Kan AI göra lastbilsförsäkringar mer träffsäkra – eller bara snabbare?

Artificiell intelligens ger försäkringsbolag nya möjligheter att automatisera dokumentgranskning, hämta information från ansökningar och analysera historiska uppgifter. För åkerier kan dessa funktioner bidra till att minska administrativa förseningar som försvårar processen att få försäkringsskydd.

Den effektiviseringen spelar roll. Försäkringsförseningar kan hindra åkerier från att sätta lastbilar i trafik, ta sig an nya uppdrag eller fortsätta verksamheten enligt plan.

Men snabbare beslut är inte nödvändigtvis bättre beslut.

Inom försäkring för åkerinäringen har utmaningen aldrig varit att data helt saknas. Försäkringsbolag kan ta hänsyn till historik från fordonskontroller, säkerhetsuppgifter, olycksrapporter, trafiktillstånd och efterlevnadsdokument. Utmaningen är att avgöra vad uppgifterna faktiskt säger om ett företag och vad de inte visar.

För att AI ska förbättra försäkringar för åkerinäringen måste den göra mer än att påskynda riskbedömningen. Den måste hjälpa försäkringsbolagen att få en mer träffsäker bild av riskerna.

En säkerhetshistorik berättar inte hela historien

Innan jag började arbeta i försäkringsbranschen samarbetade jag direkt med åkerier i frågor som rörde säkerhet och regelefterlevnad. Jag hjälpte dem att få trafiktillstånd, organisera förarkvalifikationsakter, hålla ordning på dokumentation och navigera bland myndighetskrav. Den erfarenheten förstärkte en viktig lärdom: dokumentation om regelefterlevnad är användbar, men den speglar inte nödvändigtvis hur en fordonsflotta fungerar i det dagliga arbetet.

Tänk dig två åkerier med liknande flottstorlek, verksamhetshistorik och kontrollresultat. Det ena kanske följer ett regelbundet schema för förebyggande underhåll, satsar på förarutbildning och tar itu med möjliga säkerhetsproblem innan de leder till överträdelser. Det andra kanske har ett mer reaktivt arbetssätt och hanterar problem först när de uppstår. På papperet kan företagen verka likartade, trots att de har olika strategier för att hantera risker.

Det motsatta kan också inträffa. Ett åkeri kan ha en överträdelse eller olycka i sin historik utan att händelsen fullt ut förklarar företagets nuvarande säkerhetsrutiner eller omständigheterna kring incidenten.

Federal Motor Carrier Safety Administration (FMCSA) använder systemet för säkerhetsmätning, som bygger på uppgifter från vägkontroller, olyckor och utredningar, för att identifiera åkerier som kan behöva bli föremål för säkerhetsåtgärder. Uppgifterna är värdefulla för myndighetstillsyn, men är inte avsedda att ge en fullständig bedömning av ett åkeris övergripande säkerhetsläge eller försäkringsbarhet.

FMCSA har också dokumenterat begränsningar i uppgifterna i systemet för säkerhetsmätning, bland annat frågor om huruvida underlaget är tillräckligt och hur tillförlitligt informationen kan användas för olika ändamål.

AI kan analysera dessa uppgifter snabbt, men snabbheten i sig undanröjer inte begränsningarna.

Riskerna med att automatisera bedömningar utifrån ofullständig information

Det finns tydliga möjligheter att använda AI för att minska det administrativa arbetet inom företagsförsäkring. Automatiserade system skulle kunna identifiera saknade uppgifter i ansökningar, jämföra information i olika dokument, organisera säkerhetsdokumentation och flagga avvikelser för granskning.

Sådana förbättringar kan vara särskilt värdefulla inom åkerinäringen, där insamlingen av dokumentation ofta involverar flera parter och system.

Risken uppstår när automatiserade bedömningar behandlas som definitiva slutsatser. Ett AI-system kan till exempel flagga ett åkeri på grund av en negativ säkerhetsindikator. Systemet kan identifiera uppgiften korrekt, men kanske inte ta hänsyn till senare förbättringar i verksamheten eller ytterligare information som påverkar hur händelsen bör tolkas.

FMCSA:s program för bedömning av om olyckor hade kunnat förebyggas visar varför sammanhanget spelar roll. Programmet låter åkerier begära en granskning av vissa olyckor som uppfyller kriterierna. När FMCSA bedömer att en olycka inte hade kunnat förebyggas räknas den inte med i kategorin Crash Indicator i myndighetens system för säkerhetsmätning, även om olyckan fortfarande finns upptagen där.

Programmet tar hänsyn till att omständigheterna kring en incident spelar roll, inte bara det faktum att en olycka finns registrerad.

Den här skillnaden blir särskilt viktig vid bedömning av mindre fordonsflottor. Stora åkerier kan ha särskild säkerhetspersonal och integrerade rapporteringssystem, medan mindre företag kan ha dokumentationen utspridd i kalkylblad, e-postmeddelanden och hos externa tjänsteleverantörer.

Ett saknat underhållsdokument kan till exempel tyda på att underhållet inte har utförts. Det kan också innebära att dokumentet finns någonstans där systemet inte kommer åt det. Dessa situationer bör inte automatiskt leda till samma bedömning.

National Institute of Standards and Technology (NIST):s ramverk för riskhantering av AI ger vägledning på frivillig basis för att bedöma AI-systems tillförlitlighet, transparens och pålitlighet.

För försäkringsbolag inom åkerinäringen är dessa principer en användbar utgångspunkt för att avgöra om informationen bakom en automatiserad bedömning är aktuell, tillräckligt fullständig och lämplig för det avsedda ändamålet.

