صنعت بیمه در آستانه یک تغییر جنجالی، مبتنی بر فن‌آوری می­باشد. تمرکز بر چهار حوزه می­تواند بیمه‌گران را برای پذیرش این تغییر آماده کند.

به آینده صنعت بیمه خوش آمدید، از نگاه اسکات[1]، یک مشتری در سال 2030،  دستیار شخصی[2] دیجیتالی او یک ماشین خودران بدون راننده را برای یک ملاقات در شهر سفارش می­دهد. به محض این‌که اسکات وارد ماشین می­شود، تصمیم می‌گیرد که خودش رانندگی کند و ماشین را در حالت نرمال قرار می‌دهد. دستیار شخصی اسکات، یک مسیر ابتدایی ترسیم کرده و با بیمه‌گر اتومبیل نیز هماهنگ می‌کند؛ که بیمه‌گر در پاسخ، آن را با مسیری که احتمال تصادف و آسیب خودرو کمتر است و با حق بیمه پرداختی ماهانه او مطابقت دارد، جایگزین می‌کند. دستیار شخصی اسکات به او هشدار می‌دهد که حق‌بیمه بیمه‌نامه اتومبیل او بر اساس مسیر انتخابی‌اش و تعداد و نحوه توزیع خودروهای دیگر در مسیر، بین 4 تا 8 درصد افزایش خواهد داشت. این هشدار را نیز به او می‌دهد که حق‌بیمه بیمه‌نامه عمر او نیز که در حال حاضر بر اساس «پرداخت مبتنی بر دوره حیات»[3] هست، صادر شده است که برای این سه ماهه تا 2 درصد افزایش خواهد داشت. مبالغ اضافی هم به صورت خودکار از حساب بانکی‌اش برداشت می­گردد.

زمانی‌که اسکات وارد پارکینگ مقصد می‌شود، ماشینش به یکی از علائم موجود در پارکینگ برخورد می‌کند. به محض توقف، برنامه‌های خطایاب (دیاگ) ماشین[4] میزان خسارت را مشخص می‌کنند. او با راهنمایی دستیار شخصی‌اش سه عکس از سپر جلو و دو عکس از اطراف ماشین می‌گیرد. به محض این‌که اسکات به داخل ماشین بر می‌گردد، مانیتور روی داشبورد، او را از خسارت مطلع کرده، تأیید می‌کند که خسارت پذیرفته شده، و یک هواپیمای بدون سرنشین پاسخگو برای بازرسی به محوطه اعزام شده است. اگر ماشین قابلیت رانندگی داشته باشد، پس از رسیدن ماشین جایگزین، برای تعمیر به نزدیک‌ترین گاراژ داخل شبکه هدایت خواهد شد.

در حالی‌که این سناریو ممکن است فراتر از تصور به نظر برسد، در دهه آینده در کلیه انواع بیمه‌ها چنین داستان‌هایی وجود خواهد داشت و بر تعداد آن افزوده خواهد شد. در حقیقت، تمامی فن‌آوری‌های اشاره‌شده در این داستان در حال حاضر وجود دارند و خیلی از آنها در دسترس مشتری‌ها هستند. با موج جدید روش‌های یادگیری عمیق[5]، مانند شبکه‌های عصبی پیچشی[6]، هوش مصنوعی می‌تواند درک، استدلال، یادگیری، و حل مسأله‌ای را که انسان‌ها انجام می‌دهند را تقلید کند (شکل 1). در این فرآیند تکامل تدریجی، با تغییر وضعیت کنونی صنعت بیمه از «شناسایی و بازسازی»[7] به «پیش‌بینی و پیشگیری»[8]، همه جوانب صنعت بیمه متحول خواهد شد. هنگامی‌که کارگزارها، مشتری‌ها، واسطه‌گرهای مالی، بیمه‌گرها، و فروشنده‌‌های بیمه؛ مهارت بیشتری در استفاده از فن‌آوری‌های پیشرفته برای افزایش بهره‌وری و تصمیم‌گیری، کاهش هزینه‌ها، و بهینه‌سازی تجربه مشتری‌ها کسب می‌کنند، سرعت تغییر نیز شتاب خواهد گرفت.

هما‌ن‌طور که هوش مصنوعی به‌طرز عمیقی با صنعت بیمه گره خورده و جایگاه خود را پیدا می‌کند، بیمه‌گران باید خود را برای پاسخگویی به تحولات پیش‌بینی‌شده در چشم‌انداز کسب و کار آماده کنند. بهتر است دست‌اندرکاران بیمه عواملی که به این تحول کمک خواهند کرد و این‌که هوش مصنوعی چگونه خسارت‌ها، فروش، بیمه‌گری و قیمت‌گذاری را تغییر خواهد داد را شناسایی کنند. با این طرز فکر، آنها می‌توانند مهارت‌ها و استعدادها را بسازند، فن‌آوری‌های جدید را با آغوش باز بپذیرند و فرهنگ مورد نیاز برای موفق بودن در صنعت بیمه آینده را ایجاد کنند.

