Ada dua pengalaman klaim asuransi yang sama-sama bikin emosi.
Yang pertama: prosesnya lama banget.
Dokumen dikirim.
Diminta kirim ulang.
Status tidak jelas.
Minggu berikutnya masih “dalam peninjauan”.
Yang kedua mungkin lebih buruk.
Keputusan keluar cepat.
Ditolak.
Tapi alasannya cuma kalimat generik.
Di sinilah AI masuk dengan janji besar.
Baca dokumen otomatis.
Ekstrak informasi.
Cocokkan polis.
Deteksi fraud.
Prioritaskan klaim.
Bantu adjuster.
Bahkan untuk kasus sederhana, keputusan bisa lebih cepat.
Secara operasional, masuk akal.
Asuransi punya banyak pekerjaan dokumen.
Form.
Invoice rumah sakit.
Foto kerusakan.
Policy wording.
Riwayat.
AI bagus di pattern recognition dan document processing.
Tapi begitu AI ikut memengaruhi keputusan claim, pertanyaan governance langsung muncul.
Siapa yang menjelaskan penolakan?
NAIC di Amerika pada Mei 2026 menerbitkan kajian khusus tentang artificial intelligence and insurance regulation. Kajian itu menegaskan pemakaian AI/ML oleh insurer terus berkembang dan membawa benefit sekaligus risiko konsumen. Regulator di berbagai yurisdiksi juga makin fokus pada governance, fairness, dan accountability AI di asuransi.
Poinnya bukan bahwa semua insurer sekarang otomatis menolak klaim dengan AI.
Tidak.
Penggunaan berbeda-beda.
AI bisa hanya membantu triage.
Bisa membaca dokumen.
Bisa memberi fraud score.
Bisa memberi rekomendasi.
Bisa digunakan lebih jauh tergantung sistem.
Kita jangan mencampur semuanya.
Yang perlu dijaga adalah ketika output model mulai berdampak material.
Contoh paling aman adalah document extraction.
User kirim invoice.
AI membaca tanggal, provider, nominal, diagnosis code atau kategori tertentu sesuai dokumen.
Staf tidak perlu mengetik manual.
Value jelas.
Kalau salah baca, manusia bisa koreksi.
Risiko manageable.
Level berikutnya adalah prioritization.
Model menilai klaim sederhana dan lengkap bisa diproses cepat.
Kasus kompleks diarahkan ke adjuster.
Bagus.
Customer dapat speed.
Human expertise fokus di kasus yang memang butuh judgment.
Masalah naik ketika model memberi fraud suspicion.
Misalnya klaim dianggap mirip pola fraud.
Ada anomali foto.
Provider tidak biasa.
Timing janggal.
Model bisa flag.
Tapi flag bukan bukti penipuan.
Kalau perusahaan otomatis menolak hanya karena score tinggi, risikonya besar.
Fraud model punya false positive.
Orang legit bisa terlihat aneh.
Kasus langka bisa terlihat seperti outlier.
Data training bisa punya bias.
Jadi AI sebaiknya membantu investigasi, bukan menggantikan due process.
Hal serupa untuk medical insurance.
Claim punya konteks klinis dan policy wording.
Model bisa membaca dokumen.
Tapi penentuan coverage bisa rumit.
Exclusion.
Pre-existing condition.
Medical necessity.
Waiting period.
Limit.
Benefit.
Kalau keputusan berdampak pada biaya kesehatan besar, penjelasan harus manusia-readable.
“Model score 0,73” bukan alasan klaim.
Nasabah perlu tahu bagian polis mana yang relevan.
Dokumen apa yang kurang.
Fakta apa yang dipakai.
Apakah bisa appeal.
Siapa yang bisa ditanya.
Explainability bukan berarti membuka source code.
Nasabah tidak perlu melihat weight neural network.
Mereka perlu alasan yang actionable.
“Klaim tidak memenuhi benefit X karena kondisi Y menurut pasal Z.”
Itu bisa diperiksa.
Kalau data salah, user bisa challenge.
Kalau reasoning tidak bisa dijelaskan sama sekali, insurer punya governance problem.
Ada juga potensi straight-through processing.
Klaim sederhana bisa otomatis dari awal sampai bayar.
Misalnya tipe claim tertentu dengan nominal kecil dan data lengkap.
Ini bagus.
User tidak peduli apakah AI bekerja di belakang layar selama uang cepat masuk.
Tapi automation harus punya exception logic.
Kalau data kurang sedikit, jangan otomatis reject.
Minta dokumen.
Kalau risk score borderline, review.
Kalau user vulnerable, mungkin perlu bantuan manusia.
Automation yang matang tahu kapan berhenti.
Ada problem bias.
Insurance pricing dan claims bisa memakai data kompleks.
Kalau model memakai proxy yang berhubungan dengan kelompok tertentu, hasil bisa tidak adil.
Data historis juga bisa membawa pattern lama.
Regulator global menyoroti ini karena insurance termasuk layanan yang dampaknya besar.
Fairness tidak berarti semua klaim dibayar.
Asuransi memang punya contract.
Fairness berarti aturan diterapkan konsisten dan faktor yang dipakai relevan.
AI tidak boleh membuat pengecualian rahasia yang tidak ada di polis.
