Nella nostra visione consideriamo l’adozione dell’AI in modo molto differente rispetto all’adozione di altri tipi di tecnologie, soprattutto per la velocità con cui queste tecnologie progrediscono e si diversificano. In questo scenario, piuttosto che investire in competenze tecniche esecutive specifiche, la compagnia Helvetia ritiene vincente:
a) definire e adottare dei requisiti generali di maturazione dell’azienda attraverso l’adozione di un maturity model;
b) definire e adottare principi di governance e controllo della qualità permeanti;
c) far maturare globalmente l’azienda attraverso iniziative pratiche, agili, ad alto ritorno dell’investimento con chiarezza di risultati attesi;
d) adattare le proprie capacità di project management, project delivery, project governance, sia IT che business, a queste nuove sfide piuttosto che creare organizzazione specifiche a “silos”;
e) definire in modo pratico ed esecutivo le proprie iniziative definendo a priori uno schema di classificazione dell’iniziativa;
f) adattare i propri meccanismi e processi di cybersecurity coerentemente con lo sviluppo delle AI.
AI nei sistemi informativi aziendali: la formulazione a “use case”
Una panoramica completa del valore dell’AI in un contesto aziendale può essere ottenuta mappando i casi d’uso dell’AI e classificandoli secondo due attributi principali:
- tipo di risultato
- tipo di impatto
Questa panoramica raggruppa i casi d’uso in base al tipo di valore creato e può servire a definire un punto di partenza e un contesto per i casi d’uso dell’AI.
Il tipo di risultato distingue quando un caso d’uso produce risultati conosciuti a priori o meno. Ad esempio, l’utilizzo di una conversational artificial intelligence ricade in questo primo caso così come l’utilizzo dell’AI in tutti i contesti di comprensione del contenuto. Al contrario i metodi di churn prediction o il disegno di nuovi prodotti in base a un’analisi della clientela sono chiari casi d’uso i cui risultati non sono conosciuti a priori.
Il tipo di impatto invece distingue come l’applicazione dello use case impatta positivamente sull’azienda. Gli use case si dicono di tipo “bottom-line” se il beneficio atteso si estrinseca attraverso una riduzione dei costi (diminuzione FTE, costi cessanti, etc.etc.) o di tipo “top-line” se lo use case impatta sui ricavi come ad esempio una riduzione del churn o un miglioramento del customer lifetime value.
Chiaramente l’adozione di uno schema rigido non modella perfettamente il valore di uno use case ma definisce una griglia iniziale di impatto atteso.
In questo contesto, quindi, si possono “etichettare” le possibili iniziative attraverso queste due dimensioni nel modo seguente:
- efficacia operativa – risultati conosciuti a priori e impatto sulla bottom line;
- efficacia di mercato – risultati conosciuti a priori e impatto sulla top-line;
- ingegnerizzazione operativa – risultati non conosciuti a priori e impatto sulla bottom line;
- ingegnerizzazione di mercato – risultati non conosciuti a priori e impatto sulla top-line.
A titolo esemplificativo l’automazione spinta dei processi di back-end è una classe di use case di “efficacia operativa”, un sistema di pricing dinamico appartiene alla classe “efficacia di mercato”, l’utilizzo di procedure guidate dall’AI di process mining e process re-engineering è un esempio di ingegnerizzazione operativa mentre lo sviluppo di nuovi prodotti micro-segmentati è un classico esempio di ingegnerizzazione di mercato.
È abbastanza chiaro che questa segmentazione crea un percorso naturale che coniuga le esigenze di maturazione dell’azienda nell’approcciare le tematiche AI, la cattura del valore il più possibile anticipata e la minimizzazione del rischio. In particolare, le prime iniziative si sono concentrate nel segmento di efficacia operativa.
Tre filoni di automazione
Nello specifico ci si è concentrati su tre filoni
- Automazione dei processi interni basati sul contenuto, sia nel processo liquidativo danni che in ambito vita.
- Automazione dei processi decisionali nel processo liquidativo danni.
- Automazione delle interfacce conversazionali a supporto dei processi di vendita.
Nel primo filone si è deciso di utilizzare prodotti di punta di ultima generazione per automatizzare processi prima di esclusiva pertinenza della workforce come, ad esempio, la gestione completa end-to-end dell’apertura e instradamento del contenzioso, il tutto basato sul riconoscimento, segmentazione ed estrazione delle informazioni direttamente dagli atti giudiziari.
