Gen AI Insurans 2026: Berhenti ‘Cuba-cuba’, Mula Skala

78% syarikat insurans P&C (harta dan kasualti) sudah menggunakan AI generatif dalam satu bentuk—tetapi hanya 4% benar-benar menskalakan penggunaan itu ke seluruh organisasi. Nombor ini bukan sekadar statistik; ia petunjuk masalah sebenar: ramai pemain industri masih bermain di permukaan, sedangkan nilai sebenar AI datang bila proses tuntutan, underwriting, dan pengurusan risiko direka semula dari hujung ke hujung.

Saya nampak corak yang sama dalam banyak organisasi kewangan: projek perintis bergerak laju, demo nampak cantik, tetapi bila masuk operasi harian… semuanya tersekat. Ada yang takut risiko pematuhan, ada yang bimbang ketepatan model, dan ramai yang tersepit dengan data yang berselerak serta sistem legasi.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, artikel ini kita jadikan titik tolak untuk satu persoalan yang lebih praktikal: apa yang perlu dibuat supaya AI generatif benar-benar mengurangkan kos, mempercepatkan kitaran tuntutan, menguatkan penilaian risiko, dan memperkemas keputusan underwriting—bukan sekadar ‘cuba-cuba’?

Kenapa ramai syarikat insurans masih ‘cuba-cuba’ dengan gen AI?

Jawapan terus: kerana mereka menambah AI di atas proses lama, bukannya membina proses baharu yang berasaskan AI. Bila AI hanya jadi “alat tambahan”, ia mudah terperangkap dalam birokrasi, pertindihan peranan, dan ‘handoff’ yang memanjangkan masa.

Berdasarkan dapatan penilaian kematangan tuntutan (claims maturity) oleh Bain & Company bagi tahun 2025, majoriti syarikat masih berada di peringkat eksperimen walaupun penggunaan sudah meluas. Ini normal—tetapi berbahaya jika dibiarkan masuk 2026 tanpa pelan skala.

Tiga punca paling kerap saya jumpa (dan ia selari dengan isu yang dilaporkan industri):

1. Kekurangan kepakaran dalaman AI
   • Pasukan tuntutan faham operasi, pasukan IT faham sistem—tetapi jurang terjemahan antara dua dunia ini besar.
2. Keraguan terhadap ketepatan dan kebolehpercayaan model
   • Dalam tuntutan dan underwriting, satu ringkasan yang tersilap atau salah tafsir dokumen boleh membawa implikasi kos dan reputasi.
3. Risiko keselamatan data & privasi
   • Data tuntutan sering mengandungi maklumat sensitif (dokumen perubatan, laporan polis, alamat, nombor akaun). Tanpa kawalan, AI boleh jadi liabiliti.

Satu ayat yang patut jadi ‘wake-up call’: AI yang tidak diurus dengan tadbir urus yang tegas akan jadi risiko operasi, bukan penjimatan kos.

Nilai sebenar gen AI dalam tuntutan, underwriting & risiko

Jawapan terus: nilai besar datang bila AI memendekkan masa keputusan dan mengurangkan kerja manual yang tidak menambah nilai. Bain menganggarkan bahawa pada skala, AI boleh memendekkan kitaran penyelesaian tuntutan dengan ketara, memotong masa pemprosesan tuntutan rumah sehingga separuh, dan menaikkan produktiviti sekitar 35%.

Angka seperti ini hanya masuk akal jika organisasi mengubah aliran kerja. Di bawah ialah cara nilai itu biasanya “muncul” dalam operasi insurans.

1) Tuntutan: daripada ‘paperwork’ kepada keputusan pantas

Dalam tuntutan, AI generatif paling cepat memberi pulangan melalui tugasan berulang:

• Meringkaskan dokumen panjang (laporan adjuster, laporan polis, invois pembaikan, rekod perubatan)
• Menyediakan draf komunikasi pelanggan (status tuntutan, permintaan dokumen tambahan, penjelasan keputusan)
• Mengenal pasti petunjuk penipuan melalui corak naratif dan ketidakselarasan dokumen

Namun, organisasi yang mendapat kesan terbesar biasanya mengubah struktur kerja:

• AI menyediakan ringkasan + senarai “isu kritikal”
• adjuster semak, sahkan, dan buat keputusan
• audit sampel automatik memastikan kualiti dan pematuhan

Hasilnya: lebih banyak kes selesai dengan cepat, dan kes kompleks diberi masa manusia yang mencukupi.

2) Underwriting: kelajuan petikan harga tanpa buang kawalan risiko

Ramai fokus gen AI pada tuntutan, tetapi untuk leadership insurans, underwriting ialah medan perang sebenar pada 2026: cepat, tepat, patuh.

Gen AI boleh membantu dengan:

• Analisis dokumen (proposal, laporan risiko, borang pendedahan, lampiran teknikal)
• Auto-draf wording polisi atau endorsement asas berasaskan templat diluluskan
• Ringkasan interaksi antara broker–underwriter supaya keputusan konsisten

Pendekatan yang saya suka: gunakan AI untuk “prep kerja” (pra-analisis) dan kekalkan manusia pada “final risk judgement”. Ini menjaga disiplin risiko sambil menambah throughput.

3) Pengurusan risiko: daripada reaktif kepada ramalan

Pengurusan risiko yang matang guna AI dalam dua lapisan:

1. Operasi harian: mengesan anomali tuntutan, kebocoran proses, dan isu pematuhan
2. Strategik: analisis trend portfolio, pendedahan bencana, dan corak litigasi

Walaupun gen AI bukan model ramalan klasik, ia berguna untuk menstruktur dan “membaca” data tidak berstruktur—yang selama ini jadi beban besar insurans.

