Przekształć rozproszone eksperymenty w spójną strategię, która zwiększa efektywność, napędza wzrost i przynosi korzyści w całej organizacji

Inicjatywy związane ze sztuczną inteligencją (AI) są wdrażane w organizacjach ubezpieczeniowych w coraz szybszym tempie. Jednak wiele firm ubezpieczeniowych odkrywa, że same eksperymenty nie prowadzą do rzeczywistej transformacji. Bez jednej, spójnej strategii AI obejmującej całą organizację inicjatywy mnożą się szybciej, niż przynoszą wartość, co prowadzi do powstania nowej formy ryzyka operacyjnego, określanej jako dług AI.

Prawie każda jednostka w organizacji ubezpieczeniowej otrzymuje zadanie zbadania wpływu AI i zaplanowania jej wdrożenia. Zespoły underwritingowe eksperymentują ze streszczaniem dokumentów, działy likwidacji szkód testują inicjatywy automatyzacyjne, zespoły IT oceniają licencje AI na poziomie przedsiębiorstwa, a zespoły business intelligence wdrażają modele w celu ulepszenia raportowania i analityki. Szacuje się, że sama generatywna AI może uwolnić  od 50 do 70 miliardów dolarów przychodów w branży ubezpieczeniowej1, przy czym największy wpływ dotyczy obszarów marketingu i sprzedaży, operacji związanych z obsługą klienta oraz inżynierii oprogramowania. Cel jest jasny: poprawić efektywność, ograniczyć pracę manualną i zwiększyć jakość doświadczenia klienta.

Jednak zwrot z inwestycji (ROI) w AI może się rozmyć bez solidnej strategii. Dzieje się tak, ponieważ eksperymentowanie z AI podąża tą samą, rozproszoną ścieżką, którą wcześniej wytyczyły legacy’owe systemy ubezpieczeniowe – a ubezpieczyciele na życie dobrze to znają. Wiele systemów obsługi polis i likwidacji szkód może szybko się nawarstwiać, gromadząc się wskutek sporadycznych przejęć, niespójnej strategii lub po prostu złych inwestycji. Tendencją jest, że każdy zespół optymalizuje rozwiązania pod potrzeby własnego działu, a niewiele inicjatyw łączy się w poprzek całego łańcucha wartości.

Obecnie eksperymentowanie z AI grozi powtórzeniem tego samego schematu. Bez spójnej architektury to, co wygląda jak innowacja AI, może łatwo przekształcić się w nowy rodzaj długu technologicznego. Rezultatem jest często „czyściec pilotażowy”. Firma posiada wiele licencji na tę samą platformę, a różne narzędzia wykonują podobne zadania. Pilotaże w obszarach underwriting, likwidacji szkód i nowego biznesu trwają – ale tylko w swoich silosach. Sposób działania całego przedsiębiorstwa niemal się nie zmienia. Nawet gdy pojedyncze przypadki użycia wykazują sensowny ROI, całkowite koszty często rosną. W efekcie rośnie zakres prac integracyjnych, zwiększa się potrzeba nadzoru oraz zarządzania dostawcami.

Bez właściwego, strategicznego podejścia do wykorzystania AI eksperymentowanie zwiększa koszty i przyspiesza konieczność koordynacji prac, nie dostarczając mierzalnej wartości. Tymczasem konkurenci, którzy wdrażają zintegrowane modele operacyjne AI, zaczynają wyprzedzać innych. Co ważniejsze, „czyściec pilotażowy” odciąga organizację od większych priorytetów strategicznych, a AI staje się kolejną warstwą długu technologicznego zamiast motorem zmiany.

Dlaczego samo dodanie AI do istniejących procesów nie wystarcza 

Praca underwritera od zawsze wymagała czytania dużych ilości materiałów i wyodrębniania istotnych informacji w celu stworzenia profilu ryzyka. Dziś AI może przetwarzać i podsumowywać te informacje w ciągu kilku minut. Gdy mniej czasu potrzeba na podstawowe pozyskiwanie danych i obsługę wniosków, więcej można poświęcić na ich analizę, stosowanie własnej oceny oraz doradzanie ubezpieczycielom i brokerom w coraz bardziej złożonym procesie underwritingu.

