Kan kunstig intelligens gøre lastbilforsikring mere præcis – eller bare hurtigere?

Kunstig intelligens giver forsikringsselskaber nye muligheder for at automatisere dokumentgennemgang, hente oplysninger fra ansøgninger og analysere historiske data. For transportvirksomheder kan disse muligheder bidrage til at mindske administrative forsinkelser, der gør det mere besværligt at få forsikringsdækning.

Den effektivisering er vigtig. Forsinkelser i forsikringen kan forhindre transportører i at sætte lastbiler i drift, indgå nye kontrakter eller fortsætte driften som planlagt.

Hurtigere beslutninger er ikke nødvendigvis bedre beslutninger.

Inden for lastbilforsikring har udfordringen aldrig været, at der slet ikke fandtes data. Forsikringsselskaber kan tage højde for historik over syn, sikkerhedsoplysninger, ulykkesrapporter, driftstilladelser og dokumentation for overholdelse af regler. Udfordringen er at afgøre, hvad oplysningerne faktisk fortæller om en virksomhed, og hvad de ikke viser.

Hvis kunstig intelligens skal forbedre lastbilforsikring, skal den kunne mere end blot at fremskynde risikovurderingen. Den skal hjælpe forsikringsselskaber med at få et mere præcist billede af risikoen.

En sikkerhedshistorik fortæller ikke hele historien

Før jeg kom ind i forsikringsbranchen, arbejdede jeg direkte med transportvirksomheder om sikkerhed og overholdelse af regler. Jeg hjalp transportører med at få driftstilladelse, organisere chaufførernes kvalifikationsmapper, vedligeholde dokumentation og navigere i lovkravene. Erfaringen understregede en vigtig pointe: Dokumentation for regeloverholdelse er nyttig, men afspejler ikke nødvendigvis, hvordan en vognpark drives fra dag til dag.

Forestil dig to transportvirksomheder med omtrent lige store vognparker, samme driftshistorik og lignende synsrapporter. Den ene følger måske en fast plan for forebyggende vedligeholdelse, investerer i chaufføruddannelse og tager hånd om mulige sikkerhedsproblemer, før de fører til overtrædelser. Den anden har måske en mere reaktiv tilgang og løser først problemerne, når de opstår. På papiret kan virksomhederne se ens ud, selvom de griber risikostyringen forskelligt an.

Det modsatte kan også ske. En transportør kan have en overtrædelse eller en ulykke registreret, uden at hændelsen fuldt ud forklarer virksomhedens nuværende sikkerhedspraksis eller omstændighederne omkring ulykken.

Federal Motor Carrier Safety Administration (FMCSA) bruger sit system til sikkerhedsmåling med data fra vejkontroller, ulykker og undersøgelser til at hjælpe med at identificere transportører, der muligvis bør omfattes af sikkerhedsforanstaltninger. Oplysningerne er værdifulde i forbindelse med myndighedstilsyn, men de er ikke beregnet til at give en samlet vurdering af en transportørs sikkerhedstilstand eller mulighed for at blive forsikret.

FMCSA har også dokumenteret begrænsninger ved dataene i systemet til sikkerhedsmåling, herunder spørgsmål om, hvorvidt datagrundlaget er tilstrækkeligt, og hvor pålideligt oplysningerne kan bruges til forskellige formål.

Kunstig intelligens kan analysere disse oplysninger hurtigt, men hastighed alene afhjælper ikke deres begrænsninger.

Risiciene ved at automatisere på grundlag af ufuldstændige oplysninger

Der er oplagte muligheder for at bruge kunstig intelligens til at reducere det administrative arbejde inden for erhvervsforsikring. Automatiserede systemer kan hjælpe med at finde manglende felter i ansøgninger, sammenholde oplysninger på tværs af dokumenter, organisere sikkerhedsoplysninger og markere uoverensstemmelser til gennemgang.

Disse forbedringer kan være særligt værdifulde inden for lastbiltransport, hvor indsamling af dokumentation ofte involverer flere parter og systemer.

