Od ponad 40 lat procesy obsługi szkód i roszczeń w Polsce przechodzą ewolucję – od centralizacji procesów, poprzez wprowadzenie obsługi telefonicznej, stopniową eliminację papieru, pieczątek i podpisów, aż po umożliwienie klientom samodzielnego zgłaszania szkód i automatyzację przetwarzania dokumentów.
Zawsze w centrum procesu obsługi szkód i roszczeń był jednak człowiek – to rzeczoznawca wyceniał szkodę, a likwidator podejmował decyzję. Czy wdrożenie narzędzi wykorzystujących sztuczną inteligencję to kolejny krok tej ewolucji? A może czeka nas rewolucja?
Główną motywacją przemawiającą za automatyzacją była przede wszystkim redukcja kosztów, osiągnięta dzięki zwiększeniu produktywności procesów. Co więcej, dzięki minimalizacji błędów i zwiększaniu szybkości, automatyzacja zazwyczaj poprawia jakość obsługi klienta.
Cyfryzacja procesów daje również nowe możliwości wykrywania oszustw. Przykładowo, wykorzystanie cyfrowych zdjęć pojazdów pozwoliło na uruchomienie na polskim rynku projektu wykrywania podwójnie zgłoszonych szkód. Zgodność z przepisami to kolejny obszar, w którym automatyzacja wspomogła zakłady ubezpieczeń.
Zmiany te nie były jednak rewolucyjne – zawsze w centrum procesu pozostawał człowiek, który podejmował decyzje i który pozostawał w kontakcie z poszkodowanym. Głównym zadaniem menedżerów zespołów i departamentów było natomiast zapewnienie systematycznej, powtarzalnej jakości i efektywności procesów poprzez właściwą rekrutację, szkolenia i motywowanie pracowników.
Narzędzia oparte na AI – modele predykcyjne, uczenie maszynowe, generatywna sztuczna inteligencja – zmieniają ten paradygmat. Pojawia się możliwość automatyzacji procesów, w tym ograniczenie udziału człowieka na jednym z etapów likwidacji – podjęcia decyzji, jej uzasadnienia i kontaktu z klientem. Wdrożenie AI w procesach likwidacji szkód obniża koszty operacyjne, ale też koszty świadczeń (np. poprzez lepsze wykrywanie wyłudzeń). Zgodnie z szacunkami Deloitte, zastosowanie AI może umożliwić w przyszłości do 20–40% –redukcji kosztów likwidacji i 5–10% redukcji kosztów wypłat.
Wdrożenie AI będzie się jednak wiązać z koniecznością rozwiązania wielu problemów. Oprócz oczywistych, wśród których można wspomnieć chociażby o tych związanych z wyborem właściwych technologii i dostawców, ustalenia szczegółów biznesowego wdrożenia, poprowadzenia multidyscyplinarnego projektu, pojawia się wiele nowych zagadnień specyficznych dla tego typu projektów wdrożeniowych.
- Dostępność danych. Wysokiej jakości informacje są niezbędne do szkolenia modeli AI, ale ubezpieczyciele często zmagają się z niespójnymi, niekompletnymi lub nieustrukturyzowanymi danymi, co utrudnia skuteczność. Pozyskanie odpowiednich danych do uczenia modeli nadal pozostaje wyzwaniem. Pierwsze doświadczenia ubezpieczycieli w Polsce wskazują, że stworzenie dobrego modelu, np. decydującego o wypłacie świadczeń na podstawie dokumentacji medycznej, zajmuje lata.
Ubezpieczyciele mogą oczekiwać, że dostawcy rozwiązań zaoferują modele wstępnie wytrenowane na specyficznych dla rynku i procesu danych, tak aby ominąć trudny i długotrwały proces uczenia modelu wyłącznie na danych własnych.
- Zarządzanie modelami. Modele oparte na AI wymagają monitorowania ich jakości i rozwoju. Trzeba je również uczyć na nowych zbiorach danych. Pomóc muszą w tym specjaliści posiadający zarówno kompetencje dotyczące merytoryki likwidacji szkód, jak i tych dotyczących narzędzi AI. Co najmniej powinna to być umiejętność biegłej współpracy z ekspertami ds. AI.
Idealnym rozwiązaniem byłoby stworzenie nowego stanowiska –menedżera zajmującego się modelami opartymi na sztucznej inteligencji. Podobne zjawisko obserwujemy w zespołach zajmujących się np. wykorzystaniem AI w zarządzaniu ceną produktów ubezpieczeniowych.
- Akceptacja przez klientów. Klienci mogą mieć zastrzeżenia co do obsługi wrażliwych roszczeń przez sztuczną inteligencję, obawiając się braku empatii i zrozumienia.
Niezbędne jest budowanie zaufania i zapewnienie pozytywnego doświadczenia klienta, tak aby uniknąć jego emocjonalnego wyczerpania (poprzez np. wielokrotne odpytywanie o szczegóły sprawy), poczucia inwigilacji czy też niepokoju o prawidłowe rozstrzygnięcie sprawy pozostawionej automatom.
- Akceptacja przez pracowników. Pracownicy mogą opierać się zmianom wprowadzanym przez automatyzację. Potrzebne są skuteczne strategie zarządzania zmianą, aby zapewnić, że personel jest przeszkolony, wspierany i zmotywowany do pracy z nowymi narzędziami AI.
- Zgodność z regulacjami. Kolejnym wyzwaniem jest zapewnienie zgodności systemów AI z wymogami regulacyjnymi. Regulacje dotyczące prywatności danych, przejrzystości i uczciwości muszą być przestrzegane, a modele AI muszą być wytłumaczalne i możliwe do skontrolowania.
Systemy AI mogą nieumyślnie wprowadzać lub utrwalać uprzedzenia, prowadząc do niesprawiedliwych decyzji. Ubezpieczyciele muszą uważnie monitorować i dostosowywać swoje modele, aby zapewnić, że decyzje są sprawiedliwe i bezstronne.
Gdy patrzymy w przyszłość, w której AI i GenAI odgrywają coraz bardziej dominującą rolę, pojawia się pytanie: czy czeka nas rewolucja i całkowite zastąpienie likwidatorów przez algorytmy? Wydaje się, że czynnik ludzki pozostanie niezbędny. Złożone i obarczone wysokim ryzykiem roszczenia, które wymagają taktownego osądu i empatii, nadal będą wymagały ludzkiego nadzoru.
Wdrażanie i nadzorowanie modeli uczenia maszynowego (machinery learning, ML), zapewnienie zgodności z regulacjami, to praca dla wielu specjalistów – ekspertów od likwidacji szkód. Co więcej, potrzeba utrzymania zaufania i satysfakcji klientów oznacza, że pozbawienie czynnika ludzkiego nie będzie ani pożądane, ani wykonalne w najbliższej przyszłości.
Marcin Warszewski
partner, lider praktyki ubezpieczeniowej
Deloitte
