Τι συμβαίνει όταν οι ασφαλιστικές τροφοδοτούν την τεχνητή νοημοσύνη με λανθασμένα δεδομένα αποθεματοποίησης;

Ακολουθήστε μας στο Linkedin και συνδεθείτε με άλλους επαγγελματίες του κλάδου

Η agentic AI κερδίζει έδαφος στον ασφαλιστικό κλάδο, αλλά η εφαρμογή της στον σχηματισμό αποθεμάτων κρύβει κινδύνους που δεν ανακοινώνουν τα λάθη τους δυνατά.

Η agentic τεχνητή νοημοσύνη, δηλαδή συστήματα AI που δρουν αυτόνομα και λαμβάνουν αποφάσεις χωρίς ανθρώπινη παρέμβαση, βρίσκει ολοένα και περισσότερο έδαφος στον ασφαλιστικό κλάδο. Οι αξιολογήσεις αποζημιώσεων και η αναδοχή είναι οι δύο λειτουργίες που οι αναλυτές επισημαίνουν σταθερά ως πρωτοπόρες στην υιοθέτηση της τεχνολογίας αυτής.

Σύμφωνα με έρευνα της Celent, το 22% των ασφαλιστικών εταιρειών που συμμετείχαν στη μελέτη αναμένουν να έχουν σε παραγωγική λειτουργία μια λύση agentic AI μέχρι τα τέλη του τρέχοντος έτους. Παράλληλα, ο σχηματισμός αποθεμάτων, αν και δεν έχει τραβήξει ακόμη την ίδια προσοχή, αρχίζει να εμφανίζεται στις συζητήσεις του κλάδου ως η επόμενη περιοχή υπό εξέταση. Η λογική είναι απλή: η AI μπορεί να βελτιστοποιεί δυναμικά το ύψος των αποθεμάτων κεφαλαίου, μειώνοντας τα δεσμευμένα κεφάλαια και απελευθερώνοντας πόρους για πιο αποδοτική ανάπτυξη.

Ένα υψηλό ποσοστό αποτυχίας που δεν πρέπει να αγνοηθεί

Ωστόσο, η Gartner προβλέπει ότι περισσότερα από το 40% των έργων agentic AI θα ακυρωθούν μέχρι το τέλος του 2027, λόγω αυξανόμενου κόστους, ασαφούς επιχειρηματικής αξίας ή ανεπαρκών ελέγχων κινδύνου. Το ερώτημα που ανακύπτει είναι τι σημαίνει ένα τέτοιο ποσοστό ακύρωσης όταν η AI εφαρμόζεται σε μια λειτουργία όπως ο σχηματισμός αποθεμάτων, όπου τα λάθη δεν ανακοινώνουν τα ίδια την παρουσία τους. Ένα κακό μοντέλο αποθεματοποίησης μπορεί να παραμένει αθόρυβο για μήνες πριν εντοπιστεί το λανθασμένο νούμερο.

Η πρόκληση γίνεται ακόμη μεγαλύτερη για εταιρείες που λειτουργούν μέσω δομών εκχωρημένης αρμοδιότητας, βασιζόμενες σε τρίτους διαχειριστές, managing general agents και coverholders για τη διαχείριση αποζημιώσεων. Η εικόνα των δεδομένων που χρειάζεται ένα μοντέλο AI για αποθεματοποίηση είναι κατακερματισμένη, καθυστερημένη και συχνά ελλιπής.

Γιατί ο σχηματισμός αποθεμάτων είναι ήδη πολύπλοκος

Υπάρχουν τρία επαναλαμβανόμενα προβλήματα στον σχηματισμό αποθεμάτων μέσα σε δομές εκχωρημένης αρμοδιότητας. Το πρώτο είναι ορολογικό: ασφαλιστικές εταιρείες, τρίτοι διαχειριστές και coverholders δεν ορίζουν πάντα με τον ίδιο τρόπο την έννοια του αποθέματος, ούτε το ενημερώνουν στο ίδιο χρονοδιάγραμμα. Κανένας αλγόριθμος δεν μπορεί να διορθώσει ένα σύνολο δεδομένων όπου η ίδια έννοια έχει ελαφρώς διαφορετική σημασία ανάλογα με τον φορέα που ανέφερε τον αριθμό.

