Πώς μπορούν οι ασφαλιστές να αξιολογούν τον κίνδυνο AI χωρίς ιστορικά δεδομένα ζημιών
Ακολουθήστε μας στο Linkedin και συνδεθείτε με άλλους επαγγελματίες του κλάδου
Η απουσία ώριμης ιστορίας ζημιών δεν είναι δικαιολογία για αδράνεια. Είναι πρόσκληση για πιο έξυπνη ανάληψη κινδύνου.
Η πιο συχνή ένσταση απέναντι στην ασφαλιστική κάλυψη συστημάτων τεχνητής νοημοσύνης είναι γνωστή: δεν υπάρχει αρκετή ιστορία ζημιών για να στηριχτούν ασφαλείς αποφάσεις. Η ένσταση αυτή έχει τη λογική της, αλλά κινδυνεύει να μετατρέψει τα δεδομένα ζημιών στη μοναδική πηγή χρήσιμης πληροφορίας. Ασφαλιστές που έχουν ήδη αναλάβει κινδύνους από εταιρείες AI διαθέτουν τη δική τους εμπειρία, και όσοι έχουν μακρά παρουσία σε αναδυόμενους κλάδους είναι εξοικειωμένοι με την αξιολόγηση κινδύνων πριν τα δεδομένα ωριμάσουν.
Η πρώτη ερώτηση: πώς χρησιμοποιείται η τεχνητή νοημοσύνη;
Πριν από έναν χρόνο, η ασφαλιστική συζήτηση επικεντρωνόταν στο εάν μια εταιρεία χρησιμοποιεί καθόλου AI. Το ερώτημα αυτό χάνει σταδιακά τη χρησιμότητά του, καθώς η υιοθέτηση της τεχνολογίας εξαπλώνεται σε κοινές επιχειρηματικές διαδικασίες. Τα πιο ουσιαστικά ερωτήματα σήμερα είναι άλλα: πώς χρησιμοποιείται η τεχνολογία, πόση ευθύνη της έχει παραχωρηθεί, τι συμβαίνει όταν κάνει λάθος και αν η εταιρεία μπορεί να αποδείξει ότι κάποιος κατανοεί και ελέγχει τη διαδικασία.
Υπάρχει ουσιαστική διαφορά μεταξύ ενός AI που υποστηρίζει έναν εργαζόμενο και ενός AI που διαχειρίζεται μια ροή εργασίας με περιορισμένη ανθρώπινη εμπλοκή. Το ίδιο ισχύει και για τη διαφορά μεταξύ ενός εσωτερικού εργαλείου χαμηλού κινδύνου και ενός συστήματος που λαμβάνει αποφάσεις που αφορούν πελάτες ή ρυθμιζόμενες δραστηριότητες. Αυτές οι διακρίσεις είναι πολύ πιο χρήσιμες για τον underwriter από μια ευρεία ετικέτα του τύπου «εταιρεία AI».
Καθώς τα συστήματα γίνονται πιο αυτόνομα, η διάκριση αυτή αποκτά ακόμα μεγαλύτερη σημασία. Ο underwriter πρέπει να κατανοεί πού τελειώνουν τα όρια της αυτοματοποίησης, ποιος είναι υπεύθυνος για το αποτέλεσμα, πόσο γρήγορα μπορεί να παρέμβει άνθρωπος και αν η εταιρεία μπορεί να ανακατασκευάσει τι συνέβη μετά από ένα περιστατικό.
Τα δεδομένα ζημιών είναι μόνο μία παράμετρος
Η εμπειρία από ζημιές μετράει, αλλά είναι μόνο μία από τις πολλές παραμέτρους μιας απόφασης ανάληψης κινδύνου, ιδιαίτερα όταν η τεχνολογία και τα επιχειρηματικά μοντέλα αλλάζουν με ταχείς ρυθμούς. Η εταιρική διακυβέρνηση, η λογοδοσία και η ποιότητα του περιβάλλοντος ελέγχου μπορούν να αποκαλύψουν σημαντικές διαφορές μεταξύ κινδύνων πολύ πριν υπάρξει ώριμο ιστορικό ζημιών.
