AI Kurangkan Pertikaian Tuntutan Insurans Marin

Pertikaian tuntutan insurans jarang bermula dengan “penipuan besar”. Selalunya ia bermula dengan perkara yang lebih membosankan—data tak seragam, tafsiran polisi yang berbeza antara tahun polisi, dan garis masa keputusan tuntutan yang terlalu panjang. Itulah sebabnya kes mahkamah yang melibatkan Foss Maritime dan beberapa penanggung insurans (Navigators, Zurich, Ascot) pada Disember 2025 menarik perhatian ramai: ia menonjolkan bagaimana tuntutan kerosakan aset operasi (dalam kes ini, tug) boleh berlarutan bertahun-tahun walaupun premium telah dibayar dan kerosakan telah dibaiki.

Dalam siri “AI dalam Logistik dan Rantaian Bekalan”, saya suka ambil contoh yang benar-benar berlaku untuk menunjukkan satu perkara: rantaian bekalan moden bukan hanya isu penghantaran dan gudang. Ia juga isu pengurusan risiko—dan insurans ialah “lapisan kewangan” yang sepatutnya menjadikan operasi lebih stabil, bukan lebih huru-hara. Bila tuntutan tersangkut, kosnya bukan sekadar bil pembaikan. Ia jadi kos downtime, kos pengganti aset, kos guaman, dan paling mahal—ketidakpastian.

Kes Foss ini sesuai dijadikan kajian kes: bukan untuk “menghukum” mana-mana pihak, tetapi untuk memahami titik lemah proses tuntutan dan bagaimana AI dalam insurans (khususnya insurans marin dan logistik) boleh mengurangkan pertikaian melalui bukti data yang lebih jelas.

Apa yang kes Foss Maritime dedahkan tentang jurang tuntutan

Kes ini secara ringkasnya memperlihatkan masalah teras: tuntutan bernilai jutaan dolar masih tidak menerima pendirian jelas (terima atau tolak) selepas beberapa tahun.

Menurut butiran yang dilaporkan, Foss dan entitinya membeli polisi tahunan “Marine Hull / Liability Package” dari sekurang-kurangnya 2018 hingga 2024, dengan Navigators sebagai lead underwriter. Empat polisi dari 01/03/2020 hingga 01/03/2024 dikenal pasti sebagai relevan. Kerosakan melibatkan empat buah tug yang diserahkan antara April 2020 hingga Jun 2021.

Isu teknikal jadi isu tuntutan (dan akhirnya isu undang-undang)

Kerusakan yang diterangkan bukan remeh: komponen dalaman thruster (contohnya slewing bearings, slewing rings, O-ring) “memusnahkan diri”, dan rangka pemasangan thruster mengalami kerosakan keletihan pada titik sambungan ke hull.

Foss mendakwa punca utama berkaitan pemasangan thruster jenis single-bearing (bukannya double-bearing seperti kontrak), tanpa pelarasan reka bentuk rangka pemasangan dan hull. Mereka juga mendakwa wujud latent design defects pada thruster.

Akhirnya, pertikaian tuntutan sering bertembung pada perkataan yang nampak kecil tetapi membawa implikasi besar:

• “Latent defect” (kecacatan tersembunyi)
• “Wear and tear” (haus dan lusuh)
• “Fault in design or construction” (kecacatan reka bentuk/pembinaan)
• “Negligence / error of judgment” (kecuaian/pertimbangan silap)

Perbezaan label ini menentukan sama ada ia ditanggung polisi atau dikecualikan.

Angka yang patut buat pengurus risiko rasa tak sedap hati

Foss melaporkan kos pembaikan melebihi USD 2.5 juta, dengan ringkasan kos lampau dinyatakan USD 2,501,835.60. Notis kerosakan bagi tiga tug pertama dimaklumkan pada 25/01/2021, dan tug keempat pada 28/07/2022. Namun, mereka mendakwa sehingga 04/03/2025, penanggung insurans belum mengambil pendirian muktamad secara bertulis atau membuat pembayaran balik kos pembaikan.

Dalam konteks logistik: tiga hingga empat tahun “tergantung” itu bersamaan beberapa kitaran kontrak pelanggan, audit pematuhan, pembaharuan polisi, dan perancangan CAPEX. Ketidakpastian seperti ini boleh menjejaskan keputusan operasi.

