Tentang Sesi Ini
Ringkasan & metadata
Sesi ini menceritakan pengalaman Rey — sebuah perusahaan insurtech kesehatan di Indonesia — dalam memangkas waktu pemrosesan klaim kesehatan dari yang tadinya berhari-hari menjadi hitungan menit. Kuncinya bukan sekadar "menambahkan AI", melainkan merancang ulang seluruh alur klaim di atas AWS: dokumen medis dibaca otomatis, aturan diverifikasi mesin, kasus sederhana disetujui seketika, dan hanya kasus rumit yang naik ke manusia.
Bagi peserta, ini adalah studi kasus yang membumi: bagaimana sebuah startup mengubah proses back-office yang penuh kertas dan antrean menjadi layanan digital yang cepat, sambil tetap menjaga akurasi, privasi data kesehatan, dan kepercayaan. Ceritanya relevan untuk siapa pun yang mengelola proses padat-dokumen — bukan hanya asuransi.
Kenapa penting untuk Anda? Jika bisnis Anda punya proses "kirim berkas → tunggu diperiksa manusia → tunggu keputusan", pola yang dibahas Rey di sesi ini adalah cetak biru untuk mempercepatnya berkali-kali lipat tanpa mengorbankan kontrol.
Rey (PT Vertika Technologies Nusantara, rey.id) adalah startup insurtech kesehatan Indonesia yang berdiri pada 2021 dan memposisikan diri sebagai perusahaan proteksi kesehatan, jiwa, dan penyakit kritis berbasis keanggotaan digital pertama yang terintegrasi di Indonesia. Layanannya menggabungkan proteksi rawat jalan & rawat inap dengan fitur telehealth: konsultasi dokter daring, tebus resep online, dan janji temu dokter, plus program kesehatan (wellness). Rey tercatat menghimpun pendanaan bertahap — antara lain seed US$4,2 juta (2022) dan tambahan US$3,5 juta (2024, dipimpin CyberAgent Capital, Arthazen Capital, dan Gametraco Tunggal) — serta ikut dalam Sandbox Inovasi Digital Kesehatan Kementerian Kesehatan. Untuk klaim & underwriting, Rey secara publik menyatakan membangun sistem pakar berbasis AI generatif dan rekam medis elektronik (EMR), dan pada 2024 meluncurkan Olvo.ai, model AI "Insurance Medicine" propietar untuk klaim dan underwriting; rasio klaim (loss ratio) Rey disebut sekitar 50%, jauh di bawah rata-rata industri. Catatan: penggunaan AWS spesifik (Textract, Bedrock, Step Functions, SageMaker) yang dibahas di sesi ini tidak dipublikasikan dalam sumber terbuka yang kami temukan — nama layanan pada buku ini bersifat ilustratif untuk menjelaskan pola klaim otomatis.
Sumber: rey.id/en/about-us; MobiHealthNews (seed US$4,2 juta); Insurtech Insights & Jakarta Globe (pendanaan US$3,5 juta, Olvo.ai, loss ratio ~50%); Kontan & Antara (profil & pendanaan); Wikipedia Indonesia "Rey" (teks). Detail arsitektur spesifik sesi ilustratif; bukan nasihat medis.
Mengapa Klaim Lambat & Cara AI Mempercepatnya
Mengapa klaim kesehatan itu lambat
Bayangkan proses klaim tradisional. Pasien atau rumah sakit mengirim setumpuk dokumen: resume medis, resep, kuitansi, hasil lab, formulir. Petugas harus membaca satu per satu, mengetik ulang datanya, mencocokkan dengan polis, memeriksa apakah tindakan ditanggung, menghitung nominal, lalu memutuskan disetujui atau tidak. Langkah ini disebut adjudikasi — dan karena dikerjakan manual, ia menumpuk, rawan salah ketik, serta bisa memakan waktu berhari-hari.
AI mengubah pola ini menjadi tiga gerakan: (1) membaca dokumen secara otomatis dan mengubahnya jadi data terstruktur; (2) memeriksa data itu terhadap aturan polis dan kewajaran medis; (3) memutuskan — menyetujui klaim sederhana seketika, menandai yang mencurigakan, dan meneruskan yang rumit ke petugas. Manusia tidak dihilangkan; ia dipindahkan ke tempat yang paling butuh penilaiannya.
Layanan AWS yang dipakai
Berikut layanan inti yang menopang alur klaim cepat ala Rey, dengan fungsi ringkasnya:
Layanan-layanan ini bekerja sebagai satu rangkaian. Textract mengubah berkas jadi data; Bedrock dan aturan menilai kelayakannya; SageMaker mengendus anomali; Step Functions menyatukan seluruh langkah menjadi alur yang bisa diulang dan diandalkan; sementara keamanan serta observability menjaga agar data pasien terlindungi dan setiap keputusan dapat ditelusuri.