چهار گرایش مرتبط با هوش مصنوعی در شکل‌دهی به صنعت بیمه

در حال حاضر، فن‌آوری‌های زیربنایی هوش مصنوعی در مشاغل، خانه‌ها، وسایل نقلیه، و نیز در هر‌آنچه که استفاده می‌کنیم، کاربرد دارد. اختلال ناشی از کووید 19 با سرعت قابل توجه‌ای در دیجیتالی شدن بیمه‌گران، جدول زمانی برای بکارگیری هوش مصنوعی را تغییر داد. می‌توان گفت سازمان‌ها مجبور بودند یک شبه خود را برای دورکاری کارمندان تطبیق دهند، توانایی دیجیتالی‌شان را برای پشتیبانی از شبکه توزیع افزایش دهند و مسیر‌های آنلاین خود را ارتقا بخشند. در حالی‌که بسیاری از سازمان‌ها در طول دوره همه‌گیری بیماری احتمالاً سرمایه‌گذاری زیادی بر روی هوش مصنوعی انجام ندادند، افزایش تأکید بر فن‌آوری‌های دیجیتال و تمایل بیشتر به پذیرش تحول، آنها را در موقعیت بهتری برای گنجاندن هوش مصنوعی در فعالیت‌های خود قرار داده است.

منبع: Nvidia; Rockwell Antoha, “The history of artificial intelligence” Science in the News, August 28, 2017, sitn.hms.harvard.edu

در دهه آینده، چهار گرایش اصلی فن‌آوری که به شدت با هوش مصنوعی گره خورده (و گاهی توسط آن امکان‌پذیر می‌گردد)، صنعت بیمه را تغییر خواهند داد.

فوران داده‌ها از دستگاه‌های متصل[9]

همواره، محیط‌های صنعتی آکنده از تجهیزات دارای سنسور بوده است، ولی در سال‌های آتی، شاهد افزایش چشمگیری در تعداد دستگاه‌های متصل مشتریان خواهیم بود. ورود دستگاه‌های موجود (مانند اتومبیل‌ها، مچ‌بندهای هوشمند تناسب اندام، دستیارهای خانگی، گوشی‌ها و ساعت‌های هوشمند) به همراه دسته‌بندی‌های جدید در حال رشد مانند لباس، عینک، لوازم خانه، تجهیزات پزشکی و کفش به سرعت افزایش خواهند یافت. پیش‌بینی کارشناسان بر این است که تا سال 2025 بالغ بر یک تریلیون دستگاه متصل وجود خواهد داشت.[10]  ورود عظیم داده‌های جدید توسط این دستگاه‌ها به بیمه‌گران اجازه می‌دهد تا مشتریان خود را بهتر بشناسند، که در نهایت منتج به دسته‌بندی محصولات جدید، قیمت‌گذاری سفارشی‌تر[11]، و ارائه خدمات بلادرنگ[12] می‌شود.

به عنوان مثال، یک دستگاه پوشیدنی[13] هوشمند (مانند ساعت) که به یک پایگاه داده اکچوئری متصل باشد، می‌تواند بر اساس فعالیت‌های روزانه و همچنین احتمال و شدت اتفاق‌ها، مقدار ریسک شخصی یک مشتری را ارزیابی کند.

رواج روزافزون رباتیک فیزیکی

اخیراً، رشته رباتیک[14] دستاوردهای بسیار هیجان‌انگیزی به همراه داشته و این نوآوری، نحوه تعامل انسان‌ها با دنیای اطرافشان را تغییر خواهد داد. ساخت افزایشی[15] که به عنوان چاپ سه بعدی نیز شناخته می‌شود، به طور اساسی تولید و محصولات بازرگانی آینده بیمه را تغییر خواهد داد. تا سال 2025، ساختمان‌های پرینت شده سه بعدی بسیار مرسوم خواهند بود و این‌که این توسعه و پیشرفت، چگونه ارزیابی ریسک را تغییر خواهد داد، باید توسط بیمه‌گران مورد بررسی قرار گیرد. علاوه بر این، در دهه آینده، هواپیماهای بدون سرنشین خودکار و قابل برنامه‌ریزی، تجهیزات کشاورزی خودکار و ربات‌های جراحی پیشرفته همگی از نظر تجاری قابل بهره‌برداری خواهند بود. تا سال 2030، درصد بسیار بیشتری از وسایل نقلیه استاندارد دارای ویژگی‌های خودکار، مانند قابلیت خودران بودن خواهند داشت. بیمه‌گرها  باید بدانند حضور روزافزون ربات‌ها در صنایع و زندگی روزمره، چگونه صندوق‌های ریسک[16] را متحول خواهد کرد، انتظارات مشتریان را تغییر داده و محصولات و کانال‌های جدید را ممکن می‌سازند.

اکوسیستم‌های داده و نرم افزار متن باز

همان‌طور که داده‌ها همه جا در دسترس هستند، پروتکل‌های متن باز[17] نیز تدوین می‌شوند تا از این‌که آنها  را می‌توان بین صنایع به اشتراک گذاشته و استفاده نمود، اطمینان حاصل شود. نهادهای عمومی و خصوصی مختلف گرد هم خواهند آمد تا اکوسیستم‌هایی را برای اشتراک‌گذاری داده‌ها تحت یک مقررات مشترک و چارچوب امنیت سایبری با موارد استفاده متفاوت ایجاد کنند. به عنوان مثال، اطلاعاتی که از طریق دستگاه پوشیدنی هوشمند همیشه در دسترس هستند، می‌توانند از همان طریق در دسترس بیمه‌گران قرار بگیرند و اطلاعات مرتبط با اتومبیل یا منزل از طریق آمازون، گوگل، أپل و بسیاری از تولیدکنندگان دستگاه‌های متصل به اینترنت در دسترس باشند.

