AI Percepat Kerjasama Insurer–Broker Tanpa Serabut

Pada hujung tahun, banyak syarikat tutup buku—dan satu masalah lama akan muncul semula: permohonan polisi bertimbun, dokumen tak seragam, dan keputusan underwriting lambat. Dalam insurans komersial, kelewatan 24–48 jam pun boleh jadi punca pelanggan “lari” ke pilihan lain. Realitinya mudah: insurer (carrier) dan broker masih banyak bekerja dalam mod “hantar e-mel, tunggu jawapan”.

Saya setuju dengan mesej utama perbincangan industri seperti yang sering dibangkitkan dalam wawancara-wawancara insurans: kerjasama carrier–broker perlu lebih rapat untuk menutup protection gap (jurang perlindungan) dan menyusun semula aliran kerja. Tapi saya akan tambah satu pendirian yang tegas: tanpa automasi pintar dan integrasi data, “kerjasama” hanya jadi slogan.

Artikel ini berada dalam siri “AI dalam Logistik dan Rantaian Bekalan”—dan itu bukan pelik. Kerjasama carrier–broker sebenarnya ialah isu rantaian bekalan juga: pipeline permohonan, data, kelulusan, dokumen, dan tuntutan bergerak seperti barang di gudang. Jika AI boleh mengoptimumkan laluan penghantaran dan ramalan permintaan, AI juga boleh mengoptimumkan “aliran risiko” dalam insurans.

Kenapa kerjasama carrier–broker masih tersekat

Jawapan ringkas: data tak “mengalir” dengan lancar, jadi keputusan jadi lambat dan tidak konsisten.

Dalam amalan harian, broker cuba memadankan keperluan pelanggan dengan selera risiko carrier. Carrier pula perlu buat keputusan underwriting berdasarkan maklumat yang cukup, tepat, dan terkini. Bila data pelanggan datang dalam format berbeza (PDF, e-mel, Excel, gambar), proses jadi manual—dan manual bermaksud:

• banyak back-and-forth untuk “lengkapkan dokumen”
• kesilapan input data (yang nampak kecil, tapi boleh ubah premium atau syarat)
• kes sukar (contohnya E&S / risiko kompleks) makin lambat ditutup

Masalah sebenar: jurang perlindungan lahir daripada jurang data

Protection gap bukan semata-mata pelanggan tak beli perlindungan. Ia juga berlaku bila:

• broker tak sempat bandingkan pilihan kerana proses ambil masa
• underwriting menolak kerana data tak cukup, bukan kerana risiko “tak layak”
• polisi disusun terlalu umum (tidak ikut profil operasi sebenar)

Di sinilah AI paling berguna—bukan untuk menggantikan broker atau underwriter, tetapi untuk membuang kerja remeh supaya manusia fokus pada penilaian risiko dan nasihat.

Apa yang AI boleh “automasi” dalam hubungan carrier–broker

Jawapan terus: komunikasi, pengumpulan data, triage risiko, dan dokumentasi—empat komponen yang paling banyak membazir masa.

Bayangkan aliran kerja seperti rantaian bekalan: permohonan masuk (inbound), disusun dan disemak (warehouse ops), dinilai (quality control), kemudian dihantar keluar sebagai sebut harga/polisi (outbound). AI boleh bantu di setiap stesen.

1) AI untuk “intake” permohonan dan standardisasi dokumen

AI berasaskan NLP dan OCR boleh:

• mengekstrak data daripada borang, PDF, e-mel, loss runs, dan lampiran
• menyusun medan data ikut templat carrier (contohnya kelas perniagaan, lokasi, nilai harta, had perlindungan)
• mengesan “missing fields” secara automatik

Kesan praktikal: broker dapat semak kelengkapan dalam minit, bukan berjam-jam. Carrier pula terima data yang lebih kemas—kurang alasan untuk “minta dokumen tambahan” berkali-kali.

2) AI untuk triage risiko dan “routing” ke pasukan betul

Banyak organisasi masih guna logik manual: staf pilih pasukan underwriting berdasarkan pengalaman. AI boleh buat lebih konsisten dengan:

• skor kesesuaian risiko kepada selera portfolio
• cadangkan next best action (contohnya perlukan survey, perlukan risk engineering, atau terus quote)
• routing permohonan ke underwriter spesifik (mengikut niche industri)

Dalam konteks E&S (risiko kompleks), triage ini sangat bernilai kerana kes biasanya datang dengan variasi tinggi. AI di sini bertindak macam sistem penghalaan pintar dalam logistik—hantar barang ke lorong yang betul, bukan biar tersangkut di pintu gudang.

3) AI untuk komunikasi: ringkasan, jawapan pantas, dan jejak audit

Kerjasama yang baik memerlukan komunikasi yang jelas. Tapi e-mel panjang dan thread bertindih memakan masa. AI boleh:

• ringkaskan e-mel / nota panggilan kepada poin tindakan
• cadangkan draf jawapan kepada pertanyaan broker (dengan rujukan kepada garis panduan underwriting dalaman)
• memastikan semua keputusan ada justifikasi dan jejak audit (penting untuk pematuhan)

Saya suka pendekatan ini kerana ia realistik: bukan semua proses perlu “AI sepenuhnya”. Kadang-kadang cukup dengan mengurangkan 30% masa komunikasi—hasilnya besar.

