Sztuczna inteligencja jest już wykorzystywana w całym procesie obsługi roszczeń ubezpieczeniowych – od pierwszego zgłoszenia szkody (FNOL) i obsługi dokumentacji po wykrywanie nadużyć i likwidację szkód. Trudniejsze pytanie brzmi jednak: w jakich obszarach zapewnia ona wymierną wartość bez wprowadzania niepotrzebnego ryzyka regulacyjnego, reputacyjnego lub operacyjnego.
W przypadku roszczeń najskuteczniejsze zastosowania dotyczą zazwyczaj powtarzalnych zadań wymagających analizy dużej ilości dowodów. Najsłabsze natomiast dotyczą niejednoznacznej odpowiedzialności, klientów wymagających szczególnej troski, niekompletnych dowodów lub decyzji, których trudno jest cofnąć. W praktyce decydującym czynnikiem jest zazwyczaj rodzaj automatyzowanej decyzji, a nie stopień zaawansowania technologii.
Rozbieżność między wskaźnikami wdrażania sztucznej inteligencji a wynikami jej stosowania w branży ubezpieczeniowej
Roszczenia generują ogromne ilości danych: dokumenty ubezpieczeniowe, zdjęcia, kosztorysy napraw, dokumentację medyczną, korespondencję, transkrypcje rozmów telefonicznych oraz dane historyczne dotyczące rozstrzygnięć. To sprawia, że branża ubezpieczeniowa jest atrakcyjna z punktu widzenia automatyzacji, ale nie oznacza to, że każdy element procesu obsługi roszczeń nadaje się do zastosowania sztucznej inteligencji.
Technologie takie jak uczenie maszynowe, przetwarzanie języka naturalnego, optyczne rozpoznawanie znaków oraz wizja komputerowa pozwalają na szybkie przetwarzanie dużych ilości informacji. Jednak modele, które dobrze sprawdzają się na danych historycznych, mogą nadal napotykać trudności w środowisku produkcyjnym, gdzie mają do czynienia z niespójnymi dokumentami, starszymi systemami, zmieniającymi się przepisami oraz nietypowymi lub złożonymi roszczeniami.
Badania BCG odzwierciedlają tę lukę: branża ubezpieczeniowa szybko wdrożyła sztuczną inteligencję, ale tylko 7% ankietowanych ubezpieczycieli z powodzeniem skalowało swoje systemy.
Dlatego analiza biznesowa dotycząca przetwarzania roszczeń ubezpieczeniowych z wykorzystaniem sztucznej inteligencji powinna rozpoczynać się od procesu, a nie od technologii. Kluczowe pytania brzmią:
- Ile kosztuje ten proces obecnie?
- Ile czasu to zajmuje?
- Jak często wymagana jest ludzka ocena?
- Jaki jest koszt błędnej decyzji?
- Czy wynik można zweryfikować niezależnie?
- Czy człowiek może interweniować przed podjęciem decyzji o istotnych konsekwencjach?
- Czy ubezpieczyciel może odtworzyć sposób, w jaki powstała rekomendacja?
Odpowiedzi na te pytania decydują o tym, czy obiecujący projekt pilotażowy ma realną szansę na wdrożenie do produkcji.
Na czym polega obsługa roszczeń?
Cały cykl życia roszczeń obejmuje kilka różnych rodzajów zadań, których potencjał automatyzacji jest bardzo zróżnicowany.
1. Pierwsze zgłoszenie szkody
Sztuczna inteligencja potrafi wyodrębniać informacje z rozmów telefonicznych, formularzy, zdjęć i dokumentów, identyfikować brakujące dane oraz kierować zgłoszenia do odpowiedniego procesu obsługi.
Sama interakcja z klientem ma bardziej delikatny charakter. Osoba zgłaszająca poważny wypadek, pożar lub zgon może potrzebować wyczucia i wsparcia, a nie w pełni zautomatyzowanej rozmowy. Dlatego też obsługa zgłoszeń szkód (FNOL) wspomagana przez sztuczną inteligencję jest bardziej uzasadniona niż próba automatyzacji każdej interakcji.
2. Selekcja pacjentów
Triage jest jednym z bardziej obiecujących obszarów zastosowań sztucznej inteligencji. Systemy mogą oceniać złożoność, szacować stopień poważności, identyfikować brakujące informacje, wykrywać potencjalne oszustwa oraz ustalać priorytety zadań.