پیشرفت در فن‌آوری‌های شناختی[18]

شبکه‌های عصبی پیچشی و دیگر فن‌آوری‌های یادگیری عمیق که در حال حاضر عمدتاً در زمینه پردازش صدا، تصویر و متن بدون ساختار، استفاده می‌شوند، برای به کارگیری در بسیاری از برنامه‌های کاربردی توسعه خواهند یافت. این فن‌آوری‌های شناختی که مبتنی بر توانایی ذهن انسان برای یادگیری از طریق تجزیه و استنتاج هستند، تبدیل به رویکردی استاندارد جهت پردازش حجم وسیع و پیچیده‌ای از اطلاعاتی خواهند شد که توسط محصولات بیمه‌ای «فعال» مرتبط با فعالیت‌ها و رفتار یک فرد ایجاد شده است. با افزایش تجاری‌سازی انواع فن‌آوری‌ها، بیمه‌گران به الگو‌هایی که دائماً در حال یادگیری و منطبق شدن با دنیای اطرافشان هستند، دسترسی خواهند داشت. به عبارت دیگر، این الگوها، امکان طراحی گروهی از محصولات و تکنیک‌های تعاملی جدید را فراهم می‌کنند ‌که بلادرنگ به تغییر در ریسک‌ها یا رفتارهای اساسی پاسخ خواهند داد.

وضعیت صنعت بیمه در سال 2030

هوش مصنوعی و فن‌آوری‌های مرتبط با آن، تأثیر به‌سزایی بر تمامی جنبه‌های صنعت بیمه، از پیشنهاد تا فروش بیمه و از نرخ‌گذاری تا تعیین میزان خسارت خواهند داشت. در حال حاضر، فن‌آوری‌های پیشرفته و داده‌ها، بر توزیع و صدور بیمه‌نامه‌های قانونی که قیمت‌گذاری و خرید آن به صورتی نزدیک به بلادرنگ انجام می‌شوند، تأثیر می‌گذارند. بررسی عمیق چشم‌انداز صنعت بیمه در سال 2030، تغییرات چشمگیری را در سرتاسر زنجیره ارزش بیمه‌ای (کارگزار، بیمه‌گر و بیمه‌گر اتکایی)، نمایان می‌کند.

توزیع

زمانی‌که بیمه‌گذار و بیمه‌گر در زمینه خرید بیمه کمتر درگیر باشند، تجربه خرید سریع‌تر خواهد بود.[19] با کمک الگوریتم‌های هوش مصنوعی که وضعیت ریسک را نشان می‌دهند، اطلاعات کافی در خصوص رفتار افراد در دسترس خواهد بود، به‌طوری‌که چرخه تکمیل خرید یک بیمه‌نامه عمر، بازرگانی، یا اتومبیل به چند دقیقه یا حتی چند ثانیه کاهش خواهد یافت. چندوقتی است، بیمه‌گران منزل و اتومبیل، ارائه مظنه فوری برای صدور بیمه‌نامه را فعال کرده‌اند، اما با تکامل فن‌آوری تله‌ماتیک[20]، دستگاه‌های اینترنت اشیا در خانه[21] و الگوریتم‌های نرخ‌گذاری، آنها توانایی خود را برای صدور فوری بیمه‌نامه برای طیف گسترده‌تری از مشتریان افزایش خواهند داد. بسیاری از بیمه‌گران عمر، در حال آزمایش بیمه‌نامه‌هایی هستند که مراحل صدور ساده‌تری دارند [22] ولی اغلب آنها محدود به متقاضیان سالم‌‌تر بوده و محصول نهایی صادرشده نسبتا نرخ بیشتری دارد. همان‌طور که هوش مصنوعی در زمینه بیمه‌‌نامه‌های عمر نفوذ کرده و بیمه‌گران، قادر به شناسایی ریسک به روشی بسیار دقیق‌تر و پیچیده‌تر هستند، شاهد موج جدیدی از تولید انبوه بازاری محصولات آنی خواهیم بود.‌

قراردادهای هوشمند که در بستر زنجیره بلوکی[23] منعقد می‌شوند، اجازه پرداخت فوری از طریق حساب مالی مشتری را می‌دهند. در عین‌حال، فرآیند انعقاد قرارداد و تأیید پرداخت، حذف یا ساده شده، که هزینه‌های جذب مشتری[24] را برای بیمه‌گران کاهش می‌دهد. از آنجایی‌که ترکیب هواپیماهای بدون سرنشین، اینترنت اشیا، و سایر داده‌های موجود، اطلاعات کافی را برای مدل‌های شناختی مبتنی بر هوش مصنوعی[25] فراهم می‌کند تا به طور فعال، شرایطی به هم‌پیوسته را روایت کنند، در خرید بیمه‌های بازرگانی از مظنه تا صدور نیز تسریع می‌شود.

