Kan KI gjøre lastebilforsikring mer presis – eller bare raskere?

Kunstig intelligens gir forsikringsselskaper nye måter å automatisere dokumentgjennomgang, hente ut informasjon fra søknader og analysere historiske opplysninger på. For transportselskaper kan disse mulighetene bidra til å redusere administrative forsinkelser som kompliserer prosessen med å få forsikringsdekning.

Denne effektiviseringen er viktig. Forsinkelser i forsikringen kan hindre transportører i å sette lastebiler i drift, inngå nye kontrakter eller fortsette virksomheten som planlagt.

Men raskere beslutninger er ikke nødvendigvis bedre beslutninger.

Innen lastebilforsikring har utfordringen aldri vært fullstendig mangel på data. Forsikringsselskaper kan ta hensyn til historikk fra inspeksjoner, sikkerhetsregistre, ulykkesrapporter, transporttillatelser og dokumentasjon på regelverksetterlevelse. Utfordringen er å avgjøre hva disse opplysningene faktisk forteller om en virksomhet, og hva de ikke fanger opp.

Hvis KI skal forbedre lastebilforsikring, må teknologien gjøre mer enn å fremskynde risikovurderingen. Den må hjelpe forsikringsselskaper med å få en mer presis forståelse av risiko.

Sikkerhetsregisteret forteller ikke hele historien

Før jeg begynte i forsikringsbransjen, jobbet jeg direkte med transportselskaper innen sikkerhet og regelverksetterlevelse. Jeg hjalp transportører med å etablere transporttillatelser, organisere kvalifikasjonsmapper for sjåfører, føre registre og håndtere regulatoriske krav. Denne erfaringen understreket en viktig lærdom: Dokumentasjon på regelverksetterlevelse er nyttig, men gjenspeiler ikke nødvendigvis hvordan en bilpark drives fra dag til dag.

Tenk deg to transportselskaper med omtrent like store bilparker, tilsvarende driftshistorikk og lignende inspeksjonsregistre. Det ene kan følge en fast plan for forebyggende vedlikehold, investere i sjåføropplæring og ta tak i mulige sikkerhetsproblemer før de fører til regelbrudd. Det andre kan ha en mer reaktiv tilnærming og først håndtere problemer når de oppstår. På papiret kan selskapene virke like, selv om de har ulike tilnærminger til risikohåndtering.

Det motsatte kan også skje. En transportør kan ha et regelbrudd eller en ulykke registrert uten at hendelsen fullt ut forklarer dagens sikkerhetspraksis eller omstendighetene rundt den.

Federal Motor Carrier Safety Administration (FMCSA) bruker systemet for sikkerhetsmåling, som bygger på data fra veikantinspeksjoner, ulykker og undersøkelser, for å bidra til å identifisere transportører som kan ha behov for sikkerhetsoppfølging. Selv om disse opplysningene er verdifulle for regulatorisk tilsyn, er de ikke ment å gi en fullstendig vurdering av transportørens samlede sikkerhetstilstand eller mulighet til å bli forsikret.

FMCSA har også dokumentert begrensninger ved dataene i systemet for sikkerhetsmåling, blant annet spørsmål om hvorvidt datagrunnlaget er tilstrekkelig, og hvor pålitelig informasjonen kan brukes til ulike formål.

KI kan analysere disse opplysningene raskt, men høy hastighet alene løser ikke begrensningene deres.

Risikoen ved å automatisere med ufullstendig informasjon

Det finnes klare muligheter for å bruke KI til å redusere administrativt arbeid innen kommersiell forsikring. Automatiserte systemer kan bidra til å finne manglende felt i søknader, sammenligne informasjon på tvers av dokumenter, organisere sikkerhetsregistre og flagge avvik for gjennomgang.

Slike forbedringer kan være særlig verdifulle innen lastebiltransport, der innsamling av dokumentasjon ofte involverer flere parter og systemer.