Un secondo caso d’uso coinvolge invece l’automazione del processo di trasferimento, in entrata o in uscita, delle polizze vita. In questo secondo caso si è verificato come un combinato disposto di automazione, sempre AI based, della inbound mailroom sempre basato sulle capacità di comprensione del contesto ed estrazione delle informazioni necessarie al completamento delle pratiche in modalità “touchless”.
Nell’ambito dell’automazione dei processi decisionali nel percorso liquidativo o, in altre parole, nell’automazione della decisione sulla best-next-action, una prima esperienza è stata effettuata al fine di estendere l’ambito della pronta liquidazione.
Ultimo ma non meno importante caso d’uso coinvolge l’utilizzo di strumenti di intelligenza artificiale conversazionale istruita sul contenuto dei contratti vita al fine di formare una prima linea di contatto, automatizzata, sempre disponibile per la rete commerciale e un domani direttamente per il pubblico.
Automazione del processo di gestione del contenzioso legale
L’automazione del processo di inbound dell’ufficio legale sinistri è da sempre considerato uno tra i processi più complicati da automatizzare in quanto completamente incentrato nella comprensione della documentazione in arrivo (sostanzialmente atti legali o di pre-contenzioso). In questo preciso caso d’uso la complessità e la variabilità della documentazione in ingresso, nonché la mole delle informazioni da comprendere, è particolarmente sfidante.
La necessità di integrazione con i sistemi aziendali è un ulteriore livello di complessità in quanto ogni documento esprime uno specifico passo avanti nel processo legale e deve essere collegato al particolare sinistro o alla posizione all’interno di un sinistro. Questa corrispondenza è particolarmente complessa e rilevante perché si possono avere più soggetti coinvolti nella stessa suite, ognuno con il suo supporto legale da gestire separatamente e con precisione.
Chiaramente lo scopo ultimo di questa iniziativa è di creare un sistema il più possibile “touchless”, dove l’utente viene chiamato a intervenire su un residuo minimale di casi per i quali, per svariati motivi, il sistema non può performare i task prescritti.
I task richiesti dall’AI
Dal punto di vista invece del core AI dell’automazione i task specifici richiesti all’intelligenza artificiale sono:
- Comprendere e classificare gli atti in arrivo (sia cartacei digitalizzati che PEC) con la necessità quindi di segmentare molte volte un singolo file nelle sue componenti specifiche (frontespizi, atti veri e propri, relate di notifica, procure e mandati)
- Estrarre, per ogni tipo di documento, determinate informazioni con il molteplice scopo di
- identificare in automatico il sinistro e la posizione nel sinistro;
- ottenere in automatico a una serie di altre informazioni necessarie a ulteriori automazioni a valle (quali ad esempio la sede giudiziaria, la data udienza in determinati contesti, etc.etc.);
- comprendere in automatico la natura della comunicazione in base ai dettagli dei documenti ricevuti, ad esempio in base alle istanze di categoria ricevute;
- aprire o aggiornare il contenzioso sui sistemi IT dove, anche in questo caso l’intelligenza artificiale gioca un ruolo non trascurabile nel mappare le informazioni rilevate nella fase “estrattiva” sulle entità “tabellate” del sistema gestionale.
3. Innescare ulteriori processi tecnico-organizzativi a valle quali ad esempio:
- aggiornare i sistemi documentali integrati con il nuovo patrimonio informativo ricevuto;
- richiesta di apertura di sinistri o di posizioni aggiuntive nei sinistri esistenti.
I risultati odierni, dopo alcuni mesi di produzione, sono estremamente incoraggianti e hanno portato a una riduzione degli FTE necessari alla gestione e al controllo del processo di più dell’80%. Questo risultato è possibile per via di un’accuratezza globale della parte in carico all’artificial intelligence di oltre il 95%.
Estensione della pronta liquidazione
Oggi tutte le compagnie di assicurazione hanno un processo di pronta liquidazione e, solitamente, la platea degli oggetti di danno liquidabili senza passare da un liquidatore “umano” viene delimitata utilizzando regole deterministiche per bilanciare il rischio di una liquidazione impropria con i vantaggi di evitare il tempo di lavoro degli specialisti della liquidazione dei sinistri e di accelerare il rimborso degli stessi.
Tuttavia, soprattutto nei rami elementari, appare subito chiaro, dopo un’analisi puntuale del dato, che un numero significativo di oggetti di danno, al di fuori del processo di liquidazione rapida, vengono pagati nell’intorno del valore peritale. Si può quindi dire che uno degli assi di espansione della pronta liquidazione è la platea dei sinistri “semplici” di cui si conosce la stima da una fonte ritenuta autoritativa (in questo caso il perito, ma in altri casi potrebbero essere le reti delle autofficine convenzionate, etc.etc.)