Kenapa pertikaian tuntutan marin mudah ‘tersangkut’

Jawapan paling terus: insurans marin bergantung pada gabungan data teknikal, sejarah operasi, dan tafsiran kontrak yang kompleks—dan semuanya sering berpecah-pecah.

1) Data bukti datang dari terlalu banyak sumber

Untuk kes aset seperti tug, data relevan boleh datang daripada:

• rekod penyelenggaraan dan pembaikan (CMMS)
• log operasi (jam operasi, beban, kelajuan)
• data sensor/telemetri thruster atau enjin
• laporan pemeriksaan pihak ketiga
• bukti gambar/video kerosakan
• laporan punca akar (RCA) dari pembina/ vendor

Bila data ini tidak disatukan, pihak tuntutan dan pihak underwriting mudah “bercakap dalam bahasa berbeza”.

2) Polisi berbilang tahun dan pembaharuan ubah nuansa

Kes Foss melibatkan beberapa tahun polisi. Walaupun perkataan klausa nampak serupa, perubahan kecil pada endorsement, had, deductible, atau definisi boleh mencetuskan pertikaian.

Bagi syarikat logistik, ini biasa berlaku apabila:

• aset bertambah/bertukar
• rute operasi berubah (contoh: pelabuhan berlainan)
• vendor baharu digunakan
• risiko cuaca/banjir/arus kuat jadi lebih ketara

3) “Punca kerosakan” bukan satu jawapan—ia rantaian sebab

Kerosakan thruster boleh bermula dari satu kecacatan reka bentuk, diperburuk oleh pemasangan, kemudian dipercepat oleh pola operasi, dan akhirnya “meletup” pada satu insiden.

Masalahnya: proses tuntutan tradisional cenderung mencari satu punca tunggal untuk padankan dengan klausa polisi. Realitinya, kegagalan mekanikal jarang linear.

Di sinilah AI buat kerja yang orang susah buat konsisten

AI bukan pengganti adjuster atau jurutera marin. Tapi AI sangat sesuai untuk menjadikan bukti lebih konsisten, lebih cepat, dan lebih boleh diaudit—tiga perkara yang biasanya hilang bila tuntutan rumit.

1) AI untuk “single source of truth” tuntutan

Pendekatan paling praktikal ialah membina claims data lake yang menggabungkan dokumen dan telemetri. Dengan NLP (pemprosesan bahasa semula jadi), AI boleh:

• mengekstrak tarikh, kos, komponen rosak, lokasi, vendor
• memadankan bukti dengan garis masa tuntutan
• mengesan dokumen hilang (contoh: laporan pemeriksaan terakhir)

Ini mengurangkan situasi “dokumen ada, tapi tak jumpa” yang memanjangkan tuntutan.

Satu ayat yang saya pegang: tuntutan lambat biasanya bukan sebab satu pihak jahat—tapi sebab bukti berselerak.

2) Model punca akar berasaskan data (bukan semata-mata naratif)

Untuk aset ber-sensor, AI boleh bantu membina failure signature:

• trend getaran, suhu, tekanan
• kekerapan shutdown dan overload
• corak operasi ikut tugasan (towing berat vs ringan)

Apabila corak kegagalan boleh dipadankan dengan kelas kegagalan (contoh: misalignment pemasangan vs keletihan material), perbincangan tentang “latent defect” vs “wear and tear” jadi lebih berasaskan bukti.

3) AI mempercepat triage dan keputusan awal

Dalam tuntutan besar, kelewatan paling menyakitkan ialah tiada pendirian awal. AI boleh digunakan untuk:

• mengelaskan tuntutan mengikut kerumitan dan risiko litigasi
• mencadangkan keutamaan siasatan
• menjana senarai soalan standard yang perlu dijawab sebelum keputusan

Hasil yang kita mahu bukan “automasi menolak tuntutan”, tetapi automasi untuk mempercepat kepastian—diterima, ditolak, atau diterima dengan syarat.

