Tuntutan D&O Meningkat: AI Bantu Insurans Kekal Pantas

Kekerapan tuntutan D&O (Directors & Officers) sedang naik, dan puncanya bukan “satu faktor besar” semata-mata. Ia gabungan risiko global yang bergerak serentak—geopolitik, tekanan kos, kebankrapan, penguatkuasaan regulatori, serta insiden siber—yang akhirnya meletakkan lembaga pengarah di bawah mikroskop.

Data yang sukar diabaikan: kebankrapan perniagaan global dijangka meningkat 6% pada 2025 dan 5% pada 2026, menjadikan lima tahun berturut-turut peningkatan dan paras 24% lebih tinggi daripada purata pra-pandemik. Dalam pasaran litigasi sekuriti pula, kos penyelesaian purata meningkat 27% pada separuh pertama 2025 kepada kira-kira US$56 juta. Ini bukan sekadar statistik; ia terus menekan premium, kapasiti, dan selera risiko penanggung insurans.

Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka melihat isu ini sebagai isyarat jelas: pengurusan risiko tradisional sedang dikejar oleh kelajuan risiko baharu. Ada jalan yang lebih praktikal—gunakan AI dan analitik ramalan untuk mengesan perubahan lebih awal, mempercepat keputusan underwriting, dan mengurus tuntutan D&O secara lebih konsisten.

Kenapa tuntutan D&O naik: tiga pemacu yang saling menguatkan

Jawapan ringkasnya: tuntutan D&O meningkat apabila ketidakpastian bertukar menjadi kerugian kewangan, kemudian menjadi tindakan undang-undang atau penguatkuasaan, dan akhirnya menjadi tuntutan.

1) Geopolitik & peraturan: keputusan pengarah makin “berisiko litigasi”

Bila tarif berubah, sekatan perdagangan muncul, atau operasi rentas sempadan terjejas, lembaga pengarah boleh dituduh salah jangka kesan geopolitik terhadap syarikat atau gagal menyesuaikan pematuhan peraturan di negara tertentu. Tuntutan boleh datang daripada:

• tindakan pemegang saham (misrepresentation, pendedahan tidak mencukupi)
• penalti regulatori terhadap entiti dan individu pembuat keputusan
• dakwaan kecuaian dalam strategi atau pengurusan risiko

Bagi penanggung insurans, cabarannya ialah risiko ini dinamik. Ia berubah ikut pengumuman polisi, rejim sanksi, dan reaksi pasaran. Model “semak setahun sekali” tak cukup lagi.

2) Risiko siber: lembaga pengarah kini diukur pada tahap pengawasan

Trend besar yang saya lihat: insiden siber bukan lagi isu IT semata-mata. Ia isu tadbir urus. Bila berlaku kebocoran data, ransomware, atau kegagalan teknikal yang mengganggu operasi, lembaga boleh dipersoalkan—adakah kawalan risiko mencukupi? Adakah pelan kesinambungan perniagaan wujud dan diuji?

Satu petunjuk penting: ransomware menyumbang kira-kira 60% daripada nilai tuntutan siber besar (melebihi €1 juta) pada separuh pertama 2025. Bila insiden ini menimbulkan kerugian material, tindakan undang-undang boleh datang daripada pelanggan, pembekal, atau pemegang saham—dan itu cepat menyeberang menjadi tuntutan D&O.

3) Insolvensi: “punca tuntutan paling klasik” yang sedang memuncak

Bila syarikat jatuh muflis, persoalan yang lazim timbul ialah: adakah pengarah mengesan tanda amaran lebih awal? Adakah pendedahan kepada pasaran tepat? Adakah terdapat salah urus aliran tunai, pengurusan hutang, atau risiko rantaian bekalan?

Risiko insolvensi pula tidak sekata. Ia lebih tertumpu dalam sektor seperti:

• automotif
• pembinaan
• runcit
• barangan pengguna

Dalam persekitaran kos meningkat, permintaan lemah, transformasi teknologi dan peraturan yang berubah, kebankrapan boleh mencetuskan “gelombang susulan” tuntutan—bukan sahaja terhadap syarikat, tetapi terhadap individu yang meluluskan keputusan penting.

