PSAK 117 dan AI Perkuat Analisis Risiko Industri Asuransi

Transformasi digital kini menjadi kebutuhan mendesak bagi industri asuransi. Di tengah meningkatnya volume data, kompleksitas produk, serta tuntutan layanan yang semakin tinggi, perusahaan asuransi dituntut mampu mengelola informasi secara lebih akurat dan cepat. Dalam konteks tersebut, pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dipandang sebagai salah satu teknologi yang dapat membantu perusahaan meningkatkan efisiensi sekaligus memperkuat pengelolaan risiko.

Namun, sebelum berbicara mengenai AI, industri asuransi harus terlebih dahulu memastikan fondasi data yang digunakan sudah kuat dan sesuai dengan standar akuntansi yang berlaku. Pesan inilah yang disampaikan Wakil Direktur Utama Indonesia Financial Group (IFG), Haru Koesmahargyo, saat menjadi pembicara dalam acara Data & AI in Insurance.

Menurut Haru, implementasi AI di sektor asuransi tidak bisa dilakukan secara instan. Teknologi tersebut hanya dapat menghasilkan analisis yang akurat apabila didukung oleh data yang berkualitas dan tata kelola yang baik.

“Banyak perusahaan ingin segera menggunakan AI untuk meningkatkan produktivitas dan mempercepat proses bisnis. Namun yang harus dipahami, AI hanya akan bekerja sebaik kualitas data yang dimiliki perusahaan. Jika fondasi datanya belum kuat, hasil yang diperoleh juga tidak akan maksimal,” ujar Haru.

Ia menjelaskan bahwa saat ini industri asuransi sedang memasuki era baru dengan diterapkannya PSAK 117, standar akuntansi yang mengubah cara perusahaan menghitung dan melaporkan kewajiban kontrak asuransi. Regulasi ini tidak hanya berdampak pada aspek pelaporan keuangan, tetapi juga pada cara perusahaan mengelola dan memanfaatkan data.

PSAK 117 Menuntut Data yang Lebih Detail

Dalam paparannya, Haru membandingkan pendekatan yang digunakan dalam PSAK 104 dengan PSAK 117. Pada PSAK 104, struktur data asuransi umumnya berfokus pada komponen premi, cadangan, biaya operasional, dan klaim yang dikelompokkan berdasarkan lini bisnis atau produk.

Premi dan klaim dipetakan ke masing-masing produk, sementara biaya operasional biasanya dicatat secara umum dan tidak selalu dibedakan per produk. Data tersebut kemudian digunakan untuk menghitung berbagai komponen cadangan, termasuk Unearned Premium Reserve (UPR) atau cadangan premi yang belum menjadi pendapatan.

Namun pada PSAK 117, pendekatan yang digunakan jauh lebih komprehensif. Perusahaan asuransi diwajibkan menghitung Insurance Contract Liability (ICL) yang terdiri atas Fulfilment Cash Flow (FCF), Risk Adjustment, dan Contractual Service Margin (CSM).

Dengan pendekatan tersebut, perusahaan harus mampu melihat kewajiban kontrak asuransi secara lebih detail, termasuk memperhitungkan risiko aktual dan proyeksi arus kas di masa depan.

“PSAK 117 mendorong perusahaan untuk memahami bisnisnya secara lebih mendalam. Data tidak cukup hanya dilihat dalam bentuk agregat. Kita harus bisa melihat hingga level produk, objek pertanggungan, jenis perlindungan, bahkan jenis klaim yang terjadi,” kata Haru.

Menurutnya, perubahan ini menjadi peluang besar bagi perusahaan untuk membangun sistem analitik yang lebih modern dan presisi.

Analisis Expected dan Actual Jadi Kunci

Salah satu konsep yang mendapat perhatian dalam PSAK 117 adalah perbandingan antara kondisi yang diperkirakan (expected) dengan kondisi yang benar-benar terjadi (actual).

Melalui pendekatan ini, perusahaan dapat mengukur seberapa besar deviasi atau penyimpangan yang muncul dibandingkan dengan asumsi awal yang digunakan saat menyusun produk asuransi.

“Risk adjustment pada dasarnya berbicara tentang ketidakpastian. Karena itu kita harus mampu membandingkan apa yang diperkirakan dengan apa yang benar-benar terjadi. Dari situlah perusahaan bisa memahami sumber risiko secara lebih akurat,” jelas Haru.

Ia menambahkan bahwa analisis tersebut tidak hanya melihat angka kerugian semata, tetapi juga mempertimbangkan berbagai faktor lain seperti periode kontrak dan time value of money. Selain itu, pengukuran risiko juga dapat dilakukan berdasarkan unit pengambil risiko, mulai dari saluran distribusi, cabang, hingga tim yang terlibat dalam proses penjualan dan pengelolaan polis.

Dengan pendekatan tersebut, perusahaan dapat menelusuri sumber kerugian secara lebih rinci.

“Ketika terjadi peningkatan klaim, pertanyaannya bukan hanya berapa besar kerugiannya. Yang lebih penting adalah produk apa yang terdampak, apa penyebabnya, siapa yang terlibat, dan di wilayah mana risiko tersebut muncul. Di sinilah nilai dari analisis data yang mendalam,” ujar Haru.