محصولات بیمه‌ای مبتنی بر مصرف [26](UBI) و بسیار پویا، در حال توسعه است و متناسب با رفتار مشتری‌ها، طراحی و سازگار می‌شوند. با تطابق هر چه بیشتر محصولات با الگوهای رفتاری افراد، صنعت بیمه هم در حال گذار از الگوی «خرید و تمدید سالانه» به حالت «صدور پیوسته و متوالی» است. علاوه بر این، اساساً محصولات به ‌پوشش‌های جزئی‌تر تفکیک شده‌اند (به عنوان مثال، بیمه باتری تلفن، بیمه تأخیر پرواز، پوشش‌های مختلف برای شوینده‌ها و خشک‌کن‌ها در خانه) که ‌مشتری‌ها مطابق با نیازهای خودشان با مقایسه آنی قیمت‌های بیمه‌گران مختلف می‌توانند سبد شخصی محصولات بیمه‌ای‌شان را تهیه کنند. با توجه به تغییراتی که در ماهیت سفر و تمهیدات زندگی ایجاد می‌شود، محصولات بیمه‌ای جدید جهت ارائه پوشش به آنها ایجاد می‌شوند. همان‌طور که دارایی‌های مادی یا عینی[27] بین چند نفر به اشتراک گذاشته می‌شود، بیمه‌های مبتنی بر مصرف (UBI) نیز با الگوی پرداخت بر اساس مسافت یا رانندگی برای به اشتراک‌گذاری خودرو و بیمه‌ پرداخت بر مبنای اقامت برای خدمات اشتراک منزل مانند ایربی‌ان‌بی [28] بسیار عادی می‌شوند.

تا سال 2030، نقش نمایندگان بیمه به‌طور چشمگیری تغییر خواهد کرد. زمانی‌که نماینده‌های فعال، بازنشسته شده و بقیه نیز برای افزایش بهره‌وری شدیدا به تکنولوژی روی می‌آورند، تعداد نماینده‌ها به‌طور اساسی کاهش می‌یابد. نقش نماینده‌ها به تسهیل‌گران فرآیندها و مربیان نحوه استفاده از محصولات تغییر می‌‌کند. نمایندگان آینده تقریباً همه انواع پوشش‌ها را خواهند فروخت و با کمک به مشتری‌ها برای مدیریت پورتفوی‌ پوشش‌های‌شان در زمینه تجربه، بیمه‌های درمان، عمر، اتومبیل، اموال و سکونت، ارزش‌آفرینی می‌کنند. نمایندگان برای بهینه‌سازی وظایف خود از دستیارهای شخصی هوشمند و همچنین ربات‌های دارای هوش مصنوعی برای یافتن معاملات بالقوه برای مشتریان استفاده می‌کنند. این ابزارها در‌حالیکه تعاملات با مشتریان (تلفیقی از بین‌فردی، مجازی، و دیجیتال) را کوتاه‌تر و معنادارتر می‌کند، به نماینده‌ها کمک می‌کند تا از تعداد بیشتری از مشتری‌ها حمایت کنند، البته درصورتی‌که هر تعامل، متناسب با نیازهای فعلی و آتی هر مشتری تنظیم شده باشد.

بیمه‌گری و نرخ گذاری

در سال 2030، فروش بیمه به شکلی که امروز آن‌را می‌شناسیم برای اکثر محصولات مشاغل کوچک و شخصی در زمینه بیمه عمر، اموال و سوانح وجود نخواهد داشت.[29] فرآیند فروش به چند ثانیه کاهش خواهد یافت، چرا که بخش عمده عملیات، از طریق ماشین و الگو‌های یادگیری عمیق که توسط فن‌آوری ساخته شده و به صورت خوکار انجام شده، پشتیبانی می‌گردد. این الگو‌ها توسط داده‌های داخلی و نیز مجموعه‌ی گسترده‌ای از داده‌های خارجی که از طریق رابط‌های برنامه‌نویسی کاربردی (API)[30]، داده‌های برون‌سازمانی و تأمین‌کننده‌های تجزیه‌تحلیل داده‌ها[31] قابل دسترس هستند، تقویت می‌شوند. اطلاعات جمع‌آوری شده از طریق دستگاه‌های ارائه شده توسط بیمه‌گران اصلی، بیمه‌گران اتکایی، تولیدکنندگان محصول و توزیع‌کنندگان در مخازن و جریان‌های[32] داده، تجمیع می‌شوند [33]. منابع اطلاعاتی مذکور به بیمه‌گران این امکان را می‌دهند تا از پیش، در خصوص فروش بیمه و نرخ‌دهی تصمیم‌گیری کنند و دستیابی کنش‌گرا به مشتریان را با یک پیشنهاد نهایی برای یک گروه محصول که با توجه به تاریخچه ریسک خریدار و پوشش‌های مورد نیازش تنظیم می‌گردد، فراهم سازند.

