ROI GenAI dalam Insurans: Hentikan Hype, Dapatkan Hasil

Pada 12/12/2025, satu angka daripada kajian MIT jadi “wake-up call” kepada banyak industri: sehingga 95% syarikat masih belum nampak ROI yang boleh diukur daripada inisiatif AI. Bagi dunia insurans, ini bukan sekadar statistik yang sedap dipetik dalam mesyuarat—ini amaran bahawa fasa “cuba-cuba” sudah tamat.

Bila masuk hujung tahun (dan ramai organisasi tengah susun bajet 2026), soalan yang makin kerap saya dengar bukan lagi “AI boleh buat apa?”, tetapi “berapa pulangan, dan bila?”. Dalam insurans dan pengurusan risiko, jawapan yang jujur selalunya begini: ROI GenAI memang ada, tetapi ia bukan datang dari chat interface semata-mata. Ia datang bila GenAI dilekatkan pada masalah operasi yang spesifik, dengan data yang kemas dan proses yang dibetulkan.

Artikel RSS ini menyebut perubahan besar dalam nada perbualan industri: broker dan carrier masih melabur, tetapi kini terpaksa membuktikan pulangan. Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya nak bawa perbincangan ini ke tahap yang lebih praktikal—apa use case yang cepat beri hasil, bagaimana kira ROI yang realistik, dan apa perangkap yang buat pelaburan AI jadi mahal tapi sunyi.

Realiti ROI GenAI: Nilai cepat datang daripada kecekapan

ROI GenAI paling cepat muncul dalam kerja yang berulang, banyak dokumen, dan banyak komunikasi—bukan pada projek “ubah seluruh syarikat” dalam masa 3 bulan. Dalam insurans, itu biasanya bermakna: petikan lebih pantas, pembaharuan meningkat, kitaran tuntutan dipendekkan, dan produktiviti staf naik.

Artikel sumber menekankan corak yang jelas: signal ROI awal lebih kuat untuk use case berasaskan kecekapan. Ini selari dengan apa yang saya lihat di lapangan—GenAI yang “menang” biasanya yang menyelamatkan minit, bukan yang menjanjikan magis.

Use case yang paling mudah nampak matematiknya

Bila use case ada impak kewangan yang terus boleh dikira, anda boleh “tutup debat” dengan lebih cepat.

Antara use case yang biasanya senang dibuktikan:

• Pembaharuan polisi (renewal): mesej peringatan yang lebih konsisten, ringkasan perubahan polisi yang jelas, cadangan tindakan kepada ejen.
• Perbandingan polisi & dokumen: ekstrak klausa, semak pengecualian, banding manfaat—kerja yang biasanya makan masa.
• Pemprosesan dokumen: borang tuntutan, laporan penilaian, invois pembaikan, laporan polis.
• Komunikasi pelanggan: draf e-mel, ringkasan kes, jawapan pantas dengan gaya yang patuh tatabahasa dan nada.

“ROI GenAI yang paling mudah dipertahankan ialah ROI yang melekat pada metrik operasi—masa, kadar ralat, dan kadar pengekalan pelanggan.”

Broker vs Carrier: Strategi berbeza, risiko pun berbeza

Broker cenderung menang dengan projek kecil yang cepat siap. Carrier cenderung mengejar projek besar yang lambat, tetapi potensi pulangannya lebih tinggi. Struktur perniagaan mereka memang berbeza, jadi logik pelaburan AI juga berbeza.

Broker: menang melalui projek taktikal yang murah dan cepat

Broker (terutama yang independen) biasanya fokus pada kerja harian yang terus kena pada hasil:

• Staf boleh siapkan pembaharuan lebih cepat
• Pengendalian dokumen jadi lebih teratur
• Perbualan dengan pelanggan lebih konsisten

Projek begini:

• Lebih murah untuk bermula
• Lebih cepat untuk diuji (minggu, bukan tahun)
• Lebih senang dapat “buy-in” dalaman

Komprominya? Kesan biasanya incremental, bukan transformasi total. Tetapi incremental yang konsisten—contohnya naikkan renewal 1–3%—boleh jadi duit besar.