Το δεύτερο πρόβλημα είναι δομικό. Τα συστήματα διαχείρισης ασφαλιστηρίων και αποζημιώσεων λειτουργούν εδώ και δεκαετίες ως απομονωμένα σιλό. Ο σχηματισμός αποθεμάτων, οι αποζημιώσεις, η ανάκτηση από υπεκχώρηση και η αντασφάλιση βρίσκονται συχνά σε ξεχωριστά συστήματα που δεν σχεδιάστηκαν ποτέ για να συμφωνούν μεταξύ τους σε πραγματικό χρόνο. Ένα μοντέλο AI που προσπαθεί να αξιολογήσει την επάρκεια των αποθεμάτων εργάζεται από τα κομμάτια που τυχαία μοιράζονται αυτά τα συστήματα, όχι από μια ενιαία ζωντανή εικόνα της κάθε αξίωσης.

Τι χρειάζεται η agentic AI για να λειτουργήσει

Η τεχνολογία τοποθετείται συχνά ως πρόσθετο επίπεδο πάνω σε υπάρχουσες πλατφόρμες, αντί να ενσωματώνεται στη ροή εργασίας. Αυτό δημιουργεί επιχειρησιακή τριβή και ασυνέπεια δεδομένων. Ένα μοντέλο που βρίσκεται εκτός του βασικού συστήματος καταγραφής μπορεί να εντοπίσει ένα πρόβλημα, αλλά αν δεν μπορεί να δράσει μέσα στην ίδια ροή εργασίας αξιώσεων και πληρωμών, δημιουργείται ένα κενό μεταξύ της στιγμής που εντοπίζεται το πρόβλημα και της στιγμής που κάποιος μπορεί να αντιδράσει. Σε αυτό ακριβώς το κενό ζουν η απάτη και τα σφάλματα αποθεματοποίησης.

Οι τρόποι αποτυχίας

Τα κακά δεδομένα αποθεματοποίησης που τροφοδοτούνται σε ένα μοντέλο AI δεν αποτυγχάνουν δυνατά, και αυτό ακριβώς τα καθιστά επικίνδυνα. Αραιά ή παλιά δεδομένα μπορούν να υποεκτιμούν την πραγματική έκθεση, οδηγώντας σε ανεπαρκή αποθέματα. Εξίσου εύκολα, ένα μοντέλο μπορεί να υπερ-διορθώσει, τηρώντας υπερβολική προφύλαξη επειδή δεν μπορεί να επαληθεύσει αυτό που βλέπει, αφήνοντας κεφάλαια δεσμευμένα χωρίς λόγο. Η πιο ύπουλη αποτυχία είναι η πιο δύσκολη να εντοπιστεί: αριθμοί που φαίνονται εσωτερικά συνεπείς και αξιόπιστοι, αλλά είναι λανθασμένοι, επειδή κανείς δεν ενημέρωσε το μοντέλο ότι τα υποκείμενα δεδομένα δεν είχαν ποτέ εναρμονιστεί.

Τα ερωτήματα που πρέπει να θέτουν οι ασφαλιστικές εταιρείες

Πριν από οποιαδήποτε υιοθέτηση, υπάρχουν κρίσιμες ερωτήσεις που χρειάζονται απάντηση: Σημαίνει το «αποθεματικό» το ίδιο πράγμα για κάθε φορέα στην αλυσίδα εκχωρημένης αρμοδιότητας που τροφοδοτεί το μοντέλο; Τα δεδομένα που βλέπει το μοντέλο αντικατοπτρίζουν ένα στατικό στιγμιότυπο ή έναν κινητό στόχο; Μπορεί το μοντέλο να δρα μέσα στην ίδια ροή εργασίας αξιώσεων και πληρωμών, ή υπάρχει καθυστέρηση μεταξύ εντοπισμού και δράσης;

Ο ενθουσιασμός γύρω από την agentic AI στον σχηματισμό αποθεμάτων δεν είναι λανθασμένος. Απλώς τρέχει μπροστά από την υποδομή που απαιτείται για να τον δικαιολογήσει. Και αυτές οι ερωτήσεις είναι πολύ φθηνότερο να απαντηθούν τώρα, παρά μετά την υιοθέτηση.