تنظیم‌کنندگان مقررات، الگو‌های مبتنی بر یادگیری ماشینی و دارای هوش مصنوعی را بررسی می‌کنند یعنی فعالیتی که نیازمند روش واضحی برای تعیین قابلیت ردیابی یک داده آماری است (شبیه استخراج فاکتور رتبه‌بندی که امروزه با ضرایب مبتنی بر رگراسیون استفاده می‌شود). آنها برای اثبات میزان استفاده مناسب از داده برای بازاریابی و فروش، ترکیبی از ورودی‌های مدل را ارزیابی می‌کنند. برای اطمینان از مجاز بودن نتایج الگوریتم بر اساس قوانین و مقررات، تنظیم‌کنندگان مقررات، در برنامه‌های برخط (آنلاین)، نرخ‌ها را مشخص کرده و بیمه‌نامه‌های آزمایشی برای بیمه‌گران ارائه می‌کنند. همچنین، ملاحظاتی که در سیاست‌گذاری عمومی وجود دارد، دسترسی به اطلاعات خاص پیشگویانه و حساس را (مانند اطلاعات مربوط به سلامتی و ژنتیک افراد) که ممکن است انعطاف‌پذیری در قیمت‌گذاری و فروش را کاهش داده و در برخی بخش‌ها احتمال کج‌گزینی[34] یا انتخاب نامناسب را افزایش ‌دهد، محدود می‌کنند.

در تصمیم‌گیری مشتریان، قیمت، نقش اصلی را ایفا می‌کند؛ بنابراین، بیمه‌گران شیوه‌هایی برای کاهش رقابت صرفاً بر اساس قیمت ابداع می‌کنند. بسترهای[35] اختصاصی پیچیده، مشتریان و بیمه‌گران را به هم متصل کرده و به مشتریان ویژگی‌ها و تجارب متمایزی را پیشنهاد می‌دهد. در برخی بخش‌ها، رقابت بر روی قیمت، شدید بوده و اختلاف بسیار کم، عادی می‌باشد، در حالی‌که در بخش‌های دیگر، ارائه بیمه منحصربه‌فرد، تفاوت بسیاری ایجاد می‌کند. در حوزه‌های قضایی که پذیرای تغییر هستند، سرعت نوآوری در قیمت‌گذاری بسیار بالاست. قیمت‌گذاری بلادرنگ را بر اساس مقدار مصرف می‌توان انجام داد و ارزیابی پویا و غنی از اطلاعات ریسک، به مشتریان اجازه می‌دهد تا در خصوص این‌که عملکرد آنها چگونه بر پوشش، قابلیت بیمه شدن و قیمت تأثیر می‌گذارد، تصمیم‌گیری کنند.

خسارات

فرآیند پرداخت خسارت در سال 2030 به‌عنوان عملکرد اولیه بیمه‌گران باقی می‌ماند، ولی بیش از نیمی از فعالیت‌های مربوط به پرداخت خسارت به‌صورت خودکار انجام خواهد شد.[36] الگوریتم‌های پیشرفته مراحل اولیه پرداخت خسارت را مدیریت می‌کنند که باعث افزایش کارآمدی و دقت می‌گردد.

حس‌گرهای اینترنت اشیاء و گروهی از فن‌آوری‌های ثبت داده در رایانه، مانند هواپیماهای بدون‌سرنشین، جایگزین روش‌های قدیمی و دستی اعلام خسارت اولیه می‌شوند. تریاژ خسارت‌ها[37] و خدمات مربوط به تعمیرات، معمولاً بعد از ثبت زیان، فعال می‌شوند. به‌عنوان مثال، در یک حادثه رانندگی، بیمه‌گذار فیلمی از حادثه می‌گیرد که تبدیل به توضیحاتی درخصوص خسارت و مبلغ تخمینی آن می‌شود. اتومبیل‌های خودران که دچار حادثه جزئی می‌شوند، خودشان به تعمیرگاه مراجعه می‌کنند، درحالیکه در این میان، ماشین خودکار دیگری به‌عنوان جایگزین [به محل حادثه] اعزام می‌شود. در خانه، دستگاه‌های اینترنت اشیاء همواره آب، دما، و سایر عوامل کلیدی خطر را فعالانه بررسی و صاحب‌خانه و بیمه‌گر را قبل از وقوع حادثه، مطلع می‌کنند.

برنامه‌های [موبایلی] خدمات خودکار مشتریان، تعاملات بسیاری از مشتریان را مستقیماً بعد از دست‌نویس‌های خودآموز که با خسارت‌ها، کلاه‌برداری، خدمات پزشکی، بیمه‌نامه، و سیستم‌های تعمیر مرتبط است، از طریق ارسال صوت و متن، مدیریت می‌کنند. زمان مورد نیاز برای حل و فصل خسارت‌ها به‌جای روزها و هفته‌ها، چند دقیقه خواهد بود. مدیریت خسارت‌های انسانی بر چند حوزه تمرکز دارد: خسارت‌های پیچیده و غیرعادی، خسارت‌های مورد مناقشه که در آن مذاکره و تعاملات انسانی با تجزیه و تحلیل داده‌ها و بینش‌های داده‌محور تقویت می‌شوند، خسارت‌های مرتبط با سیستم و ریسک‌های ناشی از فن‌آوری جدید (به‌عنوان مثال، هکرها به سیستم‌های حیاتی اینترنت اشیاء نفوذ می‌کنند) و بررسی دستی و اتفاقی خسارت‌ها برای حصول اطمینان از نظارت کافی بر تصمیم‌گیری الگوریتمی.