Αυτό σημαίνει ότι πρέπει να τίθενται πρακτικά ερωτήματα: ποιος είναι υπεύθυνος για το μοντέλο, πώς ελέγχονται τα αποτελέσματα, σε ποια δεδομένα έχει πρόσβαση το σύστημα, πότε απαιτείται ανθρώπινη αναθεώρηση και πώς καταγράφονται τα περιστατικά. Εξίσου σημαντικό είναι αν η εταιρεία μπορεί να εξηγήσει τι συνέβη μετά από ένα αμφισβητούμενο αποτέλεσμα, γιατί η δυνατότητα ανακατασκευής ενός περιστατικού αποκαλύπτει πολλά για το επίπεδο κατανόησης και διαχείρισης του συστήματος.
Σημαντικό ρόλο παίζουν επίσης οι εξαρτήσεις από τρίτους, ειδικά καθώς ολοένα περισσότερες εταιρείες δομούν κρίσιμες διαδικασίες γύρω από έναν μικρό αριθμό παρόχων AI. Το ζήτημα δεν είναι απλώς ποια πλατφόρμα χρησιμοποιεί μια εταιρεία, αλλά γιατί, πόσο κρίσιμη είναι για τη λειτουργία της και πού εντοπίζεται η ευθύνη αν η βλάβη προέρχεται από συστήματα εκτός του ίδιου του ασφαλισμένου.
Η ευθύνη γίνεται πολυπλοκότερη όσο αυξάνεται η αυτονομία
Η τεχνολογία AI περιπλέκει ορισμένα οικεία ζητήματα αστικής ευθύνης. Η προβλεψιμότητα και η αιτιότητα γίνονται δυσκολότερο να αποδειχθούν όταν ένα μοντέλο συμπεριφέρεται με τρόπους δύσκολους να προβλεφθούν, ή όταν πολλά διαφορετικά μέρη παρεμβάλλονται μεταξύ του σχεδιασμού του συστήματος και της τελικής ζημίας.
Αυτό έχει περιγραφεί ως «πρόβλημα πολλών χεριών»: η ευθύνη μπορεί να κατακερματιστεί σε ολόκληρη την αλυσίδα, από τους developers και τους παρόχους μοντέλων μέχρι τους operators και τους τελικούς χρήστες. Γι’ αυτό η ανάληψη κινδύνων AI δεν μπορεί να βασίζεται μόνο στην ασφαλιστική εμπειρία. Απαιτείται εξειδικευμένη νομική και τεχνική γνώση.
Νέοι κλάδοι πάντα αναλαμβάνονται πριν τελειώσουν τα δεδομένα
Το AI δεν είναι η πρώτη αγορά όπου οι ασφαλιστές καλούνται να εργαστούν με ελλιπείς πληροφορίες. Τα ψηφιακά περιουσιακά στοιχεία, το εμπορικό διάστημα και το fintech αναπτύχθηκαν πριν υπάρχει αξιόπιστο ιστορικό ζημιών. Σε αυτές τις περιπτώσεις, η ανάληψη κινδύνου στηρίχθηκε στον τρόπο λειτουργίας της επιχείρησης και στους ελέγχους που μείωναν ουσιαστικά τον κίνδυνο.
Η αδράνεια, άλλωστε, δεν είναι ουδέτερη επιλογή. Η έκθεση σε AI μπορεί ήδη να υπάρχει μέσα στα υφιστάμενα ασφαλιστικά χαρτοφυλάκια, καθώς εταιρείες επαγγελματικών υπηρεσιών και τεχνολογίας χρησιμοποιούν AI σε δραστηριότητες που καλύπτονται από παραδοσιακά συμβόλαια. Η αναμονή χωρίς κατανόηση του πού βρίσκεται η έκθεση σημαίνει ότι ο ασφαλιστής θα μάθει για τον κίνδυνο μετά τη ζημία.
Καλύτερη ανάληψη κινδύνου, όχι νέα προϊοντική ετικέτα
Το AI δεν χρειάζεται αναγκαστικά μια εντελώς ξεχωριστή ασφαλιστική αγορά. Σε πολλές περιπτώσεις, η έκθεση εντάσσεται ήδη σε υφιστάμενες γραμμές cyber, τεχνολογίας, αστικής ευθύνης ή επαγγελματικής αμέλειας. Η μεγαλύτερη πρόκληση είναι η βελτίωση του τρόπου αξιολόγησης αυτών των κινδύνων.
Τα δεδομένα ζημιών θα γίνουν πιο χρήσιμα καθώς η αγορά ωριμάζει. Η απουσία τους, όμως, δεν εμποδίζει τη διάκριση μεταξύ ενός καλά διαχειριζόμενου και ενός κακώς διαχειριζόμενου κινδύνου AI. Αυτή η διάκριση είναι, τελικά, η ουσία της ανάληψης κινδύνου.
