Memanfaatkan Kecerdasan Buatan dan Data untuk Mengidentifikasi Risiko yang Muncul Sebelum Berdampak pada Operasional

Risiko yang baru muncul jarang terdeteksi secara tiba-tiba. Lebih sering, risiko tersebut muncul secara diam-diam, misalnya dalam klaim yang awalnya tampak biasa saja namun kemudian memburuk, dalam sengketa hukum yang muncul setelah jendela waktu intervensi yang krusial telah tertutup, atau dalam fluktuasi cadangan yang menimbulkan kejutan tak terduga bagi tim keuangan dan risiko.

Bagi banyak organisasi, situasi seperti ini terasa tidak asing. Sebuah klaim yang semula tampak stabil tiba-tiba berubah arah. Kesadaran akan potensi sengketa muncul terlambat. Pilihan semakin terbatas. Saat risiko sudah terlihat sepenuhnya, kesempatan untuk memengaruhi hasilnya pun telah berlalu. Dalam lingkungan operasional saat ini, tantangannya bukan lagi soal akses terhadap data. Tantangannya adalah memperoleh gambaran yang jelas cukup dini untuk bertindak selagi masih ada ruang manuver.

Kecerdasan buatan dan analitik canggih semakin menjadi alat yang sangat penting dalam menutup kesenjangan tersebut, membantu organisasi beralih dari sekadar merespons risiko yang muncul setelah kejadian menjadi mengidentifikasinya lebih dini dan mengelolanya dengan lebih terencana.

Mengapa identifikasi risiko sejak dini kini lebih penting dari sebelumnya

Risiko operasional, baik yang berkaitan dengan klaim, tren tenaga kerja, maupun gangguan rantai pasokan, sering kali mengikuti pola yang dapat diprediksi. Apa yang awalnya merupakan masalah yang masih dapat ditangani akan semakin rumit seiring berjalannya waktu, semakin banyak keputusan yang diambil, dan semakin terbatasnya pilihan tindakan yang dapat dilakukan.

Dalam penanganan klaim, ketepatan waktu sama pentingnya dengan akurasi. Keterlambatan dalam memperoleh gambaran situasi sering kali berarti pilihan penanganan yang lebih terbatas, gesekan yang lebih besar dengan para pemangku kepentingan, serta berkurangnya kendali atas hasilnya. Begitu proses litigasi telah berjalan, jalur perawatan telah ditetapkan, atau ekspektasi telah terbentuk, kemampuan untuk secara signifikan memengaruhi biaya, durasi, atau pengalaman menjadi sangat berkurang.

Deteksi dini mengubah arah tersebut. Ketika organisasi mampu mengidentifikasi sinyal risiko lebih dekat dengan sumbernya, mereka tetap memiliki keleluasaan. Mereka dapat bertindak lebih cepat, melibatkan keahlian yang tepat lebih awal, dan mengambil keputusan yang lebih tepat terkait cadangan, strategi, serta langkah selanjutnya. Hasilnya bukan hanya informasi yang lebih baik, tetapi juga kendali yang lebih besar atas hasil akhir.

Di Sedgwick, dinamika ini paling terlihat pada klaim jangka panjang, di mana biaya akhir mungkin baru diketahui bertahun-tahun kemudian. Tanpa wawasan dini, tim sering kali harus mengambil keputusan berdasarkan rata-rata historis atau indikator yang terlambat. Dengan sinyal yang lebih dini, mereka dapat mengarahkan langkah-langkah yang diambil selagi intervensi yang efektif masih memungkinkan.

Melampaui batas-batas menuju wawasan yang berkelanjutan

Secara tradisional, banyak pendekatan identifikasi risiko mengandalkan ambang batas tetap, nilai dalam dolar, gugatan yang diajukan, atau lamanya waktu yang telah berlalu. Meskipun berguna, sinyal-sinyal ini biasanya muncul setelah risiko tersebut benar-benar terjadi.