Questo è uno dei casi classici di definizione di “best-next-action” in relazione a uno specifico evento (rientro di una perizia) dove l’intelligenza artificiale può dare un contributo specifico, significativo e misurabile con uno “stake” di rischio minimo e controllabile.
Questo caso d’uso è stato specificatamente realizzato in Helvetia implementando un agente (basato su modelli di artificial intelligence) che capisca, all’interno di un quadro di restrizioni aziendali, quali sinistri possono essere regolati con successo al valore peritale senza coinvolgere alcun liquidatore e quindi di procedere alla liquidazione dello stesso.
L’impatto di questo caso d’uso è amplio in quanto circa il 40% delle liquidazioni sui rami elementari avviene nell’intorno del valore peritale. Un modello di AI che discerna quali oggetti di danno può pagare (con successo – ovvero senza ulteriori interazione o reclami del cliente) al valore peritale e quali invece richiedono comunque una trattazione fatta da un operatore umano, porta risparmi nell’ordine di svariate decine di migliaia di ore all’anno di personale qualificato che, in questi casi semplici, sarebbe utilizzato non per la propria “expertise” ma semplicemente come “operatore di sistema”.
Il “value at stake”
Tuttavia, la potenza senza controllo non è sufficiente. Per questo motivo, abbiamo abbinato al framework di lavoro dell’AI un modello di rischio che determina il “value at stake” in base all’effettiva precisione dell’AI e mostra l’esposizione massima al rischio e il risparmio minimo sostanziale previsto in ogni momento.
Questo risultato è stato possibile grazie a:
- l’uso di regole deterministiche e dinamiche volte a identificare i sinistri che devono essere esclusi (indicatori di frode elevati, sinistri di alto profilo che comportano ingenti richieste di denaro e così via);
- l’identificazione da parte dell’AI dei sinistri che, per le loro caratteristiche, si prestano a essere liquidati al valore di perizia con un’alta probabilità di accettazione da parte del beneficiario;
- l’elaborazione dei punteggi in tempo quasi reale (<5 minuti) che automatizza la fase di indagine per poi procedere alla rettifica senza l’intervento dell’ufficio di liquidazione sinistri.
I vantaggi sono molteplici:
- La drastica riduzione delle “ore di lavoro annue totali del perito” e un aumento a due cifre della velocità e dell’efficienza dell’intero processo di liquidazione.
- La minimizzazione dei valori di “liquidazione a rischio” attraverso un modello di gestione del rischio (risk scoreboard).
AI e cybersecurity: il ruolo di Darktrace
Il vivace dibattito su eventuali impatti che l’intelligenza artificiale potrebbe avere sui rischi informatici sta animando diversi tavoli tecnici in tutto il mondo; impatti su due facce ben distinte di una medaglia chiamata sicurezza.
Da un lato l’AI potrebbe essere utilizzata con scopi offensivi da vere e proprie organizzazioni criminali che con il suo supporto si trovano una nuova arma nel loro arsenale, un’arma molto potente che è in grado di servirsi di nuovi sofisticati vettori di attacco utilizzando velocità impressionanti. La seconda faccia della medaglia è rappresentata invece dall’AI utilizzata come efficace mezzo in difesa di tali attacchi.
Viene da sé che in un contesto in cui l’evoluzione delle minacce informatiche procede a velocità elevatissime, imparare a difendersi e adattarsi il più velocemente possibile è, senza ombra di dubbio, un requisito di fondamentale importanza.
Un tipico esempio di intelligenza artificiale applicato a supporto della sicurezza è proprio quello del tool di sicurezza Darktrace che stiamo implementando in azienda.
Darktrace è un tool che identifica minacce sulla rete interna e utilizza proprio meccanismi di machine learning per apprendere le caratteristiche di ogni singolo ambiente digitale e poi riconoscere e individuare eventuali eventi di sicurezza utilizzando l’intelligenza artificiale per prevenire e rispondere agli incidenti. In breve, contrariamente ai vecchi modelli di identificazione che si basavano su una conoscenza storica di tali attacchi, ora è possibile costruire questi modelli sulla base dell’esperienza e di quanto è osservabile in un determinato momento. Le prospettive di crescita e l’utilità che già contraddistingue questo strumento sono tali da farne di diritto un baluardo di nuova generazione.
