Dynamiczny rozwój sztucznej inteligencji zmienia fundamentalnie sposób, w jaki branża ubezpieczeniowa ocenia ryzyko, prognozuje szkody i automatyzuje procesy. Szczególnie widoczna jest transformacja w underwritingu ubezpieczeń pojazdów – segmencie, który generuje ogromne wolumeny wartości składek i odszkodowań oraz danych, gdzie nawet marginalne ulepszenia mogą przełożyć się na milionowe oszczędności.
Dla pośredników ubezpieczeniowych zmiany niosą zarówno szanse, jak i wyzwania związane z adaptacją do nowych metod pracy.
Ocena ryzyka – od intuicji do precyzji algorytmów
Machine learning (ML) rewolucjonizuje tradycyjne podejście do underwritingu poprzez jednoczesną analizę setek tysięcy parametrów. Algorytmy identyfikują niewidoczne dla człowieka wzorce korelacji między danymi o kliencie a przyszłymi szkodami i stratami.
Na rynkach zachodniej Europy i USA, rezultaty już są spektakularne. Jedna z wiodących firm ubezpieczeniowych, wdrożyła modele ML do oceny ryzyka underwritingowego na bazie milionów polis, danych klientów i czynników zewnętrznych, identyfikując ukryte ryzyka (np. fraud czy wysokie straty), których tradycyjne metody statystyczne nie wychwytują. Przykładowo, modele jak gradient boosting czy sieci neuronowe przetwarzają dane nieliniowe, zwiększając precyzję o 2–3 razy i generując oszczędności.
Według danych firmy analitycznej Berg Insight, lidera w badaniach rynku insurance telematics (UBI), w Niemczech liczba polis opartych na telematyce przekracza milion, zaś europejski rynek telematyki ubezpieczeniowej wart jest dziesiątki miliardów dolarów i rośnie w znaczącym tempem. W Polsce, również obserwujemy rozwój zaawansowanych rozwiązań, jednak nie jest on tak bardzo popularny jak w krajach zachodniej Europy.
Prognoza szkód – predykcja zmienia rachunek ekonomiczny
Nowoczesne modele machine learning wykorzystują sieci neuronowe do prognozowania wysokości roszczeń w ubezpieczeniach pojazdów. Badania empiryczne wykazują, że modele sztucznych sieci neuronowych osiągają lepszą dokładność niż tradycyjne podejścia. Algorytmy, trenowane na historycznych danych o roszczeniach, identyfikują profile kierowców i pojazdów o zwiększonym ryzyku przyszłych szkód, a tym samym strat.
Na rynku amerykańskim firmy wdrażają zaawansowaną predykcję już na etapie underwritingu, identyfikując nie tylko wysokie ryzyko, ale również segmenty klientów, dla których zmiany ceny powinny być mniej agresywne. Dla pośredników ubezpieczeniowych prognoza ML otwiera nowe możliwości, np. mogą precyzyjnie doradzić klientom wybór limitu franszyz czy też zakres i strukturę ochrony ubezpieczeniowej, dostosowując je do rzeczywistego profilu ryzyka.
Automatyzacja procesów – System FOTO w Polsce
Jedno z najbardziej spektakularnych zastosowań ML to automatyzacja likwidacji szkód. Narzędzia wykorzystujące computer vision analizują zdjęcia uszkodzeń pojazdów, ekstrahują dane z faktur i automatycznie kierują podejrzane przypadki szkód do odpowiednich komórek organizacyjnych.
Przełomowym przykładem jest System FOTO, wdrożony w Polsce z końcem 2024 r. pod auspicjami PIU i Ubezpieczeniowego Funduszu Gwarancyjnego. Platforma wykorzystuje zaawansowaną analizę obrazów do automatycznego rozpoznawania identycznych lub wcześniej zgłaszanych uszkodzeń – wykrywa fraud, czyli wielokrotne ubieganie się o odszkodowanie za to samo uszkodzenie u różnych ubezpieczycieli.
Ponad 80% firm ubezpieczeniowych na polskim rynku już korzysta z FOTO. Rozwiązanie w pełni respektuje wymogi RODO i regulatora (KNF). Na rynkach europejskich obserwujemy podobne inicjatywy. W USA ubezpieczyciele zmniejszyli czas przetwarzania danych ze szkód nawet do 5 minut dzięki narzędziom AI.
Etyczne aspekty algorytmów – kiedy przewidywanie staje się dyskryminacją
Wzrost zaawansowania algorytmów rodzi fundamentalne pytania etyczne. Modele ML trenowane na danych historycznych mogą utrwalać istniejące uprzedzenia. Algorytmy ML mogą np. wykazać, że osoby o danym kolorze skóry płacą średnio więcej lub mniej za ubezpieczenie pojazdów niż osoby o innym kolorze przy porównywalnych profilach ryzyka.
Unia Europejska i KNF coraz bardziej skupiają się na problematyce transparentności algorytmów. Regulacje wymagają od ubezpieczycieli wyjaśniania decyzji cenowych, a General Data Protection Regulation daje klientom prawo do wyjaśnienia decyzji podejmowanych wyłącznie na podstawie przetwarzania zautomatyzowanego.
Dla ubezpieczycieli, ale i dla pośredników mogą zatem wynikać z tego jasne wyzwania: nie wystarczy zarekomendować polisę algorytmicznie obliczoną. Pośrednik musi wyjaśnić klientowi, dlaczego składka wynosi tyle, a decyzja nie opiera się na niedozwolonych kryteriach dyskryminacyjnych.
Transformacja – wpływ na pracę pośredników
Doświadczenia także z rynków europejskich pokazują, iż pośrednicy ubezpieczeniowi przechodzą transformację roli, nie eliminację. Już od kilku lat zamiast spędzać czas na ręcznym porównaniu ofert, mogą skupić się na doradztwie – zrozumieć potrzeby klienta i zastosować algorytmy do wyboru najlepszego pokrycia.
Dzięki rozwiązaniom technologicznym i systemowym, mogą obsługiwać sprzedaż polis, identyfikować luki w portfelach klientów oraz skupić się na obsłudze roszczeń.
ML – rzeczywistość
Machine learning w underwritingu ubezpieczeń pojazdów to już rzeczywistość. System FOTO w Polsce dowodzi, że polski rynek ubezpieczeniowy dojrzewa do zaawansowanych wdrożeń.
Dla pośredników ubezpieczeniowych AI to nie zagrożenie, lecz narzędzie. Pośrednicy, którzy nauczą się pracować z algorytmami i wyjaśniać ich decyzje klientom, będą osiągać lepsze wyniki w konkurencyjnym otoczeniu rynkowym.
dr Piotr Okrasa
dyrektor Zespołu Ubezpieczeń Komunikacyjnych, RENOMIA Sp. z o.o.
adiunkt, Wyższa Szkoła Kształcenia Zawodowego we Wrocławiu
