ILS Meningkat: Apa Maksudnya untuk AI Risiko Insurans

Kerugian bencana alam yang diinsuranskan kini kerap melepasi paras USD100 bilion setahun—dan 2025 bukan pengecualian. Itu sebabnya pasaran Insurance-Linked Securities (ILS) terus membesar: pembeli perlindungan perlukan kapasiti, pelabur mahukan pulangan yang menarik, dan semua pihak mahukan pengurusan risiko yang lebih kemas.

Dalam satu pemerhatian pasaran yang dikongsi pada 18/12/2025, Mark Gibson (Schroders Capital) menekankan dua pemacu utama: prestasi ILS yang kukuh sejak beberapa tahun kebelakangan ini dan permintaan pelabur yang meningkat. Bagi saya, ini bukan sekadar cerita “asset class yang tengah popular”. Ini isyarat yang lebih besar: industri sedang bergerak ke arah pemindahan risiko yang semakin bergantung pada data, dan di sinilah AI dalam insurans dan pengurusan risiko jadi penentu.

ILS memang unik—pulangannya banyak bergantung kepada sama ada bencana besar berlaku atau tidak. Tetapi bila dana bertambah besar dan bidaan makin kuat, disiplin harga dan terma juga makin mencabar. Dalam keadaan itu, AI bukan aksesori. AI ialah enjin keputusan untuk mengekalkan keuntungan, mengawal pendedahan, dan mengelakkan risiko “salah harga” yang mahal.

Kenapa ILS terus berkembang (dan kenapa anda patut ambil peduli)

Jawapan ringkas: pelabur mengejar pulangan dan diversifikasi, sementara pembeli perlindungan mahu kapasiti yang stabil untuk risiko bencana.

Gibson menerangkan bahawa prestasi baik beberapa tahun kebelakangan ini telah:

• Menarik aliran masuk baharu ke pengurus dana ILS
• Meningkatkan AUM (aset di bawah pengurusan) secara automatik melalui pulangan terkumpul
• Mewujudkan bidaan yang lebih kuat berbanding 2023 dan 2024

Bila duit pelabur masuk dengan laju, pembeli perlindungan (contohnya syarikat insurans/reinsurans) mula menekan spread kembali ke aras jangka panjang—walaupun masih “menarik” berbanding sejarah.

Apa implikasinya kepada pasaran insurans

ILS bukan sekadar instrumen pelaburan. Ia saluran kapasiti risiko.

Bila kapasiti bertambah:

1. Harga perlindungan (contohnya perlindungan bencana) boleh jadi lebih kompetitif
2. Insurer boleh mengurus modal dengan lebih fleksibel
3. Struktur produk (contohnya catastrophe bond, sidecar, atau perlindungan parametrik) boleh berkembang

Tetapi ada syarat: pasaran mesti berkembang sekurang-kurangnya seiring dengan pertumbuhan modal pelabur, kalau tidak spread akan tertekan dan syarat/terma boleh jadi longgar.

“Tidak berkorelasi” bukan slogan—ia sebab pelabur datang

Jawapan ringkas: ILS menarik kerana prestasinya tidak bergerak seiring saham, bon korporat, atau geopolitik.

Gibson menekankan satu perkara yang ramai pelabur suka: apa yang berlaku di pasaran kewangan—kejutan ekonomi, pergolakan politik—tidak menyebabkan taufan atau gempa bumi berlaku. Ini yang menjadikan ILS “uncorrelated” secara struktur.

“Peristiwa ekonomi atau politik tidak mencipta bencana alam. Prestasi ILS ditentukan oleh kejadian bencana—berlaku atau tidak.”

Bagi pengurus risiko, kenyataan ini penting kerana ia mengubah cara portfolio risiko dibina. ILS memberi diversifikasi yang bukan kosmetik, tetapi berpunca daripada pemacu risiko yang berbeza.

Namun… ketidakberkorelasi tidak sama dengan “selamat”

ILS tetap terdedah kepada:

• Kekerapan dan keterukan bencana yang meningkat
• Risiko model (model risk) bila anggaran hazard tidak tepat
• Risiko struktur (trigger, definisi event, tempoh perlindungan)
• Risiko penumpuan (contohnya terlalu banyak pendedahan pada wilayah/season tertentu)

Dan di sinilah AI memberi nilai: mengesan penumpuan yang tersembunyi dan menilai semula hazard secara lebih dinamik.

Di mana AI paling “kena” untuk ILS dan reinsurans

Jawapan ringkas: AI membantu pada tiga lapisan—ramalan bahaya, harga & terma, dan pengurusan portfolio.

Bila pasaran semakin kompetitif (spread mengecil), toleransi terhadap kesilapan makin rendah. AI boleh mengurangkan kesilapan melalui keputusan yang lebih berasaskan data.

1) Pemodelan risiko bencana yang lebih adaptif

Banyak organisasi masih bergantung pada model tradisional yang dikemas kini mengikut kitaran tertentu. Masalahnya: realiti iklim, pembangunan bandar, dan corak kerugian bergerak lebih laju.

Pendekatan AI yang praktikal dalam konteks ini:

• Pembelajaran mesin untuk mengesan perubahan pola kerugian mengikut wilayah (contohnya perubahan intensiti hujan ekstrem)
• Penggabungan data bukan tradisional: imej satelit, data IoT, data penggunaan tanah
• Model ensemble untuk membandingkan beberapa model hazard dan mengurangkan bias

Hasil yang dicari bukan “AI meramal taufan dengan tepat”, tetapi lebih realistik: AI mengurangkan ketidaktentuan harga dan meningkatkan kualiti pemilihan risiko.

