Wielkie nadzieje pokładane w sztucznej inteligencji nie zawsze idą w parze z realnymi wynikami. Mimo że globalne wydatki na rozwiązania AI do 2026 r. mają osiągnąć aż 480 mld dol., to 85% projektów AI kończy się fiaskiem.
Co zawodzi najczęściej? Nie technologia, lecz… dane
W kontekście ubezpieczeń, kiedy to decyzje podejmowane są na podstawie ogromnych zasobów informacji, oznacza to jedno: jeśli dane są niespójne, niekompletne lub nieaktualne, inwestycja w AI może stać się kosztownym eksperymentem bez realnego zwrotu.
Według badania Qlik, aż 81% organizacji boryka się z problemami jakości danych, a co trzeci lider nie ufa analizom generowanym przez AI. Firmy ubezpieczeniowe nie są tu wyjątkiem. Operują na złożonych danych klientów, polis, ryzyk lub szkodowości, a każda luka, niespójność lub przestarzała informacja może przełożyć się na nietrafioną decyzję lub utraconych klientów.
Ile naprawdę kosztują błędne dane?
Nieprawidłowe dane to nie tylko błędy analityczne. To także:
- wyższe koszty wdrożeń i utrzymania systemów,
- konieczność poprawiania modeli na późniejszych etapach,
- opóźnienia we wdrożeniach i analizach biznesowych,
- trudności w personalizacji ofert i pogorszenie doświadczeń klienta,
- ryzyko niezgodności z regulacjami (np. RODO, nadchodzący Data Act).
To również tzw. dług technologiczny – problem, który narasta, jeśli firma nie ma jasnego podejścia do zarządzania jakością danych.
W obliczu coraz większych budżetów technologicznych, także w sektorze ubezpieczeniowym, pytanie brzmi: czy ta inwestycja się zwróci? Badania Deloitte pokazują, że firmy z wysoką jakością danych podejmują o 33% lepsze decyzje biznesowe. Z kolei organizacje, które z należytą uwagą traktują dane strategicznie, są bardziej odporne na zmiany rynkowe, lepiej dopasowują swoje produkty do klientów i szybciej reagują na nieprawidłowości.
Jak zminimalizować ryzyko?
Kluczem do sukcesu jest analiza potencjału danych (Data Health Assessment) – szybka, ukierunkowana analiza, która ocenia gotowość organizacji do wdrożeń IT, w tym również rozwiązań AI. Zakres analizy jest zawsze dostosowany do potrzeb organizacji, a w ramach niej można ocenić np. systemy raportowe, jakość danych, ich katalogowanie czy dostęp do nich.
Co powinny zrobić firmy ubezpieczeniowe już dziś?
- Zadać sobie kluczowe pytania: Czy nasze dane są gotowe na AI? Gdzie dziś tracimy wartość przez ich jakość? Czy nasza organizacja jest gotowa na nadchodzące zmiany prawne, a nasze dane wspierają zgodność z RODO i Data Act?
- Zainwestować w analizę potencjału danych jeszcze przed rozpoczęciem projektu AI lub wdrożeniem automatyzacji, hurtowni danych lub zaawansowanej analityki czy też migracji do chmury.
- Zbudować kulturę „data first”, gdzie dane traktowane są jako strategiczny zasób, a nie techniczny dodatek.
W 2026 r. przewagę zyskają ci, którzy wdrożą AI świadomie i odpowiedzialnie. Sukces zaczyna się od danych.
Joanna Gepner
Analyst Leader
Britenet