AI måste kunna identifiera när mer information behövs

En av de mest användbara förmågor ett AI-system kan ha är att upptäcka när ett beslut kräver ytterligare sammanhang.

I stället för att behandla varje ansökan som ett självklart ja eller nej bör ett effektivt system skilja mellan situationer där informationen räcker och sådana där det behövs förtydliganden.

Tänk dig ett åkeri vars verksamhetsprofil nyligen har förändrats. Ett automatiserat system kan upptäcka förändringen, men följdfrågor kan visa om företaget har börjat transportera andra typer av gods, skaffat fler fordon eller infört nya säkerhetsrutiner.

Alla dessa faktorer kan påverka hur åkeriets risk bör bedömas.

Det är också här förklarbarhet blir viktig. Om ett AI-system rekommenderar ett visst utfall bör de som ansvarar för beslutet förstå vilken information som har påverkat det och om slutsatsen är rimlig.

NIST:s vägledning om tillförlitlig AI lyfter fram förklarbarhet, transparens, tillförlitlighet och ansvarsskyldighet som viktiga egenskaper hos tillförlitliga system. Den betonar också den mänskliga bedömningens roll när AI-systemens prestanda utvärderas.

Målet med försäkringar för åkerier bör inte vara att ta bort frågor från riskbedömningen. I stället bör man identifiera rätt frågor tidigare i processen.

Mänsklig expertis är fortfarande viktig

Införandet av AI framställs ibland som ett val mellan automatisering och mänskligt beslutsfattande. I praktiken är det mer användbart att avgöra vilka uppgifter som gynnas av teknik och vilka som kräver professionellt omdöme.

AI kan hjälpa till att organisera information, upptäcka mönster och minska repetitivt administrativt arbete. Mänsklig expertis blir särskilt värdefull när uppgifterna är tvetydiga eller när ett åkeris förutsättningar inte passar in i standardiserade kategorier.

Någon med god kännedom om åkeriverksamhet kan förstå varför en viss säkerhetsfråga är viktig, hur olika driftsmiljöer påverkar riskexponeringen eller varför nyliga förändringar i verksamheten bör granskas närmare.

Den expertisen bör inte ses som ett hinder för automatisering. Den kan göra automatiserade bedömningar mer användbara.

Det finns också en viktig aspekt som rör ansvarsskyldighet.

I december 2023 antog National Association of Insurance Commissioners ett modellmeddelande om försäkringsbolags användning av artificiell intelligens, med en redogörelse för tillsynsmyndigheternas förväntningar på styrning, riskhantering och efterlevnad av tillämpliga försäkringslagar.

Modellmeddelandets tillsynsmässiga verkan beror på om enskilda delstater antar och genomför det, men det speglar den ökande uppmärksamheten på hur försäkringsbolag övervakar AI-stödda beslut.

Mänskligt omdöme är inte heller ofelbart. Människor kan fatta inkonsekventa beslut eller förbise relevant information. Möjligheten ligger i att kombinera AI:s konsekvens och bearbetningsförmåga med den verksamhetskunskap som krävs för att tolka komplexa situationer.

Mät träffsäkerheten, inte bara effektiviteten

Om försäkringsbolag vill veta om AI förbättrar riskbedömningen måste de utvärdera mer än handläggningstiden.

Att behandla en ansökan på några minuter i stället för på flera dagar vore en operativ framgång. Det skulle inte nödvändigtvis visa att den efterföljande bedömningen var mer träffsäker.

En mer meningsfull utvärdering skulle undersöka om automatiserade rekommendationer är tillförlitliga för olika typer av åkerier, hur ofta bedömningar behöver korrigeras och om systemet på ett lämpligt sätt upptäcker saknad eller motstridig information.

Mindre åkerier förtjänar särskild uppmärksamhet. Om en modell fungerar väl för transportörer med omfattande digital dokumentation men har svårt att hantera företag med mindre standardiserad dokumentation kan dess effektivitet variera.

Testningen bör spegla mångfalden bland de företag som utvärderas.

Utvärderingen behöver också fortsätta efter driftsättningen. Förändringar i regelverk, arbetssätt och tillgänglig information kan påverka om systemet förblir tillförlitligt över tid.

Försäkringsbolagen bör också vara beredda att ompröva hur deras system viktar olika typer av information. En modell som konsekvent lägger alltför stor vikt vid en viss säkerhetsindikator kan till exempel förbise andra faktorer som är relevanta för ett åkeris verksamhet.

Målet bör vara kontinuerliga förbättringar, inte bara snabbare handläggning.

Den verkliga möjligheten ligger i en bättre förståelse av risk

AI kan göra försäkringar för åkerier effektivare, minska administrativa förseningar och hjälpa försäkringsbolag att upptäcka information som annars skulle kunna förbises.

Men dess största värde kan ligga i att hjälpa branschen att fatta mer välgrundade beslut.

Ett åkeri är mer än sin besiktningshistorik, och en säkerhetshistorik är mer än en samling överträdelser. För att förstå risken måste man ta hänsyn till hur företaget bedriver sin verksamhet, hur det hanterar problem och om den tillgängliga informationen speglar dess nuvarande förhållanden.

De mest användbara AI-systemen kommer inte nödvändigtvis att vara de som ger snabbast svar. Det kommer att vara de som hjälper försäkringsbolag att avgöra när den tillgängliga informationen räcker som underlag för ett beslut och när ytterligare utvärdering behövs.

I slutändan handlar frågan inte om huruvida AI kan göra lastbilsförsäkringar snabbare. Frågan är om AI kan göra branschens beslut mer träffsäkra.

Det är den måttstocken som dess framgång bör bedömas mot.