4) Pengesanan anomali dan pencegahan pertikaian sebelum ia berlaku

Dalam rantaian bekalan, nilai AI bukan hanya selepas kerosakan. Nilainya lebih besar bila ia:

• mengesan tanda awal kegagalan thruster
• mencadangkan jadual penyelenggaraan mengikut keadaan (condition-based)
• mengurangkan insiden yang akhirnya menjadi tuntutan

Kurang insiden bermakna kurang tuntutan; kurang tuntutan bermakna kurang pertikaian.

Pelan tindakan untuk syarikat logistik & operator marin (90 hari)

Ini bahagian yang ramai orang skip—padahal di sinilah lead biasanya datang. Kalau anda pengurus operasi, pengurus risiko, atau broker yang menjaga klien logistik/marin, ini langkah yang realistik untuk dibuat dalam suku tahun.

1) Standardkan “pakej bukti” tuntutan

Bina satu templat dalaman untuk setiap tuntutan aset kritikal:

• garis masa insiden (tarikh/masa, 12h format)
• komponen terlibat dan nombor siri
• kos pembaikan terperinci (bahagian, tenaga kerja, downtime)
• laporan RCA dan gambar sebelum/selepas
• log sensor 14 hari sebelum insiden (jika ada)

Bila ini konsisten, rundingan jadi lebih cepat.

2) Wujudkan kamus istilah polisi vs istilah teknikal

Buat pemetaan mudah:

• istilah jurutera (misalignment, fatigue crack)
• istilah polisi (latent defect, wear and tear)

Ini nampak remeh, tapi ia mengelakkan salah faham yang memakan masa.

3) Mulakan “AI kecil” dahulu: OCR + NLP untuk dokumen tuntutan

Tak perlu terus bina model kompleks. Mulakan dengan:

• OCR untuk invois, laporan pemeriksaan, service report
• NLP untuk ekstrak medan penting
• dashboard status tuntutan (dokumen lengkap/kurang, tarikh respons)

Biasanya, ini sahaja sudah memotong banyak kerja manual.

4) Tetapkan SLA dalaman untuk keputusan awal

Walaupun penanggung insurans belum beri keputusan, syarikat anda boleh tetapkan disiplin:

• 72 jam: triage dan pengumpulan bukti
• 14 hari: laporan RCA awal
• 30 hari: kemas kini tuntutan dengan kos terkini dan bukti tambahan

AI membantu memastikan SLA ini dipatuhi.

Soalan lazim yang sebenarnya menentukan arah tuntutan

Untuk kes seperti Foss, beberapa soalan “People Also Ask” yang patut dijawab awal (dan AI boleh bantu susun buktinya) ialah:

Adakah kerosakan ini insiden tunggal atau degradasi beransur?

Jika degradasi beransur, perdebatan “wear and tear” mudah timbul. Data sensor dan rekod penyelenggaraan sangat penting.

Tahun polisi mana yang patut menanggung?

Jika kerosakan bermula pada tahun A tetapi dikesan pada tahun B, isu allocation muncul. AI boleh bina garis masa bukti yang lebih kemas.

Vendor/pembina bertanggungjawab atau risiko operasi?

Jika ada litigasi atau timbang tara terhadap pembina/vendor, isu subrogasi menjadi sensitif. Dokumentasi rapi membantu semua pihak bergerak tanpa saling menahan maklumat.

Penutup: tuntutan cepat bukan sekadar “service”, ia strategi rantaian bekalan

Kes Foss Maritime menunjukkan realiti yang ramai operator logistik belajar cara susah: bila keputusan tuntutan lambat, rantaian bekalan turut terjejas. Aset kritikal seperti tug, trak, kren, atau peralatan gudang bukan sekadar “barang modal”—ia penentu SLA pelanggan.

Saya percaya langkah paling bijak untuk 2026 ialah membina proses tuntutan yang lebih berasaskan data: gabungkan bukti operasi, standardkan dokumen, dan gunakan AI untuk mempercepat pengesahan serta menjernihkan punca kerosakan. Bila bukti jelas, pertikaian berkurang. Bila pertikaian berkurang, kos risiko turun—dan operasi jadi lebih stabil.

Jika anda sedang menilai cara menggunakan AI untuk tuntutan insurans, pengurusan risiko logistik, atau insurans marin untuk aset operasi, soalan terakhir yang patut anda bawa ke mesyuarat ialah: berapa banyak ketidakpastian tuntutan yang kita sanggup tanggung sebelum kita ubah cara kita urus data?