← Blog · Case Study · 10 min read
Pemrosesan klaim asuransi yang memakan berhari-hari dipangkas menjadi menit lewat document AI. Studi kasus ini menunjukkan bagaimana dan apa kuncinya.
A 30-minute scoping call. We listen, ask three questions, tell you if we can help.
Book a callDi hampir setiap perusahaan asuransi yang kami temui, ada satu ruangan—nyata atau metaforis—yang penuh dengan tumpukan dokumen klaim. Surat keterangan dokter, kuitansi rumah sakit, hasil laboratorium, foto kerusakan kendaraan, polis lama yang difotokopi berkali-kali hingga buram. Di balik tumpukan itu ada tim verifikator yang bekerja keras, dan di balik mereka ada nasabah yang menunggu. Menunggu uang santunan untuk biaya rumah sakit yang sudah jatuh tempo, menunggu kepastian apakah klaim mereka diterima, menunggu sesuatu yang, dari sudut pandang nasabah, seharusnya tidak rumit.
Artikel ini adalah studi kasus komposit—gabungan dari beberapa pengalaman penanganan proyek document AI di sektor asuransi yang kami satukan dan anonimkan agar pelajarannya bisa dibagikan tanpa membuka identitas pihak mana pun. Angka, hambatan, dan keputusan teknis di sini representatif terhadap pola yang berulang, bukan rekaman satu klien tertentu. Tujuannya bukan memamerkan teknologi, melainkan menunjukkan secara jujur bagaimana otomasi dokumen klaim dibangun, di mana ia tersandung, dan apa yang sebenarnya menentukan keberhasilannya.
Perusahaan dalam studi kasus ini adalah sebuah perusahaan asuransi umum dan kesehatan berskala menengah-besar yang beroperasi di beberapa kota di Indonesia. Volume klaim masuk berkisar puluhan ribu per bulan, dengan lonjakan tajam di akhir tahun dan setelah periode libur panjang. Mayoritas klaim datang dalam bentuk dokumen campuran: sebagian diunggah lewat aplikasi, sebagian lagi difoto dari kamera ponsel dengan kualitas seadanya, dan tidak sedikit yang masih berupa berkas fisik dari mitra rumah sakit dan agen.
Masalahnya bukan sekadar lambat. Masalahnya berlapis.
Waktu siklus panjang. Sebuah klaim kesehatan sederhana bisa memakan tiga sampai lima hari kerja hanya untuk tahap verifikasi dokumen, sebelum masuk ke proses adjudikasi. Untuk klaim yang dokumennya tidak lengkap, siklusnya bisa membengkak hingga dua minggu karena bolak-balik permintaan dokumen susulan.
Entri data manual yang melelahkan. Verifikator mengetik ulang nomor polis, nama tertanggung, diagnosis, kode tindakan, nominal kuitansi, dan tanggal layanan dari dokumen ke sistem inti. Pekerjaan ini repetitif, rawan salah ketik, dan membakar jam kerja staf terampil untuk tugas yang nyaris mekanis.
Inkonsistensi antar verifikator. Dua orang bisa membaca tulisan tangan dokter yang sama dengan hasil berbeda. Standar "dokumen lengkap" pun bervariasi tergantung pengalaman dan beban kerja hari itu.
Biaya tersembunyi di pengalaman nasabah. Setiap hari tambahan dalam pemrosesan adalah satu hari lagi ketidakpastian bagi nasabah, dan satu titik tambahan kekecewaan yang berakhir di kanal keluhan, media sosial, atau—lebih mahal lagi—keputusan untuk tidak memperpanjang polis.
Manajemen sudah mencoba menambah headcount, tetapi menambah orang pada proses yang secara fundamental manual hanya menggeser leher botol, bukan menghilangkannya. Pertanyaan yang akhirnya muncul bukan "berapa banyak orang lagi yang kita butuhkan", melainkan "bagian mana dari pekerjaan ini yang sebenarnya tidak perlu disentuh manusia".
Kesalahan paling umum dalam proyek seperti ini adalah membayangkan satu model tunggal yang menelan PDF di satu ujung dan memuntahkan keputusan klaim di ujung lain. Itu fantasi. Pendekatan yang kami ambil memperlakukan document AI sebagai pipeline berlapis, di mana setiap lapis punya tanggung jawab sempit dan dapat diukur sendiri.
