Kan AI verzekeringen voor wegvervoerders nauwkeuriger maken, of alleen sneller?

Kunstmatige intelligentie biedt verzekeraars nieuwe manieren om documentbeoordelingen te automatiseren, informatie uit aanvragen te halen en historische gegevens te analyseren. Voor transportbedrijven kunnen deze mogelijkheden administratieve vertragingen helpen beperken die het afsluiten van een verzekering bemoeilijken.

Die efficiëntie is belangrijk. Vertraging bij verzekeringen kan ertoe leiden dat vervoerders hun vrachtwagens niet in gebruik kunnen nemen, geen nieuwe contracten kunnen aannemen of hun activiteiten niet volgens plan kunnen voortzetten.

Snellere beslissingen zijn echter niet per se betere beslissingen.

Bij verzekeringen voor wegvervoerders is het probleem nooit geweest dat er helemaal geen gegevens beschikbaar zijn. Verzekeraars kunnen rekening houden met inspectiegeschiedenissen, veiligheidsgegevens, ongevalsrapporten, vervoersvergunningen en nalevingsdocumenten. De uitdaging is vast te stellen wat die gegevens daadwerkelijk over een bedrijf laten zien en welke informatie ontbreekt.

Wil AI verzekeringen voor wegvervoerders verbeteren, dan moet die meer doen dan de acceptatie versnellen. AI moet verzekeraars helpen een nauwkeuriger beeld van het risico te krijgen.

Een veiligheidsdossier vertelt niet het hele verhaal

Voordat ik in de verzekeringsbranche ging werken, werkte ik rechtstreeks met transportbedrijven aan veiligheid en naleving. Ik hielp vervoerders met het verkrijgen van een vervoersvergunning, het ordenen van chauffeursdossiers, het bijhouden van gegevens en het navigeren door regelgeving. Die ervaring bevestigde een belangrijke les: nalevingsgegevens zijn nuttig, maar geven niet noodzakelijk weer hoe een wagenpark er dagelijks aan toe is.

Neem twee transportbedrijven met een vergelijkbare wagenparkomvang, bedrijfsgeschiedenis en inspectiegegevens. Het ene bedrijf kan een vast schema voor preventief onderhoud volgen, investeren in chauffeurstraining en mogelijke veiligheidsrisico’s aanpakken voordat die tot overtredingen leiden. Het andere kan een meer reactieve aanpak hanteren en problemen pas aanpakken wanneer ze zich voordoen. Op papier kunnen deze bedrijven vergelijkbaar lijken, ook al gaan ze heel verschillend met risico’s om.

Het omgekeerde kan ook gebeuren. Een overtreding of ongeval kan in het dossier van een vervoerder staan zonder dat die gebeurtenis een volledig beeld geeft van de huidige veiligheidspraktijken of de omstandigheden rond het incident.

Het Veiligheidsmeetsysteem van de Federal Motor Carrier Safety Administration (FMCSA) gebruikt gegevens over weginspecties, ongevallen en onderzoeken om vervoerders op te sporen die mogelijk veiligheidsmaatregelen nodig hebben. Deze gegevens zijn waardevol voor het toezicht op de naleving van regelgeving, maar zijn niet bedoeld als volledige beoordeling van de algehele veiligheidssituatie of verzekerbaarheid van een vervoerder.

De FMCSA heeft ook beperkingen van gegevens in het Veiligheidsmeetsysteem gedocumenteerd, waaronder vragen over de toereikendheid van de gegevens en de mate waarin die informatie betrouwbaar kan worden gebruikt voor verschillende doeleinden.

AI kan deze gegevens snel analyseren, maar snelheid alleen neemt de beperkingen ervan niet weg.

De risico’s van het automatiseren van onvolledige informatie

Er zijn duidelijke mogelijkheden om AI in te zetten om de administratieve werklast in de commerciële verzekeringsbranche te verminderen. Geautomatiseerde systemen kunnen helpen ontbrekende velden in aanvragen op te sporen, informatie in verschillende documenten met elkaar te vergelijken, veiligheidsgegevens te ordenen en afwijkingen te signaleren voor nader onderzoek.

Deze verbeteringen kunnen vooral waardevol zijn in de transportsector, waar het verzamelen van documentatie vaak meerdere partijen en systemen omvat.