Jest to również obszar, w którym narzędzia oparte na sztucznej inteligencji mogą wnieść wartość dodaną, nie odbierając przy tym odpowiedzialności likwidatorowi szkód. Istotne informacje dotyczące polisy, poprzednie roszczenia oraz dowody potwierdzające można zebrać w jednym miejscu, zanim człowiek podejmie decyzję.
3. Dochodzenie
Sztuczna inteligencja może przeszukiwać dokumenty, sporządzać streszczenia dowodów, wykrywać niespójności oraz wyszukiwać podobne sprawy.
Ryzyko wzrasta, gdy system przechodzi od wyszukiwania informacji do ustalania, co faktycznie miało miejsce. Sprzeczne dowody, sporne kwestie odpowiedzialności oraz postępowania sądowe wymagają znacznie większego nadzoru ze strony człowieka.
4. Rozliczenie i płatność
W przypadku roszczeń o niskiej wartości, charakteryzujących się jasnym zakresem ubezpieczenia, przewidywalnymi wynikami i kompletną dokumentacją cyfrową, bezpośrednie, zautomatyzowane przetwarzanie roszczeń może sprawdzić się dobrze.
W przypadku złożonych, wysokowartościowych lub wrażliwych roszczeń takie samo podejście może wiązać się z nieproporcjonalnym ryzykiem. Sam proces wypłaty może być łatwy do zautomatyzowania; trudnością jest natomiast ustalenie, czy wypłata jest prawidłowa.
W jakich obszarach sztuczna inteligencja w obsłudze roszczeń przynosi wymierne korzyści?
Najbardziej przekonujące przykłady zastosowań zazwyczaj łączą w sobie duże wolumeny, przewidywalne wyniki, solidne dane historyczne oraz akceptowalny koszt błędu.
Bezpośrednie przetwarzanie prostych roszczeń
Roszczenie stanowi dobry kandydat do automatyzacji, gdy:
- zakres ubezpieczenia jest jasny;
- szkodę łatwo ustalić;
- wartość jest stosunkowo niska;
- dowody są dostępne w formie cyfrowej; oraz
- nie ma poważnych obaw dotyczących oszustw lub odpowiedzialności cywilnej.
Przydatnym publicznym przykładem jest firma Lemonade. Jej system AI Jim zajmował się zgłoszeniami szkód (FNOL), wstępną klasyfikacją, weryfikacją oszustw oraz wypłatami, a w razie potrzeby sprawy były przekazywane do rozpatrzenia przez człowieka. W swoim raporcie rocznym za 2021 r. firma Lemonade podała, że system AI Jim obsługiwał zgłoszenia szkód (FNOL) w 98% przypadków i przeprowadził około jednej trzeciej roszczeń przez cały proces.
Liczby te nie stanowią uniwersalnego punktu odniesienia. Firma Lemonade działa w oparciu o wysoce cyfrowy model. Bardziej uniwersalną lekcją jest to, że przetwarzanie bezpośrednie (straight-through processing) sprawdza się najlepiej, gdy złożoność roszczenia jest niewielka.
Klasyfikacja i wyodrębnianie dokumentów
Obsługa dokumentów stanowi mniej widoczne, ale potencjalnie bardziej niezawodne źródło zwrotu z inwestycji w sztuczną inteligencję w zakresie likwidacji szkód.
Sztuczna inteligencja może klasyfikować dokumenty, wyodrębniać pola, identyfikować brakujące dowody oraz sporządzać podsumowania korespondencji. Technologie takie jak optyczne rozpoznawanie znaków, przetwarzanie języka naturalnego oraz uczenie maszynowe mogą pomóc w przekształceniu danych nieustrukturyzowanych w informacje, które można przeszukiwać i wykorzystywać w ramach procesu rozpatrywania roszczeń.
System nie musi decydować, czy odszkodowanie powinno zostać wypłacone. Może natomiast ograniczyć nakład pracy administracyjnej związanej z podjęciem tej decyzji. To rozróżnienie zmniejsza również ryzyko.