Sebelum apa pun bisa diekstraksi, sistem harus tahu sedang melihat dokumen jenis apa. Satu paket klaim bisa berisi kuitansi, resume medis, hasil lab, salinan KTP, dan kartu peserta dalam satu unggahan acak. Lapis pertama adalah klasifikasi: memisahkan dan memberi label tiap halaman. Tanpa ini, ekstraksi akan mencari nomor polis di kuitansi apotek dan gagal.
Inti dari sistem adalah ekstraksi field. Untuk dokumen yang relatif baku—kuitansi rumah sakit mitra, formulir klaim standar—pendekatan template plus OCR sudah memadai. Tetapi realitas dokumen Indonesia jauh dari baku: ratusan format kuitansi rumah sakit yang berbeda, tulisan tangan dokter, stempel yang menutupi angka, foto miring dan gelap.
Di sektor asuransi, akurasi 95% pada field nominal bukan prestasi—ia berarti satu dari dua puluh klaim berpotensi salah bayar. Standar yang relevan bukan "bagus", tapi "cukup baik untuk dipercaya tanpa diperiksa ulang".
Untuk menangani keragaman ini, kami memadukan OCR konvensional dengan model visual-bahasa (vision-language model) yang dapat membaca tata letak dokumen secara kontekstual. Model visual ini jauh lebih tahan terhadap variasi format dan mampu menjawab pertanyaan seperti "berapa total tagihan yang harus dibayar" alih-alih hanya mengembalikan blok teks mentah. Field kritis yang diekstraksi mencakup nomor polis, identitas tertanggung, tanggal layanan, diagnosis, kode tindakan, rincian biaya, dan total klaim.
Ekstraksi tanpa validasi berbahaya. Setiap field hasil ekstraksi dilewatkan ke lapis aturan bisnis: apakah nomor polis cocok dengan basis data peserta, apakah tanggal layanan berada dalam periode polis aktif, apakah penjumlahan rincian biaya sama dengan total, apakah diagnosis termasuk dalam pengecualian polis. Lapis ini menangkap kesalahan ekstraksi sekaligus indikasi awal anomali.
Bagian terpenting—dan paling sering diabaikan—adalah desain campur tangan manusia. Setiap field membawa skor keyakinan. Bila skor di atas ambang dan semua validasi lolos, klaim mengalir otomatis (straight-through processing). Bila ada field berkeyakinan rendah atau gagal validasi, sistem tidak menebak; ia mengarahkan dokumen ke verifikator dengan field bermasalah sudah ditandai, lengkap dengan potongan gambar sumbernya. Verifikator tidak lagi mengetik dari nol—mereka mengonfirmasi atau mengoreksi.
Perubahan peran ini halus tetapi mendasar: dari operator entri data menjadi pengambil keputusan atas pengecualian.
Studi kasus ini akan tidak jujur jika hanya menampilkan jalur mulus. Beberapa hambatan nyaris menggagalkan proyek di tengah jalan.
Kualitas data masukan yang brutal. Sekitar seperlima dokumen pada batch awal nyaris tak terbaca: foto dari ruangan gelap, kuitansi termal yang sudah memudar, halaman terpotong. Tidak ada model yang bisa membaca informasi yang memang tidak ada di gambar. Solusinya bukan model yang lebih pintar, melainkan memperbaiki titik pengambilan data—menambahkan panduan dan validasi kualitas foto langsung di aplikasi nasabah saat mengunggah.
"Long tail" format dokumen. Dua puluh format teratas mungkin menutupi 70% volume, tetapi sisa 30% tersebar di ratusan format langka. Mengejar kesempurnaan pada ekor panjang ini menghabiskan waktu yang tidak sebanding. Keputusan yang tepat adalah membiarkan dokumen langka jatuh ke jalur manual dan fokus mengotomasi yang volumenya besar.
Resistensi dari tim verifikasi. Wajar ada kekhawatiran bahwa otomasi berarti pengurangan posisi. Ini dijawab dengan jujur: sistem mengambil alih bagian yang membosankan, dan kapasitas yang terbebas dialihkan ke klaim kompleks bernilai tinggi serta penanganan kasus mencurigakan—pekerjaan yang justru lebih menarik dan lebih bernilai bagi perusahaan.
