Czy AI może sprawić, że ubezpieczenia dla firm transportowych będą dokładniejsze, czy tylko szybsze?

Sztuczna inteligencja daje ubezpieczycielom nowe możliwości automatyzacji weryfikacji dokumentów, wydobywania informacji z wniosków i analizowania danych historycznych. W przypadku firm transportowych takie rozwiązania mogą pomóc ograniczyć opóźnienia administracyjne, które utrudniają uzyskanie ochrony ubezpieczeniowej.

Taka sprawność ma znaczenie. Opóźnienia w uzyskaniu ubezpieczenia mogą uniemożliwić przewoźnikom wprowadzenie ciężarówek do eksploatacji, przyjęcie nowych zleceń lub prowadzenie działalności zgodnie z planem.

Szybsze decyzje niekoniecznie są lepsze.

W ubezpieczeniach transportu ciężarowego problemem nigdy nie był całkowity brak danych. Ubezpieczyciele mogą brać pod uwagę historię kontroli, dokumentację dotyczącą bezpieczeństwa, raporty o wypadkach, uprawnienia do prowadzenia działalności i dokumenty związane z przestrzeganiem przepisów. Problem polega na ustaleniu, co te dokumenty rzeczywiście mówią o firmie, a czego nie ujawniają.

Jeśli AI ma usprawnić ubezpieczenia transportu ciężarowego, musi robić więcej niż tylko przyspieszać ocenę ryzyka ubezpieczeniowego. Powinna pomagać ubezpieczycielom trafniej rozumieć ryzyko.

Dokumentacja dotycząca bezpieczeństwa nie opowiada całej historii

Zanim rozpocząłem pracę w branży ubezpieczeniowej, bezpośrednio współpracowałem z firmami transportowymi w zakresie bezpieczeństwa i przestrzegania przepisów. Pomagałem przewoźnikom uzyskiwać uprawnienia do prowadzenia działalności, porządkować akta kwalifikacyjne kierowców, prowadzić dokumentację i poruszać się w gąszczu wymogów regulacyjnych. To doświadczenie utwierdziło mnie w ważnym przekonaniu: dokumentacja dotycząca zgodności z przepisami jest przydatna, ale niekoniecznie odzwierciedla codzienne funkcjonowanie floty.

Weźmy dwie firmy transportowe o podobnej wielkości floty, historii działalności i dokumentacji z kontroli. Jedna może konsekwentnie realizować harmonogram przeglądów zapobiegawczych, inwestować w szkolenia kierowców i reagować na potencjalne zagrożenia bezpieczeństwa, zanim doprowadzą do naruszeń przepisów. Druga może działać bardziej reaktywnie i zajmować się problemami dopiero wtedy, gdy się pojawią. Na papierze firmy te mogą wyglądać podobnie, mimo że odmiennie podchodzą do zarządzania ryzykiem.

Może być też odwrotnie. W dokumentacji przewoźnika może widnieć naruszenie przepisów lub wypadek, ale samo to zdarzenie nie musi w pełni wyjaśniać obecnych praktyk w zakresie bezpieczeństwa ani okoliczności, w jakich doszło do incydentu.

System Pomiaru Bezpieczeństwa Federalnej Administracji Bezpieczeństwa Przewoźników Samochodowych (FMCSA) wykorzystuje dane z kontroli drogowych, wypadków i dochodzeń, aby pomagać w identyfikowaniu przewoźników, wobec których mogą być potrzebne działania interwencyjne w zakresie bezpieczeństwa. Choć dane te są przydatne w nadzorze regulacyjnym, nie mają służyć do pełnej oceny ogólnego stanu bezpieczeństwa przewoźnika ani jego możliwości uzyskania ubezpieczenia.

FMCSA udokumentowała również ograniczenia danych w Systemie Pomiaru Bezpieczeństwa, w tym wątpliwości dotyczące wystarczającej ilości danych oraz tego, na ile można wiarygodnie wykorzystywać te informacje do różnych celów.

AI może szybko analizować te dokumenty, ale sama szybkość nie usuwa ich ograniczeń.

Ryzyko automatyzacji opartej na niepełnych informacjach

Istnieją wyraźne możliwości wykorzystania AI do ograniczenia pracy administracyjnej w ubezpieczeniach komercyjnych. Zautomatyzowane systemy mogłyby pomagać w wykrywaniu brakujących pól we wnioskach, porównywaniu informacji w różnych dokumentach, porządkowaniu dokumentacji dotyczącej bezpieczeństwa i oznaczaniu rozbieżności do weryfikacji.