سازمان‌های پرداخت خسارت[38] بیشتر تمرکزشان را بر روی پیشگیری، کاهش و کنترل ریسک می‌گذارند. اینترنت اشیاء و منابع جدید داده‌ها، برای کنترل ریسک استفاده می‌شوند و زمانی‌که عوامل تأثیرگذار، بیش از آستانه تحمل تعریف‌شده برای هوش مصنوعی باشد، آنها ورود پیدا می‌کنند. عکس‌العمل ارتباط مشتریان با سازمان‌های پرداخت خسارت بر روی اجتناب از زیان بالقوه متمرکز است. افراد، هشدارهایی فوری که مرتبط با اقدام خودکار برای بازرسی، نگهداری و تعمیرات می‌باشد، را دریافت می‌کنند. در خصوص خسارات فاجعه‌آمیز، بیمه‌گران با استفاده از اینترنت اشیای تلفیقی، تله‌ماتیک یا همان فن‌آوری ارسال و دریافت اطلاعات، و اطلاعات تلفن همراه، با این فرض که در این میان تلفن همراه دچار اختلالی نشده باشد، خانه و اتومبیل‌ها را کنترل می‌کنند. زمانی‌که برق قطع شود، بیمه‌گران، خسارت را با استفاده از گردآورندگان داده‌ها[39] که اطلاعات دریافتی از ماهواره‌ها، پهبادهای شبکه، خدمات آب و هوا و بیمه‌گذاران را باهم تلفیق می‌کنند و پرونده خسارت موقتی تشکیل می‌دهند. این سیستم‌ها به‌وسیله بیمه‌گران بزرگ در میان انواع حوادث فاجعه‌آمیز چندگانه، پیشاپیش آزمایش شده‌اند. بنابراین، در تخمین بسیار دقیق خسارت در یک زمان اضطراری واقعی، قابل اتکا و اعتماد هستند. همچنین، گزارش‌های تفصیلی جهت دریافت سریع سرمایه اتکایی، به‌طور خودکار برای بیمه‌گران اتکایی فراهم می‌شود.

بیمه‌گران چگونه برای تسریع در تغییرات آماده می‌شوند

تحول سریع در صنعت بیمه با پذیرش و ادغام گسترده خودکارسازی، یادگیری عمیق، و اکوسیستم داده‌های خارجی شدت خواهد یافت. در حالی‌که کسی نمی‌تواند به‌طور دقیق پیش‌بینی کند که صنعت بیمه در سال 2030 به چه شکل خواهد بود، در‌حال‌حاضر بیمه‌گران جهت آماده شدن برای تغییر می‌توانند چندین گام بردارند.

هوشمندسازی رویه‌ها و فن‌آوری‌های مرتبط با هوش مصنوعی

اگرچه تغییرات عمده زیرساختی در صنعت براساس فن‌آوری خواهد بود، بررسی آن در حوزه فعالیت گروه فن‌آوری اطلاعات نیست. در عوض، اعضای هیئت مدیره و تیم‌هایی که تجربه همکاری با مشتری را دارند، باید برای فهم عمیق فن‌آوری‌های مرتبط با هوش مصنوعی، بر روی زمان و منابع سرمایه‌گذاری کنند. بخشی از این تلاش، نیاز به بررسی سناریوهای مبتنی بر فرضیه دارد تا این موضوع که کی و کجا ممکن است اختلال [یا همان تحول دیجیتالی] رخ دهد و برای برخی رشته‌های خاص، این به چه معناست، مورد درک و تأیید قرار گیرد. به‌عنوان مثال، بعید است بیمه‌گران از پروژه‌های آزمایشی اینترنت اشیاء در بخش‌های مجزای کسب و کار که در مقیاس محدود هستند، درک چندانی به دست بیاورند. در عوض، آنها باید با هدف و درک این‌که سازمان آنها چگونه در مقیاس واقعی ممکن است در اکوسیستم اینترنت اشیاء سهیم باشد اقدام کرده یا دست به کار شوند. طرح‌های آزمایشی[40] و آزمون اثبات ایده [41](POC) نه تنها باید برای آزمایش نحوه عملکرد یک فن‌آوری طراحی شوند، بلکه باید میزان موفقیت عملکرد بیمه‌گر در نقش خاص خود در اکوسیستم مبتنی بر داده یا اینترنت اشیاء را نیز تبیین کنند.

توسعه و شروع یک برنامه راهبردی منسجم

با تکیه بر بینش حاصل از اکتشافات هوش مصنوعی، بیمه‌گران باید تصمیم بگیرند که چگونه از فن‌آوری برای حمایت از راهبرد کسب و کار خود استفاده کنند. برنامه راهبردی بلندمدت گروه ارشد راهبری، نیاز به یک اصلاح و تغییر چندین ساله با تمرکز بر عملیات، فن‌آوری و توانایی دارد. برخی از بیمه‌گران شروع به اتخاذ رویکردهای نوآورانه مانند راه‌اندازی سرمایه‌گذاری مخاطره‌آمیز متعلق به خودشان، مالکیت شرکت‌های فن‌آوری بیمه متعهد و مشارکت با مؤسسات علمی پیشرو کرده‌اند. بیمه‌گران باید دورنمایی از زمینه‌هایی که قصد سرمایه‌گذاری دارند را برای غلبه بر بازار داشته باشند و بدانند کدام رویکرد راهبردی – به‌عنوان مثال تشکیل یک موجودیت جدید یا ایجاد قابلیت‌های راهبردی درون‌سازمانی یا داخلی - برای سازمان آنها مناسب‌تر است.