Wykorzystanie wizji komputerowej do oceny uszkodzeń
Wizja komputerowa ma wyraźne zastosowanie w sprawach dotyczących szkód komunikacyjnych. Firma Aviva ogłosiła nawiązanie współpracy z Tractable w celu wykorzystania wizualnej sztucznej inteligencji do oceny uszkodzeń pojazdów na podstawie zdjęć oraz wsparcia w obliczaniu kosztów naprawy.
Jest to problem o ograniczonym zakresie: identyfikacja widocznych uszkodzeń i prawdopodobnych napraw. Jest to łatwiejsze do przetestowania niż system próbujący ustalić odpowiedzialność na podstawie tego samego zdjęcia.
Wykrywanie schematów oszustw
Ubezpieczenie oparte na wykrywaniu oszustw za pomocą sztucznej inteligencji ma szczególnie duży potencjał, ponieważ system ten potrafi identyfikować nietypowe wzorce bez konieczności podejmowania ostatecznej decyzji odmownej.
Może on sygnalizować:
- powtarzające się adresy lub numery kont bankowych;
- nietypowy termin zgłoszenia roszczenia;
- niespójne opisy;
- powtarzające się zdjęcia;
- nietypowe schematy napraw;
- powiązania między roszczeniami, które na pierwszy rzut oka nie mają ze sobą związku; oraz
- niezwykłe zachowanie usługodawców lub dostawców.
W 2025 r. firma Aviva zgłosiła ponad 18 400 podejrzanych roszczeń o wartości 233 mln funtów, zidentyfikowanych we wszystkich swoich markach. Zgłosiła również coraz częstsze wykorzystywanie przez oszustów obrazów i dokumentów generowanych przez sztuczną inteligencję.
Nie chodzi więc wyłącznie o szybsze rozpatrywanie roszczeń. Pomaga to śledczym skupić uwagę tam, gdzie uzasadniają to dowody.
Nie wiesz, który scenariusz zastosowania reklam warto przetestować w ramach projektu pilotażowego?
Pomagamy ubezpieczycielom oddzielić procesy, które sztuczna inteligencja może bezpiecznie przejąć, od tych, które nadal wymagają udziału człowieka.
Punktem wyjścia jest sytuacja wyjściowa: czas trwania cyklu, koszt jednej sprawy, wskaźniki wyjątków oraz koszty wynikające z podjęcia błędnej decyzji.
Wykrywanie oszustw: przypadek zastosowania oparty na najsolidniejszych dowodach
Oszustwa różnią się od wielu innych decyzji dotyczących roszczeń, ponieważ model może pełnić rolę filtra śledczego.
Sztuczna inteligencja potrafi zidentyfikować roszczenia zawierające sygnały uzasadniające dalsze dochodzenie, pomagając śledczym skupić uwagę tam, gdzie jest to najbardziej potrzebne. Tworzy to wyraźne rozdzielenie między wykrywaniem anomalii a podejmowaniem decyzji dotyczących klientów.
Na przykład firma Lemonade stwierdziła, że potencjalnie oszukańcze roszczenia mogą być oznaczane do zbadania przez człowieka, a nie automatycznie odrzucane.
Dla ubezpieczycieli zasada działania jest prosta:
Wykorzystaj sztuczną inteligencję, aby pomóc śledczym w znalezieniu właściwych roszczeń, zamiast używać jej do wyeliminowania śledczych z tego procesu.
Takie podejście może poprawić wykrywalność oszustw, pozostawiając jednocześnie ostateczną decyzję odmowną w rękach wykwalifikowanego pracownika.
W jakich obszarach (i dlaczego) sztuczna inteligencja konsekwentnie osiąga gorsze wyniki w zakresie zautomatyzowanego rozpatrywania roszczeń?
Sztuczna inteligencja zazwyczaj radzi sobie słabo, gdy problemem nie jest prognozowanie, lecz interpretacja.
Powtarzającym się wzorcem niepowodzeń jest to, że ostatnie 5–10% dokładności stanowi często najtrudniejszą i mającą największe konsekwencje część.
System może poprawnie sklasyfikować 95% dokumentów. Pozostałe 5% może zawierać odręczne poprawki, nietypowe adnotacje w polisach, sprzeczne dowody, dokumenty w języku obcym, korespondencję sądową lub właśnie te informacje, które zmieniają wynik.