Pendekatan yang lebih modern memandang risiko sebagai suatu spektrum, bukan sebagai hasil biner. Alih-alih menanyakan apakah suatu klaim telah melampaui batas yang telah ditentukan sebelumnya, organisasi justru menanyakan di mana posisi klaim tersebut jika dibandingkan dengan populasi yang lebih luas yang mereka kelola. Hal ini memungkinkan penetapan prioritas secara berkelanjutan, bukan eskalasi yang tertunda.

Perkembangan model penilaian tingkat keparahan dan penilaian Sedgwick mencerminkan perubahan ini. Alih-alih hanya menandai klaim yang melebihi batas nilai dolar tertentu, model generasi terbaru ini menilai 100 persen klaim, mulai dari klaim yang diperkirakan akan diselesaikan dengan biaya minimal atau tanpa biaya sama sekali hingga klaim yang pada akhirnya mungkin masuk ke dalam kategori risiko tertinggi.

Pandangan yang mencakup seluruh populasi ini memungkinkan risiko terdeteksi lebih awal, sebelum pemicu tradisional mulai bekerja, dan saat masih ada kesempatan untuk memengaruhi keputusan penanganan.

Pencapaian skor awal dalam latihan: Contoh sederhana

Bayangkan sebuah klaim cedera tubuh yang pada awalnya tergolong sedang. Dulu, klaim semacam itu mungkin akan diproses melalui jalur penanganan standar hingga biaya atau aktivitas litigasi memicu eskalasi. Dengan pendekatan penilaian berbasis persentil, sinyal-sinyal awal menempatkan klaim tersebut pada peringkat yang lebih tinggi dibandingkan klaim sejenis, meskipun biaya absolutnya tetap rendah.

Sinyal dini tersebut memicu jalur penanganan yang berbeda. Klaim tersebut ditinjau lebih cepat, ditangani oleh sumber daya yang lebih berpengalaman, dan dikelola dengan kesadaran yang lebih tinggi terhadap risiko litigasi dan kompleksitas medis. Meskipun hasilnya tidak pernah dapat dijamin, arah penanganan berubah selagi masih ada peluang untuk memengaruhinya. Pergeseran tersebut, yang dilakukan sejak dini dan secara sengaja, merupakan nilai dari mendeteksi risiko lebih awal.

Dari prediksi hingga pengambilan keputusan yang proaktif

Nilai sesungguhnya dari kecerdasan buatan (AI) dan analitik tidak hanya terletak pada prediksi semata, melainkan pada apa yang dilakukan organisasi dengan informasi tersebut. Wawasan dini hanya berguna jika digunakan sebagai dasar untuk mengambil tindakan.

Bagi klien, hal ini berarti lebih sedikit kejutan yang muncul di akhir proses, penyelarasan keahlian yang lebih cepat, serta keyakinan yang lebih besar terhadap cadangan dan perkiraan. Ketika risiko teridentifikasi lebih awal, tim dapat mengambil tindakan selagi masih ada pilihan, alih-alih harus menangani eskalasi setelah masalah terjadi.

Di Sedgwick, penilaian tingkat keparahan telah diintegrasikan langsung ke dalam alur kerja operasional. Wawasan disajikan pada titik-titik pengambilan keputusan, bukan sebagai analisis terpisah. Klaim berisiko tinggi segera diteruskan ke pemeriksa berpengalaman, spesialis litigasi, atau tenaga medis, sementara klaim berisiko rendah diproses melalui jalur yang lebih efisien. Integrasi ini mengubah penanganan klaim sehari-hari, bukan sekadar pelaporan.

Organisasi yang berhasil menerapkan AI memandangnya sebagai alat bantu pengambilan keputusan, bukan sebagai tujuan akhir. Wawasan harus disampaikan dalam konteks yang tepat, tepat pada saat keputusan sedang diambil, agar dapat secara signifikan mengubah hasil.

Pentingnya fondasi data yang kokoh

Model canggih hanya akan seefektif data yang mendasarinya. Banyak organisasi mengalami kesulitan bukan karena kurangnya ambisi analitis, melainkan karena data mereka masih terfragmentasi, sulit diakses, atau tidak dikelola dengan baik.