Carrier: ROI besar, tetapi “execution risk” pun besar

Carrier bermain pada skala yang lebih besar. Mereka sasarkan bahagian rantaian nilai yang lebih kompleks:

• Sokongan underwriting (ringkasan risiko, semakan dokumen, cadangan soalan susulan)
• Triage tuntutan (keutamaan kes, pengesanan kes kompleks)
• Pengesanan penipuan (corak luar biasa, inconsistency dokumen)
• Pengoptimuman harga (pricing) melalui gabungan ML + data baharu
• Automasi khidmat pelanggan

Artikel menyebut pemfailan paten AI dalam insurans banyak didominasi segelintir pemain besar (contohnya State Farm, USAA, Allstate), dan GenAI meningkat dari 4% kepada 31% pemfailan sejak 2023—terutama pada tuntutan dan proses berdepan pelanggan. Itu petanda bahawa pelaburan bergerak ke tempat yang “buat duit” dan “kurangkan kebocoran”.

Namun realitinya: projek besar perlukan data yang bersih, integrasi sistem legasi, governance, dan perubahan cara kerja. Kalau salah langkah, kos lari dan ROI jadi kabur.

Cara kira ROI GenAI yang tak menipu diri sendiri

Masalah terbesar bukan pada ‘R’ (return). Masalahnya pada ‘I’ (investment) yang kabur dan berubah-ubah. Kos GenAI bukan setakat lesen vendor. Ia termasuk compute, data engineering, keselamatan, pematuhan, latihan staf, dan redesign proses.

Artikel mengaitkan situasi ini dengan era awal internet: dulu orang pun tertanya ROI buat laman web. Bezanya, GenAI hari ini boleh jadi jauh lebih mahal kalau anda biarkan penggunaan tidak terkawal.

Model yang saya percaya: ukur pada tahap use case, bukan “AI secara umum”

Ini pendekatan yang makin popular: jangan tanya “AI kita dah untung belum?”. Tanyakan:

1. Use case A: adakah masa pemprosesan turun?
2. Use case B: adakah kadar ralat turun?
3. Use case C: adakah renewal naik?

Kemudian, anda kumpul kemenangan kecil itu sebagai portfolio.

Contoh kiraan ROI yang praktikal (boleh bawa ke CFO)

Ambil contoh mudah untuk unit tuntutan:

• 40 adjuster
• 18,000 fail tuntutan setahun
• GenAI bantu ringkaskan dokumen dan sediakan draf komunikasi
• Jimat 8 minit setiap fail (bukan 30 minit—buat sasaran yang realistik)

Kiraan masa:

• 18,000 × 8 minit = 144,000 minit
• 144,000 minit ÷ 60 = 2,400 jam setahun

Jika kos jam efektif (gaji + overhead) ialah RM120/jam, nilai masa:

• 2,400 × RM120 = RM288,000 setahun

Kalau kos keseluruhan use case (lesen, integrasi, latihan, governance) RM180,000 setahun, anda ada ruang ROI yang sihat. Ini belum masuk kesan lain seperti:

• Kurang backlog
• Kepuasan pelanggan naik (kurang churn)
• Pengesanan penipuan lebih awal

Kunci dia satu: pilih metrik yang semua orang setuju dari awal.

Jangkaan masa ROI: 2–4 tahun itu normal

Deloitte melaporkan (2025) majoriti organisasi jangka pulangan AI ambil 2 hingga 4 tahun, jauh lebih lambat daripada projek IT biasa (7–12 bulan). Dan hanya 6% dapat payback dalam setahun.

Ini bukan alasan untuk melambatkan keputusan. Ini isyarat untuk:

• pilih use case yang betul,
• guna fasa (pilot → scale),
• dan tegas hentikan projek yang tak bergerak.

“Chatbot bukan strategi”: tempat AI sebenar beri nilai dalam pengurusan risiko

GenAI yang diletak sebagai chat interface sahaja jarang menghasilkan pengalaman tuntutan yang jauh lebih baik. Nilai datang bila ia menyentuh seluruh workflow. Ini mesej penting daripada sumber, dan saya setuju.