Złożone spory dotyczące odpowiedzialności cywilnej
Roszczenia handlowe i roszczenia stron trzecich mogą wiązać się ze sprzecznymi relacjami, zobowiązaniami umownymi, wyłączeniami odpowiedzialności, opiniami biegłych oraz postępowaniami sądowymi.
Sztuczna inteligencja może przyspieszyć analizę dowodów. Powierzenie jej odpowiedzialności za ustalenie odpowiedzialności jest znacznie trudniejsze do uzasadnienia, ponieważ koszt błędnej decyzji może mieć charakter finansowy, prawny i reputacyjny.
Problem dotyczy zatem odpowiedzialności za decyzje, a nie tylko dokładności modelu.
Wrażliwe pod względem emocjonalnym zgłoszenia FNOL
Osoba ubiegająca się o odszkodowanie w związku z poważnym wypadkiem, pożarem domu lub śmiercią bliskiej osoby może potrzebować kogoś, kto dostrzeże jej trudną sytuację i wyjaśni, co będzie dalej.
Automatyzacja nadal może służyć do gromadzenia informacji i sprawdzania ich kompletności w tle. Jednak obniżenie kosztów obsługi nie powinno być jedyną miarą sukcesu.
Długotrwały proces przetwarzania dokumentów
Model dokumentowy może radzić sobie bardzo dobrze w przypadku typowych formatów, ale zawodzi w sytuacjach wyjątkowych: słabej jakości skanów, odręcznych poprawek, nietypowych adnotacji, sprzecznych dowodów lub nietypowych sformułowań umownych.
To sprawia, że podawane w nagłówkach wskaźniki automatyzacji mogą być mylące.
Jeśli 98% dokumentów jest przetwarzanych automatycznie, ale pozostałe 2% obejmuje przypadki o najwyższym ryzyku, sytuacja ekonomiczna ulega zmianie. Istotnym wskaźnikiem jest zatem poziom bezpiecznej automatyzacji powiększony o koszt obsługi wyjątków, a nie sam procent automatyzacji.
Ocena kliniczna i ocena uprawnień do świadczeń
Ubezpieczenia zdrowotne stanowią szczególnie trudny przypadek, ponieważ prognozy statystyczne mogą być sprzeczne z indywidualną oceną kliniczną.
Kontrowersje wokół systemu nH Predict firmy UnitedHealth ilustrują to ryzyko. Powodowie twierdzili, że wskaźnik błędów systemu sięgał prawie 90%; zarzuty te są kwestionowane i nie należy ich traktować jako ustalonego faktu. Sprawa ta pokazuje jednak ryzyko związane z wykorzystaniem automatycznych prognoz przy podejmowaniu decyzji o odszkodowaniach o dużej wadze.
Firma Cigna stanęła w obliczu podobnego postępowania sądowego w związku z zarzutami dotyczącymi jej systemu PxDx oraz zautomatyzowanych procesów odrzucania wniosków o odszkodowanie; firma Cigna zakwestionowała sposób scharakteryzowania swojego systemu.
Wniosek jest prosty: szybkość nie rekompensuje niskiej jakości decyzji.
Ryzyko regulacyjne i prawne, którego koszt nie jest uwzględniony w cenie większości wdrożeń sztucznej inteligencji
Koszt nieudanego wdrożenia sztucznej inteligencji może wykraczać daleko poza samą technologię. Może on obejmować działania naprawcze, odwołania, dochodzenia organów regulacyjnych, postępowania sądowe, odszkodowania, utratę reputacji oraz koszty przywrócenia procesów realizowanych przez ludzi po automatyzacji.
Amerykańskie Krajowe Stowarzyszenie Komisarzy Ubezpieczeniowych (NAIC) przyjęło w grudniu 2023 r. swój modelowy biuletyn dotyczący stosowania systemów sztucznej inteligencji przez ubezpieczycieli. Stwierdza on, że decyzje mające wpływ na konsumentów, podejmowane lub wspierane przez sztuczną inteligencję, muszą być zgodne z obowiązującymi przepisami ubezpieczeniowymi, w tym z zasadami dotyczącymi nieuczciwych praktyk handlowych i dyskryminacji. Określa on również oczekiwania w zakresie zarządzania, kontroli ryzyka i dokumentacji.