Het risico ontstaat wanneer geautomatiseerde beoordelingen als definitieve conclusies worden beschouwd. Zo kan een AI-systeem een vervoerder markeren vanwege een ongunstige veiligheidsindicator. Het systeem kan de betreffende registratie correct herkennen, maar houdt mogelijk geen rekening met latere operationele verbeteringen of aanvullende informatie die de manier waarop het incident moet worden geïnterpreteerd verandert.

Het programma voor de beoordeling van de vermijdbaarheid van ongevallen van de FMCSA laat zien waarom context ertoe doet. Met dit programma kunnen vervoerders een beoordeling aanvragen van bepaalde daarvoor in aanmerking komende ongevallen. Wanneer de FMCSA vaststelt dat een ongeval niet te voorkomen was, telt zij die gebeurtenis niet mee bij de berekening van de categorie Crash Indicator in het Veiligheidsmeetsysteem, hoewel het ongeval wel vermeld blijft staan.

Het programma erkent dat de omstandigheden rond een incident van belang zijn, en niet alleen het feit dat er een ongeval in de gegevens staat.

Dit onderscheid is vooral belangrijk bij de beoordeling van kleinere wagenparken. Grote vervoerders hebben mogelijk speciaal veiligheidspersoneel en geïntegreerde rapportagesystemen, terwijl kleinere bedrijven hun gegevens kunnen verspreiden over spreadsheets, e-mails en externe dienstverleners.

Een ontbrekend onderhoudsdocument kan er bijvoorbeeld op wijzen dat het onderhoud niet is uitgevoerd. Het kan ook betekenen dat het document ergens staat waar het systeem geen toegang toe heeft. Die situaties mogen niet automatisch tot dezelfde beoordeling leiden.

Het kader voor AI-risicobeheer van het National Institute of Standards and Technology biedt vrijwillige richtlijnen voor het beoordelen van de betrouwbaarheid, transparantie en geloofwaardigheid van AI-systemen.

Voor verzekeraars in de transportsector bieden deze principes een nuttig referentiekader om te bepalen of de informatie waarop een geautomatiseerde beoordeling is gebaseerd actueel en voldoende volledig is, en geschikt is voor het beoogde gebruik.

AI moet herkennen wanneer meer informatie nodig is

Een van de nuttigste mogelijkheden van een AI-systeem is om te herkennen wanneer een beslissing om aanvullende context vraagt.

In plaats van elke aanvraag te behandelen als een eenvoudige goedkeuring of afwijzing, moet een effectief systeem onderscheid maken tussen situaties waarin de beschikbare informatie volstaat en situaties waarin om verduidelijking moet worden gevraagd.

Neem een vervoerder van wie het bedrijfsprofiel onlangs is veranderd. Een geautomatiseerd systeem kan die verandering signaleren, maar aanvullende vragen kunnen uitwijzen of het bedrijf nieuwe soorten vracht is gaan vervoeren, materieel heeft toegevoegd of nieuwe veiligheidsprocedures heeft ingevoerd.

Al deze factoren kunnen van invloed zijn op de manier waarop het risico wordt beoordeeld.

Ook daarom is uitlegbaarheid belangrijk. Als een AI-systeem een bepaalde uitkomst aanbeveelt, moeten de mensen die verantwoordelijk zijn voor de beslissing begrijpen welke informatie daarop van invloed was en of de conclusie redelijk is.

De richtlijnen van NIST voor betrouwbare AI benoemen uitlegbaarheid, transparantie, betrouwbaarheid en verantwoordingsplicht als belangrijke kenmerken van betrouwbare systemen. Ook erkennen ze de rol van menselijk oordeel bij het beoordelen van de prestaties van AI.

Bij vrachtwagenverzekeringen moet acceptatie niet bedoeld zijn om vragen overbodig te maken. Het doel moet zijn om eerder in het proces de juiste vragen te stellen.

Menselijke expertise blijft belangrijk

De invoering van AI wordt soms voorgesteld als een keuze tussen automatisering en menselijke besluitvorming. In de praktijk is het nuttiger om te bepalen welke taken baat hebben bij technologie en voor welke taken professioneel inzicht nodig is.

AI kan helpen informatie te ordenen, patronen te herkennen en repetitief administratief werk te verminderen. Menselijke expertise is bijzonder waardevol wanneer dossiers onduidelijk zijn of de omstandigheden van een vervoerder niet goed in gestandaardiseerde categorieën passen.

