9 września w siedzibie Deloitte w warszawskim Q22 odbyło się spotkanie Insurance Risk Radar poświęcone praktycznym zastosowaniom sztucznej inteligencji w ubezpieczeniach. Wydarzenie otworzył Paweł Spławski, partner w zespole Advisory, Risk, Regulatory and Forensic w Deloitte. Eksperci pokazali, gdzie AI skraca czas pracy i jak zmienia ocenę ryzyka, likwidację szkód oraz weryfikację klientów.
Program obejmował także modele wdrożeń, zarządzanie ryzykiem i zgodność z AI Act, czyli unijnymi przepisami o sztucznej inteligencji.
AI wchodzi w underwriting
Tomasz Filipek, Partner Associate i CE GenAI Investment Programme Lead w Deloitte, pokazał zastosowania generatywnej AI w underwritingu: ocenie ryzyka i decyzji, czy oraz na jakich warunkach przyjąć klienta do ubezpieczenia.
W ubezpieczeniach na życie proste wnioski od lat mogą być obsługiwane automatycznie według reguł biznesowych. GenAI ma przejmować także sprawy wymagające czytania dokumentów i interpretacji informacji.
Jako firmy stosujące AI Deloitte przywołał Manulife, MetLife i Avivę, a z Polski ERGO Hestię, PZU, InterRisk i Europę Ubezpieczenia. Hestia wykorzystuje AI do analizy slipów brokerskich, czyli dokumentów opisujących ryzyko i oczekiwane warunki ochrony. Analiza ma zajmować 3–4 minuty, a czas przedstawienia oferty brokerowi skrócił się o około jedną trzecią. PZU wykorzystuje AI do analizy dokumentacji medycznej, InterRisk przy zapytaniach brokerskich, a Europa Ubezpieczenia do dopasowania produktu do profilu klienta.
Tomasz Filipek wskazał pięć obszarów, o które ubezpieczyciele najczęściej pytają Deloitte: likwidację szkód, underwriting, procesy poznania i weryfikacji klienta, skargi i reklamacje oraz przegląd szkód zamkniętych. W tym ostatnim potencjalne „wycieki”, czyli nadpłaty i inne nieprawidłowości, mogą według szacunku z prezentacji odpowiadać za 2–5% wypłat.
Inny projekt prezentowany podczas spotkania dotyczył obiegu ponad 2 mln pism rocznie. Automatyczna klasyfikacja i dystrybucja skróciła czas analizy o 90%. Poprawność, wynosząca początkowo 97%, obecnie przekracza według Deloitte 99,4%, czyli błędnie klasyfikowanych jest 6 dokumentów na 1000.
Chmura czy własna infrastruktura
Władysław Mizia, Partner Associate i lider konsultingu dla sektora ochrony zdrowia w Deloitte, porównał trzy modele wdrażania AI. Cloud oznacza korzystanie z chmury zewnętrznego dostawcy, On-premise to rozwiązanie działające na własnej infrastrukturze, a Hybrid łączy oba podejścia.
Chmura daje szybki start i łatwe skalowanie, ale zwiększa zależność od dostawcy. Własna infrastruktura, powiązana z Sovereign AI, czyli większą kontrolą nad modelami, danymi i miejscem ich przetwarzania, wymaga z kolei wyższych nakładów i własnych kompetencji. Przy kluczowych procesach potrzebne jest też rozwiązanie awaryjne albo możliwość powrotu do obsługi ręcznej.
Faktura i kosztorys porównane w 30 sekund
Wiktoria Trybuchowicz, menedżerka w GenAI Strategy & Transformation Team w Deloitte, przedstawiła następnie projekt dla ubezpieczyciela przetwarzającego około 60 tys. faktur rocznie. Około 35% wymagało szczegółowego porównania z kosztorysem naprawy.
W teście przeprowadzonym na blisko 100 fakturach i około 5 tys. punktach danych czas analizy spadł z 27 minut do 30 sekund. Poprawność wyniosła 98%, a w kolejnej iteracji zbliżyła się do 99%. System porównuje wartości, numery części i opisy, a AI rozpoznaje kontekst tam, gdzie faktura i kosztorys inaczej nazywają tę samą część lub zamiennik. Wyniki dotyczą tego modułu, nie całej likwidacji szkody.
Dane o rozbieżnościach mogą wspierać systemy antyfraudowe, czyli narzędzia wykrywające próby wyłudzeń i nietypowe wzorce szkód.
KYC z 54 procentami automatyzacji
Wojciech Sitarz, menedżer w zespole Financial Crime w Deloitte, pokazał uczestnikom spotkania Beneficial Ownership Finder. KYC, od angielskiego Know Your Customer, oznacza proces poznania i weryfikacji klienta. Obejmuje potwierdzenie danych, ustalenie struktury właścicielskiej i beneficjenta rzeczywistego oraz ocenę ryzyka relacji. Jest częścią AML, czyli przeciwdziałania praniu pieniędzy i finansowaniu terroryzmu.
W projekcie dla polskiego banku z kolei w ciągu pięciu miesięcy wykonano 12 945 okresowych przeglądów klientów. Poziom automatyzacji wyniósł 54%, a w 70% analizowanych struktur system przejął przynajmniej część pracy. Narzędzie analizuje dane z rejestrów i dokumenty w różnych językach i odwzorowuje strukturę właścicielską.
Choć przykład pochodził z bankowości, KYC i AML występują również w części działalności ubezpieczeniowej, szczególnie w ubezpieczeniach na życie. Nietypowe struktury właścicielskie, trusty, czyli konstrukcje powiernicze, fundacje rodzinne i sygnały ryzyka nadal wymagają oceny specjalisty.
AI Act to tylko część wymagań
Ostatni blok poprowadzili Kamila Mróz, Partner Associate i Head of Financial Institutions Practice w Deloitte Legal, Jakub Lach, Managing Associate w Deloitte Legal, oraz Anna Jędrej-Giluń, menedżerka w Zespole Cyber Strategy w Deloitte. Eksperci podkreślali, że nie wystarczy zgodność z AI Act. Ubezpieczyciel musi uwzględnić również DORA, unijne przepisy o odporności cyfrowej sektora finansowego, RODO i regulacje sektorowe. Punktem wyjścia powinny być inwentaryzacja systemów, klasyfikacja ryzyka i ustalenie odpowiedzialności.
Szczególne wymogi dotyczą m.in. systemów używanych do oceny ryzyka i ustalania cen w ubezpieczeniach na życie i zdrowotnych osób fizycznych. Nadzór człowieka nie może oznaczać mechanicznego zatwierdzania wyniku modelu. Pracownik powinien rozumieć rekomendację i potrafić ją zakwestionować.
Przykłady Deloitte pokazują, że AI daje najbardziej mierzalne efekty w powtarzalnych zadaniach. Im bliżej technologii do decyzji o przyjęciu ryzyka, wysokości składki czy wypłacie świadczenia, tym ważniejsze są kontrola, jakość danych, odpowiedzialność i ciągłość działania.
Aleksandra E. Wysocka