Bina Bakat Insurans AI Seawal Sekolah Menengah

Angka yang sering terlepas pandang dalam industri insurans ialah ini: sekitar 400,000 pekerjaan insurans perlu diganti (berdasarkan data Biro Statistik Buruh A.S. yang disebut dalam wacana industri, dan trend ini makin ketara apabila persaraan meningkat). Bila orang dengar nombor ini, reaksi biasa ialah “kita kekurangan orang”. Tapi bagi saya, isu sebenar bukan semata-mata bilangan. Isunya ialah kekurangan bakat yang bersedia bekerja dalam persekitaran insurans yang sudah dipacu data dan AI.

Pada hujung 2025—ketika banyak organisasi sedang menutup tahun kewangan, menilai risiko 2026, dan menyusun bajet latihan—perbualan tentang “pipeline bakat” jadi lebih mendesak. Ramai majikan sedar: kalau kita hanya mencari graduan yang sedia ada, kita sedang berebut dalam kolam yang sama. Cara yang lebih praktikal ialah memulakan pendedahan kerjaya insurans lebih awal, di sekolah menengah, dan membina literasi data serta AI secara berperingkat.

Artikel asal menekankan bagaimana program bakat baharu dan penglibatan industri setempat boleh membuka laluan kerjaya insurans kepada pelajar sekolah menengah. Dalam siri AI dalam Pendidikan dan EdTech, saya nak bawa idea itu lebih jauh: program awal ini patut disusun supaya melahirkan tenaga kerja “AI-ready”—bukan sekadar tahu asas polisi, tetapi faham bagaimana AI membantu penilaian risiko, underwriting, dan pengurusan tuntutan.

Kenapa “pipeline bakat” insurans perlu bermula di sekolah menengah

Jawapan paling terus: kerjaya insurans moden memerlukan literasi data, komunikasi, dan pemikiran risiko—kemahiran yang lebih mudah dibentuk jika dimulakan awal. Menunggu sehingga universiti (atau hari pertama kerja) membuatkan jurang kemahiran jadi mahal untuk ditutup.

Di banyak organisasi, AI sudah digunakan untuk kerja yang dahulu manual: semakan dokumen, pengelasan tuntutan, analisis anomali, cadangan premium, dan ramalan pendedahan risiko. Ini tak bermaksud “AI ambil kerja orang.” Maksudnya kerja orang berubah. Lebih banyak masa akan pergi kepada:

• mentafsir output model (bukan sekadar menerima bulat-bulat),
• berunding dengan pelanggan berdasarkan data,
• menyiasat kes kompleks yang perlukan pertimbangan manusia,
• memastikan pematuhan, etika, dan tadbir urus model.

Kalau pelajar hanya kenal insurans sebagai “jual polisi”, industri akan terus gagal menarik bakat terbaik. Hakikatnya, insurans sekarang adalah medan analitik, penyelesaian masalah, dan ketahanan komuniti—naratif yang jauh lebih dekat dengan minat pelajar yang sukakan teknologi.

Realiti: pendedahan awal mengubah trajektori

Kisah seperti Katy Knapp (yang berjaya masuk industri setahun selepas tamat sekolah menengah melalui program berstruktur, bimbingan profesional tempatan, dan latihan industri) menunjukkan satu perkara: pendedahan awal bukan motivasi kosong—ia mencipta keputusan kerjaya yang nyata.

Satu sesi lawatan industri atau job shadowing mungkin nampak kecil pada pihak majikan. Pada pelajar, itu boleh jadi “moment” yang memutuskan hala tuju hidup.

Peranan AI dalam insurans: apa yang pelajar patut faham dari awal

Jawapan ringkas: pelajar tak perlu jadi pakar AI; mereka perlu faham bagaimana AI digunakan, apa hadnya, dan bagaimana membuat keputusan bersama data. Ini asas “AI literacy” yang sesuai untuk sekolah menengah.

Berikut gambaran praktikal tiga fungsi insurans yang paling cepat berubah.

Underwriting: dari intuisi kepada keputusan berasaskan data

Underwriting moden banyak bergantung pada data pihak ketiga, sejarah tuntutan, profil risiko, dan kadang-kadang isyarat masa nyata (contohnya telematik dalam auto, atau sensor dalam industri). AI membantu:

• mengutamakan kes (case triage) untuk semakan pantas,
• mengenal pasti corak risiko yang tidak jelas,
• menyeragamkan proses semakan dokumen.