این طرح باید به هر چهار بُعد درگیر - در هر اقدام تحلیلی در مقیاس بزرگ و تجزیه و تحلیل مبتنی بر ابتکار – یعنی همه چیز از داده‌ها گرفته تا مردم و فرهنگ بپردازد (شکل 2). این طرح باید به‌طور خلاصه مسیر آزمایش‌های مبتنی بر هوش مصنوعی و آزمون اثبات ایده را ترسیم کرده و به تفصیل شرح دهد که چه بخش‌هایی از سازمان نیاز به سرمایه‌گذاری برای مهارت‌آفرینی[42] یا تمرکز بر مدیریت تحول[43] دارند. از همه مهم‌تر، ضروری است یک برنامه زمان‌بندی مفصل از موعد بررسی[44] و زمان تحویل[45] پروژه وجود داشته باشد تا سازما‌ن‌ها به صورت منظم بتوانند اصلاحاتی که در طرح یا برنامه باید ایجاد شود را بر اساس تغییر و تکامل فن‌آوری‌های هوش مصنوعی و تغییرات یا اختلالات مهم صنعت بیمه ارزیابی و لحاظ نمایند.

بیمه‌گران علاوه بر توانایی درک و پیاده‌سازی فن‌آوری‌های هوش مصنوعی، نیاز به ارائه پاسخ‌های راهبردی به تغییرات کلان آینده دارند. همان‌طور که بسیاری از کسب و کار‌های بیمه به سمت روش «پیشگیری و پیش بینی» تغییر رویه می‌دهند، بیمه‌‌گران نیز نیاز به تجدیدنظر در مشارکت مشتری‌هایشان و برندسازی[46]، طراحی محصول و سود اصلی شرکت دارند. تصادفات رانندگی با استفاده از وسایل نقلیه خودران کاهش می‌یابد، با دستگاه‌های اینترنت اشیاء در منزل، از جاری شدن آب یا اصطلاحاً وقوع سیل در منزل جلوگیری می‌گردد، ساختمان‌ها پس از یک فاجعه طبیعی مجدداً تعمیر می‌گردند، و زندگی انسان‌ها با بهبود مراقب‌های سلامتی افزایش می‌یابد. به همین ترتیب، وسایل نقلیه همچنان اسقاط می‌شوند، بلایای طبیعی مناطق ساحلی را ویران می‌کنند و انسان‌ها زمانی‌که یکی از عزیزان‌شان فوت می‌کند، نیاز به حمایت و مراقبت پزشکی خواهند داشت. زمانی‌که این تغییرات به مرور جا افتاد، کل سود[47] صنعت بیمه دگرگون شده، انواع محصولات جدید ظهور کرده و نحوه تعامل مشتری‌ها با بیمه‌گران‌شان تغییر خواهد کرد.

بیمه‌گرانِ برنده آینده، برنامه‌های راهبردی را تدوین و اجرا خواهند کرد که برند، محصولات، تعاملات با مشتری و فن‌آوری آنها را موفق خواهد کرد تا از ساختار جدید اقتصادی در آینده‌ی نزدیک استفاده کنند.

همه این تلاش‌ها می‌توانند یک تحلیل منسجم و راهبرد فن‌آوری ایجاد کند که با نگاهی دقیق به تفکیک یا متمایز کردن و ارزش‌آفرینی به همه جنبه‌های کسب و کار می‌پردازد.

ایجاد و اجرای یک راهبرد جامع داده‌ها

داده‌ها به سرعت در حال تبدیل شدن به یکی از باارزش‌ترین – اگر نگوییم تنها باارزش‌ترین - دارایی برای هر سازمانی می‌شوند. صنعت بیمه نیز از این قاعده مستشنی نیست: شناسایی، سنجش، واگذاری و مدیریت ریسک توسط شرکت‌ها بر اساس حجم و کیفیت داده‌هایی انجام می‌شود که در طول چرخه عمر یک بیمه‌نامه پیش‌بینی می‌گردد. زمانی‌که اکثر فن‌آوری‌های هوش مصنوعی حجم وسیعی داده از منابع مختلف را داشته باشند، بهترین عملکرد را خواهند داشت. بدین‌ترتیب، شرکت‌ها باید یک راهبرد ساختار‌یافته و قابل اجرا با توجه به داده‌های داخلی و خارجی ایجاد کنند. داده‌های داخلی باید به گونه‌ای سازماندهی شوند که توسعه ساده و چابک بینش‌ها و قابلیت‌های مبتنی بر تجزیه و تحلیل جدید داده‌ها را امکان‌پذیر و پشتیبانی کند. بیمه‌گران، با داده‌های خارجی باید بر روی ایمن کردن دسترسی به داده‌هایی تمرکز کنند که مجموعه داده‌های داخلی آنها را غنی و تکمیل می‌کند. چالش واقعی، دسترسی به روشی مقرون به صرفه خواهد بود. همان‌طورکه اکوسیستم داده‌های خارجی رو به توسعه می‌باشد، این داده‌ها به شدت پراکنده خواهند بود که این موضوع شناسایی داده‌های با کیفیت بالا با هزینه معقول را بسیار دشوار می‌سازد. به طور کلی، راهبرد مرتبط با داده‌ها باید روش‌های مختلف دستیابی و دسترسی ایمن به داده‌های خارجی و نیز راه‌هایی برای ترکیب این داده‌ها با منابع داخلی را شامل شود. بیمه‌گرها باید برای داشتن یک راهبرد تدارکات و فراهم‌‌سازی چند‌وجهی آماده شوند که این راهبرد می‌تواند شامل دستیابی مستقیم به دارایی‌های داده[48] و ارائه‌دهندگان صدور مجوز منابع داده، استفاده از رابط‌های برنامه‌نویسی کاربردی داده و مشارکت با کارگزاران داده[49] باشد.