W praktyce oznacza to, że ubezpieczyciele muszą być w stanie wykazać:
- jakich danych używa system;
- w jaki sposób został on wyszkolony lub skonfigurowany;
- jaką rolę odegrała sztuczna inteligencja w podjęciu decyzji;
- w jaki sposób sprawdzono dokładność i potencjalne stronnicze podejście;
- gdzie sprawowany jest nadzór przez człowieka;
- w jaki sposób monitorowane są zmiany modelu i jego odchylenia;
- co się dzieje, gdy poziom pewności jest niski;
- w jaki sposób klienci mogą zakwestionować wynik; oraz
- w jaki sposób decyzja może zostać później odtworzona.
NAIC opracowuje również ramy regulacyjne dotyczące danych i modeli stron trzecich. Korzystanie z usług zewnętrznego dostawcy nie zwalnia zatem ubezpieczyciela z odpowiedzialności.
Możliwość audytu jest wymogiem produkcyjnym, a nie jedynie formalnością sprawozdawczą.
Jak ocenić przypadek zastosowania sztucznej inteligencji w obsłudze roszczeń przed podjęciem decyzji o wdrożeniu?
Praktyczną ocenę można sprowadzić do czterech obszarów.
1. Ustalenie punktu odniesienia
Wskaźnik:
- obsługa i czas cyklu;
- koszt na jedno zgłoszenie;
- ręczna interwencja;
- przetwarzanie bezpośrednie;
- straty i przeróbki;
- wskaźniki eskalacji i skarg;
- wykrywanie oszustw;
- wyniki fałszywie pozytywne i fałszywie negatywne;
- dokładność rozliczeń; oraz
- czas poświęcany przez pracowników na zadania administracyjne.
Następnie należy dokładnie określić, który wskaźnik system ma poprawić. Stanowi to podstawę wiarygodnego obliczenia zwrotu z inwestycji (ROI) w sztuczną inteligencję w obszarze likwidacji roszczeń.
2. Gotowość danych testowych
Przed rozpoczęciem projektu pilotażowego należy ustalić, czy:
- czy dane historyczne są kompletne i spójnie zakodowane;
- wyniki są rzetelnie oznaczone;
- czy dane produkcyjne są dostępne;
- rzadkie zdarzenia są odpowiednio uwzględnione;
- czy dane wrażliwe mogą być wykorzystywane zgodnie z prawem; oraz
- wyniki mogą być powiązane z istniejącymi systemami rozpatrywania roszczeń.
Dobre dane historyczne nie gwarantują dobrych wyników produkcyjnych.
3. Podział przypadków użycia według poziomów ryzyka
Sprawdzony jest prosty, trójpoziomowy model:
Poziom 1 — Wsparcie: streszczanie, ekstrakcja, klasyfikacja, wyszukiwanie i pozyskiwanie wiedzy.
Poziom 2 — Rekomendacja: ustalanie priorytetów oszustw, ocena ich powagi, kierowanie spraw i inne rekomendacje, za które odpowiedzialność ponosi wykwalifikowany pracownik.
Poziom 3 — Decyzja: automatyczne odrzucenie wniosku, rozstrzygnięcie w sprawie zakresu ubezpieczenia lub złożone, autonomiczne rozliczenie.
Większość ubezpieczycieli powinna nadać priorytet zastosowaniom z poziomu 1 oraz wybranym zastosowaniom z poziomu 2. Poziom 3 wymaga znacznie solidniejszych dowodów i kontroli.
4. Określić kryteria odrzucenia przed rozpoczęciem projektu pilotażowego
Decyzja o wstrzymaniu projektu (NO-GO) stanowi mechanizm kontroli ryzyka, a nie oznacza niepowodzenia projektu innowacyjnego.
Należy przerwać realizację lub przeprojektować przypadek użycia, gdy:
- nie można zmierzyć wartości bazowej;
- jakość danych jest niewystarczająca;
- występuje spadek wydajności w kluczowych segmentach;
- koszty błędów przewyższają oczekiwane korzyści;
- ludzie nie są w stanie zweryfikować wyników;
- dokumentacja dostawcy jest niewystarczająca;
- ścieżki audytu są niewystarczające; lub
- analiza biznesowa opiera się na wyeliminowaniu nadzoru ludzkiego, który nadal będzie wymagany w ramach zarządzania produkcją.