Apa yang pelajar patut belajar?

• beza antara korelasi dan sebab-akibat,
• kenapa data yang “nampak lengkap” boleh berat sebelah,
• bagaimana menerangkan keputusan risiko kepada orang awam secara beretika.

Tuntutan (claims): automasi rutin, manusia fokus kes kompleks

Dalam tuntutan, AI sering digunakan untuk:

• mengelaskan tuntutan mudah vs kompleks,
• mengesan penipuan (fraud detection) melalui anomali,
• mempercepat semakan dokumen dan bukti.

Di sinilah kemahiran manusia makin bernilai: empati, komunikasi, siasatan, dan pertimbangan. Pelajar boleh diasah melalui aktiviti sekolah seperti perbahasan, penulisan laporan, atau simulasi kes—ini selari dengan EdTech yang membolehkan latihan berasaskan senario.

Penilaian risiko & pengurusan risiko: ramalan, bukan sekadar reaksi

Pengurusan risiko yang baik ialah mengurangkan kerugian sebelum berlaku. AI membantu organisasi:

• membuat ramalan pendedahan (exposure forecasting),
• memantau risiko operasi,
• mengoptimumkan program pencegahan.

Kemahiran “AI-ready” di sini ialah pemikiran sistem: faham hubungan antara manusia–proses–teknologi. Ini boleh diajar melalui projek merentas subjek: Matematik (data), Sains (punca risiko), Geografi (bencana), dan Pendidikan Moral (etika).

Model kerjasama sekolah–industri yang benar-benar berkesan

Jawapan terus: kurikulum memberi asas, tetapi penglibatan industri setempat yang konsistenlah yang menukar minat menjadi laluan kerjaya. Artikel sumber menekankan perkara ini, dan saya setuju 100%.

Masalahnya, banyak organisasi buat “program sekolah” sekadar sekali setahun: datang bagi ceramah, ambil gambar, selesai. Itu bukan pipeline—itu aktiviti PR.

Berikut model yang lebih kuat (dan realistik) untuk 2026.

1) Lawatan bilik darjah + tugasan berasaskan data kecil

Bukan sekadar “apa itu insurans”, tetapi bawa mini-kes:

• Pelajar diberi set data mudah (contoh: 20 rekod tuntutan tanpa data sensitif).
• Mereka perlu mengenal pasti corak: tuntutan tinggi, lokasi, jenis kerosakan.
• Mereka bentang cadangan: langkah pencegahan, soalan tambahan yang patut ditanya.

Ini selari dengan EdTech: tugasan boleh dibuat dalam platform pembelajaran digital, siap dengan rubrik dan maklum balas.

2) Job shadowing yang terancang (bukan ‘ikut-ikut’)

Job shadowing yang bagus ada struktur:

• 1 jam: pengenalan peranan (underwriter/claims/risk analyst)
• 2 jam: pemerhatian kerja sebenar (tanpa data peribadi pelanggan)
• 1 jam: refleksi—pelajar tulis “apa yang saya belajar tentang risiko”

Hasilnya bukan sekadar pengalaman; ia jadi bukti minat dalam portfolio pelajar.

3) Mentorship 8 minggu: kecil tetapi konsisten

Kalau organisasi tak mampu buat program besar, buat yang kecil:

• 1 mentor : 3 pelajar
• 30 minit seminggu (dalam talian pun boleh)
• Fokus: komunikasi profesional, literasi data asas, dan etika AI

Konsistensi 8 minggu lebih kuat daripada ceramah 60 minit sekali.

4) Latihan industri sekolah menengah yang mematuhi “realiti kerja AI”

Latihan industri perlu beri kerja yang bermakna—bukan fotostat.

Contoh tugasan sesuai:

• membersihkan data (data cleaning) pada set dummy,
• membina ringkasan risiko satu halaman,
• menulis SOP semakan dokumen,
• menyemak ketepatan data dalam borang (quality check).

Ini semua kerja sebenar dalam organisasi yang menggunakan automasi dan AI.

Satu prinsip mudah: kalau tugasan itu tak membantu pasukan, ia juga tak membantu pelajar.