Apa yang ini maksudkan kepada penanggung insurans dan broker

Jawapan paling tepat: pasaran D&O semakin menuntut ketepatan penilaian risiko dan kelajuan tindak balas—dua perkara yang manusia saja sukar lakukan pada skala besar.

Underwriting D&O sedang berubah daripada dokumen kepada isyarat masa nyata

Sebelum ini, underwriting banyak bergantung pada:

• penyata kewangan tahunan
• soal selidik tadbir urus
• sejarah litigasi
• profil industri

Masih relevan, tetapi tak lagi mencukupi. Tuntutan D&O hari ini dipacu oleh peristiwa yang berlaku “tiba-tiba”: serangan siber, penguatkuasaan regulatori, perubahan polisi kerajaan, atau tekanan kewangan yang melonjak dalam beberapa minggu.

Apa yang diperlukan ialah enjin isyarat (signal engine) yang memantau risiko dan menyuap underwriting dengan kemas kini berkala—bukan menunggu pembaharuan tahunan.

Severity tuntutan: kos penyelesaian yang meningkat mengubah matematik portfolio

Apabila purata penyelesaian tindakan kelas meningkat (contohnya angka US$56 juta pada H1 2025), implikasinya jelas:

• penanggung insurans perlu menilai semula had perlindungan dan struktur layer
• deductible/retention perlu selari dengan profil risiko sebenar
• strategi pengurusan tuntutan (claims strategy) menjadi faktor keuntungan utama

Di sinilah AI memberi kelebihan yang sangat nyata—bukan hype—kerana ia membantu mengurangkan “blind spots” pada awal kitaran tuntutan.

Bagaimana AI menjadikan D&O lebih boleh diurus (bukan sekadar lebih automatik)

Jawapan ringkas: AI membantu pada tiga titik kritikal—ramalan risiko, keputusan underwriting, dan pengendalian tuntutan.

1) Analitik ramalan untuk mengesan risiko sebelum ia jadi tuntutan

AI yang berkesan dalam D&O bukan semestinya generatif; ia sering berupa gabungan:

• model kebarangkalian insolvensi (menggunakan nisbah kewangan + trend industri)
• pemantauan pendedahan siber (contoh: skor permukaan serangan vendor, patch cadence)
• pemantauan perubahan regulatori dan sentimen litigasi

Contoh praktikal (mudah bayang): jika model mengesan gabungan margin menurun, hutang jangka pendek meningkat, dan penurunan jualan berterusan dalam sektor yang memang berisiko, sistem boleh menandakan akaun untuk:

• semakan had perlindungan
• perubahan terma pendedahan (warranties/endorsements tertentu)
• keperluan bukti kawalan (contoh: bukti latihan respons insiden siber)

2) Underwriting berasaskan AI: konsisten, boleh diaudit, dan lebih pantas

Underwriter yang bagus tetap perlu. Tetapi AI boleh menjadi “rakan semak” yang mengurangkan variasi keputusan antara individu.

Apa yang saya anggap praktikal untuk pasukan underwriting D&O:

1. Ringkasan risiko automatik: AI mengekstrak isu utama daripada dokumen kewangan, laporan audit, dan kenyataan korporat.
2. Skor risiko berlapis: satu skor tunggal jarang cukup; lebih baik skor berasingan untuk insolvensi, siber, dan regulatori.
3. Justifikasi keputusan: model perlu memberi sebab yang boleh diaudit (bukan keputusan “kotak hitam”).

Ini penting kerana D&O ialah produk yang sensitif kepada litigasi dan penguatkuasaan. Keputusan underwriting mesti boleh dipertahankan.

3) AI dalam pengurusan tuntutan D&O: triage awal dan kawalan kos

Dalam tuntutan D&O, kelewatan awal biasanya mahal. AI boleh membantu dengan:

• triage: mengklasifikasi kes mengikut kebarangkalian litigasi panjang vs penyelesaian awal
• pengesanan corak: mengenal pasti kelompok tuntutan yang berkaitan (contoh: satu insiden siber yang mencetuskan beberapa tindakan)
• pengesanan penipuan / pembesaran tuntutan: bukan menuduh, tetapi mengesan anomali kos guaman, invois, atau garis masa

“Kelajuan memahami tuntutan pada minggu pertama sering menentukan kos pada bulan keenam.”