Ada juga problem drift.
Fraud pattern berubah.
Medical cost berubah.
Provider behavior berubah.
Repair cost kendaraan berubah.
Model perlu recalibration.
Kalau model tahun lalu dipakai tanpa monitoring, akurasi bisa turun.
Insurer perlu model governance.
Inventory.
Owner.
Version.
Training data.
Validation.
Performance.
Bias testing.
Human override.
Audit trail.
Kalau model memengaruhi claim, setiap perubahan harus bisa ditelusuri.
Ini tidak sexy.
Tidak masuk iklan.
Tapi di situlah trust dibangun.
Buat nasabah, pertanyaan sederhana ketika klaim ditolak:
Apa alasan spesifiknya?
Klausul polis mana?
Data apa yang digunakan?
Apakah ada dokumen yang bisa dilengkapi?
Ada proses keberatan atau appeal?
Siapa yang menangani?
Jangan puas dengan “system rejected”.
Perusahaan tetap punya tanggung jawab.
AI bukan badan hukum yang bisa disalahkan.
Kalau keputusan salah, nasabah berurusan dengan insurer.
Bukan dengan model.
Untuk perusahaan asuransi, ini penting secara reputasi.
Automation bisa memangkas waktu.
Tapi satu rejection yang tidak bisa dijelaskan bisa menghancurkan trust lebih cepat daripada penghematan biaya.
Asuransi menjual janji.
User membayar sekarang untuk kemungkinan masalah nanti.
Kalau saat masalah datang perusahaan hanya memberi jawaban kotak hitam, value proposition runtuh.
AI juga bisa meningkatkan customer communication.
Misalnya user submit klaim.
Assistant bisa menjelaskan dokumen kurang.
Memberi estimasi tahap.
Menjawab apa yang tercakup berdasarkan polis.
Ini bagus kalau source-nya jelas.
Jangan hallucinate coverage.
AI harus mengambil jawaban dari policy document yang benar.
Kalau ragu, escalate.
“Silakan hubungi petugas” lebih baik daripada jawaban confident tapi salah.
Ada juga peluang di motor insurance.
Foto kerusakan bisa dianalisis.
Model menaksir severity.
Membantu estimasi.
Tapi foto bisa dimanipulasi dengan AI.
Jadi insurer menggunakan AI, fraudster juga menggunakan AI.
Image forensics dan metadata menjadi penting.
Again, layered.
AI tidak boleh percaya visual tanpa context.
Health insurance punya sensitivity tambahan: data kesehatan.
AI processing harus sangat ketat soal privacy.
Siapa bisa akses?
Vendor mana?
Data digunakan training atau tidak?
Berapa lama disimpan?
Apakah data dipisahkan?
Nasabah tidak seharusnya harus mengorbankan privacy untuk mendapat claim lebih cepat.
Security adalah bagian product quality.
Ada juga isu human override.
Kalau adjuster melihat model salah, apakah dia boleh override?
Kalau boleh, apakah dicatat?
Kalau tidak boleh, manusia cuma dekorasi.
Human-in-the-loop harus punya authority nyata.
Bukan sekadar tanda tangan setelah machine decision.
Override data juga bisa membantu model improvement.
Kenapa manusia menolak rekomendasi model?
Kasus apa?
Pattern?
Feedback menjadi bahan governance.
Untuk claim kecil yang sangat standar, full automation mungkin reasonable.
Untuk rejection besar, high-impact, atau kasus kompleks, human review semakin penting.
Risk-based automation.
Tidak semua claim perlu level kontrol sama.
Asuransi travel Rp500 ribu berbeda dengan medical claim ratusan juta.
Scale konsekuensi harus memengaruhi process.
Di Indonesia, penggunaan AI asuransi akan berkembang dengan ritme masing-masing perusahaan dan regulasi.
Jangan mengarang seolah seluruh industri sudah otomatis.
Yang jelas arah globalnya nyata: AI masuk ke underwriting, claims, fraud, customer service, dan operations.
Karena itu pertanyaan explainability perlu dibahas sebelum adoption jadi sangat luas.
Buat nasabah, AI yang mempercepat klaim adalah kabar bagus.
Kita semua ingin proses lebih cepat.
Tapi speed hanya satu metric.
Metric lain adalah apakah keputusan benar.
Apakah bisa dipahami.
Apakah bisa dipertanyakan.
Apakah data aman.
Dan apakah ada manusia yang benar-benar bertanggung jawab ketika sistem salah.
AI boleh mempercepat pembayaran.
Kalau AI mempercepat penolakan, insurer juga harus mempercepat penjelasan.
Ada juga question tentang evidence preservation. Kalau model memakai foto, dokumen, atau telemetry tertentu untuk menolak klaim, insurer perlu menyimpan jejak yang cukup untuk audit dan dispute. Jangan sampai user appeal tiga bulan kemudian tetapi model sudah berubah dan reasoning lama tidak bisa direkonstruksi.
Versioning menjadi penting. Keputusan dibuat oleh model versi apa, policy versi apa, dan data apa. Tanpa itu, explainability hanya slogan.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Kalau sistem tidak bisa menjelaskan alasan pada manusia yang hidup dengan akibatnya, otomatisasinya belum matang.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.