Takie usprawnienia mogłyby być szczególnie cenne w transporcie ciężarowym, gdzie gromadzenie dokumentacji często wymaga współpracy wielu podmiotów i korzystania z różnych systemów.

Ryzyko pojawia się wtedy, gdy zautomatyzowane oceny traktuje się jako ostateczne rozstrzygnięcia. Na przykład system AI może oznaczyć przewoźnika z powodu niekorzystnego wskaźnika bezpieczeństwa. System może prawidłowo rozpoznać wpis w dokumentacji, ale nie uwzględnić późniejszych usprawnień operacyjnych ani dodatkowych informacji, które zmieniają sposób interpretacji zdarzenia.

Program Ustalania Możliwości Zapobieżenia Wypadkom FMCSA pokazuje, dlaczego kontekst ma znaczenie. Program umożliwia przewoźnikom występowanie o ponowne rozpatrzenie niektórych kwalifikujących się wypadków. Jeśli FMCSA uzna, że wypadkowi nie można było zapobiec, wyłącza to zdarzenie z obliczania kategorii wskaźnika wypadkowości w swoim Systemie Pomiaru Bezpieczeństwa, choć sam wypadek nadal pozostaje odnotowany.

Program uwzględnia fakt, że znaczenie mają okoliczności towarzyszące zdarzeniu, a nie tylko sama informacja o wypadku.

To rozróżnienie jest szczególnie ważne przy ocenie mniejszych flot. Duzi przewoźnicy mogą zatrudniać specjalistów ds. bezpieczeństwa i korzystać ze zintegrowanych systemów raportowania, podczas gdy mniejsze firmy mogą przechowywać dokumentację w arkuszach kalkulacyjnych, wiadomościach e-mail i u zewnętrznych usługodawców.

Brak dokumentu dotyczącego konserwacji może na przykład oznaczać, że jej nie przeprowadzono. Może też oznaczać, że dokument istnieje, ale znajduje się w miejscu niedostępnym dla systemu. Takie sytuacje nie powinny automatycznie prowadzić do takiej samej oceny.

Ramy Zarządzania Ryzykiem AI Narodowego Instytutu Standardów i Technologii zawierają niewiążące wytyczne dotyczące oceny niezawodności, przejrzystości i wiarygodności systemów AI.

Dla ubezpieczycieli działających w branży transportu ciężarowego zasady te stanowią przydatny punkt odniesienia przy ustalaniu, czy informacje będące podstawą zautomatyzowanej oceny są aktualne, wystarczająco kompletne i odpowiednie do zamierzonego zastosowania.

AI musi rozpoznawać, kiedy potrzebnych jest więcej informacji

Jedną z najbardziej przydatnych możliwości systemu AI byłoby rozpoznawanie, kiedy podjęcie decyzji wymaga dodatkowego kontekstu.

Zamiast traktować każdą sprawę jako prostą decyzję o zatwierdzeniu lub odrzuceniu, skuteczny system powinien rozróżniać sytuacje, w których dostępne informacje są wystarczające, od tych, które wymagają wyjaśnienia.

Weźmy pod uwagę przewoźnika, którego profil działalności niedawno się zmienił. Zautomatyzowany system może wykryć tę zmianę, ale dodatkowe pytania mogą pomóc ustalić, czy firma rozszerzyła działalność o przewóz innych kategorii ładunków, dodała pojazdy lub wprowadziła nowe procedury bezpieczeństwa.

Każdy z tych czynników może mieć wpływ na ocenę ryzyka.

Właśnie dlatego ważna jest również możliwość wyjaśnienia działania systemu. Jeśli system AI rekomenduje określone rozstrzygnięcie, osoby odpowiedzialne za decyzję powinny rozumieć, jakie informacje miały na nią wpływ i czy wniosek jest uzasadniony.

Wytyczne NIST dotyczące godnej zaufania sztucznej inteligencji wskazują wyjaśnialność, przejrzystość, niezawodność i rozliczalność jako ważne cechy godnych zaufania systemów. Podkreślają również rolę ludzkiego osądu w ocenie działania AI.

W ubezpieczeniach transportu ciężarowego celem nie powinno być wyeliminowanie pytań z procesu oceny ryzyka. Chodzi o to, by odpowiednie pytania pojawiały się wcześniej.

Ludzkie doświadczenie wciąż ma znaczenie

Wdrażanie AI bywa przedstawiane jako wybór między automatyzacją a podejmowaniem decyzji przez ludzi. W praktyce bardziej użyteczne jest ustalenie, które zadania zyskują na zastosowaniu technologii, a które wymagają profesjonalnego osądu.