خلق استعداد مناسب و یک زیرساخت صحیح فن‌آوری

در بازی شطرنج مجازی، بازیکنان متوسطی که از هوش مصنوعی استفاده می‌کنند، بهتر از شطرنج‌بازان خبره‌ای که از همان هوش مصنوعی بهره می‌برند، عمل می‌کنند. دلیل اصلی این نتیجه غیرمنتظره، به این بستگی دارد که آیا فردی که با هوش مصنوعی در تعامل است، پذیرش و درک فن‌آوری پشتیبان آن را دارد و به آن اعتماد می‌کند یا خیر. برای اطمینان از این‌که هر بخش از سازمان، تجزیه و تحلیل پیشرفته را به‌عنوان یک قابلیت ضروری می‌نگرد، بیمه‌گران باید سرمایه‌گذاری‌های سنجیده اما پایدار بر روی افراد انجام دهند. سازمان‌های بیمه‌ در آینده نیازمند استعدادهایی با ذهنیت و مهارت مناسب هستند.[50] نسل بعدی کارمندان موفق بیمه در خط مقدم[51] به طور فزاینده‌ای با تقاضای بالایی روبرو خواهند شد و باید دارای ویژگی‌های منحصر به فرد از ترکیب مهارت، خلاقیت، و تمایل به کار‌کردن در چیزی داشته باشد که یک فرآیند ثابت نیست، بلکه ترکیبی از وظایف نیمه خودکار و ماشینی است که به‌طور مداوم در حال تکامل است. در آینده، ایجاد ارزش از سوابق استفاده از هوش مصنوعی، نیازمند ادغام مهارت‌ها، فن‌آوری و بینش‌های سراسر سازمان، برای ارائه تجربیات منحصر به فرد و جامع به مشتری می‌باشد. انجام این کار نیازمند یک تغییر فرهنگ آگاهانه برای اکثر بیمه‌گران است که به حمایت و رهبری مجموعه اجرایی متکی هستند. برای جا نماندن از قافله، توسعه یک راهبرد تهاجمی برای جذب، پرورش و حفظ پرسنلی که مهارت‌های اساسی دارند، ضروری است. این نقش‌ها شامل مهندسان داده، دانشمندان داده، فن‌آوران، متخصصان رایانش ابری[52] و طراحان با تجربه خواهند بود.

برای حفظ دانش و در عین حال حصول اطمینان از این‌که کسب و کارها، مهارت‌ها و قابلیت‌های جدید لازم برای رقابت را داراست، بسیاری از سازمان‌ها برنامه‌های مهارت‌آموزی مجدد[53] را طراحی و اجرا می‌کنند. به عنوان آخرین مؤلفه توسعه نیروی کار جدید، سازمان‌ها منابع و شرکای خارجی را برای تقویت قابلیت‌های داخلی شناسایی می‌کنند که این موضوع به بیمه‌گران کمک می‌کند تا حمایت لازم برای تکامل و اجرای کسب‌وکار را تأمین کنند. معماری فن‌آوری اطلاعات آینده نیز کاملاً متفاوت از امروز خواهد بود. بهتر است بیمه‌گران سرمایه‌گذاری‌های هدفمندی را برای انباشت فن‌آوری آینده فراهم نمایند که این موضوع می‌تواند از معماری فن‌آوری اطلاعات دو سرعته[54] پشتیبانی کند.[55]

در دهه آتی، پیشرفت سریع فن‌آوری‌ها منجر به تغییرات بنیادین در صنعت بیمه خواهد شد. در صنعت بیمه مبتنی بر هوش مصنوعی، بیمه‌گرانی برنده خواهند بود که از فن‌آوری‌های جدید برای ایجاد محصولات نوآورانه، دریافت بینش‌های یادگیری شناختی[56] از منابع جدید داده، ساده‌سازی فرآیندها و کاهش هزینه‌ها و شخصی‌سازی و سازگاری پویا، فراتر از انتظارات مشتری عمل می‌کنند. مهم‌تر از همه، شرکت‌هایی که طرز تفکرشان تمرکز بر ایجاد فرصت‌هایی با استفاده از فن‌آوری‌های تحول‌آفرین است – به‌جای‌این‌که آنها را تهدیدی برای تجارت فعلی خود بدانند - در صنعت بیمه سال 2030 رشد خواهند کرد.

مترجم: مریم وحدت زیرک؛ کارشناسی ارشد آموزش زبان انگلیسی، دانشگاه آزاد اسلامی- واحد علوم تحقیقات؛ رئیس اداره بیمه‌های اتکایی کشتی و پی‌اند‌آی، بیمه مرکزی ج.ا.ایران