2) Underwriting dan penetapan harga yang konsisten bila AUM meningkat

Gibson menyebut AUM meningkat kerana prestasi. Bila AUM naik, pengurus dana perlu menempatkan modal—dan tekanan untuk “deploy capital” boleh melemahkan disiplin.

AI boleh menjadi pengawal disiplin melalui:

• Skor risiko automatik (risk scoring) untuk menapis transaksi yang nampak menarik tetapi sebenarnya ‘thin’ dari segi pampasan risiko
• Analisis terma (terms) dan klausul menggunakan NLP untuk mengesan syarat yang memberi kelemahan pada pelabur (contohnya definisi event yang luas)
• Simulasi pantas: beribu senario kerugian untuk menguji sama ada spread masih masuk akal

Kalau spread bergerak ke paras jangka panjang, kelebihan kompetitif bukan lagi “dapat deal banyak”. Kelebihannya ialah pilih deal yang betul.

3) Pengurusan pendedahan & pengoptimuman modal

Dalam ILS, salah satu masalah klasik ialah “nampak diversifikasi” tetapi sebenarnya berkongsi pemacu yang sama—contohnya beberapa cat bond berbeza tetapi semua sensitif pada satu pola cuaca.

AI membantu dengan:

• Pengesanan kluster risiko (risk clustering) untuk melihat pendedahan yang berkait secara tersembunyi
• Pengoptimuman portfolio berasaskan kekangan (constraint-based optimization): had wilayah, had peril, had seasonality
• Amaran awal bila portfolio mula terkeluar daripada mandat risiko

Untuk insurer/reinsurer, ini bersambung terus kepada topik siri kita: AI dalam pengurusan risiko bukan sekadar automasi—ia alat untuk menstabilkan keputusan modal.

Menjawab kebimbangan pelabur: risiko kredit, kadar faedah, dan disiplin pasaran

Jawapan ringkas: kebanyakan kebimbangan boleh diurus jika struktur dan proses analitik betul.

Gibson menyentuh kebimbangan tentang risiko kredit. Dalam banyak transaksi ILS, isu kredit pembeli perlindungan biasanya tidak menjadi risiko utama kepada pelabur kerana struktur boleh menyebabkan matang awal (early maturity) jika pembeli menjadi insolven—mengurangkan risiko berlarutan.

Selain itu, Gibson menyebut ILS mempunyai asas kadar terapung (floating rate base), jadi perubahan kadar faedah tidak menjejaskan cara yang sama seperti bon kadar tetap.

Apa yang saya nampak sebagai risiko yang lebih “senyap”

Risiko paling senyap dalam kitaran permintaan pelabur yang tinggi ialah erosion of discipline:

• Terma makin longgar sebab persaingan
• Spread tak cukup untuk menampung ketidaktentuan
• Model hazard tak “catch up” dengan perubahan dunia sebenar

AI membantu mengurangkan risiko ini, tetapi hanya jika organisasi betul-betul meletakkan AI dalam aliran kerja keputusan—bukan sekadar dashboard untuk cantikkan laporan.

Senario praktikal: bagaimana AI boleh digunakan dalam proses ILS

Jawapan ringkas: mulakan dengan 3 use case yang cepat memberi pulangan.

Berikut contoh pelaksanaan yang realistik untuk pengurus dana ILS, reinsurer, atau unit risiko pasaran:

1. “Deal triage” automatik

   • Model menilai ringkasan transaksi, peril, geografi, trigger, tempoh
   • Output: cadangan pass / review / prioritize

2. Analitik spread-vs-risk

   • Model membina metrik dalaman: pulangan dijangka vs tail risk
   • Output: had spread minimum mengikut peril dan musim

3. Pemantauan portfolio masa nyata

   • Sistem amaran bila pendedahan wilayah/peril melepasi had
   • Output: cadangan rebalancing atau hedging

Kalau anda baru nak bermula, tiga langkah ini biasanya lebih mudah mendapat sokongan dalaman kerana jelas impaknya pada P&L dan governance.

Apa yang patut dibuat menjelang 2026: agenda keputusan yang lebih “data-first”

Jawapan ringkas: pasaran nampak terus berkembang, jadi proses keputusan perlu naik taraf.

Gibson melihat pipeline hujung 2025 hingga 2026 kelihatan baik, dengan syarat pertumbuhan bekalan transaksi seiring permintaan pelabur—supaya spread dan terma kekal berdisiplin.

Bagi organisasi yang berada dalam rantaian nilai insurans (insurer, reinsurer, broker, pengurus aset, atau pemilik risiko korporat), saya cadangkan fokus pada tiga perkara untuk 2026:

• Governance AI: siapa pemilik model, bagaimana validasi dibuat, bagaimana bias dikesan
• Data strategy: sumber data bencana, exposure, tuntutan, dan data alternatif—serta kualiti data
• Integrasi operasi: AI mesti hidup dalam underwriting, portfolio, dan pemantauan—bukan hanya di makmal data

Permintaan perlindungan bencana akan terus meningkat. Persoalannya bukan sama ada pasaran ILS akan berkembang—tetapi siapa yang mampu menilai risiko dengan lebih cepat, tepat, dan konsisten ketika modal pelabur semakin besar.

Jika anda sedang menilai cara AI boleh menguatkan underwriting, pemodelan risiko, atau strategi pemindahan risiko (termasuk ILS), saya sarankan audit ringkas: di mana keputusan anda hari ini masih bergantung pada “andaian lama” sedangkan data sebenarnya dah berubah?