Bila triage awal lebih tepat, pasukan tuntutan boleh memadankan kes kepada panel guaman, strategi dokumen, dan laluan penyelesaian yang sesuai.

Pelan tindakan 90 hari untuk insurans yang mahu bersedia dengan lonjakan D&O

Jawapan paling berguna: jangan mula dengan projek AI yang besar. Mula dengan use case yang paling dekat dengan kos.

Langkah 1 (Hari 1–30): Audit data & definisi risiko

Fokus pada asas yang selalu diabaikan:

• data tuntutan D&O 3–5 tahun (jenis dakwaan, sektor, kos guaman, masa tutup)
• data pembaharuan/polisi (had, retention, endorsement)
• atribut risiko siber minimum (contoh: MFA, EDR, latihan tabletop, vendor kritikal)

Output yang saya cadangkan: taksonomi tuntutan D&O yang seragam. Tanpa ini, AI cuma akan menguatkan kekeliruan.

Langkah 2 (Hari 31–60): Bina “risk signals” dan dashboard ringkas

Pilih 5–10 isyarat yang benar-benar boleh ditindak:

• perubahan skor insolvensi (mingguan/bulanan)
• indikator tekanan kewangan
• insiden siber yang memberi impak operasi
• perubahan regulatori yang relevan kepada sektor

Dashboard tak perlu cantik; ia mesti boleh digunakan oleh underwriter dan pasukan tuntutan.

Langkah 3 (Hari 61–90): Automasi triage tuntutan dan playbook keputusan

Mulakan dengan 2 automasi yang beri kesan cepat:

• pengkelasan awal (litigasi tinggi/sederhana/rendah)
• cadangan dokumen/soalan susulan untuk pengarah/insured berdasarkan jenis dakwaan

Tambahkan playbook: bila skor tertentu dicapai, tindakan apa diambil (semak terma, tingkatkan retention, minta bukti kawalan siber, dll.).

Soalan lazim yang selalu timbul (dan jawapan yang terus terang)

“AI akan gantikan underwriter D&O?”

Tidak. Tetapi underwriter yang guna AI akan mengatasi yang tak guna, kerana mereka buat keputusan dengan isyarat lebih segar dan konsisten.

“Adakah AI sesuai untuk pasaran Malaysia/ASEAN?”

Ya, jika fokus pada data yang memang wujud: trend kewangan, rekod tuntutan, profil industri, dan penanda aras kawalan siber. Kuncinya ialah pemodelan yang sensitif kepada konteks tempatan—bukan menyalin bulat-bulat model luar.

“Risiko utama bila guna AI?”

Tiga perkara: data tak bersih, model tak boleh dijelaskan, dan proses kerja tak berubah. AI yang bagus tetapi tidak digunakan dalam operasi tetap tak memberi ROI.

Penutup: D&O yang tahan lasak ialah D&O yang boleh ‘mengesan’ lebih awal

Lonjakan tuntutan D&O hari ini ialah amaran bahawa risiko global bergerak lebih cepat daripada kitaran pengurusan risiko tradisional. Bila kebankrapan meningkat, risiko siber makin mahal, dan penguatkuasaan regulatori semakin aktif, lembaga pengarah akan terus menjadi sasaran—dan penanggung insurans perlu bersedia.

Dalam konteks AI dalam insurans dan pengurusan risiko, saya percaya fokus paling bernilai untuk D&O ialah mewujudkan keupayaan ramalan dan tindak balas pantas: isyarat masa nyata untuk underwriting, triage tuntutan yang lebih tepat, dan disiplin data yang boleh diaudit.

Kalau tuntutan D&O terus meningkat ke 2026, persoalannya bukan sama ada AI patut digunakan—tetapi bahagian mana yang patut diautomasi dahulu supaya keputusan risiko lebih cepat dan lebih tepat?