4) AI dalam tuntutan (claims) untuk rapatkan gelung kerjasama

Tuntutan ialah “ujian sebenar” kepada hubungan carrier–broker. AI boleh membantu:

• klasifikasi tuntutan awal (severity, fraud signals, dokumen diperlukan)
• automasi semakan polisi vs punca kerugian
• kemas kini status tuntutan secara proaktif kepada broker dan pelanggan

Bila tuntutan bergerak laju dan telus, broker lebih percaya carrier. Bila broker percaya, penempatan risiko seterusnya jadi lebih mudah. Ini kitaran yang menguntungkan kedua-dua pihak.

Data integrasi: “API dulu”, kemudian AI

Jawapan terus: AI hanya sekuat data dan integrasi sistem di belakangnya.

Banyak syarikat terus beli alat AI, kemudian kecewa sebab data berselerak. Pendekatan yang lebih sihat:

1. Tetapkan data minimum yang wajib untuk setiap line of business (contohnya property, liability, marine, cyber)
2. Gunakan integrasi API antara broker platform, CRM, sistem dokumen, dan underwriting workbench
3. Bina “single source of truth” untuk versi dokumen dan status permohonan
4. Baru tambah AI untuk automasi, triage, dan cadangan

Analogi rantaian bekalan yang kena tepat

Dalam logistik, syarikat tak boleh guna AI untuk optimasi laluan kalau alamat pun tak standard. Sama juga dalam insurans: kalau lokasi risiko, nilai aset, atau sejarah kerugian tak konsisten, AI hanya mempercepatkan kekeliruan.

Playbook 90 hari: bina kerjasama carrier–broker yang lebih laju

Jawapan terus: fokus pada tiga metrik—kelengkapan data, masa pusingan (TAT), dan kadar “rework”.

Kalau anda nak mula tanpa projek mega, ini langkah yang saya cadangkan untuk 90 hari.

Minggu 1–2: pilih satu aliran kerja bernilai tinggi

Contoh pilihan yang baik:

• pembaharuan polisi SME yang banyak volum
• risiko property komersial dengan dokumen standard
• satu niche E&S yang kerap (contohnya hospitality atau kontraktor)

Minggu 3–6: automasi intake + semakan kelengkapan

• bina templat data
• guna OCR/NLP untuk ekstrak data dokumen
• wujudkan “checklist pintar” untuk broker

Sasaran metrik: kurangkan permintaan dokumen susulan sekurang-kurangnya 20%.

Minggu 7–10: triage dan routing automatik

• bina peraturan + model ringkas (bukan semestinya model kompleks)
• tetapkan ambang skor: auto-approve untuk kes mudah, escalate untuk kes kompleks

Sasaran metrik: potong TAT sebut harga 15–30% untuk kes standard.

Minggu 11–13: komunikasi dan kemas kini status yang konsisten

• ringkasan automatik untuk setiap kes
• notifikasi status kepada broker (contohnya: “menunggu dokumen”, “dalam semakan”, “quote siap”)

Sasaran metrik: turunkan kadar “follow-up e-mel” dan panggilan status sekurang-kurangnya 25%.

Satu ayat yang saya suka pegang: Jika broker perlu tanya status lebih daripada sekali, sistem anda bermasalah—bukan broker.

Soalan lazim yang biasanya timbul (dan jawapan terus)

“Adakah AI akan buat underwriter jadi tak relevan?”

Tidak. AI memindahkan masa underwriter daripada kerja pentadbiran kepada kerja penilaian risiko—terutama untuk kes kompleks dan E&S.

“Bagaimana nak elak risiko pematuhan dan privasi?”

Mulakan dengan data governance: klasifikasi data, kawalan akses, log audit, dan polisi retention. Pilih penggunaan AI yang boleh dijelaskan (explainable) untuk keputusan penting seperti penolakan atau perubahan terma.

“Apa tanda paling jelas kerjasama carrier–broker sedang bocor?”

Tiga tanda ini paling ketara:

• terlalu banyak kes “pending info”
• dokumen berulang kali diminta
• broker hantar risiko yang sama kepada ramai carrier sebab tak yakin TAT

Penutup: kerjasama yang baik ialah sistem, bukan niat

Kerjasama carrier–broker yang lebih berkesan bukan sekadar mesyuarat, KPI, atau slogan “partner-first”. Ia kerja membina sistem aliran maklumat yang jelas—macam rantaian bekalan yang tersusun. Bila AI digunakan pada tempat yang betul (intake, triage, komunikasi, tuntutan), kerja yang biasanya mengambil hari boleh turun jadi jam.

Jika anda sedang merancang 2026, ini langkah yang saya akan buat sekarang: pilih satu aliran kerja, kemaskan data minimum, integrasikan sistem, dan gunakan AI untuk buang kerja remeh. Hasilnya bukan sahaja cepat—ia juga lebih konsisten dan mudah diaudit.

Anda nak kerjasama carrier–broker jadi lebih laju, atau anda nak terus membayar “cukai” e-mel dan PDF untuk setahun lagi?