Risikoen opstår, når automatiserede vurderinger betragtes som endegyldige konklusioner. Et system med kunstig intelligens kan for eksempel markere en transportør på grund af en ugunstig sikkerhedsindikator. Systemet kan identificere oplysningerne korrekt, men tager måske ikke højde for senere driftsforbedringer eller yderligere oplysninger, der ændrer, hvordan hændelsen bør fortolkes.

FMCSA’s program for afgørelse af, om ulykker kunne være forebygget viser, hvorfor sammenhængen er vigtig. Programmet giver transportører mulighed for at anmode om en gennemgang af visse ulykker, der opfylder betingelserne. Når FMCSA afgør, at en ulykke ikke kunne være forebygget, udelades hændelsen fra beregningen af kategorien for ulykkesindikator i myndighedens system til sikkerhedsmåling, selvom ulykken fortsat står på listen.

Programmet anerkender, at omstændighederne omkring en hændelse har betydning – ikke blot det forhold, at en ulykke er registreret.

Denne forskel er særlig vigtig ved vurdering af mindre vognparker. Store transportvirksomheder kan have dedikeret sikkerhedspersonale og integrerede rapporteringssystemer, mens mindre virksomheder kan have dokumentation liggende i regneark, e-mails og hos eksterne tjenesteudbydere.

Et manglende vedligeholdelsesdokument kan for eksempel betyde, at vedligeholdelsen ikke blev udført. Det kan også betyde, at dokumentet findes et sted, systemet ikke har adgang til. De to situationer bør ikke automatisk føre til den samme vurdering.

National Institute of Standards and Technology’s ramme for risikostyring af kunstig intelligens giver frivillig vejledning i, hvordan man vurderer pålideligheden, gennemsigtigheden og troværdigheden af systemer med kunstig intelligens.

For forsikringsselskaber, der forsikrer lastbiltransport, er disse principper et nyttigt grundlag for at afgøre, om oplysningerne bag en automatiseret vurdering er aktuelle, tilstrækkeligt fuldstændige og egnede til det tilsigtede formål.

Kunstig intelligens skal kunne se, hvornår der er brug for flere oplysninger

En af de mest nyttige egenskaber ved et AI-system kunne være at identificere, hvornår en beslutning kræver yderligere kontekst.

I stedet for at behandle enhver ansøgning som et ligetil spørgsmål om godkendelse eller afslag bør et effektivt system skelne mellem situationer, hvor oplysningerne er tilstrækkelige, og situationer, hvor der er behov for en afklaring.

Forestil dig en transportør, hvis driftsprofil for nylig har ændret sig. Et automatiseret system kan registrere ændringen, men yderligere spørgsmål kan afdække, om virksomheden er begyndt at transportere andre typer gods, har tilføjet køretøjer eller har indført nye sikkerhedsprocedurer.

Hver af disse faktorer kan påvirke, hvordan risikoen bør vurderes.

Det er også her, forklarlighed bliver vigtig. Hvis et AI-system anbefaler et bestemt udfald, bør de personer, der er ansvarlige for beslutningen, forstå, hvilke oplysninger der har påvirket den, og om konklusionen er rimelig.

NIST’s vejledning om pålidelig AI fremhæver forklarlighed, gennemsigtighed, pålidelighed og ansvarlighed som vigtige egenskaber ved pålidelige systemer. Vejledningen anerkender også betydningen af menneskelig dømmekraft ved vurdering af AI-systemers ydeevne.

Målet med lastbilforsikring bør ikke være at fjerne spørgsmål fra risikovurderingen. Det bør være at finde frem til de rigtige spørgsmål tidligere i processen.

Menneskelig ekspertise er stadig vigtig

Indførelsen af AI fremstilles nogle gange som et valg mellem automatisering og menneskelig beslutningstagning. I praksis er den bedste tilgang at afgøre, hvilke opgaver der kan drage fordel af teknologi, og hvilke der kræver faglig dømmekraft.

AI kan hjælpe med at organisere oplysninger, identificere mønstre og reducere gentagne administrative opgaver. Menneskelig ekspertise er især værdifuld, når dokumentationen er tvetydig, eller når en transportørs forhold ikke passer ind i standardiserede kategorier.

