Mijn stelling: De meeste verzekeraars hebben hun AI-programma’s gericht op de kostenratio. Ik stel voor dat zij zich zouden moeten richten op de schaderatio.

Twee gesprekken in de afgelopen twee weken hebben mij tot deze conclusie gebracht. Op 17 september organiseerde ik in Londen een ontbijtbijeenkomst rond de tafel over de disruptieve invloed van AI op het verzekeringsacceptatieproces en de schadebehandeling, met COO’s, hoofden van de afdeling Customer Journey, hoofden van de afdeling Data en leidinggevenden op het gebied van AI-transformatie van enkele van de grootste Britse verzekeraars en makelaars. Vorige week nam ik deel aan een INSEAD-panel over verzekeringen, en een geheel andere groep bracht mij tot een vergelijkbare conclusie…

Vraag een verzekeraar wat zij met AI doen en het antwoord luidt: schadeclaims. Automatisering van de eerste melding van een schadegeval (FNOL), documentverwerking, triage, schaderamingen aan de hand van foto’s, fraudebeoordeling, aanbevelingen voor schikkingen. Dit is eenvoudig te rechtvaardigen omdat de schadeafhandeling over duidelijke KPI’s beschikt: kosten per dossier, doorlooptijd, tevredenheid, verlies. U automatiseert een stap, een cijfer verandert, en u stelt de businesscase op.

Het claimsmodel data is gestructureerd en bevindt zich op één plek; de prestatie-indicatoren zijn eenvoudig en een claimsmodel doorloopt het interne besluitvormingsproces binnen een jaar. Men heeft hiervoor gekozen omdat de uitdaging duidelijk was, de voordelen meetbaar waren en er financiering voor zou worden toegekend.

Maar de prioriteiten zijn nu verkeerd gesteld, en de businesscase was nooit zo sterk als het leek.

De besparingen op de schadeclaims zijn grotendeels slechts op papier

Veel businesscases op het gebied van schadeclaims laten zien dat er tijd uit een proces wordt bespaard, niet dat er kosten voor de organisatie worden bespaard. De doorlooptijden nemen af, het aantal contactmomenten daalt, de straight-through-processing neemt toe, en dezelfde mensen staan nog steeds op de loonlijst. De minuten die per dossier worden bespaard, vertaalt zich pas in bespaarde ponden per jaar als het personeelsbestand daadwerkelijk wordt ingekrompen of wordt ingezet voor werkzaamheden die winst opleveren. Als dat niet het geval is, heeft u de workflow gestroomlijnd, maar is de economische situatie ongewijzigd gebleven.

Er is ook een regelgevingsprobleem bij een programma dat uitsluitend op kosten is gebaseerd. De „Consumer Duty“ wordt zeer concreet wanneer een triagemodel bepaalt welke claims door een medewerker worden bekeken en welke direct worden afgewezen. Verschillende deelnemers aan de ontbijtrondetafel, die zich richten op het klanttraject, wezen erop dat „snel“ en „eerlijk“ twee verschillende zaken zijn. Uitleg in begrijpelijke taal, analyses van het klachtenrisico en een deugdelijk controlespoor zijn geen zaken die achteraf kunnen worden toegevoegd. Zij vormen juist de basis die de kostenbegroting staande houdt wanneer de FCA deze opvraagt.

De verzekeringstechnische resultaten zijn nauwelijks veranderd

Na tien jaar van voorspellende modellen en aanpassingen aan de prijsstelling heeft vrijwel niemand de daadwerkelijke werkstroom herzien. Aanvragen van makelaars komen nog steeds binnen via e-mail en spreadsheets, schadeoverzichten worden nog steeds handmatig overgetypt en verzekeraars besteden het eerste uur van de dag nog steeds aan het invoeren van data-gegevens.

Dat is vreemd, want één verbeteringspunt op het gebied van risicoselectie heeft een grotere invloed op de gecombineerde ratio dan meerdere verbeteringspunten op het gebied van schadeafhandelingsefficiëntie. Wij hebben de AI in het lagere cijfer opgenomen omdat daar een beter verhaal bij hoorde.

Waarom er zo weinig aandacht wordt besteed aan het acceptatieproces

Er zijn drie redenen die telkens weer naar voren komen, en geen enkele daarvan heeft echt met technologie te maken.

