به گزارش دیوان اقتصاد، با رشد چشمگیر حجم پرونده‌های خسارت و نیاز به پردازش سریع، دقیق و شفاف، چالش‌های عملی و ساختاری متعددی برای صنعت بیمه ایجاد شده است. فرآیندهای سنتی پردازش خسارات اغلب به دلیل وابستگی به دخالت انسانی، زمان‌بر، هزینه‌زا و مستعد خطاهای انسانی هستند و موجب کندی در پاسخ‌دهی به بیمه‌گذاران و کاهش رضایت مشتری می‌شوند. شرکت‌های پیشرو به سمت خودکارسازی با بهره‌گیری از فناوری‌های پیشرفته هوش مصنوعی حرکت کرده‌اند. این تغییر امکان افزایش دقت تصمیم‌گیری، تسریع فرآیندهای عملیاتی و ارتقای سطح تجربه مشتریان را فراهم می‌آورد و بهبود کارایی سیستم‌های بیمه‌ گری را تضمین می‌کند.

خودکارسازی پردازش خسارات بر پایه ادغام دو فناوری اصلی شامل الگوریتم‌های پردازش زبان طبیعی و بینایی ماشین طراحی شده است. امکان استخراج، استانداردسازی و کاوش داده‌های کلیدی از اسناد بیمه، گزارش‌های پزشکی، فرم‌های گزارش خسارت و مستندات متنی پیچیده را فراهم می‌کند. همچنین بینایی ماشین قادر است تصاویر خسارت از جمله تصادفات خودرو، آسیب‌های ساختمانی و مدارک تصویری پزشکی را به‌صورت خودکار ارزیابی و دسته‌بندی کند. ترکیب این دو فناوری سرعت تصمیم‌گیری و ارزیابی خسارت را به‌طور چشمگیری افزایش می‌دهد و خطاهای انسانی را کاهش داده و به بهبود دقت و صحت کل فرآیند کمک می‌کند که باعث خواهدشد بیمه گران قادر باشند پاسخ سریع‌تر، ارزیابی منصفانه و مدیریت بهینه منابع را در فرآیندهای خسارت تجربه کنند.

بیمه‌های درمان و زندگی

حجم عظیم و پیچیده‌ای از داده‌های پزشکی و پرونده‌های بیمار در بیمه‌های درمان و زندگی تولید می‌شود که شامل سوابق بالینی، نتایج آزمایشگاهی، نسخه‌ها و فرم‌های خسارت است. اگر مجموعه این داده‌ها به‌صورت دستی پردازش شوند با محدودیت‌های جدی از جمله کندی تصمیم‌گیری، خطاهای انسانی و افزایش هزینه‌های عملیاتی مواجه خواهند بود. الگوریتم‌های پردازش زبان طبیعی توانایی استخراج اطلاعات کلیدی و حیاتی شامل نوع بیماری، تاریخ وقوع، شدت آسیب و هزینه‌های درمان از متون غیرساختاریافته را دارند و می‌توانند داده‌ها را به فرمتی استاندارد و قابل تحلیل تبدیل کنند. پیاده‌سازی فناوری‌های اینچنین در شرکت‌های بیمه گر موجب کاهش چشمگیر زمان پردازش پرونده‌ها شده که این بهبود نه تنها سرعت پاسخ‌دهی به بیمه‌گذاران را افزایش می‌دهد، بلکه به گروه های ارزیاب ریسک امکان می‌دهد تا پیش‌بینی دقیق‌تری از تعهدات مالی و جریان نقدی آتی شرکت داشته باشند و مدیریت پرتفوی ریسک بهینه‌تری صورت گیرد باید اضافه کرد که داده‌های استخراج‌شده امکان تحلیل روندهای بیماری و رفتارهای درمانی بیمه‌گذاران را فراهم می‌کنند و می‌تواند در طراحی محصولات بیمه‌ای سفارشی، تعیین حق‌بیمه پویا و توسعه راهبردهای ارزیابی ریسک نقش مهمی ایفا کند. همچنین بهره‌گیری از  پردازش زبان طبیعی موجب افزایش شفافیت در فرآیند پرداخت خسارت و ارتقای رضایت مشتریان می‌شود چرا که بیمه‌گذاران می‌توانند از شفافیت تصمیم‌گیری، سرعت پاسخ‌دهی و کاهش اشتباهات انسانی اطمینان حاصل کنند.