Analogi yang Mudah Dicerna
Loket manual vs loket ekspres AI
Ibaratnya, klaim tradisional seperti antre panjang di loket manual. Anda menyerahkan setumpuk berkas, seorang petugas membaca lembar demi lembar, mengetik ulang, mengecek buku aturan, lalu menstempel — satu orang, satu antrean, sepanjang hari. Ketika berkas menumpuk, antrean makin panjang dan keputusan makin lama.
Dengan AI, loket itu menjadi "loket ekspres". Sebuah mesin pintar membaca seluruh berkas dalam sekejap, langsung mencocokkannya dengan aturan, dan untuk klaim yang jelas dan sederhana, memberi persetujuan seketika. Hanya berkas yang aneh, tidak lengkap, atau bernilai besar yang dialihkan ke "loket khusus" tempat petugas manusia memeriksanya dengan saksama.
- Membaca berkas = petugas OCR super-cepat (Textract) — tak perlu ketik ulang.
- Mencocokkan aturan = buku aturan yang dibaca mesin (aturan + LLM) — konsisten setiap saat.
- Loket ekspres = jalur otomatis untuk klaim sederhana — disetujui dalam menit.
- Loket khusus = petugas manusia untuk kasus rumit — fokus di tempat yang paling perlu.
- Petugas keamanan = deteksi anomali & privasi — menjaga dari kecurangan dan kebocoran data.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, pipeline klaim cerdas terlihat seperti ini: dokumen klaim masuk lewat aplikasi, Textract mengekstrak isinya, Step Functions mengorkestrasi langkah-langkah, Bedrock beserta mesin aturan melakukan validasi & adjudikasi, SageMaker memeriksa anomali/fraud, lalu keputusan bercabang: klaim sederhana disetujui otomatis, klaim rumit masuk antrean peninjauan manusia. Semua langkah terekam untuk audit.
Alur kerja satu klaim
Ketika sebuah klaim rawat jalan masuk, inilah yang terjadi di balik layar:
- Terima & baca. Dokumen (resume medis, resep, kuitansi) diunggah; Textract mengekstrak teks dan angka menjadi data terstruktur.
- Validasi. Data dicocokkan dengan polis: apakah peserta aktif, tindakan ditanggung, nominal wajar?
- Periksa anomali. Model memeriksa pola mencurigakan (mis. tagihan jauh di atas kewajaran) sebagai sinyal fraud.
- Putuskan. Klaim jelas & bernilai kecil disetujui otomatis; sisanya ditandai untuk ditinjau.
- Human-in-the-loop. Petugas meninjau kasus rumit atau bernilai besar, dibantu ringkasan dari AI.
- Rekam. Setiap keputusan dicatat untuk audit, kepatuhan, dan perbaikan model.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan pola "baca–periksa–putuskan" di berbagai konteks.
Klaim cepat ala Rey
Seorang peserta rawat jalan mengunggah foto kuitansi dan resep lewat aplikasi. Textract membaca nominal, nama obat, dan tanggal; aturan polis memverifikasi peserta aktif dan tindakan ditanggung; Bedrock memeriksa kewajaran dan merangkum kasus. Karena klaim jelas dan bernilai kecil, sistem menyetujuinya dalam hitungan menit, dan dana diproses. Yang tadinya menunggu berhari-hari kini terasa seperti transaksi instan.
Otomasi klaim kerusakan
Perusahaan asuransi umum menerapkan pola serupa untuk klaim kendaraan atau properti. Foto kerusakan dan dokumen pendukung dibaca otomatis, SageMaker menandai pola yang menyimpang dari kewajaran (indikasi potensi fraud), dan klaim standar diselesaikan cepat. Kasus bernilai besar atau tak lazim diarahkan ke peninjau manusia dengan ringkasan siap-baca, sehingga tim fokus pada yang benar-benar butuh penilaian.
Verifikasi dokumen & berkas
Bagian administrasi rumah sakit atau fasilitas kesehatan memakai OCR untuk memverifikasi kelengkapan berkas pasien dan penjaminan sebelum diajukan ke penanggung. Dokumen yang tidak lengkap atau tidak sesuai terdeteksi lebih awal, mengurangi bolak-balik dan penolakan. Setiap langkah tercatat untuk audit, dan pagar privasi menjaga data kesehatan pasien tetap terlindungi.
Catatan penting: Buku ini bersifat edukatif dan bukan nasihat medis. Sistem seperti ini membantu proses administrasi klaim, bukan menggantikan penilaian klinis dokter atau keputusan medis apa pun.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Kecepatan lahir dari desain ulang, bukan sekadar AI. Proses "baca–periksa–putuskan" yang otomatis memangkas hari menjadi menit.
- OCR adalah pintu masuk. Textract mengubah tumpukan berkas menjadi data yang bisa diproses mesin.
- Otomatiskan yang jelas, serahkan yang rumit ke manusia. Human-in-the-loop menjaga kualitas tanpa memperlambat mayoritas klaim.
- Privasi & audit sejak awal. Data kesehatan sangat sensitif — keamanan dan observability bukan tambahan, melainkan fondasi.