Kenapa ‘pilot’ tak pernah jadi skala: 5 perangkap yang biasa berlaku

Jawapan terus: pilot berjaya kerana kecil dan terkawal; skala gagal kerana realiti data, proses, dan tadbir urus.

Ini 5 perangkap yang kerap membunuh momentum:

1. Use case terlalu sempit dan terasing
   • Contoh: chatbot tuntutan wujud, tetapi tiada integrasi dengan sistem claims core.
2. Data berpecah dan kualiti data rendah
   • AI “pandai” pun tetap akan salah jika input dokumen tidak lengkap atau metadata kacau.
3. Tiada definisi KPI yang keras
   • Jika tiada KPI seperti cycle time, cost per claim, first-contact resolution, organisasi akan bergaduh soal “adakah ini berbaloi?”.
4. Tadbir urus lemah
   • Siapa pemilik model? Siapa luluskan prompt standard? Siapa bertanggungjawab jika pelanggan terima maklumat salah?
5. Perubahan kerja staf tidak diurus
   • Bila adjuster rasa AI “mengganggu” atau “memerhati”, mereka akan cari jalan memintas sistem.

Prinsip mudah: AI tak boleh jadi projek IT semata-mata. AI mesti jadi produk operasi yang dimiliki bisnes.

Pelan praktikal 90 hari: dari ‘cuba-cuba’ ke peringkat skala

Jawapan terus: mula dengan 2–3 aliran kerja bernilai tinggi, bina kawalan risiko, dan ukur impak dalam bahasa kewangan.

Ini rangka 90 hari yang realistik untuk kebanyakan syarikat insurans (termasuk yang masih banyak sistem legasi).

Fasa 1 (Hari 1–30): Pilih use case yang “menang cepat”

Pilih use case dengan tiga ciri: volum tinggi, kerja manual tinggi, risiko kesilapan boleh dikawal.

Cadangan use case ‘starter’:

• Ringkasan dokumen tuntutan + senarai “missing info”
• Draf surat/emaill komunikasi pelanggan (dengan templat diluluskan)
• Ringkasan fail tuntutan untuk handover antara adjuster

Tetapkan KPI jelas:

• Pengurangan masa pemprosesan per fail (minit/jam)
• Penurunan kitaran tuntutan (hari)
• Pengurangan kerja semula (rework rate)

Fasa 2 (Hari 31–60): Bina ‘guardrails’ pematuhan dan keselamatan

Tanpa guardrails, anda takkan berani skala.

Komponen minimum yang saya anggap wajib:

• Data access control: siapa boleh lihat apa
• Prompt standard untuk tugasan kritikal
• Human-in-the-loop untuk keputusan berimpak tinggi
• Log & audit trail untuk semakan dalaman dan regulator
• Ujian ketepatan menggunakan set kes sebenar (anonim/pseudonim)

Fasa 3 (Hari 61–90): Integrasi aliran kerja dan latihan pasukan

Di sinilah ramai berhenti. Jangan.

• Integrasi hasil AI terus ke sistem tuntutan/underwriting (sekurang-kurangnya melalui workflow tool)
• Latih adjuster/underwriter guna AI sebagai “co-pilot”, bukan mesin pengganti
• Wujudkan “champion” dalam pasukan operasi—bukan hanya di IT

Hujung 90 hari, anda patut boleh jawab soalan ini dengan yakin: berapa kos per fail yang berjaya dijimatkan, dan berapa hari kitaran tuntutan dipendekkan?

Soalan lazim yang pengarah & CRO akan tanya (dan jawapan ringkas)

“Berapa lama ROI AI dalam insurans?”

Jawapan terus: 2 hingga 4 tahun untuk pulangan memuaskan pada inisiatif besar ialah jangkaan yang semakin biasa dalam industri kewangan. Sebab itu organisasi perlu gabungkan quick wins operasi dengan pelan transformasi.

“Adakah gen AI sesuai untuk keputusan tuntutan/underwriting?”

Jawapan terus: sesuai untuk membantu keputusan, bukan menggantikan keputusan. Untuk kes berisiko tinggi, tetapkan human approval sebagai syarat.

“Apa risiko terbesar bila skala AI?”

Jawapan terus: kebocoran data, halusinasi model, dan keputusan tidak konsisten. Atasi dengan akses terkawal, prompt standard, ujian kes, dan audit berkala.

Apa yang patut dibuat sekarang (menjelang 2026)

Jika 2025 ialah tahun ramai syarikat insurans “mencuba”, 2026 ialah tahun pemisahan: organisasi yang menskalakan AI akan menurunkan kos unit dan mempercepat pengalaman pelanggan; yang kekal ‘pilot’ akan semakin mahal dan perlahan.

Saya tegas di sini—tuntutan dan underwriting bukan tempat untuk projek kosmetik. AI generatif perlu masuk ke jantung operasi: standard kerja, pematuhan, pengukuran prestasi, dan reka bentuk proses.

Langkah seterusnya yang paling masuk akal: buat penilaian kematangan AI untuk tuntutan/underwriting (data, proses, teknologi, people, governance), pilih 2–3 aliran kerja, dan mula skala secara terkawal.

Arah tuju siri AI dalam Insurans dan Pengurusan Risiko selepas ini ialah lebih praktikal: bagaimana membina tadbir urus model, bagaimana mengukur impak pada loss ratio dan expense ratio, dan bagaimana pasukan risiko boleh mengawal AI tanpa membunuh inovasi.

Soalan untuk anda: kalau pesaing anda memotong kitaran tuntutan separuh lebih cepat pada 2026, apa kesan paling besar kepada portfolio dan reputasi syarikat anda?