“AI-ready” bukan bermaksud semua orang jadi saintis data

Jawapan ringkas: industri perlukan pelbagai peranan—AI hanya menukar cara kerja, bukan menghapuskan keperluan manusia. Ini mesej yang patut sampai kepada pelajar dan ibu bapa.

Dalam insurans moden, laluan kerjaya yang “AI-adjacent” (berdekatan AI) sangat luas:

• Underwriter yang mahir mentafsir skor risiko
• Claims handler yang faham automasi dokumen
• Risk consultant yang menggunakan analitik untuk cadangan pencegahan
• Pematuhan & audit model (model governance)
• Product & operations yang mereka bentuk aliran kerja bersama AI

Untuk sekolah menengah, sasaran pembelajaran yang munasabah ialah:

1. Literasi data: jadual, graf, purata, outlier
2. Literasi AI: apa itu model, apa itu bias, kenapa perlu semakan manusia
3. Komunikasi risiko: terangkan keputusan secara jelas dan beretika
4. Kemahiran digital: kolaborasi, dokumentasi, dan keselamatan data asas

Soalan lazim yang patut dijawab dalam program bakat awal

“Kalau AI makin canggih, adakah kerjaya insurans masih stabil?”

Ya, stabil—tetapi peranan akan berubah. Kerja rutin makin automatik, kerja bernilai tinggi makin penting. Mereka yang faham data dan boleh berinteraksi dengan AI akan lebih cepat naik.

“Apa subjek sekolah yang paling berkait dengan insurans dan AI?”

Gabungan yang kuat ialah Matematik (statistik asas), Sains (pemikiran sebab-akibat), Bahasa (penulisan laporan), dan Perniagaan/Prinsip Akaun (logik kewangan). Pelajar aliran sastera pun boleh berjaya, terutama dalam tuntutan, pematuhan, dan komunikasi risiko.

“Macam mana sekolah boleh mula kalau tiada pakar AI?”

Mulakan dengan modul kecil: kajian kes, analisis data ringkas, dan etika penggunaan data. EdTech membantu kerana bahan boleh distandardkan dan guru boleh jadi fasilitator, bukan pakar teknikal.

Apa yang organisasi patut buat sekarang (Disember 2025 → Q1 2026)

Jawapan paling praktikal: kunci kejayaan ialah pelan 90 hari yang ringkas, bukan inisiatif mega yang tak jalan.

Cadangan pelan 90 hari untuk majikan insurans/insurtech:

1. Minggu 1–2: pilih 2 sekolah sasaran dan 1 “champion” dalaman
2. Minggu 3–4: sediakan 1 modul kes (tanpa data sensitif)
3. Bulan 2: jalankan 2 sesi bilik darjah + 10 slot job shadowing
4. Bulan 3: pilih 3–5 pelajar untuk mentorship 8 minggu atau latihan industri ringkas

Kunci: ukur output yang jelas—bilangan pelajar terlibat, bilangan jam bimbingan, dan bilangan pelajar yang mohon latihan industri/kerja sambilan.

Pelan sekolah pula boleh bermula dengan sesuatu yang mudah: kelab kerjaya, minggu kerjaya bertema insurans & risiko, atau projek data merentas subjek.

Penutup: pendidikan awal ialah strategi AI paling masuk akal

Bila orang bercakap tentang AI dalam insurans dan pengurusan risiko, fokus biasanya pada teknologi: model ramalan, automasi tuntutan, atau dashboard analitik. Saya berpandangan begini: strategi AI yang paling tahan lama ialah membina manusia yang tahu bekerja bersama AI. Dan itu paling berkesan bila bermula awal—di sekolah menengah.

Kalau industri mahu tenaga kerja yang faham data, peka etika, dan boleh menerangkan risiko kepada pelanggan dengan jelas, kita tak boleh hanya menunggu “bakat muncul sendiri”. Kita perlu muncul di tempat bakat sedang dibentuk: bilik darjah.

Langkah kecil yang konsisten—lawatan kelas, job shadowing yang terancang, mentorship, dan latihan industri bermakna—akan menghasilkan generasi profesional insurans yang bukan sahaja AI-ready, tetapi juga lebih matang dalam memahami risiko dan tanggungjawab kepada komuniti.

Anda dari sekolah, syarikat insurans, atau insurtech: program pertama apa yang anda sanggup jalankan dalam 90 hari akan datang untuk melatih bakat insurans yang bersedia untuk AI?