Mengapa Penilai Klaim Asuransi Benci Banget sama AI? Data Glassdoor Bicara 98% Negatif

Data Glassdoor Mengungkap Ketidaksukaan Mendalam

Platform ulasan perusahaan Glassdoor baru-baru ini mengeluarkan temuan mengejutkan: dari seluruh ulasan yang ditulis penilai klaim asuransi (claims adjusters) yang menyebut kecerdasan buatan, 98 persen bersifat negatif. Angka ini jauh melebihi tingkat ketidakpuasan profesi lain terhadap AI di tempat kerja.

Kate Taylor dari Wired melaporkan temuan ini pada 31 Agustus 2026. Data diambil dari ribuan ulasan karyawan di industri asuransi AS. Penilai klaim adalah profesi yang tugas utamanya mengevaluasi kerugian, memverifikasi keabsahan klaim, dan menentukan besarnya pembayaran — pekerjaan yang butuh penilaian kontekstual, empati, dan pengalaman lapangan.

“AI Hanya Alat, Jangan Diberi Kunci”

Satu ulasan representatif menuliskan: “AI is just a tool. It should never be given the keys.” (AI hanyalah alat. Jangan pernah memberinya kunci.) Kalimat ini merangkum kekhawatiran inti: AI boleh bantu mengolah data, tapi keputusan akhir soal nasib klaim — yang berarti uang dan kehidupan orang — Hates tetap di tangan manusia.

Penilai klaim menghadapi kasus-kasus kompleks: kecelakaan mobil dengan tanggung jawab ganda, kerusakan rumah akibat bencana alam dengan polis yang ambigu, klaim medis yang butuh interpretasi catatan dokter. Algoritma cenderung mengikuti aturan kaku dan pola historis, sementara realita di lapangan penuh nuansa.

Manusia Didesak Tak Pakai Otak

Ulasan lain yang dikutip Wired: “Pushing AI to the point that you are asking humans not to use their thoughts and brains is such a turn off.” (Mendorong AI sampai manusia diminta tidak menggunakan pikiran dan otak mereka — sungguh mengecewakan.)

Keluhan ini mencerminkan tren industri asuransi yang mendorong “straight-through processing” — alur kerja otomatis dari pengajuan klaim ke pembayaran tanpa campur tangan manusia. Perusahaan besar seperti Lemonade, Root, dan divisi digital Allstate/State Farm telah mengadopsi model ini untuk mempercepat penyelesaian dan menekan biaya operasional.

Contoh Nyata: Klaim Banjir Bandang di Jawa Barat

Bayangkan kasus di Indonesia: rumah warga terendam banjir bandang di Bandung. Polis asuransi mengecualikan “banjir akibat longsoran” tapi menanggung “banjir akibat curah hujan ekstrem”. Penilai klaim manusia akan ke lokasi, wawancara tetangga, cek data BMKG, baca laporan BPBD, lalu buat keputusan berbasis bukti kontekstual. AI yang dilatih pada ribuan klaim lama mungkin hanya mencocokkan kata “banjir” dan menolak otomatis — atau sebaliknya, menyetujui klaim penipuan yang manipulasi foto.

Mengapa Penilai Klaim Lebih Anti-AI dari Profesi Lain?

Tiga faktor utama:

• Tanggung jawab finansial langsung: Keputusan mereka memindahkan uang besar. Kesalahan AI = kerugian perusahaan atau ketidakadilan bagi nasabah.
• Keunikan tiap kasus: Tidak ada dua klaim identik. Polis, kerusakan, bukti, hukum lokal — semuanya variabel.
• Tekanan “efisiensi” dari atas: Manajemen menargetkan waktu penyelesaian (cycle time) semakin cepat. AI dijual sebagai solusi, tapi penilai klaim yang bertanggung jawab saat audit atau gugatan.

Dampak ke Tenaga Kerja & Kualitas Layanan

Turnover penilai klaim senior naik. Banyak yang pensiun dini atau pindah industri karena merasa profesi mereka “didegradasikan” jadi operator validasi output AI. Parahnya, penilai junior kehilangan kesempatan belajar dari senior — karena alur kerja dipecah jadi tugas-tugas mikro yang diotomatisasi.

Di Indonesia, OJK (Otoritas Jasa Keuangan) mulai mengatur penggunaan AI di jasa keuangan lewat POJK Nomor 13/2024. Prinsip utamanya: AI Hates explainable, auditable, dan ada human-in-the-loop untuk keputusan berisiko tinggi. Klaim asuransi masuk kategori risiko tinggi.

Jalan Tengah: AI Sebagai Copilot, Bukan Autopilot

Perusahaan yang sukses tidak mengganti penilai klaim, tapi memberinya alat bantu:

• OCR + NLP untuk ekstrak data dari formulir, laporan polisi, tagihan rumah sakit — menghemat 40% waktu input manual.
• Model deteksi anomali (fraud scoring) yang flag klaim mencurigakan untuk ditelusuri manusia, bukan auto-reject.
• Knowledge base AI yang jawab pertanyaan polis instan: “Apakah polis ini menanggung kerusakan akibat angin puting beliung di Kabupaten X?”

Pendekatan ini menghormati ekspertise manusia sambil memanfaatkan kecepatan mesin. Seperti yang dikatakan satu penilai klaim senior di forum industri: “Let AI read the 200 pages of medical records. I’ll decide if the surgery was necessary.”

Kesimpulan & Langkah Praktis

Data Glassdoor adalah peringatan keras: memaksa AI ke peran pengambil keputusan penuh di domain berisiko tinggi memicu resistensi tenaga kerja terbaik dan berisiko menurunkan kualitas keputusan.

Bagi perusahaan asuransi Indonesia yang ingin adopsi AI:

1. Pemetaan risiko: tentukan mana tugas yang aman diotomatisasi (ekstraksi data, pencocokan polis) vs butuh hakim manusia (penentuan tanggung jawab, nilai ganti rugi).
2. Desain human-in-the-loop yang nyata: AI merekomendasikan, penilai klaim menyetujui/menolak dengan alasan tertulis.
3. Investasi upskilling: latih penilai klaim jadi “AI supervisor” — baca output model, pahami bias, tahu kapan intervensi.
4. Audit berkala: ukur akurasi model vs keputusan manusia, lacak kasus di mana AI salah dan manusia benar (dan sebaliknya).

AI di asuransi bukan soal siapa lebih pintar — mesin atau manusia. Tugasnya mendesain sistem di mana keduanya saling memperkuat, bukan saling menggantikan. Penilai klaim yang benci AI bukan anti-teknologi; mereka pro-keadilan dan pro-akuntabilitas. Dengarkan mereka.