XXVI Kongres Brokerów dobiegł końca. Uczestnicy wrócą do domów z nowymi pytaniami. Można się zastanawiać, czy technologia wyeliminuje brokerów, ale bardziej konstruktywne jest pytanie, w jaki sposób możemy wykorzystać technologię, żeby tworzyć lepsze i bardziej adekwatne programy ubezpieczeniowe, najlepiej mniejszym wysiłkiem swojej organizacji. Kolejne istotne pytanie brzmi, w jakich obszarach mojej działalności technologia może przynieść usprawnienia oraz jakie ryzyka należy wziąć pod uwagę, implementując nowe technologie.
Przeciwstawianie „ludzkiego” brokera „nieludzkiej” technologii przywołuje obrazy z kultury popularnej o przejęciu władzy przez terminatorów, ale niekoniecznie przełoży się na lepszą adaptację brokerów do zmieniającej się rzeczywistości. Nie mówię, żeby zagrożenia ignorować, ale raczej żeby nie ulegać pokusie tworzenia złowieszczych narracji i bajek o żelaznych technologicznych wilkach. Można, tylko po co?
Ankieta Fair Play wskazała, że brokerzy poszukują informacji i potencjalnych zastosowań nowych technologii w swojej pracy. O wiele częściej niż przed laty stosują ustrukturyzowane zbiory danych. Ci, którzy tu i teraz nauczą się wykorzystywać zaawansowaną analitykę i AI w swoich usługach, uzyskają istotną przewagę konkurencyjną nad tymi, którzy zamiast szukać nowych możliwości, będą w kółko powtarzać, jak ważne są osobiste relacje.
Osobiste relacje są naprawdę ogromnie ważne, ale jeśli uzupełniają wysokiej jakości usługi wykonane w szybkim czasie. Najlepsze relacje nie wynagrodzą długiego oczekiwania na ofertę. Wyobraźmy sobie brokera, który w kluczowych aspektach swojej działalności wykorzystuje nowoczesne technologie. Przyjrzyjmy się, jak takie podejście może wyglądać w praktyce, z uwzględnieniem obszarów pozyskiwania nowych klientów, obsługi, ofertowania, przewidywania ryzyk i budowania programów ubezpieczeniowych.
W tym wszystkim pamiętajmy też o ryzykach i zagrożeniach – w końcu to jest esencja naszej branży. Cyberbezpieczeństwo, możliwość halucynacji (generowania fałszywych wniosków i treści przez AI) czy niebezpieczeństwa związane z przetwarzaniem danych o klientach w otwartych modelach.
AI pozwoli na podstawie dostępnych danych znacznie lepiej zrozumieć klientów z poszczególnych branż i przewidywać ryzyka. Warto dążyć do stworzenia całościowego modelu, który uwzględni zarówno doświadczenie i „ludzkie” know-how brokera, jak i analizę danych historycznych i tych pobieranych w czasie rzeczywistym, pokaże potencjalne luki w ochronie, wyśle ostrzeżenia i przyczyni się nie tylko do sprawnej likwidacji szkód, ale i do zapobiegania im. Być może będzie to początek tworzenia nowej rzeczywistości i roli branży ubezpieczeniowej, gdzie akcenty przesuną się z likwidacji do prewencji.
Aleksandra E. Wysocka
Redaktorka naczelna „Gazety Ubezpieczeniowej”
Przykłady zastosowania AI
1. Przykład z branży transportowej
Opis sytuacji:
Międzynarodowa firma logistyczna zarządza flotą kilkuset pojazdów, magazynami i pracownikami na całym świecie. Firma chce zminimalizować ryzyko związane z wypadkami, uszkodzeniem mienia i utratą zysków spowodowaną opóźnieniami w dostawach.
Wykorzystanie AI:
AI analizuje dane z GPS, raporty z telematyki, dane pogodowe oraz informacje o stanie technicznym pojazdów. Dzięki temu możliwe jest przewidywanie awarii, optymalizacja tras oraz identyfikacja obszarów o podwyższonym ryzyku wypadków.
Korzyści:
Majątek: AI przewiduje konieczność naprawy lub wymiany pojazdów, minimalizując ryzyko awarii i związane z tym koszty.
Odpowiedzialność cywilna: Optymalizacja tras i monitorowanie stylu jazdy kierowców zmniejsza ryzyko wypadków i roszczeń odszkodowawczych.
Utrata zysku: Szybsza i bardziej niezawodna logistyka zmniejsza ryzyko opóźnień dostaw, co minimalizuje straty finansowe.
2. Przykład z branży chemicznej
Opis sytuacji:
Globalna firma chemiczna zarządza wieloma zakładami produkcyjnymi, które są narażone na ryzyka związane z wyciekami chemikaliów, pożarami i eksplozjami. Firma chce poprawić swoje programy ubezpieczeniowe, aby lepiej chronić mienie, pracowników i zyski.
Wykorzystanie AI:
AI analizuje dane dotyczące lokalizacji zakładów, historyczne dane o incydentach, informacje o stosowanych materiałach i procesach produkcyjnych. Systemy IoT monitorują temperaturę, wilgotność i wibracje maszyn, aby wykrywać anomalie.
Korzyści:
Majątek: AI przewiduje awarie maszyn i monitoruje warunki środowiskowe, zapobiegając uszkodzeniom mienia.
Odpowiedzialność cywilna: Dzięki monitorowaniu procesów produkcyjnych, AI minimalizuje ryzyko wypadków i związanych z nimi roszczeń.
Utrata zysku: Wczesne wykrywanie problemów pozwala na szybkie interwencje, zapobiegając przerwom w produkcji i stratom finansowym.
Programy grupowe na życie: AI analizuje dane o zdrowiu pracowników i warunkach pracy, pomagając w tworzeniu bardziej spersonalizowanych i efektywnych programów ubezpieczeń na życie.
3. Przykład z branży produkcyjnej
Opis sytuacji:
Duża firma produkcyjna zajmująca się wytwarzaniem komponentów elektronicznych chce zminimalizować ryzyka związane z awariami maszyn, wypadkami w miejscu pracy i utratą zysków z powodu przerw w produkcji.
Wykorzystanie AI:
AI analizuje dane z czujników IoT zamontowanych na maszynach, które monitorują ich stan techniczny. Dane dotyczące wydajności produkcji, absencji pracowników i warunków środowiskowych są również analizowane.
Korzyści:
Majątek: AI przewiduje awarie maszyn, planuje ich konserwację i zapobiega kosztownym przestojom.
Odpowiedzialność cywilna: Monitorowanie warunków pracy i automatyczne zgłaszanie potencjalnych zagrożeń pomaga zmniejszyć liczbę wypadków i roszczeń odszkodowawczych.
Utrata zysku: Optymalizacja procesów produkcyjnych i minimalizowanie przestojów pozwala na ciągłą produkcję i stabilne zyski.
Programy grupowe na życie: Analiza danych dotyczących zdrowia i bezpieczeństwa pracowników pozwala na tworzenie lepszych programów ubezpieczeniowych, które są bardziej dopasowane do potrzeb pracowników.
Zobacz też:
