Automatyzacja w ubezpieczeniach. Workflow, AI, ML i LLM w praktyce (na przykładzie naszych wdrożeń)

Altkom Software istnieje już od ponad 25 lat i od samych początków nasz software house specjalizuje się w projektach dla ubezpieczycieli. Znaczna część naszego portfolio skupia się właśnie wokół rozwiązań core’owych, implementacji silników workflow czy narzędzi raportowych dla branży ubezpieczeniowej.

Jednak w tym tekście chcielibyśmy skupić się na pokazaniu realizacji, w których to punktowo wykorzystaliśmy nowoczesne rozwiązania — silniki workflow, narzędzia business intelligent i szeroko pojmowaną sztuczną inteligencję — do usprawnienia oraz automatyzacji procesów ubezpieczeniowych.

Wykorzystanie silników workflow w sektorze ubezpieczeniowym

Silniki procesowe (ang. workflow engines) służą do zarządzania, automatyzacji i optymalizacji procesów biznesowych. Ich głównym celem jest:

• Usprawnienie przepływu pracy;
• Minimalizacja czasu i wysiłku potrzebnego do realizacji zadań;
• Zapewnienie zgodności z regułami i procedurami;
• Możliwość prześledzenia, jak krok po kroku przebiega proces (na potrzeby analizy czy audytu);
• Ciągłe doskonalenie procesów, dzięki łatwemu wprowadzaniu zmian i modelowaniu procesów w formie diagramów.

Silniki workflow a zmiany regulacyjne

Z perspektywy ubezpieczeń, szczególnie warto zwrócić uwagę na ostatni podpunkt — nie tylko przez pryzmat zwiększania efektywności działań, ale również ze względu na fakt, że firmy ubezpieczeniowe podlegają licznym zmianom regulacyjnym. Silniki workflow umożliwiają szybkie dostosowanie procesów do zmieniających się wymagań regulacyjnych, dzięki czemu, kiedy tylko pojawiają się nowe przepisy lub zmiany w istniejących regulacjach, procesy można łatwo zmodyfikować, aby spełniały nowe wymagania.

Zmiany wprowadzane są poprzez aktualizację reguł i parametrów w silniku workflow, co eliminuje konieczność przeprowadzania czasochłonnych zmian manualnych. Dodatkowo silniki procesowe umożliwiają testowanie nowych wersji procesów przed ich pełną implementacją. W ten sposób można szybko ocenić skutki zmian regulacyjnych oraz zidentyfikować ewentualne problemy i niezgodności, unikając kosztownych błędów.

Silniki workflow w obszarze likwidacji szkód

Chcielibyśmy w tym miejscu zaakcentować, że silniki workflow mogą odegrać kluczową rolę, jeśli chodzi o przetwarzanie roszczeń i likwidację szkód w branży ubezpieczeniowej. Listę usprawnień najlepiej zacząć od możliwości automatycznej klasyfikacji szkód, w tym definiowania różnych ścieżek procesu likwidacji szkody (np. w zależności od rodzaju produktu zakupionego przez klienta czy też rodzaju szkody).

Kolejną dużą zaletą jest proste tworzenie formularzy zgłoszeń, wraz z określeniem danych, których oczekujemy od klienta (następuje automatyczna walidacja danych, bez potrzeby programowania osobnych reguł).

Warto również podkreślić, że w przypadku niskiej wstępnej wyceny szkody, silnik workflow może ją automatycznie skierować do wypłaty, bez angażowania likwidatora mobilnego czy też warsztatu.

Ponadto na poziomie zarządczym silniki procesowe umożliwiają zarządzanie pełnymi procesami przetwarzania roszczeń, koordynując i monitorując całość: od momentu zgłoszenia szkody do jej zakończenia.

Oprócz automatycznego przypisywania zadań odpowiednim osobom oraz wysyłki powiadomień, silniki workflow umożliwiają również monitoring postępu prac — czy to w formie raportów, czy też graficznie na heatmapach. Daje to możliwość określenia wąskich gardeł oraz nieoptymalnych części procesów.

Dodatkowo można je integrować z narzędziami typu business intelligence, co umożliwia zbieranie, przetwarzanie i analizę danych związanych z procesami przetwarzania roszczeń w czasie rzeczywistym. Ubezpieczyciel zyskuje w ten sposób możliwość śledzenia kluczowych wskaźników wydajności (KPI), takich jak: średni czas likwidacji szkody, wskaźnik zadowolenia klientów czy koszty obsługi szkód.