Problem polega na tym, że wielu ubezpieczycieli powierzchownie wdraża AI do istniejących procesów, zamiast całościowo przeobrażać je z wykorzystaniem nowych możliwości, które sztuczna inteligencja może odblokować. Historia dostarcza tu użytecznej analogii. Podczas rewolucji przemysłowej producenci nie wprowadzali po prostu maszyn, aby wykonywać te same zadania szybciej. Przeorganizowali produkcję wokół nowych możliwości. Role uległy zmianie. Procesy zostały przebudowane. Linie montażowe zaprojektowano na nowo.

Ubezpieczenia znajdują się dziś w podobnym miejscu. Jeśli dany proces pozostaje zakotwiczony w starym modelu, a jedynym celem jest jego przyspieszenie lub zwiększenie efektywności, możliwości są ograniczone. To raczej przeprojektowanie procesu wokół nowych możliwości przynosi realne efekty i poprawia wyniki dzięki nowym technologiom.

Weźmy na przykład likwidację szkód. Wyodrębnienie kluczowych informacji z 200‑stronicowego raportu medycznego nie stanowi już ograniczenia czasowego. Zamiast tego centralne znaczenie mogą zyskać monitorowanie trafności decyzji, zarządzanie wyjątkami oraz utrzymywanie empatii wobec beneficjentów.

AI nie jest warstwą, którą należy nałożyć na istniejące procesy legacy. Jej prawdziwa wartość wynika z fundamentalnego przemyślenia sposobu organizacji pracy w firmach ubezpieczeniowych oraz tego, jak AI może usprawnić te procesy i przepływy pracy. W przeciwnym razie każda organizacja jedynie cyfryzuje swój stary model operacyjny. Bez rzeczywistej zmiany podejścia zastosowanie AI w procesach ubezpieczeniowych raczej pogłębi istniejące nieefektywności niż je wyeliminuje.

3 kroki do wdrożenia modelu AI-first w operacjach ubezpieczeniowych

Uwolnienie pełnej wartości transformacji AI wymaga przejścia od rozproszonego eksperymentowania, do modelu operacyjnego opartego na AI. Ta całościowa zmiana zaczyna się od ponownej oceny ról, następnie procesów, a potem platform – oraz, co kluczowe, od dokładnego zrozumienia, jak każdy z tych elementów działa, zanim zostaną zaplanowane potencjalne zmiany. Choć może się to wydawać nieintuicyjne, rozpoczęcie od punktu najbliższego codziennym zadaniom, a następnie stopniowe poszerzanie perspektywy, aby objąć szerszy obraz funkcjonowania organizacji, jest właściwym sposobem na wbudowanie AI w przepływy pracy i systemy.

Krok 1: Przeprowadź audyt ról, zadań i jednostek organizacyjnych

Underwriterzy, specjaliści ds. likwidacji szkód, zespoły sprzedaży oraz obsługi klienta mają jasno określone obowiązki i cele w zakresie wskaźników efektywności. Zanim zostaną wybrane odpowiednie technologie – takie jak AI, automatyzacja i inne – ubezpieczyciele powinni przeanalizować, jak każda rola, zadanie i dział funkcjonują obecnie, a następnie stworzyć wizję najlepszego możliwego scenariusza ich działania z wykorzystaniem technologii. Należy określić, na co obecnie poświęcany jest czas, gdzie występują tarcia oraz które działania bezpośrednio wpływają na kluczowe wskaźniki efektywności (KPI). Dopiero wtedy organizacje mogą określić, jak te role mogą ewoluować w środowisku opartym na AI.

Zadaj następujące pytania:

  • Gdzie można zwiększyć efektywność? 
  • Które z działań można usprawnić?
  • Jakie działania mogą przynosić większą wartość dla organizacji? 
  • W którym miejscu procesu musi pozostać człowiek

Wprowadzanie danych ręcznie oraz powtarzalna analiza dokumentów często znacząco maleją, gdy systemy AI przetwarzają duże ilości ustrukturyzowanych i nieustrukturyzowanych informacji. Jednocześnie inne obowiązki zyskują na znaczeniu. Monitorowanie wyników, zarządzanie przypadkami brzegowymi, eskalowanie ryzyka oraz stosowanie profesjonalnej oceny stają się coraz ważniejsze wraz z wdrażaniem AI do codziennych procesów.

To ćwiczenie pozwala również jasno określić, które aspekty pracy pozostają zasadniczo ludzkie. Empatii, komunikacji i oceny kontekstowej nie można przekazać maszynom – szczególnie w obszarach takich jak likwidacja szkód, gdzie ubezpieczeni często mierzą się z wrażliwymi sytuacjami życiowymi. Choć AI może przyspieszyć przetwarzanie informacji i zmniejszyć obciążenie administracyjne, ludzie pozostają niezbędni do interpretowania kontekstu, budowania zaufania i podejmowania ostatecznych decyzji.

Krok 2: Dokonaj analizy procesów

Gdy docelowy stan każdej roli i zadania zostanie określony, możliwe jest przebudowanie procesów. Oznacza to analizę mikroprocesów obejmujących przyjmowanie zgłoszeń, underwriting, weryfikację nadużyć, rozstrzyganie roszczeń oraz komunikację z klientem.

Nie każde zadanie wymaga zaawansowanej generatywnej AI. Dostępnych jest wiele technologii i każda z nich powinna być rozpatrywana w kontekście całego przepływu pracy. Istniejące modele wykrywania nadużyć nadal mają znaczenie. Automatyzacja procesów biznesowych (RPA) wciąż odgrywa istotną rolę w zadaniach ustrukturyzowanych, takich jak transfer danych i przetwarzanie oparte na regułach. Uczenie maszynowe (ML) może wspierać ocenę i wykrywanie. Agentowa AI może koordynować interakcje między systemami. Modele językowe (LLM) mogą streszczać nieustrukturyzowane treści. Automatyzacja może przyspieszyć rozpatrywanie prostych roszczeń. Celem jest łączenie możliwości, a nie wykorzystywanie jednego narzędzia do zastąpienia wszystkich pozostałych.

Na przykład proces przyjmowania dokumentacji medycznej do roszczenia może łączyć ekstrakcję danych z dokumentów przy użyciu LLM, weryfikację krzyżową dzięki agentowej AI oraz istniejące modele oceny nadużyć, przy jednoczesnym udziale człowieka w podejmowaniu ostatecznej decyzji. AI stanowi element skoordynowanego zestawu narzędzi, a nie rozwiązanie na każdym etapie.

Krok 3: Uzgodnij wielotorową strategię organizacyjną

Ostatnim krokiem jest uzgodnienie podejścia do koordynacji wszystkich pilotaży AI, narzędzi i frameworków w całej organizacji. Jednym z podejść może być jednolita platforma, która stanowi podstawę dla wielokrotnego wykorzystania agentów, różnych modeli LLM, wspólnego nadzoru oraz możliwości wykorzystywania doświadczeń zdobytych w różnych częściach organizacji. W miarę dojrzewania przypadków użycia AI w poszczególnych działach platforma orkiestracyjna może umożliwiać wymianę doświadczeń między zespołami, takimi jak underwriting, likwidacja szkód, nowy biznes czy rozliczenia.

Dlatego różne rynki, jednostki biznesowe czy zespoły w łańcuchu wartości mogą wiele zyskać dzięki zapewnieniu interoperacyjności z istniejącymi systemami, zdolnościami w zakresie nadzoru, wymaganiami dotyczącymi bezpieczeństwa danych oraz możliwością jednoczesnego wspierania wielu podejść do AI.