Risikoen oppstår når automatiserte vurderinger behandles som endelige konklusjoner. Et KI-system kan for eksempel flagge en transportør på grunn av en negativ sikkerhetsindikator. Systemet kan identifisere registreringen korrekt, men likevel overse senere forbedringer i driften eller tilleggsinformasjon som endrer hvordan hendelsen bør tolkes.

FMCSAs program for vurdering av om ulykker kunne vært unngått viser hvorfor konteksten er viktig. Programmet gir transportører mulighet til å be om en gjennomgang av visse ulykker som oppfyller vilkårene. Når FMCSA fastslår at en ulykke ikke kunne vært unngått, utelates hendelsen fra beregningen av kategorien for ulykkesindikator i FMCSAs system for sikkerhetsmåling, selv om ulykken fortsatt står oppført.

Programmet anerkjenner at omstendighetene rundt en hendelse er viktige, ikke bare det at en ulykke er registrert.

Dette skillet blir særlig viktig når mindre bilparker skal vurderes. Store transportører kan ha egne sikkerhetsmedarbeidere og integrerte rapporteringssystemer, mens mindre virksomheter kan ha dokumentasjonen fordelt på regneark, e-poster og eksterne tjenesteleverandører.

Et manglende vedlikeholdsdokument kan for eksempel tyde på at vedlikehold ikke ble utført. Det kan også bety at dokumentet finnes et sted systemet ikke har tilgang til. Slike situasjoner bør ikke automatisk føre til samme vurdering.

Rammeverket for risikostyring innen KI fra National Institute of Standards and Technology gir frivillige retningslinjer for vurdering av KI-systemers pålitelighet, åpenhet og troverdighet.

For forsikringsselskaper innen lastebiltransport gir disse prinsippene et nyttig grunnlag for å vurdere om informasjonen bak en automatisert vurdering er oppdatert, tilstrekkelig fullstendig og egnet til det tiltenkte formålet.

KI må kunne gjenkjenne når det er nødvendig med mer informasjon

En av de mest nyttige egenskapene et KI-system kan ha, er å oppdage når en beslutning krever mer kontekst.

I stedet for å behandle hver søknad som et enkelt spørsmål om godkjenning eller avslag bør et effektivt system skille mellom situasjoner der informasjonen er tilstrekkelig, og situasjoner der det er behov for avklaringer.

Tenk på et transportselskap som nylig har endret driftsprofil. Et automatisert system kan oppdage endringen, men oppfølgingsspørsmål kan avdekke om selskapet har begynt å frakte andre typer gods, skaffet nytt utstyr eller innført nye sikkerhetsrutiner.

Hver av disse faktorene kan påvirke hvordan risikoen skal vurderes.

Det er også her forklarbarhet blir viktig. Hvis et KI-system anbefaler et bestemt utfall, bør de som har ansvar for beslutningen, forstå hvilken informasjon som påvirket den, og om konklusjonen er rimelig.

NISTs veiledning om pålitelig KI peker på forklarbarhet, åpenhet, pålitelighet og ansvarlighet som viktige kjennetegn ved pålitelige systemer. Den anerkjenner også betydningen av menneskelig skjønn når KI-ytelse skal vurderes.

Målet med lastebilforsikring bør ikke være å fjerne spørsmål fra risikovurderingen. Det bør være å finne de riktige spørsmålene tidligere i prosessen.

Menneskelig ekspertise er fortsatt viktig

Innføring av KI blir noen ganger fremstilt som et valg mellom automatisering og menneskelige beslutninger. I praksis er det mer nyttig å avgjøre hvilke oppgaver som har nytte av teknologi, og hvilke som krever faglig skjønn.

KI kan bidra til å organisere informasjon, finne mønstre og redusere gjentakende administrativt arbeid. Menneskelig ekspertise er særlig verdifull når dokumentasjonen er uklar, eller når forholdene i et transportselskap ikke passer inn i standardiserte kategorier.