Silniki workflow w praktyce. Wyniki automatyzacji

Dla jednego z naszych klientów — BNP Paribas Cardif — wdrożyliśmy silnik workflow, umożliwiając tym samym modelowanie, monitorowanie, optymalizację i administrację procesami po stronie klienta. Następnie zdefiniowaliśmy i zautomatyzowaliśmy dwa procesy ubezpieczeniowe: underwriting oraz korespondencję wychodzącą. Dzięki pełnej automatyzacji i integracji z innymi usługami (np. systemem polisowym) procesy nie wymagają manualnej obsługi, a klient zauważył obniżenie kosztów operacyjnych (w tym również oszczędności związane z wcześniejszymi kosztami druku i kopertowania).

Natomiast Bank BNP Paribas chciał udoskonalić swoje możliwości skutecznej sprzedaży, crosssellingu i upsellingu w kanałach online. Głównym problemem było rozproszenie informacji i procesów w kilku systemach legacy. Przystąpiliśmy więc do implementacji platformy procesowej — Digital Product Center, a następnie digitalizacji oraz automatyzacji procesów sprzedażowych i onboardingowych. W efekcie skróciliśmy średni czas rozwiązywania problemów klientów BNP Paribas aż o 70% oraz o 67% zredukowaliśmy liczbę błędów przy wypełnianiu wniosków o otwarcie rachunku bankowego.

Sztuczna inteligencja w branży ubezpieczeniowej

W ostatnim czasie wiele mówi się o możliwościach AI w zakresie automatyzacji procesów. Branża ubezpieczeniowa nie jest tu żadnym wyjątkiem, a zaawansowane algorytmy sztucznej inteligencji mogą analizować dokumentację, oceniać szkody i podejmować decyzje dotyczące wypłaty odszkodowań, jak również analizować ogromne ilości danych zgromadzonych przez firmy ubezpieczeniowe w celu wykrywania wzorców, trendów i ryzyk.

Ponadto chatboty oparte na AI mogą zapewniać natychmiastową i skuteczną obsługę klienta przez całą dobę. Potrafią odpowiadać na pytania, udzielać informacji na temat polis, pomagać w zgłaszaniu szkód i wiele więcej, co przekłada się na poprawę doświadczeń klientów.

AI a personalizacja w ubezpieczeniach

AI może analizować dane o użytkownikach, ich preferencjach, historii ubezpieczeniowej i innych czynnikach, aby dostosowywać oferty ubezpieczeniowe do indywidualnych potrzeb i sytuacji. W ostatnich latach oczekiwania klientów koncentrują się wokół indywidualnego podejścia, o czym szerzej pisaliśmy w artykule: Automatyzacja likwidacji szkody w dobie klientocentryczności, dlatego działanie w tym kierunku to szansa na zwiększenie satysfakcji odbiorców i poprawę wskaźnika retencji.

AI a zwalczanie oszustw

Jednak w tym miejscu chcielibyśmy szerzej rozwinąć wątek bezpieczeństwa, ponieważ sztuczną inteligencję można z powodzeniem wykorzystywać do identyfikacji podejrzanych wzorców i sygnałów w danych, które wskazują na próby oszustw ubezpieczeniowych. Algorytmy są w stanie analizować zachowania klientów, historie szkód i inne czynniki, aby wykryć nieprawidłowości oraz zminimalizować ryzyko oszustw.

AI/ML w praktyce. Wykrywanie fraudów w ubezpieczeniach

Wspólnie z naszym partnerem, dla jednego z liderów branży ubezpieczeniowej w Polce, zbudowaliśmy rozwiązanie w oparciu o AI, którego zadaniem jest pomoc w wykrywaniu i udowadnianiu jak największej liczby fraudów. Nasz klient posiadał dane historyczne, ale nie potrafił nimi odpowiednio zarządzić.

Do momentu rozpoczęcia projektu firma wykorzystywała technologie oparte o reguły eksperckie, co miało jedną, ale za to znaczącą wadę: przy zastosowaniu rygorystycznych reguł ubezpieczyciel odnotowywał dużą liczbę przypadków tzw. false-positive. Podejrzanych przypadków, które po szczegółowym dochodzeniu wcale nie okazywały się próbą wyłudzenia.

Z drugiej strony, przy zastosowaniu mało rygorystycznych reguł, system działał trochę jak sito ze zbyt dużymi oczkami. Odsiewał oczywiste próby wyłudzenia, przepuszczając dużą liczbę lepiej zamaskowanych oszustw.

Wdrożenie modułu ML

Dlatego też postanowiliśmy wdrożyć nowe rozwiązanie, które nie wymagałoby wymiany całego systemu szkodowego — skupiliśmy się na punktowym wykorzystaniu nowoczesnych narzędzi. Sercem (a może raczej mózgiem :)) naszego rozwiązania stał się moduł ML, odpowiadający za uczenie maszynowe.