Dalam pengurusan risiko, AI bernilai bila ia:

1) Memperkemas underwriting, bukan menggantikan underwriter

Underwriter bukan perlukan “AI yang pandai bercakap”. Mereka perlukan:

• ringkasan pendedahan risiko daripada dokumen panjang
• semakan konsistensi maklumat (contoh: alamat, aktiviti perniagaan, jumlah diinsuranskan)
• cadangan soalan susulan untuk kurangkan ketidakpastian

Hasil yang boleh diukur:

• masa turn-around quote turun
• kadar “rework” turun
• kadar kelulusan lebih konsisten

2) Mempercepat tuntutan dengan triage yang jelas

Dalam tuntutan, GenAI boleh:

• klasifikasi kes ringkas vs kompleks
• tarik poin penting dari laporan
• draf surat/nota fail yang standard dan kemas

Hasil yang boleh diukur:

• masa cycle tuntutan turun
• kadar aduan pelanggan turun
• produktiviti adjuster naik

3) Menguatkan pengesanan penipuan melalui “signal + cerita”

Model ML selalunya bagus keluarkan skor risiko penipuan. GenAI boleh tambah nilai dengan:

• menerangkan kenapa skor tinggi dalam bentuk naratif yang mudah difahami penyiasat
• menyusun bukti dari dokumen berbeza
• membina “timeline” kejadian

Hasil yang boleh diukur:

• masa siasatan awal turun
• lebih banyak kes disaring sebelum bayar

Dalam tuntutan, AI yang bagus bukan yang paling petah—ia yang paling cepat mengurangkan ketidakpastian.

Pelan 90 hari untuk mula nampak hasil (tanpa bazir bajet)

Kalau anda nak bina momentum, 90 hari pertama mesti fokus pada 1–2 use case dengan data yang tersedia dan metrik yang tajam. Ini langkah yang biasanya paling selamat untuk broker dan carrier.

Minggu 1–2: pilih use case yang ‘boleh menang’

Kriteria pemilihan:

• volum kerja tinggi
• langkah proses jelas
• output standard (e-mel, ringkasan, nota fail)
• risiko pematuhan boleh dikawal

Minggu 3–6: kemas data minimum yang diperlukan

Bukan perlu sempurna. Tetapi mesti:

• sumber dokumen konsisten
• penamaan fail/medan asas standard
• akses dan kawalan data jelas

Minggu 7–10: bina ‘human-in-the-loop’ dan guardrail

Untuk insurans, ini wajib:

• semakan manusia sebelum hantar kepada pelanggan
• log audit (siapa guna, apa output)
• dasar data sensitif (PII) yang tegas
• set “do-not-generate” untuk nasihat yang berisiko

Minggu 11–13: ukur dan putuskan—scale atau stop

Ukur dengan 3 metrik maksimum. Contoh:

• purata masa pemprosesan (minit/kes)
• kadar ralat/ulang kerja
• kadar pengekalan pelanggan (untuk renewal)

Kalau tiada pergerakan, hentikan. Syarikat yang matang dalam AI bukan yang paling banyak pilot—tetapi yang paling cepat membuat keputusan.

Apa yang patut dibuat minggu ini (dan kenapa ia relevan untuk 2026)

Bila pasaran tech global sedang sensitif terhadap perbelanjaan AI dan pelabur mula risau “bubble”, industri insurans sebenarnya ada peluang. Insurans kaya dengan data sejarah, dan prosesnya sarat dengan dokumen—dua benda yang AI memang boleh bantu.

Tetapi peluang itu hanya jadi realiti kalau organisasi berhenti fikir AI sebagai peluru perak. Mulakan dengan masalah operasi, bina disiplin pengukuran ROI, dan jaga data serta governance.

Jika anda sedang merancang hala tuju “AI dalam Insurans dan Pengurusan Risiko” untuk 2026, saya cadangkan satu langkah yang paling praktikal: pilih satu proses (underwriting atau tuntutan) dan tetapkan satu metrik yang semua orang faham. Lepas itu barulah kita bercakap tentang scale.

Akhirnya, soalan yang patut tinggal dalam kepala kita bukan “AI kita dah ada belum?” tetapi: proses mana yang masih lambat, mahal, dan mudah tersilap—dan bagaimana GenAI boleh potong ketirisan itu dengan selamat?