بیمه خودرو و اموال

تحلیل دقیق و سریع تصاویر خسارت در بیمه‌های خودرو و اموال یکی از اصلی‌ترین مراحل ارزیابی خسارت است. فناوری بینایی ماشین (Computer Vision) امکان پردازش خودکار تصاویر حاصل از تصادفات خودرو، ترکیدگی لوله‌ها، آسیب‌های ساختمانی و سایر خسارات مرتبط با اموال را فراهم می‌کند. این تصاویر اغلب شامل جزئیات فنی و پیچیده‌ای هستند که تشخیص شدت خسارت به‌صورت دستی نیازمند زمان و تخصص بالاست و خطای انسانی در آن محتمل است. با استفاده از الگوریتم‌های یادگیری عمیق تصاویر خسارت به‌صورت خودکار تحلیل شده و میزان آسیب، شدت خسارت و مقدار جبران مالی مورد نیاز برآورد می‌شود. این تحلیل شامل شناسایی نقاط آسیب‌دیده، طبقه‌بندی شدت خسارت و تطبیق آن با استانداردهای بیمه‌ای است. استفاده از این فناوری باعث افزایش دقت ارزیابی خسارت می‌شود و اختلافات میان بیمه‌گر و بیمه‌گذار را به حداقل می‌رساند. شرکت‌های پیشرو در این زمینه گزارش داده‌اند که پیاده‌سازی بینایی ماشین در فرآیند کارشناسی خسارت می‌تواند زمان پردازش پرونده‌ها را تا ۷۰ درصد کاهش دهد و منابع انسانی آزاد شده را برای تمرکز بر پرونده‌های پیچیده‌تر و نیازمند تحلیل دقیق‌تر اختصاص دهد. این تحول عملی موجب افزایش سرعت پاسخ‌دهی، بهبود رضایت بیمه‌گذاران و کاهش هزینه‌های عملیاتی بیمه گران می‌شود.

خودکارسازی پردازش خسارات با چالش‌های اجرایی و داده‌ای همراه است. کیفیت و یکپارچگی داده‌ها، تنوع اسناد و تصاویر و نیاز به آموزش الگوریتم‌ها برای هر نوع خسارت محدودیت ایجاد می‌کند. همچنین رعایت قوانین حریم خصوصی بیمه‌گذاران و مقررات نظارتی برای پردازش داده‌های پزشکی و مالی اهمیت حیاتی دارد. پیاده‌سازی سیستم‌های خودکارسازی نیازمند سرمایه‌گذاری قابل توجه در فناوری، آموزش کارکنان و مدیریت تغییر در سازمان‌های بیمه‌ای است.

کارآمدی شواهد جهانی

بیمه گران پیشرو نمونه‌های عملی برجسته‌ای از پیاده‌سازی هوش مصنوعی در خودکارسازی فرآیندهای خسارت ارائه کرده‌اند که نه تنها کارایی عملیاتی را بهبود بخشیده بلکه تجربه مشتری و شفافیت تصمیم‌گیری را نیز ارتقا داده است. یکی از شاخص‌ترین نمونه‌ها شرکتLemonade  است که با استفاده از ترکیب الگوریتم‌های پردازش زبان طبیعی  و بینایی ماشین تمامی مراحل بررسی و پردازش خسارات بیمه منازل مسکونی را به‌طور کامل خودکار کرده است. این سامانه قادر است اسناد و تصاویر ارائه‌شده توسط بیمه‌گذار را تحلیل کند، اطلاعات کلیدی را استخراج و با تطبیق با شرایط قرارداد، تصمیم پرداخت خسارت را در کمتر از سه دقیقه اتخاذ نماید. این سرعت و دقت بی‌سابقه علاوه بر کاهش هزینه‌های عملیاتی، موجب افزایش اعتماد و رضایت بیمه‌گذاران شده و امکان مدیریت بهتر نقدینگی و جریان مالی شرکت را فراهم می‌آورد. نمونه دیگر شرکتAXA  در فرانسه است که فناوری بینایی ماشین را برای ارزیابی خسارات خودرو به کار گرفته است. الگوریتم‌های یادگیری عمیق قادرند تصاویر خودروهای آسیب‌دیده را تحلیل کرده، شدت خسارت را تعیین و میزان جبران مالی مورد نیاز را تخمین بزنند. پیاده‌سازی این فناوری باعث کاهش حدود ۷۰ درصدی زمان کارشناسی خسارت شده و کارشناسان انسانی را قادر ساخته تا تمرکز خود را بر پرونده‌های پیچیده و استثنایی قرار دهند. همچنین بهبود دقت ارزیابی خسارت باعث کاهش اختلافات میان بیمه‌گر و بیمه‌گذار و ارتقای شفافیت در فرآیند پرداخت شده است. بنابراین باید گفت که خودکارسازی فرآیندها مبتنی بر هوش مصنوعی به یقین می‌تواند به کاهش هزینه‌ها و افزایش سرعت پردازش کمک کند و نیز امکان تصمیم‌گیری مبتنی بر داده و تحلیل پیشرفته (Data-driven Decision Making)  را فراهم می‌آورد. این تحول نشان‌دهنده تغییر پارادایم در مدیریت خسارت بیمه‌ای است که از یک فرآیند سنتی، زمان‌بر و وابسته به انسان به یک سیستم خودکار، دقیق و پاسخگو تبدیل شده است و به شرکت‌های بیمه گر مزیت رقابتی پایدار ارائه می‌دهد.