Prace koncentrowały się na odpowiednim dobraniu predyktorów i danych do uczenia, tak aby model był możliwie jak najbardziej skuteczny, a jednocześnie prosty i solidny. Drugą częścią rozwiązania był moduł analizy oraz wizualizacji zebranych danych.

Czas developmentu, wraz z całym procesem uczenia modelu, trwał zaledwie 4 miesiące. Już po pierwszym kwartale działania produkcyjnego poprawiliśmy współczynnik wykrywalności fraudów o 60%. Ponad 80% przypadków automatycznie sklasyfikowanych jako wyłudzenia, faktycznie okazywało się fraudami.

Wygenerowane w ten sposób oszczędności spłaciły nakład na development już w czasie trzech pierwszych miesięcy funkcjonowania rozwiązania.

Potem generowały już czysty zysk.

Wykorzystanie dużych modeli językowych (LLM) i generatywnej AI w branży ubezpieczeniowej

Jako Altkom Software możemy w tym zakresie podzielić się doświadczeniem z budowy systemu do automatycznej komunikacji mailowej z klientami. Założeniem projektu było wdrożenie automatycznej kategoryzacji oraz komunikacji mailowej z klientami, tak aby odciążyć pracowników w procesie prowadzenia korespondencji.

W tym celu wykorzystaliśmy technologie AI (LLM) oraz komponenty AWS Cloud, przygotowując rozwiązanie, które kategoryzuje przychodzące maile. Ponadto nawiązuje kontakt z klientem, interpretuje uzyskane odpowiedzi, a w razie konieczności powtarza lub pogłębia zapytania, aż do momentu uzyskania niezbędnych informacji.

Automatyzacja korespondencji przychodzącej

Pierwszym zautomatyzowanym przez nas obszarem jest w pełni automatyczna kategoryzacja maili przychodzących. We wcześniejszych projektach często wdrażaliśmy rozwiązania oparte o reguły eksperckie, natomiast nie były one odporne na błędy ludzkie. Na szczęście nasze obecne rozwiązanie jest inteligentniejsze i potrafi rozpoznawać korespondencje, nawet jeżeli posiada wyłącznie szczątkowe dane.

Stworzony przez nas model wykorzystywany jest przy likwidacji szkód, ale tak naprawdę nie ma ograniczeń. Poradzi sobie równie dobrze w sytuacji, w której na skrzynkę ogólną wpadną maile dotyczące zapytania ofertowego, zgłoszenia szkody czy prosty SPAM. Model rozpoznaje treść maila, wyciąga istotne dane, rejestruje zgłoszenie w systemie (np. szkoda travel) i przypisuje ją do odpowiedniej osoby.

Automatyzacja korespondencji standardowej

Drugim obszarem jest automatyzacja korespondencji w standardowych sytuacjach. Przykładowo, kiedy model przypisze już szkodzie właściwą klasyfikację, automat może sam potwierdzić przyjęcie szkody i poprosić o przesłanie wymaganych dokumentów, których nie rozpoznał w mailu, a oznaczyliśmy je jako wymagane w danym scenariuszu (pozostając przy skodzie travel, może być to np. potwierdzenie uczestnictwa w podróży).

Automatyzacja weryfikacji antyfraudowej

Model można także wykorzystać przy weryfikacji antyfraudowej. W przypadku podejrzenia o próbę oszustwa AI automatycznie wypełnia formatkę z zapytaniem, a następnie wysyła ją innym ubezpieczycielom, sprawdzając, czy potencjalny poszkodowany zgłaszał w przeszłości szkodę w innych towarzystwach. Co więcej, może wstępnie prześledzić odpowiedzi, które odeślą firmy ubezpieczeniowe.

Automatyzacja w ubezpieczeniach. Podsumowanie

Jak można wnioskować z powyższych przykładów, już teraz widać duży potencjał na wykorzystywanie i rozwój innowacji opartych o sztuczną inteligencję do automatyzacji procesów w ubezpieczeniach, bankowości, leasingu, a także innych branżach. Narzędzia takie jak ChatGPT czy Amazon Bedrock — mimo początkowej fali sceptycyzmu i obaw — stosunkowo szybko weszły do użytku, znajdując swoje use case’y, w których są skuteczne.

Czasem, dzięki inwestycji we wdrożenie jednego modułu opartego o AI firma może uniknąć kosztownej wymiany systemu core’owego, zyskując szereg nowych możliwości. Podobnie sytuacja wygląda z silnikami workflow, które znacznie poprawiają zarządzanie procesami biznesowymi i umożliwiają automatyzację codziennych czynności, integrując się z pozostałymi systemami firmy.