En person med kendskab til lastbilbranchen kan forstå, hvorfor et bestemt sikkerhedsproblem er vigtigt, hvordan forskellige driftsmiljøer påvirker risikoeksponeringen, eller hvorfor nylige ændringer i driften kræver nærmere undersøgelse.

Denne ekspertise bør ikke betragtes som en hindring for automatisering. Den kan gøre automatiserede vurderinger mere nyttige.

Der er også et vigtigt spørgsmål om ansvarlighed.

I december 2023 vedtog National Association of Insurance Commissioners en modelvejledning om forsikringsselskabers brug af kunstig intelligens, der beskriver myndighedernes forventninger til styring, risikohåndtering og overholdelse af gældende forsikringslovgivning.

Vejledningens regulatoriske virkning afhænger af, om de enkelte delstater vedtager og gennemfører den, men den afspejler den voksende opmærksomhed på, hvordan forsikringsselskaber fører tilsyn med beslutninger, der understøttes af AI.

Menneskelig dømmekraft er heller ikke fejlfri. Mennesker kan træffe inkonsekvente beslutninger eller overse relevante oplysninger. Muligheden består i at kombinere AI’s konsekvens og databehandlingsevne med den driftsmæssige viden, der er nødvendig for at fortolke komplekse situationer.

Mål nøjagtigheden – ikke kun effektiviteten

Hvis forsikringsselskaber vil vide, om AI forbedrer risikovurderingen, skal de se på mere end sagsbehandlingstiden.

At behandle en ansøgning på få minutter i stedet for flere dage ville være en driftsmæssig gevinst. Det ville ikke nødvendigvis vise, at den efterfølgende vurdering var mere nøjagtig.

En mere meningsfuld evaluering ville undersøge, om automatiserede anbefalinger fortsat er pålidelige på tværs af forskellige typer transportører, hvor ofte vurderinger skal korrigeres, og om systemet på passende vis identificerer manglende eller inkonsistente oplysninger.

Mindre vognmandsflåder fortjener særlig opmærksomhed. Hvis en model fungerer godt for transportører med omfattende digitale optegnelser, men har svært ved at håndtere virksomheder med mindre standardiseret dokumentation, kan dens effektivitet være ujævn.

Testningen bør afspejle mangfoldigheden blandt de virksomheder, der vurderes.

Evalueringen skal også fortsætte efter implementeringen. Ændringer i regler, driftspraksis og tilgængelige oplysninger kan påvirke, om et system fortsat er pålideligt over tid.

Forsikringsselskaber bør også være parate til at genoverveje, hvordan deres systemer vægter forskellige typer oplysninger. En model, der konsekvent lægger for stor vægt på én sikkerhedsindikator, kan for eksempel overse andre faktorer, der er relevante for en transportørs drift.

Målet bør være løbende forbedring, ikke blot hurtigere sagsbehandling.

Den reelle mulighed er en bedre forståelse af risikoen

AI kan gøre lastbilforsikring mere effektiv, reducere administrative forsinkelser og hjælpe forsikringsselskaber med at finde oplysninger, der ellers kunne blive overset.

Men den største værdi kan ligge i at hjælpe branchen med at træffe mere velinformerede beslutninger.

En vognmandsflåde er mere end dens historik over inspektioner, og en sikkerhedshistorik er mere end en samling overtrædelser. For at forstå risikoen skal man tage højde for, hvordan virksomheden drives, hvordan den håndterer problemer, og om de tilgængelige oplysninger afspejler dens aktuelle forhold.

De mest nyttige AI-systemer vil ikke nødvendigvis være dem, der giver de hurtigste svar. Det vil være dem, der hjælper forsikringsselskaber med at forstå, hvornår de tilgængelige oplysninger understøtter en beslutning, og hvornår der er behov for yderligere vurdering.

I sidste ende er spørgsmålet ikke, om AI kan gøre lastbilforsikring hurtigere. Det er, om AI kan gøre branchens beslutninger mere præcise.

Det er den målestok, succesen bør vurderes efter.