En person med kjennskap til transportvirksomhet kan forstå hvorfor et bestemt sikkerhetsproblem er viktig, hvordan ulike driftsmiljøer påvirker risikoeksponeringen, eller hvorfor nylige endringer i driften bør undersøkes nærmere.

Denne ekspertisen bør ikke betraktes som et hinder for automatisering. Den kan gjøre automatiserte vurderinger mer nyttige.

Det er også et viktig spørsmål om ansvarlighet.

I desember 2023 vedtok National Association of Insurance Commissioners et modellrundskriv om forsikringsselskapers bruk av kunstig intelligens, som beskriver regulatoriske forventninger knyttet til styring, risikohåndtering og etterlevelse av gjeldende forsikringslovgivning.

Rundskrivets regulatoriske virkning avhenger av at de enkelte delstatene vedtar og iverksetter det, men det gjenspeiler den økende oppmerksomheten rundt hvordan forsikringsselskaper fører tilsyn med KI-støttede beslutninger.

Menneskelig skjønn er heller ikke ufeilbarlig. Folk kan ta inkonsekvente beslutninger eller overse relevant informasjon. Muligheten ligger i å kombinere KIs konsistens og prosesseringskapasitet med den operative kunnskapen som trengs for å tolke komplekse situasjoner.

Mål nøyaktighet, ikke bare effektivitet

Hvis forsikringsselskaper vil vite om KI forbedrer risikovurderingen, må de evaluere mer enn bare behandlingstiden.

Å behandle en søknad på minutter i stedet for dager ville vært en operasjonell forbedring. Det ville ikke nødvendigvis vist at vurderingen som fulgte, var mer nøyaktig.

En mer meningsfull evaluering ville undersøke om automatiserte anbefalinger er pålitelige på tvers av ulike typer transportselskaper, hvor ofte vurderinger må korrigeres, og om systemet på en hensiktsmessig måte identifiserer manglende eller inkonsekvent informasjon.

Mindre transportflåter fortjener særlig oppmerksomhet. Hvis en modell fungerer godt for transportselskaper med omfattende digitale registre, men sliter med virksomheter der dokumentasjonen er mindre standardisert, kan effektiviteten være ujevn.

Testingen bør gjenspeile mangfoldet blant virksomhetene som vurderes.

Evalueringen må også fortsette etter at systemet er tatt i bruk. Endringer i regelverk, driftspraksis og tilgjengelig informasjon kan påvirke om systemet forblir pålitelig over tid.

Forsikringsselskaper bør også være forberedt på å vurdere på nytt hvordan systemene deres vektlegger ulike typer informasjon. En modell som konsekvent legger for stor vekt på én sikkerhetsindikator, kan for eksempel overse andre faktorer som er relevante for driften i et transportselskap.

Målet bør være kontinuerlig forbedring, ikke bare raskere behandling.

Den virkelige muligheten ligger i bedre risikoforståelse

KI kan gjøre lastebilforsikring mer effektiv, redusere administrative forsinkelser og hjelpe forsikringsselskaper med å oppdage informasjon som ellers kunne blitt oversett.

Men den største verdien kan ligge i å hjelpe bransjen med å ta bedre informerte beslutninger.

En transportflåte er mer enn historikken over inspeksjoner, og en sikkerhetsoversikt er mer enn en samling regelbrudd. For å forstå risiko må man ta hensyn til hvordan virksomheten drives, hvordan den håndterer problemer, og om den tilgjengelige informasjonen gjenspeiler dagens situasjon.

De mest nyttige KI-systemene vil ikke nødvendigvis være de som gir raskest svar. Det er systemene som hjelper forsikringsselskapene med å forstå når tilgjengelig informasjon gir grunnlag for en beslutning, og når det er behov for ytterligere vurdering.

Til syvende og sist er spørsmålet ikke om KI kan gjøre forsikring for lastebilbransjen raskere, men om den kan gjøre bransjens beslutninger mer presise.

Det er denne målestokken suksessen bør vurderes etter.