Analiza biznesowa powinna odzwierciedlać rzeczywisty model operacyjny, w tym koszty integracji, zarządzania i weryfikacji przez ludzi, a nie założenia wykorzystane podczas prezentacji dostawcy.
Lista kontrolna dla osób podejmujących decyzje
Przed zatwierdzeniem inicjatywy dotyczącej roszczeń związanych ze sztuczną inteligencją kierownictwo powinno być w stanie odpowiedzieć twierdząco na następujące pytania:
- Czy problem został zdefiniowany w kategoriach operacyjnych?
- Czy dysponujemy wiarygodnym punktem odniesienia?
- Czy proces jest na tyle powtarzalny, aby uzasadnić automatyzację?
- Czy dane dotyczące roszczeń są wystarczające, reprezentatywne i nadają się do wykorzystania w celach prawnych?
- Czy system pełni rolę wspomagającą, doradczą czy decyzyjną?
- Czy istnieje jasna odpowiedzialność człowieka za wynikające z tego decyzje?
- Czy wyniki można przetestować w różnych segmentach roszczeń?
- Czy zmierzono liczbę wyników fałszywie pozytywnych i fałszywie negatywnych?
- Czy istotne decyzje można odtworzyć na podstawie ścieżki audytu?
- Czy dostawca zapewnia odpowiednią dokumentację dotyczącą modelu, danych i testów?
- Czy system może bezpiecznie ulec awarii w sytuacji niskiego poziomu pewności?
- Czy zespoły ds. roszczeń, prawne i ds. zgodności z przepisami przeanalizowały ten przypadek użycia?
- Czy kalkulacja zwrotu z inwestycji (ROI) uwzględnia koszty związane z zarządzaniem i weryfikacją przez ludzi?
- Czy przed uruchomieniem produkcji zdefiniowano kryteria odrzucenia (NO-GO)?
Zanim zaczniesz tworzyć system, przygotuj uzasadnienie biznesowe
Większość projektów związanych z wykorzystaniem sztucznej inteligencji kończy się niepowodzeniem z powodu problemów z danymi, integracją i zarządzaniem, a nie z powodu samego modelu.
Współpracujemy z ubezpieczycielami, aby sprawdzić gotowość danych, sklasyfikować przypadki użycia pod kątem ryzyka oraz oszacować koszty nadzoru ludzkiego, który nadal będzie wymagany na etapie wdrożenia do produkcji.
Prawdziwą szansą nie są autonomiczne zgłoszenia szkód. Jest nią kontrolowana automatyzacja zgłoszeń szkód.
Najbardziej przekonujące dowody przemawiają za selektywnym podejściem do wykorzystania sztucznej inteligencji w rozpatrywaniu roszczeń.
Sztuczna inteligencja doskonale nadaje się do powtarzalnej klasyfikacji, obsługi dokumentów, wstępnej selekcji spraw, wykrywania nadużyć, oceny szkód oraz prostych roszczeń opartych na jasnych dowodach. Jest mniej niezawodna w przypadkach, w których wynik zależy od spornej odpowiedzialności, wrażliwych klientów, nietypowych dowodów, oceny klinicznej lub złożonej interpretacji zakresu ubezpieczenia.
Nie oznacza to jednak, że te trudne obszary są poza zasięgiem. Zmienia to jedynie rolę, jaką powinna odgrywać technologia.
Dla wielu ubezpieczycieli najskuteczniejszym modelem jest wykorzystanie sztucznej inteligencji jako wsparcia dla rzeczoznawcy: wyszukiwanie informacji, wykrywanie anomalii, przygotowywanie dowodów i ustalanie priorytetów zadań, podczas gdy ludzie zachowują odpowiedzialność za podejmowanie decyzji o dalszym postępowaniu.
Wartość wynika z wyeliminowania pracy, której można uniknąć, bez znoszenia odpowiedzialności. Innymi słowy, celem nie jest automatyzacja zarządzania roszczeniami ubezpieczeniowymi za wszelką cenę, ale wykorzystanie sztucznej inteligencji tam, gdzie może ona usprawnić obsługę roszczeń, poprawić spójność i wspierać lepszą ocenę ryzyka bez ograniczania ludzkiej oceny sytuacji.
Sztuczna inteligencja sprawdza się najlepiej w obsłudze roszczeń, gdy zmniejsza tarcia operacyjne, a nie gdy zastępuje odpowiedzialność.