Het eerste punt betreft identiteit. Schadebehandeling is een proces. Risicobeoordeling is een vak. Een directeur schadebehandeling zal graag spreken over “straight-through”-percentages. Een hoofd risicobeoordeling hoort de term „geautomatiseerde besluitvorming“ en vraagt zich – volkomen terecht – af wiens naam er op het spel staat wanneer het model een fout maakt. Dat is een kwestie van governance en daar zijn antwoorden op vanuit governance: verklaarbaarheid, beslissingslogboeken, menselijke goedkeuring boven overeengekomen drempels. Maar dit moet worden geregeld voordat iemand een agent ook maar in de buurt van een bindende beslissing laat komen.

De tweede is data. Het acceptatieproces data omvat e-mails van makelaars, enquête reports, feeds van derden, prijsbepalingsinstrumenten en een polisbeheersysteem dat al vóór al het andere bestond. De meeste AI-programma’s voor acceptatie zijn in feite technische infrastructuurprojecten waaraan het label ‘AI’ is opgeplakt, en raden van bestuur raken niet enthousiast van technische infrastructuur.

Het derde punt is de terugkoppelingslus, die vrijwel overal niet goed functioneert. Het nuttigste wat een verzekeraar zou kunnen weten, is wat er is gebeurd met de risico’s die hij heeft gedekt: welke schadeclaims zijn er binnengekomen, waarom, en wat dat zegt over de aannames bij het afsluiten van de polis. Bij de meeste verzekeraars moet die informatie eerst langs twee afdelingen, drie systemen en een driemaandelijkse vergadering over de reserveringen voordat deze ook maar in de buurt van de verzekeraar komt. AI aan beide kanten van die muur werkt met slechts de helft van het beeld.

Laat de komende 12 maanden in het teken staan van beslissingen, niet van gebruiksscenario’s

Elke verzekeraar beschikt al over een dia met veertig gebruiksscenario’s. Wat nog ontbreekt, is een handvol beslissingen.

Verplaats het budget van de schadebehandeling naar de acceptatie en wees daar open over. Als meer dan twee derde van uw AI-uitgaven naar schadebehandeling en bedrijfsvoering gaat, besteedt u onevenredig veel aan het kleinere onderdeel. Schadebehandeling is nog niet afgerond, maar het marginale rendement is verschoven. De volgende automatisering op het gebied van schadebehandeling levert slechts een fractie van een procentpunt aan kostenratio op. De eerste serieuze automatisering van het acceptatieproces, in combinatie met redelijk gestructureerde aanvragen, zorgt voor meer capaciteit bij de acceptanten, snellere offertes, een duidelijker beeld van de risicobereidheid en brengt u in het gesprek over de schaderatio.

Kies één regel en doorloop de volledige workflow. Een intake-medewerker die data feilloos uitleest en deze doorgeeft aan iemand anders om handmatig in een tariefcalculatietool in te voeren, heeft niets veranderd. Intake, verrijking, risicobeoordeling en beslissingsondersteuning voor standaardrisico’s, waarbij de tijd van de verzekeraars wordt ingezet voor de complexe gevallen, is de omvang van de verandering die in de cijfers tot uiting komt.

Maak de CUO tot sponsor, niet de CIO. Als de persoon die verantwoordelijk is voor de schadeprocent niet ook de verantwoordelijkheid draagt voor het programma, wordt het een technologieproject dat verzekeraars maar moeten accepteren, in plaats van een verandering in hun werkwijze. Neem vanaf dag één uitlegbaarheid en drempels voor handmatige ingrepen op in de opdrachtomschrijving. Dat is de prijs die zij moeten betalen voor hun sponsoring.

Beschouw de feedbackloop tussen schadeclaims en acceptatie als een product. Het is de enige investering die beide partijen ten goede komt, en in de meeste bedrijven is er niemand die hiervoor verantwoordelijk is.

Waar ligt de nadruk van uw programma?

De verzekeraars die AI op het gebied van risicobeoordeling beschouwen als een bestuursprobleem dat moet worden opgelost, in plaats van als een vak dat moet worden beschermd, zullen nauwkeuriger prijzen vaststellen, sneller offertes opstellen en betere risico’s selecteren. De verzekeraars die de back-end van de schadeafhandeling blijven automatiseren, terwijl de front-end van het bedrijf handmatig blijft, zullen uiteindelijk op zeer efficiënte wijze betalen voor de betere risicobeoordeling van anderen.

De vraag is dus eenvoudig. Waar ligt de nadruk van uw AI-programma, en komt dat overeen met de plaats waar uw gecombineerde ratio daadwerkelijk wordt bepaald? Ik zou graag willen horen hoe anderen deze vraag beantwoorden.