چشم‌انداز آینده و پیشنهادات راهبردی برای صنعت بیمه کشور  

پیشرفت‌های مستمر در حوزه یادگیری عمیق و کاوش داده‌های آنی فرصت‌های بی‌سابقه‌ای برای ارتقای کارایی  و کاهش هزینه‌های عملیاتی در فرآیندهای پردازش خسارات بیمه‌ای فراهم کرده است. این فناوری‌ها امکان تحلیل سریع و دقیق حجم عظیم داده‌های پزشکی، خودرویی، اموال و سایر اسناد خسارتی را فراهم می‌کنند و بیمه گران قادر خواهند بود تصمیمات مبتنی بر داده اتخاذ نمایند. همچنین ادغام هوش مصنوعی با اینترنت اشیا (IoT) و دستگاه‌های پوشیدنی، امکان پایش مستمر و لحظه ای ریسک‌ها و حتی پیش‌بینی وقوع خسارت را فراهم می‌کند که این قابلیت نه تنها برای بیمه‌گذاران، بلکه برای مدیریت پرتفوی ریسک شرکت‌های بیمه گر اهمیت حیاتی دارد.

چشم‌انداز آینده صنعت بیمه به‌ویژه در کشور نیازمند بهره‌گیری از این فناوری‌ها برای ایجاد فرآیندهای خودکار کامل و شفاف است. پیشنهاد می‌شود صنعت بیمه کشور در سطح راهبردی، ابتدا با اجرای پروژه‌های آزمایشی در حوزه‌های پرحجم و قابل سنجش مانند بیمه‌های خودرو و درمان، الگوریتم‌های یادگیری عمیق و بینایی ماشین را پیاده‌سازی کنند و پس از ارزیابی نتایج دامنه را به سایر شاخه‌های بیمه گری توسعه دهند. همچنین، توسعه زیرساخت‌های داده‌ای یکپارچه، استانداردسازی داده‌ها و سرمایه‌گذاری در امنیت سایبری به‌عنوان پایه‌های لازم برای موفقیت خودکارسازی هوشمند ضروری است. همچنین استفاده از داده‌های آنی و الگوریتم‌های پیش‌بینی می‌تواند به طراحی محصولات نوین بیمه‌ای کمک کند؛ به عنوان نمونه بیمه‌های با حق‌بیمه پویا که بر اساس رفتار واقعی و شرایط فردی بیمه‌گذاران تنظیم می‌شوند، امکان افزایش رضایت مشتری و کاهش هزینه‌های ادعا را فراهم می‌آورند. پیشنهاد می‌شود نهادهای نظارتی و سیاست‌گذاران با ایجاد چارچوب‌های قانونی و مشوق‌های مالی، پذیرش فناوری‌های نوین در صنعت بیمه کشور را تسهیل کنند و ضمن ارتقای شفافیت، تاب‌آوری و پایداری سیستم بیمه‌ای کشور را افزایش دهند. باید خاطر نشان ساخت که ترکیب هوش مصنوعی،  اینترنت اشیا و داده کاوی پیشرفته می‌تواند صنعت بیمه کشور را از یک ساختار سنتی و واکنشی به یک سیستم پیش‌بین، خودکار و پایدار تبدیل کند و زمینه را برای توسعه محصولات نوآورانه و پاسخگو به نیازهای واقعی بیمه‌گذاران فراهم نماید به طوری که کاهش هزینه‌ها، افزایش دقت ارزیابی خسارت و بهبود تجربه مشتری به طور همزمان حاصل شود.

*عضو رسمی انجمن بین المللی بیمه گران مهندسی