AI Membantu Mengubah Data Menjadi Informasi

Dalam industri asuransi, data terus mengalir setiap hari dari berbagai sumber, mulai dari data polis, premi, klaim, hingga aktivitas nasabah. Tantangannya adalah bagaimana mengubah data tersebut menjadi informasi yang bernilai.

Haru menjelaskan bahwa AI dapat memainkan peran penting dalam proses tersebut. Menurutnya, AI mampu membantu perusahaan mengidentifikasi pola, menemukan hubungan antarvariabel, dan menghasilkan wawasan yang sebelumnya sulit ditemukan melalui analisis manual.

“Data pada dasarnya hanyalah bahan mentah. Nilainya baru muncul ketika data tersebut diproses menjadi informasi yang dapat digunakan untuk mengambil keputusan. AI dapat mempercepat proses itu dan membantu perusahaan menemukan insight yang lebih dalam,” katanya.

Meski demikian, Haru menegaskan bahwa AI bukan solusi ajaib yang dapat menyelesaikan seluruh persoalan secara otomatis.

Tata Kelola Data Tetap Menjadi Faktor Penentu

Salah satu tantangan terbesar dalam implementasi AI adalah kualitas data. Haru mengingatkan bahwa prinsip garbage in, garbage out masih sangat relevan dalam era AI.

Artinya, apabila data yang digunakan tidak akurat, tidak lengkap, atau tidak terstruktur dengan baik, maka hasil analisis AI juga akan menghasilkan kesimpulan yang keliru. Karena itu, perusahaan harus memastikan bahwa data yang masuk ke dalam sistem telah melalui proses validasi dan quality control yang memadai.

“AI tidak bisa memperbaiki data yang buruk. Justru data yang buruk akan menghasilkan rekomendasi yang buruk pula. Oleh sebab itu, tata kelola data harus menjadi prioritas utama sebelum berbicara mengenai implementasi AI,” tegasnya.

Haru juga mengingatkan bahwa AI memiliki keterbatasan mendasar yang sering kali dilupakan banyak organisasi.

“AI tidak bisa menjawab apa yang tidak diketahuinya. Model AI hanya memahami informasi yang tersedia dalam data pelatihannya. Karena itu, peran manusia tetap sangat penting untuk melakukan validasi dan memastikan hasil analisis sesuai dengan konteks bisnis,” ujarnya.

Empat Area Pemanfaatan AI di Industri Asuransi

Dalam kesempatan tersebut, Haru memaparkan sejumlah contoh pemanfaatan AI yang dinilai memiliki dampak nyata bagi industri asuransi.

Pertama adalah Geo Spatial Analytics, yaitu pemanfaatan data geografis untuk memetakan risiko berdasarkan lokasi. Teknologi ini dapat membantu perusahaan mengidentifikasi wilayah rawan banjir, area dengan tingkat kecelakaan tinggi, serta konsentrasi risiko tertentu pada asuransi properti dan kendaraan.

Kedua adalah Fraud Detection, yang memungkinkan perusahaan mendeteksi pola-pola klaim mencurigakan melalui analisis data historis. Dengan cara ini, potensi kecurangan dapat diketahui lebih dini sebelum pembayaran klaim dilakukan.

Ketiga adalah Clinical Pathway Analysis pada asuransi kesehatan. Teknologi AI dapat membantu memverifikasi apakah tindakan medis yang diajukan dalam klaim sesuai dengan standar prosedur dan kebutuhan klinis pasien.

Keempat adalah Customer Intelligence, yaitu penggunaan AI sebagai asisten virtual bagi tenaga pemasaran untuk menjawab pertanyaan mengenai produk, polis, manfaat, hingga ketentuan asuransi secara cepat dan konsisten. Meski peluang pemanfaatan AI semakin luas, Haru menegaskan bahwa keamanan data tetap harus menjadi perhatian utama.

“Data asuransi merupakan aset yang sangat sensitif. Karena itu akses terhadap data harus dibatasi sesuai kebutuhan dan kewenangan masing-masing pihak. Prinsip data security dan need-to-know basis tidak boleh diabaikan,” katanya.

Fondasi yang Menentukan Keberhasilan AI

Haru menilai masa depan industri asuransi akan semakin bergantung pada kemampuan perusahaan dalam mengelola data secara cerdas. Namun keberhasilan transformasi tersebut tidak hanya ditentukan oleh kecanggihan teknologi, melainkan juga oleh kesiapan organisasi dalam membangun fondasi data yang kuat.

“Mulailah dari struktur data yang benar, sesuai PSAK 117. Lakukan analisis expected versus actual secara detail, pastikan kualitas data terjaga, dan pahami bahwa AI tetap membutuhkan manusia untuk memberikan konteks serta validasi,” ujar Haru.

Menurutnya, perusahaan yang mampu menggabungkan tata kelola data yang baik dengan pemanfaatan AI secara tepat akan memiliki keunggulan kompetitif yang signifikan di masa depan.

“AI bukan tujuan akhir. AI adalah alat untuk membantu perusahaan memahami risiko dengan lebih baik, mengambil keputusan lebih cepat, dan memberikan layanan yang lebih berkualitas kepada nasabah. Jika fondasinya kuat, manfaatnya akan sangat besar bagi industri asuransi,” pungkas Haru Koesmahargyo.