Konsekwencje bierności

Pozostawanie w miejscu wiąże się z wysokimi kosztami. Wyobraźmy sobie: oddzielne zespoły nadal kupują licencje na te same narzędzia, rośnie narażenie na ryzyka cyberbezpieczeństwa wraz z tym, jak coraz więcej systemów przetwarza wrażliwe dane, a zasoby IT są pochłaniane przez utrzymywanie wielu pilotaży. W międzyczasie ciężko zdobyte doświadczenia przynoszą korzyści jedynie tym, którzy ich doświadczyli – podczas gdy koszty technologii rosną, a potrzeby w zakresie zarządzania dostawcami się zwiększają. Co najważniejsze z perspektywy kadry zarządzającej, zwrot z inwestycji (ROI) z nowych inicjatyw AI jest daleki od zakładanego – zarówno pod względem oszczędności finansowych, jak i wzrostu efektywności. Sposób działania przedsiębiorstwa praktycznie się nie zmienia.

Tymczasem inwestycje w AI szybko stają się standardem w całej branży. Konkurenci zaczynają wdrażać modele operacyjne oparte na AI i osiągać mierzalny wpływ na wynik finansowy (P&L). Klienci oraz partnerzy dystrybucyjni coraz częściej zakładają, że wykorzystujesz AI do poprawy responsywności, dokładności i procesu podejmowania decyzji we współpracy z nimi. Organizacje, które pozostają w tyle z rozwojem AI, ryzykują utratę kroku względem rosnących oczekiwań w całym łańcuchu wartości.

Firmy ubezpieczeniowe, które pozostają przy manualnych procesach i niepowiązanych ze sobą pilotażach AI, mogą w krótkim okresie odnotować niższe koszty operacyjne – ale będą miały ograniczoną zdolność do rzeczywistego wprowadzania innowacji w dłuższej perspektywie. Stracą również większą szansę, jaka wiąże się z postępem technologicznym w skali całej organizacji: możliwość przeznaczenia czasu na działania o wyższej wartości. Gdy AI przejmuje rutynową analizę dokumentów, zespoły mogą skoncentrować się na innowacjach produktowych oraz opracowywaniu nowych struktur polis odpowiadających na pojawiające się potrzeby klientów. Zamiast spędzać godziny na przeglądaniu dokumentacji, zespoły mogą wykorzystywać swoją wiedzę do badań, strategii portfelowych oraz projektowania nowych ofert.

Kolejnym krokiem jest przekształcenie inicjatyw i doświadczeń z AI w infrastrukturę operacyjną, która przynosi trwałe korzyści dla całej organizacji.

Przekształcenie inwestycji w AI na zmiany operacyjne

Same inwestycje w AI nie prowadzą do transformacji organizacyjnej. Bez koncepcji dla całego przedsiębiorstwa oraz jasnego modelu operacyjnego typu AI‑first, eksperymentowanie może generować dług AI. Jednocześnie budowanie i utrzymywanie zaawansowanych kompetencji AI wewnątrz organizacji staje się coraz trudniejsze. Technologie, narzędzia i architektury AI rozwijają się szybko. Utrzymanie wiedzy w obszarach takich jak LLM, systemy agentowe, ML, ramy ładu (governance) oraz integracja systemów przedsiębiorstwa wymaga ciągłych inwestycji i kontaktu z szerokim zakresem rzeczywistych wdrożeń.

To właśnie tutaj partnerstwa strategiczne odgrywają ważną rolę. Firmy takie jak Capgemini dysponują dużymi, wielodyscyplinarnymi zespołami, które działają na styku branż, działów wewnętrznych i technologii, stale udoskonalając podejścia wdrożeniowe wraz z pojawianiem się nowych narzędzi i możliwości. Ta szersza perspektywa pomaga organizacjom określić, jakie technologie wdrażać, gdzie pasują one do modelu operacyjnego oraz kiedy systemy wymagają aktualizacji lub ponownej architektury.

Partnerzy zewnętrzni zapewniają elastyczność, którą zespoły wewnętrzne często mają trudność osiągnąć. Partner dysponujący szerokim zapleczem specjalistów może skalować kompetencje w górę lub w dół w zależności od potrzeb, zapewniając odpowiednie możliwości na każdym etapie transformacji, jednocześnie pomagając firmom unikać kosztownych błędów.

W całej branży wdrażanie AI już trwa. Pytanie brzmi, które firmy ubezpieczeniowe poprowadzą tę zmianę, a które zostaną w tyle.