Kepatuhan dan jejak audit. Data klaim kesehatan termasuk data pribadi yang bersifat spesifik dan sensitif menurut UU PDP No. 27/2022. Setiap keputusan otomatis harus dapat dilacak: dokumen mana, field apa, skor keyakinan berapa, dan apakah dikoreksi manusia. Tanpa jejak audit yang lengkap, sistem tidak akan pernah lolos tinjauan kepatuhan internal, apalagi audit eksternal.
Setelah periode penyetelan dan peluncuran bertahap—dimulai dari satu lini produk dan satu jenis klaim sebelum diperluas—dampaknya mulai terukur. Angka-angka berikut bersifat ilustratif terhadap pola yang umum kami amati, bukan klaim presisi atas satu implementasi tertentu.
Waktu pemrosesan tahap dokumen untuk klaim yang lolos jalur otomatis turun dari hitungan hari menjadi hitungan menit. Untuk klaim "bersih" yang dokumennya lengkap dan jelas, ekstraksi hingga siap-adjudikasi terjadi nyaris seketika.
Tingkat straight-through processing mencapai kisaran 60–70% dari volume klaim sederhana, artinya mayoritas klaim rutin tidak lagi memerlukan entri data manual sama sekali.
Akurasi ekstraksi field kritis distabilkan di atas 98% pada dokumen berkualitas baik, dengan kesalahan sisa tertangkap oleh kombinasi validasi aturan dan tinjauan manusia—bukan diloloskan begitu saja.
Beban verifikator bergeser, bukan hilang. Jam kerja yang sebelumnya habis untuk mengetik dialihkan ke penanganan pengecualian dan klaim kompleks, sehingga kapasitas efektif tim meningkat tanpa penambahan headcount.
Pengalaman nasabah membaik secara nyata pada metrik yang paling dirasakan: kepastian lebih cepat dan lebih sedikit permintaan dokumen susulan, karena validasi kelengkapan kini terjadi di muka, bukan di tengah proses.
Yang menarik, penghematan biaya langsung dari pengurangan jam kerja manual sering kali bukan komponen ROI terbesar. Nilai yang lebih besar datang dari hal-hal yang lebih sulit dihitung di awal: retensi nasabah yang lebih baik, berkurangnya kebocoran akibat salah bayar, dan kemampuan menyerap lonjakan volume musiman tanpa panik merekrut tenaga sementara.
Bagi pembaca yang ingin gambaran teknis lebih konkret, berikut bentuk arsitektur yang umum kami terapkan—disederhanakan, tetapi cukup untuk menangkap esensinya.
Dokumen masuk melalui beberapa kanal: unggahan aplikasi nasabah, portal mitra rumah sakit, dan pemindaian berkas fisik. Semua bermuara di satu antrean ingestion yang menormalkan format—mengubah berbagai sumber menjadi gambar atau PDF terstandar dengan metadata asal. Dari sini, dokumen melewati lapis pra-pemrosesan: deteksi orientasi, koreksi kemiringan, peningkatan kontras, dan penyaringan kualitas. Dokumen yang gagal ambang kualitas langsung dialihkan ke jalur permintaan unggah ulang, sebelum membuang sumber daya pada ekstraksi yang pasti gagal.
Dokumen berkualitas lolos ke lapis klasifikasi, lalu ke ekstraksi yang memadukan OCR dan model visual-bahasa. Hasil ekstraksi—beserta skor keyakinan per field—mengalir ke mesin aturan bisnis yang memeriksa silang dengan basis data peserta dan ketentuan polis. Keputusan routing terjadi di sini: klaim bersih dengan keyakinan tinggi diteruskan ke adjudikasi otomatis, sementara klaim dengan field ragu atau anomali masuk ke antrean tinjauan manusia dengan konteks lengkap. Setiap langkah menulis ke log audit terpusat yang tak bisa diubah, menjadi tulang punggung kepatuhan.