Iemand met kennis van transportactiviteiten kan herkennen waarom een bepaald veiligheidsprobleem ertoe doet, hoe verschillende werkomgevingen het risico beïnvloeden of waarom recente operationele veranderingen nader onderzoek verdienen.

Die expertise moet niet als een belemmering voor automatisering worden gezien. Ze kan geautomatiseerde beoordelingen juist nuttiger maken.

Ook verantwoordingsplicht speelt een belangrijke rol.

In december 2023 heeft de National Association of Insurance Commissioners een modelrichtlijn over het gebruik van kunstmatige intelligentie door verzekeraars aangenomen. Daarin staan de verwachtingen van toezichthouders op het gebied van bestuur, risicobeheer en naleving van de toepasselijke verzekeringswetgeving.

De regelgevende werking van de richtlijn hangt af van de invoering en uitvoering door afzonderlijke staten, maar ze weerspiegelt de groeiende aandacht voor de manier waarop verzekeraars toezicht houden op beslissingen die met behulp van AI worden genomen.

Ook menselijk oordeel is niet onfeilbaar. Mensen kunnen inconsistente beslissingen nemen of relevante informatie over het hoofd zien. De kans ligt in het combineren van de consistentie en verwerkingscapaciteit van AI met de operationele kennis die nodig is om complexe situaties te interpreteren.

Nauwkeurigheid meten, niet alleen efficiëntie

Als verzekeraars willen weten of AI de acceptatie verbetert, moeten ze meer beoordelen dan alleen de doorlooptijd.

Een aanvraag in minuten in plaats van dagen verwerken zou operationeel gezien een prestatie zijn. Dat bewijst echter niet noodzakelijkerwijs dat de beoordeling daardoor nauwkeuriger is.

Een zinvollere evaluatie zou onderzoeken of geautomatiseerde aanbevelingen betrouwbaar blijven bij verschillende soorten vervoerders, hoe vaak beoordelingen moeten worden gecorrigeerd en of het systeem ontbrekende of tegenstrijdige informatie op de juiste manier signaleert.

Kleinere wagenparken verdienen bijzondere aandacht. Als een model goed presteert bij vervoerders met uitgebreide digitale dossiers, maar moeite heeft met bedrijven waarvan de documentatie minder gestandaardiseerd is, kan de effectiviteit ervan wisselend zijn.

Tests moeten recht doen aan de diversiteit van de bedrijven die worden beoordeeld.

Ook na de invoering moet die evaluatie doorgaan. Veranderingen in regelgeving, werkwijzen en beschikbare informatie kunnen van invloed zijn op de vraag of een systeem op de lange termijn betrouwbaar blijft.

Verzekeraars moeten ook bereid zijn opnieuw te bekijken hoe hun systemen verschillende soorten informatie wegen. Een model dat bijvoorbeeld consequent te veel nadruk legt op één veiligheidsindicator, kan andere factoren die relevant zijn voor de bedrijfsvoering van een vervoerder over het hoofd zien.

Het doel moet voortdurende verbetering zijn, niet alleen snellere verwerking.

De echte kans ligt in een beter inzicht in risico’s

AI kan vrachtwagenverzekeringen efficiënter maken, administratieve vertragingen verminderen en verzekeraars helpen informatie op te sporen die anders mogelijk over het hoofd wordt gezien.

De grootste meerwaarde kan echter liggen in de hulp die AI de sector biedt om beter onderbouwde beslissingen te nemen.

Een wagenpark is meer dan zijn inspectiegeschiedenis, en een veiligheidsdossier is meer dan een verzameling overtredingen. Om risico’s te begrijpen, moet je kijken naar de manier waarop een bedrijf werkt, hoe het problemen aanpakt en of de beschikbare informatie de huidige omstandigheden weerspiegelt.

De nuttigste AI-systemen zijn niet per se de systemen die het snelst antwoord geven. Het zijn de systemen die verzekeraars helpen herkennen wanneer de beschikbare informatie een beslissing onderbouwt en wanneer nader onderzoek nodig is.

Uiteindelijk is de vraag niet of AI vrachtwagenverzekeringen sneller kan maken. De vraag is of AI de besluitvorming in de sector nauwkeuriger kan maken.

Dat is de maatstaf waaraan het succes ervan moet worden afgemeten.