mempercepat pertumbuhan

Dalam laporan pasaran, ada pemain insurtech yang membina platform SaaS untuk menyusun, melaksanakan dan menyervis banyak urus niaga casualty ILS. Ini petanda penting: pertumbuhan eksponen memerlukan “kilang proses” yang boleh diskalakan.

AI menyumbang di sini melalui:

• Automasi semakan dokumen dan data validation (mengurangkan masa “closing”).
• Pemantauan prestasi kontrak secara berterusan.
• Pelaporan yang lebih konsisten untuk pelabur institusi.

Bila kos transaksi turun dan masa siap jadi lebih cepat, pasaran akan tambah laju—itu matematik yang mudah.

Pulangan tinggi, “uncorrelated”, tetapi belum benar-benar diuji

Jawapan paling jujur: ya, ada tarikan pulangan tinggi (kadang-kadang disebut melebihi 20%), tetapi risiko model dan risiko kematangan tuntutan masih wujud.

Willis Re menyatakan casualty ILS masih baharu dan tuntutan yang diterima belum sepenuhnya matang—maksudnya, segmen ini belum melalui “ujian tekanan” jangka panjang yang membuktikan semua andaian.

Apa yang patut pembuat keputusan tanya sebelum masuk atau berkembang?

Gunakan soalan ini sebagai checklist dalaman (sama ada anda cedant, reinsurer, pengurus risiko korporat, atau pelabur):

1. Data: Adakah data tuntutan anda cukup bersih untuk pemodelan? Jika tidak, projek AI akan hanya mempercepat kekeliruan.
2. Model governance: Siapa pemilik model? Bagaimana model diuji, diaudit, dan dikemas kini bila ada perubahan trend?
3. Reserving discipline: Adakah organisasi anda ada rekod “reserve adequacy” yang konsisten? Ini mata wang kepercayaan.
4. Struktur perjanjian: Apakah pemicu pembayaran, had, attachment points, dan hak pelaporan? Bahagian kecil ini menentukan sama ada pelabur benar-benar faham risiko.
5. Pemantauan pasca-penempatan: Bagaimana anda mengesan perubahan corak litigasi atau inflasi sosial dalam masa hampir nyata?

Kalau anda tak boleh jawab dengan jelas, bukan bermakna anda tak boleh sertai. Cuma anda perlu membina asas dahulu.

Apa maksud trend ini untuk pasaran Malaysia & Asia Tenggara

Jawapan ringkas: casualty ILS membuka ruang baharu untuk pemindahan risiko liabiliti, tetapi ia menuntut tahap kematangan data dan analitik yang lebih tinggi.

Di rantau ini, beberapa realiti operasi sering timbul:

• Data tuntutan berpecah antara sistem lama, vendor TPA, dan fail manual.
• Standardisasi kod sebab tuntutan dan taksonomi litigasi tidak seragam.
• Fokus AI kadang-kadang terlalu pada chatbot, sedangkan nilai besar ada pada risk analytics.

Saya lebih suka pendekatan praktikal: mulakan dengan dua aliran kerja yang memberi impak cepat dan relevan dengan casualty ILS:

1. Pembersihan & penyatuan data tuntutan (claims data fabric) — supaya model boleh dipercayai.
2. Model ramalan untuk “early warning” — contohnya, kes yang berpotensi jadi litigasi panjang atau kes yang menunjukkan corak severity creep.

Bila asas ini stabil, barulah masuk ke tahap lebih tinggi seperti simulasi tail risk, portfolio optimization, dan automasi pelaporan pelabur.

Pelan tindakan 90 hari: bersedia untuk casualty ILS dengan AI

Jawapan paling berguna untuk kebanyakan organisasi ialah langkah kecil tapi tegas. Ini contoh pelan 90 hari yang realistik:

Minggu 1–3: Peta data dan jurang

• Senaraikan semua sumber data tuntutan, underwriting, dan kewangan.
• Tetapkan taksonomi ringkas (kelas risiko, sebab tuntutan, status litigasi).
• Kenal pasti 10 medan data paling kritikal yang kerap kosong/salah.

Minggu 4–7: Bina “model minimum viable”

• Pilih 1 lini perniagaan casualty yang paling material.
• Bina model ramalan ringkas (contoh: klasifikasi kes litigasi vs tidak litigasi).
• Uji dengan sampel sejarah dan semak false positives/negatives bersama pasukan claims.

Minggu 8–13: Jadikan ia alat pengurusan risiko

• Wujudkan papan pemuka amaran awal.
• Tetapkan prosedur: apa tindakan bila amaran dicetuskan?
• Dokumentasikan model governance untuk keyakinan pihak dalaman dan rakan kongsi.

Jika organisasi anda sedang menilai struktur sidecar atau dana khusus, pelan ini membantu anda “naik kelas” dari segi ketelusan risiko.

Langkah seterusnya: casualty ILS sedang memaksa industri jadi lebih pintar

Casualty ILS bukan sekadar topik pelaburan; ia tekanan positif kepada industri insurans untuk memperkemas data, memperkuat reserving, dan menaik taraf pemodelan risiko. Bila modal luar sanggup masuk, mereka akan tanya soalan yang tajam—dan AI ialah alat yang membantu anda jawab soalan itu dengan bukti, bukan sekadar keyakinan.

Kalau 2025 menunjukkan casualty ILS boleh berkembang cepat, 2026 akan menguji siapa yang benar-benar bersedia dari segi analitik. Organisasi yang menggabungkan aktuari + pasaran modal + pakar reinsurans + AI akan paling senang menstruktur penyelesaian yang memenuhi selera semua pihak.

Anda sedang bersedia untuk memasukkan AI dalam underwriting dan pengurusan tuntutan bagi risiko liabiliti—atau masih bergantung pada spreadsheet dan “pengalaman semata-mata”? Itu soalan yang patut kita bawa ke mesyuarat risiko pertama pada 2026.