Yang membuat arsitektur ini bertahan bukanlah kecanggihan satu komponen, melainkan kebersihan batas antar komponen. Setiap lapis bisa di-monitor, di-evaluasi, dan ditingkatkan secara terpisah tanpa membongkar keseluruhan. Ketika format kuitansi baru muncul dan akurasi turun, tim bisa menunjuk persis lapis mana yang perlu disetel—bukan menebak-nebak di dalam kotak hitam monolitik.
Otomasi tanpa pengukuran adalah iman buta. Sejak hari pertama produksi, beberapa metrik dipantau berdampingan, dan keseimbangan di antara mereka—bukan satu angka tunggal—yang menentukan kesehatan sistem.
Tingkat straight-through processing, yaitu persentase klaim yang mengalir tanpa sentuhan manusia. Naik terlalu agresif tanpa menjaga akurasi adalah lampu peringatan, bukan kemenangan.
Akurasi field per jenis dokumen, diukur terhadap sampel yang ditinjau manusia secara berkala, karena akurasi rata-rata bisa menyembunyikan field tertentu yang konsisten meleset.
Tingkat eskalasi ke manusia dan alasannya, yang menunjukkan di mana sistem masih lemah dan ke mana upaya perbaikan berikutnya sebaiknya diarahkan.
Waktu siklus end-to-end, dari dokumen masuk hingga siap-adjudikasi, dipecah per jalur agar perbaikan bisa ditargetkan.
Tingkat klaim yang dibuka kembali atau dikoreksi pasca-keputusan, indikator paling jujur apakah kecepatan dicapai dengan mengorbankan ketepatan.
Disiplin pengukuran inilah yang mengubah sistem dari "demo yang mengesankan" menjadi kapabilitas produksi yang bisa dipercaya selama bertahun-tahun.
Beberapa pelajaran dari studi kasus ini berlaku jauh melampaui asuransi.
Mulai dari proses, bukan dari model. Kemenangan terbesar datang dari memetakan ulang alur klaim dan memutuskan bagian mana yang layak diotomasi—bukan dari memilih model tercanggih.
Akurasi tanpa konteks adalah angka kosong. Yang menentukan adalah akurasi pada field yang berkonsekuensi finansial, diukur pada dokumen senyata mungkin, dengan ambang yang disepakati bersama tim bisnis dan kepatuhan.
Human-in-the-loop bukan tanda kegagalan, melainkan desain. Sistem yang tahu kapan harus berhenti dan bertanya jauh lebih dipercaya daripada sistem yang selalu menjawab dengan percaya diri palsu.
Perbaiki sumber data sebelum menyalahkan model. Investasi pada kualitas masukan di titik unggah sering memberi peningkatan akurasi yang lebih besar daripada berbulan-bulan menyetel model.
Otomasi yang sukses mengubah peran, bukan sekadar memangkasnya. Komunikasi jujur soal pergeseran peran menentukan apakah tim menjadi sekutu atau penghambat.
Otomasi dokumen klaim bukan proyek "pasang sekali lalu lupakan". Ia adalah kapabilitas yang perlu dipantau, dievaluasi ulang saat format dokumen berubah, dan disetel seiring munculnya pola klaim baru. Tetapi begitu fondasinya benar, ia menjadi salah satu investasi AI dengan jalur ROI paling jelas yang bisa dimiliki sebuah perusahaan asuransi.
Jika tim Anda masih kehilangan hari kerja untuk membaca, mengetik ulang, dan memverifikasi dokumen secara manual, ada peluang nyata untuk memangkasnya menjadi menit—dengan jejak audit dan kepatuhan yang justru lebih kuat, bukan lebih lemah. Setiap perusahaan punya bentuk dokumen, aturan bisnis, dan tingkat toleransi risiko yang berbeda, sehingga arsitektur yang tepat selalu hasil rancangan, bukan template.
Sainskerta Solusi Nusantara mendampingi perusahaan asuransi dan lembaga keuangan Indonesia dari fase strategi hingga operasi: memetakan proses, merancang pipeline document AI yang patuh UU PDP, dan menjalankannya di produksi. Jadwalkan sesi konsultasi awal melalui halaman Kontak kami untuk mendiskusikan volume dan jenis dokumen Anda—kami akan bantu memperkirakan potensi penghematan waktu dan menyusun langkah pilot yang realistis.