Strategi data modern menekankan pada aksesibilitas, standarisasi, dan kepercayaan. Data terstruktur dan tidak terstruktur harus tersedia di lingkungan yang mendukung analisis berskala besar, dengan tetap menerapkan kontrol yang ketat terkait keamanan, privasi, dan kepatuhan.

Perjalanan Sedgwick dalam bidang ilmu data menegaskan pelajaran ini. Selama beberapa tahun terakhir, organisasi ini telah berinvestasi dalam memodernisasi infrastruktur datanya, memindahkan data dari sistem lama ke platform berbasis cloud yang terkelola dan dirancang khusus untuk analitik dan kecerdasan buatan. Proses pengambilan data yang terstandarisasi, transformasi, kontrol akses berbasis peran, anonimisasi, dan kemampuan audit telah terintegrasi ke dalam alur kerja, sehingga menciptakan landasan yang mendukung baik wawasan maupun kepercayaan.

Tanpa landasan ini, bahkan model yang canggih pun akan kesulitan untuk diterapkan secara luas atau menghasilkan hasil yang dapat dipertanggungjawabkan.

AI yang Bertanggung Jawab sebagai prinsip inti

Seiring dengan semakin terintegrasinya kecerdasan buatan (AI) dalam pengambilan keputusan operasional, penggunaan yang bertanggung jawab menjadi sangat penting. Tata kelola bukan sekadar standar internal; melainkan juga merupakan jaminan bagi klien.

Praktik AI yang bertanggung jawab mendukung transparansi, keterjelaskan, dan keberlanjutan, sehingga mengurangi risiko regulasi, hukum, dan reputasi di tingkat hilir. Standar yang jelas terkait penggunaan data, pengawasan model, dan keterlibatan manusia membantu memastikan bahwa analisis data mendukung pengambilan keputusan, bukan malah mengaburkannya.

Di Sedgwick, hal ini tercermin dalam tata kelola AI yang terstruktur, penggunaan alat yang telah disetujui, pelatihan wajib, serta pendekatan "human-in-the-loop" yang konsisten. Variabel sensitif hanya digunakan jika benar-benar dapat meningkatkan hasil secara signifikan dan sesuai dengan kasus penggunaannya. Bagi klien, hal ini berarti wawasan yang dapat mereka percayai, jelaskan, dan pertanggungjawabkan.

Memandang ke depan: Dari model ke kecerdasan adaptif

Masa depan identifikasi risiko akan melampaui model prediktif tradisional. Kecerdasan buatan generatif dan analitik canggih membuka peluang untuk mengeksplorasi lebih dalam alur kerja, narasi, dan sinyal-sinyal yang saling terkait, yang sebelumnya sulit dianalisis dalam skala besar.

Sedgwick saat ini sedang meneliti bagaimana kecerdasan buatan generatif dapat melengkapi model yang sudah ada dengan merangkum riwayat klaim, mengidentifikasi tren yang muncul di kalangan populasi yang luas, serta memungkinkan tim untuk mengajukan pertanyaan yang lebih kompleks terhadap data mereka secara real time. Kemampuan-kemampuan ini mengarah pada bentuk kecerdasan yang lebih adaptif, yaitu kecerdasan yang berkembang seiring dengan kebutuhan operasional, bukan sekadar tetap statis.

Yang tidak akan berubah adalah tujuannya. Organisasi akan terus berupaya memperoleh wawasan lebih awal, keyakinan yang lebih besar, serta kemampuan untuk bertindak sebelum risiko berubah menjadi gangguan.

Seringkali, titik awalnya hanyalah memahami di mana sinyal-sinyal awal mungkin terlewatkan saat ini. Dari situ, pembicaraan secara alami beralih ke hal-hal apa saja yang dapat berubah jika sinyal-sinyal tersebut terdeteksi lebih awal.

Dalam lingkungan yang diwarnai oleh ketidakpastian, kemampuan untuk melihat apa yang sedang berkembang, bukan hanya apa yang telah terjadi, mungkin merupakan salah satu keunggulan terpenting yang dapat dibangun oleh sebuah organisasi.