AI może pomóc uporządkować informacje, wykrywać wzorce i ograniczyć powtarzalne prace administracyjne. Wiedza i doświadczenie ludzi są szczególnie cenne, gdy dokumentacja jest niejednoznaczna lub sytuacja przewoźnika nie pasuje do standardowych kategorii.

Osoba dobrze znająca specyfikę transportu ciężarowego może dostrzec, dlaczego konkretna kwestia bezpieczeństwa jest istotna, jak różne warunki działalności wpływają na ekspozycję na ryzyko albo dlaczego niedawne zmiany w działalności wymagają dokładniejszej analizy.

Nie należy traktować tej wiedzy jako przeszkody w automatyzacji. Może ona zwiększyć użyteczność zautomatyzowanych ocen.

Istotna jest również kwestia odpowiedzialności.

W grudniu 2023 roku National Association of Insurance Commissioners przyjęło wzorcowy komunikat dotyczący wykorzystania sztucznej inteligencji przez ubezpieczycieli, określający oczekiwania regulacyjne w zakresie ładu korporacyjnego, zarządzania ryzykiem i przestrzegania obowiązujących przepisów ubezpieczeniowych.

Skutki regulacyjne tego komunikatu zależą od jego przyjęcia i wdrożenia przez poszczególne stany, jednak odzwierciedla on rosnące zainteresowanie sposobem nadzorowania przez ubezpieczycieli decyzji wspieranych przez AI.

Ludzki osąd również nie jest nieomylny. Ludzie mogą podejmować niespójne decyzje lub przeoczyć istotne informacje. Szansą jest połączenie spójności i możliwości przetwarzania danych przez AI z wiedzą o działalności operacyjnej, niezbędną do interpretowania złożonych sytuacji.

Liczy się dokładność, nie tylko efektywność

Jeśli ubezpieczyciele chcą sprawdzić, czy AI usprawnia ocenę ryzyka, muszą oceniać więcej niż tylko czas realizacji.

Rozpatrzenie wniosku w kilka minut zamiast w kilka dni byłoby osiągnięciem operacyjnym. Nie dowodziłoby jednak samo w sobie, że wynik oceny jest dokładniejszy.

Bardziej miarodajna ocena obejmowałaby sprawdzenie, czy zautomatyzowane rekomendacje są równie wiarygodne w przypadku różnych typów przewoźników, jak często oceny wymagają korekty oraz czy system prawidłowo wykrywa brakujące lub niespójne informacje.

Szczególną uwagę należy poświęcić mniejszym flotom. Jeśli model dobrze radzi sobie z przewoźnikami posiadającymi obszerną dokumentację cyfrową, ale ma trudności w przypadku firm, których dokumentacja jest mniej ustandaryzowana, jego skuteczność może być nierówna.

Testy powinny uwzględniać różnorodność ocenianych firm.

Ocena powinna być kontynuowana również po wdrożeniu systemu. Zmiany w przepisach, praktykach operacyjnych i dostępnych informacjach mogą wpływać na jego niezawodność z upływem czasu.

Ubezpieczyciele powinni być również gotowi ponownie ocenić, jak ich systemy uwzględniają różne rodzaje informacji. Na przykład model, który stale przypisuje zbyt dużą wagę jednemu wskaźnikowi bezpieczeństwa, może pomijać inne czynniki istotne dla działalności przewoźnika.

Celem powinno być ciągłe doskonalenie, a nie tylko szybsze przetwarzanie.

Prawdziwą szansą jest lepsze zrozumienie ryzyka

AI może zwiększyć efektywność ubezpieczeń transportu ciężarowego, ograniczyć opóźnienia administracyjne i pomóc ubezpieczycielom wykrywać informacje, które w innym przypadku mogłyby zostać przeoczone.

Największą wartością AI może być jednak pomoc branży w podejmowaniu lepiej uzasadnionych decyzji.

Flota to coś więcej niż historia kontroli, a rejestr bezpieczeństwa to coś więcej niż zbiór naruszeń. Zrozumienie ryzyka wymaga uwzględnienia sposobu działania firmy, jej reakcji na problemy oraz tego, czy dostępne informacje odzwierciedlają jej obecną sytuację.

Najbardziej użyteczne systemy AI niekoniecznie będą tymi, które udzielają najszybszych odpowiedzi. Będą to te, które pomagają ubezpieczycielom rozpoznać, kiedy dostępne informacje uzasadniają podjęcie decyzji, a kiedy potrzebna jest dalsza ocena.

Ostatecznie pytanie nie brzmi, czy AI może przyspieszyć ubezpieczenia transportu ciężarowego. Chodzi o to, czy może sprawić, że decyzje podejmowane w tej branży będą trafniejsze.

To właśnie według tego kryterium należy oceniać sukces AI.